Baptiste Coulmont

Continuons l’exploration des réseaux d’invitation que l’on peut objectiver à partir des affiches d’églises “noires”, collées un peu partout en région parisienne (en réalité pas partout, mais bon…).
On peut supposer que les personnes qui, par leur présence, assurent des liens entre composantes qui seraient autrement disjointes sont “importants”. On peut identifier ces personnes comme des “cutpoints“. Je les ai coloriées dans le graphe ci-contre en vert.
Dans l’état présent de mes données, il y a 28 “cutpoints“. Et, chose amusante, sur ces 28 personnes, 7 ne sont pas des pasteurs, ni des prophètes, ni des évêques… Ce sont du “petit personnel” religieux, des détenteurs de “tous petits titres” : typiquement, “frère”, “soeur”, “servante” ou “chantre”. [Celles et ceux qui apparaissent vers la gauche de l’analyse en composante principale de ce billet]
Mais on pourrait supposer, d’une autre manière, que les acteurs les plus “importants” sont ceux qui sont connectés, directement ou indirectement, à de nombreux autres acteurs. On appelle cela la “centralité d’intermédiarité” et on peut donner un score à cette notion, à partir de l’algorithme betweenness (dans le package “sna” de R). Sûrement, là, on trouverait des pasteurs et des prophètes, les “big mens” de ce monde.
Mais mes données indiquent que, parmi les 11 personnes les plus “centrales”, 6 sont du “petit personnel” religieux. Il y a même mieux : la personne la plus centrale est un chanteur, René L***. Et cela peut se constater sur l’ensemble du graphe : si l’on calcule la “centralité par titre” (en ne gardant que 2 grosses catégories, “pasteurs” et “autres”, alors la catégorie “autres” a un score moyen de centralité plus important).
Le monde pentecôtiste est souvent décrit comme un monde d’entrepreneurs religieux indépendants (certains devenant “grands” en accumulant des fidèles). Au minimum, on voit ici à partir d’une approche de “sociologie structurale” que ces entrepreneurs s’adossent à des acteurs marginaux pour monter leur entreprise. J’appelle ces acteurs “marginaux” car ce ne sont ni des fidèles au sens strict, ni des outsiders radicaux, ni des porteurs de titres prestigieux (comme “bishop”) ni des “sans-titres”. Et je les appelle “marginaux” car, dans la quarantaine d’articles, de thèses, de livres… de sociologie et d’anthropologie portant sur ces églises, les “frères” et “soeurs” chanteurs et chanteuses n’apparaissent pas vraiment. Est-ce parce qu’ils sont vraiment anecdotiques ? Ou est-ce parce que le regard (et la problématique) de mes collègues les a invisibilisés ? [Il est facile de les invisibiliser, à partir d’une vision d’emblée “cléricale” du monde religieux, où les “grands” sont les porteurs d’un charisme personnel.]

Je n’avais qu’une heure, alors c’est fait à l’arrache.
Voici la “couleur” politique de votre bureau de vote, si vous votez à Paris :

Les données proviennent de Paris “Open Data” et décrivent les résultats du premier tour des régionales de 2010. Je me suis inspiré de Mounir&Simon mais j’ai fait une petite classification ascendante pour distinguer des “clusters” (ils ne distinguaient que Droite / Gauche et cela me semblait un peu trop simple).

Groupe 1 : noir : une zone frontière (mais où Pécresse fait le double de Huchon)
Groupe 2 : rouge : ce doit être une ancienne zone à droite, passée à gauche. Huchon et Duflot, ensemble, sont bien au dessus de Pécresse.
Groupe 3 : vert : C’est là où la candidate verte, Duflot, fait son score maximal et talonne Huchon. Le PC est aussi en “force”.
Groupe 4 : bleu foncé : LA zone Pécresse : là, on vote à droite en majorité.
Groupe 5 : bleu clair : la zone des marges, où le score de Pécresse est faible, et où les petits candidats (Arnautu, Besancenot, Governatori, Kanoute, Laurent, Mercier…) font un score plus important qu’ailleurs.

Mise à jour, avec de nouvelles couleurs.
Les groupes sont construits de la même manière que ci-dessus, mais le “barplot”, sous la carte, insiste sur les “petits” candidats, en insistant sur la déviation par rapport à leur moyenne sur Paris.


