---
title: "Geormarketing Report"
output:
   flexdashboard::flex_dashboard:
    storyboard: true
    social: menu
    source_code: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
pacman::p_load(dplyr,spatstat, ggplot2, sf,readr,readxl,tmap,stars,opentripplanner)
options(scipen=999)
```



```{r, include=FALSE}
rm(list = ls())
getwd()
setwd(dirname(rstudioapi::getActiveDocumentContext()$path))
```


```{r, include=FALSE}
iris_ille_et_vilaine<-st_read("Geomarketing/georef-france-iris-millesime.shp")
iris_ille_et_vilaine$com_name<-gsub(pattern="\\['|\\']", replacement='',iris_ille_et_vilaine$com_name) #remove the [' ']
iris_ille_et_vilaine$iris_code<-gsub(pattern="\\['|\\']", replacement='',iris_ille_et_vilaine$iris_code) #remove the [' ']
iris_ille_et_vilaine$iris_name<-gsub(pattern="\\['|\\']", replacement='',iris_ille_et_vilaine$iris_name) #remove the [' ']
sirene_ille_et_vilaine<-st_read("Geomarketing/dataseed-sirene-2.shp")
iris_35 <- read_excel("Geomarketing/iris_35.xlsx")
```


```{r, include=FALSE}
iris_35$nb_residence_princ<-iris_35$Res_princ_30_moins_40_m2+iris_35$Res_princ_40_moins_60_m2+iris_35$Res_princ_60_moins_80_m2+iris_35$Res_princ_80_moins_100_m2+iris_35$Res_princ_100_moins_120_m2
```

```{r, include=FALSE}
iris_35$Nb_vehicules <- 2*(iris_35$Menages_deux_voituresplus)+iris_35$Menages_une_voiture
iris_35$Actif_occ_15_ansplus_vehicules <- iris_35$Actif_occ_15_ansplus_deux_roues+iris_35$Actif_occ_15_ansplus_voiture_camion
```

```{r, include=FALSE}
colnames(iris_ille_et_vilaine)[20]<-"CODE_IRIS"
iris_ille_et_vilaine<-merge(iris_ille_et_vilaine,iris_35[,c("CODE_IRIS",'Actifs_15-64_ans2', "Pop_15-64_ans","Delta_Pop_20-64_ans","nb_residence_princ", "Nb_vehicules","Actif_occ_15_ansplus_vehicules")],by="CODE_IRIS")
colnames(iris_ille_et_vilaine)[c(31:34)]<-c("Actif_total","Pop_15_64","Delta_pop_20_64ans","Nb_residence_principale")
iris_ille_et_vilaine <-iris_ille_et_vilaine %>%mutate_at(vars( Actif_total,Pop_15_64,Delta_pop_20_64ans,Nb_residence_principale,Nb_vehicules,Actif_occ_15_ansplus_vehicules),  ~ na_if(., 0))
```

Introduction
=======================================================================
Column {data-width=600}
-----------------------------------------------------------------------
### Illustration

```{r}
ggplot(data = iris_ille_et_vilaine) +
  geom_sf(aes(fill = Pop_15_64)) +scale_fill_viridis_c(option="rocket",begin = 1,end=0, breaks = c(1000, 4000))+
  xlab("Longitude") + ylab("Latitude")+ theme(legend.position = "top")
```

Column {data-width=400}
-----------------------------------------------------------------------
### Introduction

Ce rapport de géomarketing vise à approfondir notre compréhension des interactions entre la population, les enseignes de contrôle technique automobile, et le nombre de véhicules dans le département d'Ille-et-Vilaine, en France. En nous appuyant sur des données géolocalisées provenant de la base SIRENE (format shapefile) disponible sur public.opendatasoft.com, notre objectif est d'identifier les régions où la demande de services automobiles est la plus prononcée, ainsi que les zones où la population active est particulièrement concentrée. Cette analyse revêt une importance stratégique pour les entreprises du secteur du contrôle technique automobile, car elle leur permet de mieux cibler leur clientèle et d'optimiser leur présence géographique. En comprenant les dynamiques spatiales de ces facteurs, les entreprises peuvent prendre des décisions éclairées concernant l'expansion de leurs activités et l'amélioration de leurs services, afin de répondre efficacement aux besoins de la population locale.

Nombre des véhicules et de la Population par IRIS
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------

### Carte interactif enseignes, le nombre des véhicules et la population


