data <- read_excel("C:/Users/rosin/OneDrive/Bureau/Celine/bdd.xlsx", sheet = "bdd")
data$Département <- as.factor(data$Département)

# Convertissez toutes les valeurs non numériques dans la colonne `Chiffre d'affaire` en NA
data$`Chiffre d'affaire` <- as.numeric(gsub("n/c", NA, data$`Chiffre d'affaire`))
data <- na.omit(data)
departments <- data %>%
  group_by(Département) %>%
  summarise(Entreprises = n()) %>%
  arrange(desc(Entreprises)) %>%
  slice_head(n = 10)

# Création du graphique à barres horizontales
ggplot(departments, aes(x = reorder(Département, Entreprises), y = Entreprises, fill = Entreprises)) +
  geom_bar(stat = "identity") +
  coord_flip() +  # Inverser les axes pour que les départements soient sur l'axe des ordonnées
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  labs(title = "Top 10 des départements avec le plus d'entreprises",
       x = "Nombre d'entreprises",
       y = "Département") +
  theme_minimal() +
  theme(legend.position = "none")

Cette représentation illustre la répartition des entreprises à travers les différents départements, ce qui pourrait être un indicateur de la résilience économique régionale. Ce graphique met en évidence les départements tels que la Guadeloupe, le Nord et la Seine-Maritime comme étant les plus densément peuplés en termes d’entreprises, ce qui peut suggérer une base économique plus large pouvant absorber les chocs externes. L’analyse de ces données dans le contexte des crises mentionnées peut permettre d’évaluer comment la concentration d’entreprises dans certains départements pourrait affecter leur capacité à réagir et s’adapter à des chocs économiques. Par exemple, un département avec un grand nombre d’entreprises pourrait bénéficier d’une économie plus diversifiée et être mieux préparé pour la reprise après un choc, tandis qu’un département avec moins d’entreprises pourrait être plus vulnérable.

# Calcul du chiffre d'affaires moyen par secteur et sélection des 10 premiers, converti en millions d'euros
top_sectors <- data %>%
  group_by(Secteur) %>%
  summarise(Average_Revenue = mean(`Chiffre d'affaire`, na.rm = TRUE) / 1e6) %>%
  top_n(10, Average_Revenue)

# Création du graphique avec le chiffre d'affaires en millions d'euros
ggplot(top_sectors, aes(x = Average_Revenue, y = reorder(Secteur, Average_Revenue), fill = Average_Revenue)) +
  geom_col() +
  scale_x_continuous(labels = scales::label_number(suffix = "M")) +
  labs(title = "Top 10 des secteurs avec le plus grand chiffre d'affaires moyen", 
       x = "Chiffre d'affaires (en millions d'euros)", 
       y = "Secteur") +
  theme_minimal()

Ce graphique révèle les chiffres d’affaires moyens des secteurs clés, offrant une perspective sur la robustesse économique de ces secteurs. La teinte des barres, qui varie selon l’ampleur du chiffre d’affaires, suggère une concentration économique significative dans certains secteurs, tels que le commerce de la réparation d’automobiles et de motocycles et l’industrie manufacturière. Cette visualisation permet d’appréhender rapidement les secteurs dominants qui pourraient jouer un rôle central dans l’atténuation des répercussions de crises telles que la COVID-19 et la crise énergétique, en influant sur la résilience et la capacité de reprise des économies touchées. La représentation souligne les domaines potentiellement prioritaires pour l’élaboration de politiques publiques axées sur le soutien aux secteurs stratégiques en période de turbulence économique.

# Calcul du chiffre d'affaires moyen par secteur et sélection des 10 secteurs avec le CA moyen le plus bas
bottom_sectors <- data %>%
  group_by(Secteur) %>%
  summarise(Average_Revenue = mean(`Chiffre d'affaire`, na.rm = TRUE) / 1e6) %>%
  arrange(Average_Revenue) %>%
  slice_head(n = 10)

# Création du Lollipop Chart
ggplot(bottom_sectors, aes(x = reorder(Secteur, Average_Revenue), y = Average_Revenue)) +
  geom_segment(aes(xend = Secteur, yend = 0), color = "skyblue", size = 3) +
  geom_point(size = 5, color = "blue") +
  coord_flip() +  # Flip the coordinates to make the chart horizontal
  labs(title = "Top 10 des secteurs avec le chiffre d'affaires moyen le plus bas",
       x = "Secteur",
       y = "Chiffre d'affaires moyen (en millions d'euros)") +
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Le graphique visualise le chiffre d’affaires moyen des dix secteurs ayant les revenus les plus faibles, une représentation qui met l’accent sur les secteurs potentiellement plus vulnérables ou moins lucratifs. Chaque secteur est marqué par un point bleu sur l’axe horizontal qui indique son chiffre d’affaires moyen, rendant immédiatement apparents ceux qui contribuent le moins à l’économie globale. Les activités de service administratifs et de soutien et l’hébergement et la restauration se démarquent avec des chiffres légèrement plus élevés par rapport aux autres secteurs, mais restent modestes par rapport aux géants économiques. Ces données pourraient suggérer que ces secteurs, souvent influencés par les politiques publiques et les dépenses gouvernementales, pourraient nécessiter un soutien accru en période de crise pour renforcer leur contribution à l’économie et soutenir leur développement durable.

# Calcul du nombre d'entreprises par secteur et sélection des 5 meilleurs
top_sectors_by_companies <- data %>%
  group_by(Secteur) %>%
  summarise(Entreprises = n()) %>%
  arrange(desc(Entreprises)) %>%
  slice_max(order_by = Entreprises, n = 5)

# Création du graphique en barres empilées en forme de pyramide
ggplot(top_sectors_by_companies, aes(x = factor(1), y = Entreprises, fill = factor(Secteur))) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +  # Utiliser coord_polar pour créer l'effet de pyramide/anneau
  scale_fill_manual(values = colorRampPalette(c("lightblue", "darkblue"))(5)) +
  labs(title = "Top 5 des secteurs avec le plus d'entreprises",
       x = NULL,
       y = NULL) +
  theme_void() +  # Enlever les axes et le fond pour nettoyer le graphique
  theme(legend.title = element_blank()) +
  geom_text(aes(label = Entreprises), position = position_stack(vjust = 0.5))

Ce diagramme en camembert illustre les cinq secteurs comptant le plus grand nombre d’entreprises, offrant une visualisation claire de la distribution des entreprises à travers ces secteurs. La majorité est visiblement dominée par le secteur de la construction, suivi par l’industrie manufacturière, soulignant leur importance dans le tissu économique. La taille des segments représente le nombre d’entreprises, indiqué par les chiffres à l’intérieur de chaque tranche, avec le secteur des transports et entreposage et celui des activités spécialisées, scientifiques et techniques représentant également des parts significatives. Cette distribution peut indiquer des secteurs potentiels de concentration économique et de robustesse, essentiels pour formuler des réponses aux chocs économiques comme ceux causés par la crise de la COVID-19 et la crise énergétique. Une compréhension approfondie de cette répartition est cruciale pour l’élaboration de politiques publiques visant à renforcer la résilience économique et à soutenir les secteurs clés en périodes de crise.