[Attention : c’est embrouillé. Ce n’est pas “faux”, mais le “barplot” ne représente pas les informations sur lesquelles je me suis basé pour construire les groupes.].

 
Où ont-ils (et elles) fait leur meilleur score ?

Deuxième mise à jour
Une analyse des correspondances produit ce joli graphe. L’Axe 1 explique les 3 quarts de l’inertie (et place les personnes sur un axe droite (à gauche) — gauche (à droite du dessin).
Mais l’on voit aussi l’importance du 2e axe : qui répartit les candidats de partis “hétérodoxes” : FN, NPA, Verts, etc…

J’ai essayé de comprendre un peu plus précisément les résultats du billet précédent.
Partons d’un réseau bimodal représenté, ci-dessous, sous la forme d’une matrice puis d’un graphe :

We generated 1000 random matrices by a quasi swap algorithm (Miklós & Podani, 2004) using the function ‘commsimulator’ in vegan for R (Oksanen et al., 2007). The null matrices were subsequently uploaded into a custom-coded (…)

Ce problème, sous des formes plus proches des miennes, s’est aussi posé à des sociologues travaillant sur des réseaux sociaux. Jean Finez, travaillant sur la co-participation aux comités d’administration (les liens interlocks), a tenté d’en comprendre la logique en les comparant à des réseaux aléatoires de même structure Solidarités patronales et formation des interlocks [halshs] :

nous comparons le réseau des interlocks à des réseaux générés aléatoirement de manière à mettre en évidence ses spécificités et à ne pas mésinterpréter des propriétés qui relèvent en fait des contraintes juridiques et organisationnelles. Nous avons généré 50 réseaux aléatoires bimodaux, construits de manière à posséder de nombreuses caractéristiques identiques à celles du réseau interlock. […]
Dans chaque réseau aléatoire bimodal, les conseils d’administration sont choisis par les individus par un tirage dans une loi uniforme. En outre, les réseaux ont été construits de manière à partager de nombreuses caractéristiques avec le réseau interlock de l’élite de premier ordre. Premièrement, comme dans le réseau réel, chaque réseau aléatoire est composé de 27 sommets « dirigeants » et de 40 sommets « entreprises » reliés par 91 liens dirigeants-entreprises. Deuxièmement, chaque dirigeant est présent dans 3 à 5 conseils d’administration et chacune des 40 entreprises ne peut accueillir plus de 18 dirigeants.

J’ai donc utilisé, dans le package “vegan”, l’instruction commsimulator (méthode “quasi swap”), qui génère une matrice aléatoire respectant les marges de la matrice de départ.

Souvent, l’instruction va donner quelque chose de ce genre : Il n’y a plus que 2 composantes (par rapport au réseau de départ, il y a moins de “ré-invitations”.)
Si l’on génère 10 000 réseaux, l’histogramme du nombre de composantes est celui-ci :

A quelques 500 reprises, des réseaux à 3 composantes apparaissent. Et, surprise, à 3 reprises, des réseaux à 4 composantes (très rares, donc, dans cette configuration).
Voici ce réseau à 4 composantes respectant les contraintes de départ :

Dans cet exemple, les “ré-invitations” sont maximales.

Les données recueillies à partir d’une collection de 150 affiches d’églises africaines sont très riches. J’ai déjà montré ici qu’on pouvait y déceler des indications d’implantation géographique, ou une “politique du titre” qui manifeste l’existence d’une hiérarchisation poussée.
Ces affiches donnent aussi des informations “réticulaires” : les pasteurs pentecôtistes passant une partie de leur temps à s’inviter les uns les autres, à pratiquer le “partage de la chaire”, un réseau apparaît. Voici une représentation graphique de ce réseau d’invitations. Vous remarquerez, en plissant les yeux, une grosse composante et de nombreuses petits groupes. Le nombre de composantes est de 60.
La question que je me pose est : mais comment donc un tel réseau est généré ? Est-ce qu’il peut être simplement déduit de certaines contraintes ?
Pour commencer à apporter une réponse, j’ai demandé à R de générer des réseaux aléatoires qui respectent 2 contraintes.