```{r}
iris_ille_et_vilaine2<-iris_ille_et_vilaine
tmap_mode("view")
tm_shape(iris_ille_et_vilaine) +#tm_text(text = "iris_name",size=0.8)+
  tm_polygons("Pop_15_64", alpha=0.5,
              style="pretty", id="iris_name",
              title="Population (15-64 ans)")+
  tm_shape(iris_ille_et_vilaine2) +#tm_text(text = "iris_name",size=0.8)+
  tm_polygons("Nb_vehicules", alpha=0.5,
              style="pretty", id="iris_name",
              title="Nombre de véhicules")+
  tm_shape(sirene_ille_et_vilaine) + 
  tm_dots("enseigne1et",legend.show = FALSE,id="enseigne1et",size=0.1)+tm_layout(legend.outside = TRUE)
```


Column {data-width=500}
-----------------------------------------------------------------------

### Nombre des véhicules par IRIS

```{r}
ggplot(data = iris_ille_et_vilaine) +
  geom_sf(aes(fill = Nb_vehicules)) +
  scale_fill_viridis_c(option = "rocket", begin = 1, end = 0, breaks = c(1000, 4000)) +
  xlab("Longitude") + ylab("Latitude") +
  theme(legend.position = "top")
```

### Interprétation des cartes

La combinaison de ces deux cartes révèle une concentration remarquable, non seulement de la population âgée de 15 à 64 ans, mais aussi du nombre de véhicules dans les environs des principales agglomérations du département d'Ille-et-Vilaine, notamment Rennes et Saint-Malo. De plus, il est intéressant de noter une concentration significative des enseignes de centres de contrôle technique automobile aux alentours de ces zones urbaines majeures. Ces observations soulignent l'importance économique et démographique de ces centres urbains dans la région, ainsi que la nécessité pour les services liés à l'automobile de répondre à la demande accrue dans ces zones densément peuplées. 

Cartographie des isochrones
=====================================

Column {data-width=400}
-----------------------------------------------------------------------
```{r, include=FALSE}
pacman::p_load(dplyr, ggplot2,viridis , sf,readr,readxl,tmap)

#installer le package opentripplaner (en modifiant le chemin d'acces)
#install.packages("C:/Users/lambotte/Downloads/opentripplanner_0.4.0.tar.gz", repos = NULL, type = "source")
library(opentripplanner)
iris_ille_et_vilaine<-st_read("Geomarketing/iris_ille_et_vilaine.gpkg")
#vérifiez bien que vous avez la derniere version du fichier, avec 22 lignes (22 points de vente)
sirene_ille_et_vilaine<-st_read("Geomarketing/sirene_ille_et_vilaine.gpkg")

st_crs(sirene_ille_et_vilaine) #l'unité est le mètre
#buffer<-st_buffer(sirene_ille_et_vilaine,10000) #10000m(10KM) isodistance
load('buffer.RData')
```


### Isodistance à 10 km autour des enseignes

```{r}
tm_shape(iris_ille_et_vilaine) +#tm_text(text = "iris_name",size=0.8)+
  tm_polygons("Pop_15_64", alpha=0.3,
              style="pretty", id="iris_name",
              title="Population (15-64 ans)")+
     tm_shape(buffer)+tm_polygons("enseigne1et",legend.show = FALSE,id="enseigne1et",alpha=0.5)+
   tm_shape(sirene_ille_et_vilaine)+
  tm_dots("enseigne1et",legend.show = FALSE,title="Enseigne",id="enseigne1et",popup.vars="trancheeffe.2",alpha=0.8)+
  tm_layout(legend.outside = TRUE)
```


Column {data-width=400}
-----------------------------------------------------------------------
```{r include=FALSE}
path_data <- "OTP" #tell him the OTP directory 
path_otp <- otp_dl_jar()  
otp_check_java() #check version java if FALSE go download here: https://www.java.com/en/download/
#Vous n'avez besoin de lancer cette ligne qu'une fois pour construire le graph
#log <- otp_build_graph(otp = path_otp, # Build Graph
           #dir = path_data,memory=15000)
log1<-otp_setup(otp = path_otp, dir = path_data) # Start OTP
otpcon <- otp_connect()


load('iso.RData')
#verification 
colnames(iso)[3]<-"siret"
iso<-merge(iso,st_drop_geometry(sirene_ille_et_vilaine[,c(3,43)]),by="siret",all.y=TRUE)%>%unique() #pour avoir les enseignes mais on a pas d'isochrone pour deux points de vente

#Supprimer AUTO CONTROLE BRICOIS car les coordoonnées ne sont pas disponibles
iso <- iso[iso$siret != 79373353600015,]
```


### Isodistance à 15 minutes autour des enseignes