• 1/ si dans le réseau observé l’individu (i) participe à (n) événements, il en va de même dans le réseau généré
• 2/ si dans le réseau observé l’événement (j) a réuni (m) personnes, il en va de même dans le réseau généré

Les réseaux générés “aléatoirement et sous contraintes” ont une particularité : leur nombre moyen de composantes n’est pas proche de 60, il est proche de 41. Les réseaux “aléatoires” relient beaucoup plus les individus (alors que chaque individu participe au même nombre d’événements et que chaque événement réuni le même nombre de personnes, par comparaison avec le réseau observé).
Mes pasteurs pentecôtistes noirs, donc, semblent ne pas “inviter au hasard”, mais choisir une “distance” moindre que les “pasteurs aléatoires”. De ce fait, ils créent un monde un peu plus “troué” que celui du modèle.
Note : Je ne sais pas si je dois vraiment mettre cela en ligne. En effet, je ne maîtrise pas totalement ce dont je parle et j’ai peut-être fait n’importe quoi… J’expose donc maintenant la méthode utilisée. Je démarre d’une matrice d’adjacence, nommée “mat”, qui indique “qui participe à quoi” :
E1 E2 E3 E4
P1 1 0 1 0
P2 1 1 0 0
P3 0 1 0 1
P4 0 0 0 1
P5 0 0 0 1
P6 1 1 1 0

Dans laquelle E1 est l’événement n°1, P1 la personne n°1 (qui ici, participe à E1 et E3).
Dans le logiciel R, le package “vegan” dispose d’une commande :
b< -commsimulator(mat, method="quasiswap")

Methods quasiswap and backtracking are not sequential, but each call produces a matrix that is independent of previous matrices, and has the same marginal totals as the original data.

Cette commande permet de générer des matrices qui ont les mêmes marges que les matrices de départ (ce qui fait que chaque événement aura le même nombre de participants et chaque personne participera au même nombre d'événements).

Suites : Voici un synthèse du nombre de composantes après avoir généré 1000 réseaux aléatoires :

La probabilité de tomber sur un réseau à 60 composantes (avec les contraintes de départ) est donc bien faible.

Dire « l’âge est une construction sociale » est parfois mal compris. « Mais non, on a tous un âge. »… s’il y a bien une donnée biologique qui échappe à la construction sociale, ce serait bien celle-là. Et pourtant, il est assez simple de montrer que, plus l’on s’éloigne de l’emprise de l’Etat, moins les gens ont un âge.
Au Maroc, dans les années soixante, voilà à quoi ressemblait la pyramide des âges :

[graphique extrait de Pison, Gilles. “Age déclaré et âge réel : une mesure des erreurs sur l’âge en l’absence d’état civil.” Population 34.3 (1979): 637-648.]
Une telle pyramide des âges montre que, personne ne connaissant précisément son âge, les agents recenseurs “arrondissent” autour des âges en “5” et en “0”. Il n’y a d’âge que parce qu’il y a un Etat : l’âge, en années, n’est pas une donnée qui fait sens en dehors de l’emprise de l’Etat.
Aujourd’hui, en France, le travail de liaison entre l’âge et la personne est suffisamment ancien pour que tout le monde (ou presque) ait un âge. Mais si l’on a appris à compter son âge, tout ne se compte pas aussi facilement.
Par exemple, à une question sur le nombre de partenaires sexuels, les enquêtés ont tendance à arrondir. Le graphique suivant s’intéresse à la distribution des “9 partenaires et plus”.

[graphique extrait de Bozon et Bajos, Enquête sur la sexualité des français.]
Il y a un pic à “10”, puis à “12” (une douzaine), à “15”, “20”, “30”, “40”… Entre ces pics, peu de réponses : les enquêtés aiment les chiffres ronds.

Après avoir, depuis deux ans et demi, recueilli quelques 150 affiches différentes présentant des “Grandes croisades” évangéliques organisées par des pasteurs noirs, en région parisienne, me voici avec une base de données amusante à manipuler.
Les personnes photographiées ou mentionnées sur les affiches revendiquent des titres (“pasteur”, “bishop”, “maman”…). Ces titres sont associés à des caractéristiques qui ne sont pas aléatoirement distribuées : les femmes, par exemple, sont plus souvent “invisibles” (mentionnées mais pas photographiées). Certains titres sont associés de manière intense avec “tenir une bible dans la main” ou avec “tenir un micro”.
J’ai en tête que ces représentations peuvent, indirectement, être liées à une hiérarchisation interne du monde des “églises africaines”.
Une petite “analyse par clusters” donne ceci :

Apparemment, les détenteurs (et détentrices) d’un titre indiquant une position cléricale (de “évangéliste” à “pasteur”) sont relativement proches entre eux. Un groupe féminin et laïque (maman… servante) se différencie du premier. J’avais cru voir, sur les affiches, les “mamans” en position dominante (mais il s’avère qu’elles sont moins souvent visibles, qu’elles n’ont ni bible, ni micro)…

Et une analyse en composante principale donnerait ceci :

J’ai bien envie de conclure que ces affiches permettent assez bien de comprendre certains des principes de hiérarchisation d’un monde, celui des églises évangéliques et pentecôtistes dirigées par des pasteurs noirs, qui se présente avant tout comme un monde de petits entrepreneurs religieux individuels.

Comment obtenir rapidement cette carte représentant le taux brut de natalité dans divers pays d’Europe, en 2009 :

Il faut tout d’abord disposer de données (issues de Eurostat) et d’un fichier shapefile — trouvé sur le site de la Commission européenne par François “Politbistro” B. — (Voici le tout dans une archive zippée : maps.zip)

Voici le code.

library(maptools)
library(RColorBrewer)
library(classInt)
library(reshape)
setwd("~/Desktop/maps")
data <- read.table("tauxbrutnatalite.csv",header=T,sep=";")
head(data)
europe<- readShapeSpatial("CNTR_RG_60M_2006.shp",proj4string=CRS("+proj=longlat"))
summary(europe)
xcoord <- c(-10,40)
ycoord <- c(35,70)
nclr <- 6
colours <- brewer.pal(nclr, "RdBu")
v<-data$X2009
class <- classIntervals(v, nclr, style="equal")
colcode <- findColours(class, colours)
test<-match(europe$CNTR_ID,data$code)
x<-colcode[test]
x[ is.na(x) ] <- "darkgrey"
plot(europe,col=x,xlim=xcoord,ylim=ycoord)
legend(-10,70,legend=names(attr(colcode,"table")), fill=attr(colcode, "palette"), cex=1.2, bty="n")

Somme toute, ce n’est pas un code très lourd pour générer une aussi jolie carte (les couleurs auraient pu être mieux choisies, ainsi que les intervalles, mais tout ceci est grandement modifiable). Ce qui est compliqué, c’est d’associer les données dont on dispose et le fichier shapefile. Deux problèmes se posaient ici :

1. les pays, dans le shapefile, sont indexés par leur code à 2 lettres (FR pour France…) : il fallait donc travailler un peu les données d’Eurostat, en Français
2. il fallait ensuite être certain que R coloriait les pays avec les bonnes indications : c’est à cela que l’instruction match sert : elle établit, dans l’objet “test” une grille de correspondance entre le code-pays du fichier de données et le code-pays du fichier shapefile.

J’ai colorié en gris les pays pour lesquels les données manquent.
Maintenant, François “Politbistro” B., à toi de jouer.