```{r}
tmap_mode("view")
tm_shape(iris_ille_et_vilaine) +#tm_text(text = "iris_name",size=0.8)+
  tm_polygons("Pop_15_64", alpha=0.5,
              style="pretty", id="iris_name",
              title="Population (15-64 ans)")+
   tm_shape(sirene_ille_et_vilaine) + 
  tm_dots("enseigne1et",legend.show = FALSE,title="Enseigne",size=0.1,id="enseigne1et")+
  tm_layout(legend.outside = TRUE)+
  tm_shape(iso) +  
  tm_fill("minutes",
          breaks = c(0, 15.01), title="Isochrones (minutes)",
          style = "fixed",labels =c("0 to 15"),
          palette ="-BuPu",id="minutes",alpha = 0.3) +
  tm_borders()
```


Column {data-width=200}
-----------------------------------------------------------------------

Ces deux cartes nous donnent la possibilité visualiser deux courbes d'isodistance permettant d'observer les zones qui ne sont pas desservies à 10 km ou à 15 min des enseignes de contrôle technique. Sur la carte avec les cercles, nous pouvons voir que peu de zones ne sont pas desservies à 10 km des enseignes. Cependant, la carte avec les isochrones montre que les communes ayant plus d'habitants sont celles qui sont les plus desservies. Les routes sont également prise en compte dans le calcul des isochrones.



Relation spatiale et corrélation
=====================================

```{r include=FALSE}
pacman::p_load(dplyr, ggplot2, viridis, sf,readr,readxl,tmap,spdep,spatialreg)
iris_ille_et_vilaine<-st_read("Geomarketing_3/iris_ille_et_vilaine2.gpkg")
```


Column {data-width=400}
-----------------------------------------------------------------------

```{r include=FALSE}
pacman::p_load( viridis,spdep,spatialreg)
#On crée la liste des voisins à partir de la méthode "rook" 
liste_voisins_rook<-poly2nb(iris_ille_et_vilaine, queen=FALSE)


#Carte/graph des liens
voisins_rook_sf <- spdep::nb2lines(liste_voisins_rook, coords = st_centroid(st_geometry(iris_ille_et_vilaine)))
```

### Contiguïté Queen des IRIS

```{r}

tmap_mode("plot") 

tm_shape(iris_ille_et_vilaine)+tm_polygons(col="white", border.col = "grey25")+
tm_graticules(lines = FALSE)+
  tm_shape(st_centroid(iris_ille_et_vilaine))+tm_dots(size = .5,col="red")+
  tm_shape(voisins_rook_sf)+tm_lines(col="black", lwd=0.3)+
  tm_layout(title ="Voisins contigus (Queen)",title.position = c('left', 'bottom'),scale=0.5)
```

```{r include=FALSE}
#On crée la liste des voisins à partir de la distance entre les IRIS
liste_voisins_dist<-dnearneigh(st_coordinates(st_centroid(iris_ille_et_vilaine)),0,5,longlat = TRUE)

#Carte/graph des liens
voisins_dist_sf <-spdep::nb2lines(liste_voisins_dist, coords = st_centroid(st_geometry(iris_ille_et_vilaine)))
```

### Les voisins à moins de 5 km

```{r}
tm_shape(iris_ille_et_vilaine)+tm_polygons(col="white", border.col = "grey25")+
tm_graticules(lines = FALSE)+
  tm_shape(st_centroid(iris_ille_et_vilaine))+tm_dots(size = .5,col="red")+
  tm_shape(voisins_dist_sf)+tm_lines(col="black", lwd=0.3)+
  tm_layout(title ="Voisins à moins de 5km",title.position = c('left', 'bottom'),scale=0.5)
```

```{r include=FALSE}
#On crée la liste des 3 plus proches voisins de chaque IRIS
liste_voisins_proche <- knn2nb(knearneigh(st_coordinates(st_centroid(iris_ille_et_vilaine)),k=3))

voisins_proche_sf <-spdep::nb2lines(liste_voisins_proche, coords = st_centroid(st_geometry(iris_ille_et_vilaine)))

#Carte/graphs des liens

tm_shape(iris_ille_et_vilaine)+tm_polygons(col="white", border.col = "grey25")+
tm_graticules(lines = FALSE)+
  tm_shape(st_centroid(iris_ille_et_vilaine))+tm_dots(size = .5,col="red")+
  tm_shape(voisins_proche_sf)+tm_lines(col="black", lwd=0.3)+
  tm_layout(title ="3 plus proches Voisins",title.position = c('left', 'bottom'),scale=0.5)
```


Column {data-width=400}
-----------------------------------------------------------------------
### Nombres des enseignes de contrôles techniques
```{r}
tmap_mode("view")
tm_shape(iris_ille_et_vilaine)+tm_polygons("nb_CT_per_iris",pal = rocket(6, direction = -1),
              style="pretty", id="iris_name",
              title="Nb d'enseigne de contrôle technique")#+tm_text(text = "iris_name",size=0.8)
```