Dans un quotidien, récemment, l’un des frères Fassin disait que la culture, ce n’est pas une explication, c’est ce qu’il faut expliquer. Pour cela, il faut probablement encore croire que la culture existe un tant soit peu, ce qui n’est pas vraiment mon cas.
Cependant, il faut reconnaître que certaines personnes construisent activement des identités collectives et qu’on ne peut les effacer aussi rapidement. J’avais déjà mentionné l’existence de prénoms bretons : depuis une cinquantaine d’années, des promoteurs de la culture bretonne publient dictionnaires, calendriers, listes… comprenant ce qu’ils appellent des “prénoms bretons”. Si l’on agrège différentes listes, l’on finit par obtenir une grosse liste de prénoms bretons.
Le “fichier des prénoms” de l’INSEE propose des données au niveau national et au niveau de chaque département. Mais rien en dessous : rien au niveau des communes ou des cantons.
Mais, peut-être par inadvertance, l’éducation nationale, elle, donne accès à des données intéressantes. Une bonne partie des académies publient les résultats nominatifs au brevet des collèges. Henry Ciesielski a repéré cela et a réussi à récupérer une bonne partie de cette liste.
L’on dispose ainsi d’informations assez fines au niveau de chaque collège. La suite est le résultat d’une collaboration entre Henry et moi. Les 4800 collèges ont été géolocalisés (assez grossièrement et avec des erreurs, car nous ne disposions que de la commune, pas de l’adresse postale complète). Et, pour chaque collège, la proportion de “prénoms bretons” parmi les admis au brevet a été calculée.
La carte suivante permet de voir, rapidement, qu’il y a plus de prénoms bretons en Bretagne qu’en dehors. Il est bien dommage que les académies limitrophes n’aient pas publié les résultats au brevet : l’on aurait pu voir où s’arrêtait la frontière culturelle… [Notez : la taille des points est fonction du nombre de prénoms bretons, la couleur fonction de la proportion.]

Des résultats plus fins sont disponibles : les collèges “Diwan” regroupent plus d’enfants avec des prénoms bretons.
La carte suivante m’intéresse plus. En effet, les promoteurs de la culture bretonne semblent avoir réussi un double essai : rendre visible les prénoms bretons à l’état civil pour une minorité non négligeable d’enfants, et diffuser à l’ensemble de la Bretagne-région cette pratique. Cela dans un contexte intéressant : plus personne ou presque ne parle breton…
Les promoteurs du basque n’en sont pas là encore. Voyez la carte : seuls une poignée de collèges contiennent une proportion importante de prénoms basques, et cela est limité à l’extrême sud-ouest du Sud-Ouest. Autant les Morgane, les Gwenn et les Ewen se sont diffusés au delà du monde des bretonisants, autant les Bixente, les Ainhoa et les Aguxtin restent confinés au pied des Pyrénées-Atlantiques. [Ce n’est peut-être pas vrai pour quelques prénoms, mais, pris collectivement, ils n’ont aucune existence en dehors de la micro-région.]

Prenez ces deux cartes comme un début de recherche, une première visualisation des effets à la fois de la libéralisation du choix du prénom et, je le pense, des entreprises politiques de différenciation culturelle.

Pareto Rules !

[En fait, il faut un commentaire. Les données portent sur l’année 2004, elles proviennent du “Fichier des prénoms”, obtenu par le Centre Quêtelet. Et : il faut beaucoup plus que 10000 prénoms pour nommer 100% des naissances, mais les données auxquelles j’ai accès contiennent une catégorie globale, “Prenoms rares”, donnée en 2004 à plus de 7% des naissances, sans qu’il soit possible de savoir combien de prénoms se trouvent dans cette catégorie. Mais cela ne changerait pas du tout la forme de la courbe.]

Suite à une question de David Monniaux j’ai demandé à mon collègue Charles Soulié des données sur le nombre de postes ouverts aux concours du CAPES et de l’agrégation depuis 1960. Je pense disposer de données solides.

Les données, ici, portent sur les concours externes.
Que faudrait-il ajouter ?
– le nombre de candidats, d’abord, qui varie aussi, mais pas dans les mêmes proportions (le taux de réussite à l’agrégation en 1990 est de 1 sur 5, il n’est plus que de 1 sur 10 en 2008).
– le nombre d’élèves inscrits, chaque année, dans l’enseignement secondaire (ou un indicateur comme le nombre d’élèves passant le bac, ou le brevet des collèges)

Les variations, très rapides et de grande ampleur depuis une vingtaine d’année, contribuent sans doute à perturber les possibilités de prévision des candidates. L’agrégation, par exemple, se préparait, jusqu’à récemment, en 5 ans (bac+4 et un an de préparation)… mais personne (sauf dans un ou deux bureau du ministère) ne sait, un an avant le début des concours, combien de postes seront ouverts.
Le “creux” dans les recrutements autour de 1975-1980 va sans doute avoir des conséquences très prochainement : ces recrutés, peu nombreux, vont partir à la retraite.