```{r include=FALSE}
tm_shape(iris_ille_et_vilaine) +tm_borders()+tm_graticules(lines=FALSE)
```


```{r include=FALSE}
W_rook<-nb2listw(liste_voisins_rook, style="W", zero.policy=TRUE)
W_dist<-nb2listw(liste_voisins_dist, style="W", zero.policy=TRUE)
W_proche<-nb2listw(liste_voisins_proche, style="W", zero.policy=TRUE)

#As classical matrices
M1<-listw2mat(W_rook)
M2<-listw2mat(W_dist)
M3<-listw2mat(W_proche)

lattice::levelplot(t(M1))
lattice::levelplot(t(M2))
lattice::levelplot(t(M3))
```

```{r include=FALSE}
nb_pdv_iris<-read.csv("nb_pdv_iris.csv")[,-1]
iris_ille_et_vilaine$nb_CT_per_iris<-as.numeric(as.character(iris_ille_et_vilaine$nb_CT_per_iris))
moran.test(iris_ille_et_vilaine$nb_CT_per_iris,W_dist,zero.policy =TRUE ) #pvalue <0.05 => autocorrélation spatiale
moran.total<-moran.test(iris_ille_et_vilaine$nb_CT_per_iris,W_dist,zero.policy =TRUE )$estimate[1] #save the index
```

```{r}
moran.test(iris_ille_et_vilaine$nb_CT_per_iris,W_dist,zero.policy =TRUE )
```

Column {data-width=200}
-----------------------------------------------------------------------

Encore une fois ces cartes confirment la corrélation spatiale des enseignes de contrôle technique. En effet, les IRIS ayant un nombre d'enseignes de contrôle technique élevé sont souvent entourés par d'autres IRIS ayant également un nombre élevé d'enseignes. Cela peut être expliqué par le fait que les IRIS les plus peuplés sont souvent situés dans les zones urbaines, où la demande de services automobiles est plus élevée. Les entreprises du secteur du contrôle technique automobile ont donc tendance à se concentrer dans ces zones pour répondre à la demande locale. Cette concentration spatiale des enseignes de contrôle technique automobile peut également être due à des facteurs tels que la proximité des routes principales, des zones commerciales ou des centres-villes, qui attirent une clientèle plus importante. De plus le test de Moran montre que l'autocorrélation spatiale est significative, ce qui confirme la présence de clusters d'enseignes de contrôle technique dans le département d'Ille-et-Vilaine.

Conclusion
=====================================

Column {data-width=350}
-----------------------------------------------------------------------

```{r include=FALSE}
#nb_pdv_iris<-read.csv("Geomarketing_3/nb_pdv_iris.csv")[,-1]
sapply(nb_pdv_iris,function(x) moran.test(x,W_dist,zero.policy = TRUE))
moran<-sapply(nb_pdv_iris,function(x) moran.test(x,W_dist,zero.policy = TRUE)$estimate)[1,]
              
moran<-data.frame((c(moran,moran.total)))
rownames(moran)[33]<-"TOTAL"
```

```{r}
moran <- moran |>  arrange(desc(X.c.moran..moran.total..))
moran
```

Column {data-width=650}
-----------------------------------------------------------------------

### Conclusion

Dans l'ensemble, les analyses effectuées dans ce rapport de géomarketing ont mis en lumière plusieurs aspects importants des interactions entre la population, les enseignes de contrôle technique automobile et le nombre de véhicules dans le département d'Ille-et-Vilaine, en France.

Premièrement, les cartes illustrant la répartition de la population âgée de 15 à 64 ans et du nombre de véhicules par IRIS ont révélé une concentration significative de ces deux facteurs autour des principales agglomérations telles que Rennes et Saint-Malo. De plus, une concentration notable des enseignes de contrôle technique automobile a été observée dans ces mêmes zones urbaines majeures.

Deuxièmement, la cartographie des isochrones a permis de visualiser les zones qui ne sont pas desservies à 10 km ou à 15 minutes des enseignes de contrôle technique. Les résultats ont montré que la plupart des zones densément peuplées sont bien desservies, soulignant ainsi l'importance de la proximité des services automobiles pour la population locale.

Troisièmement, l'analyse de la corrélation spatiale des enseignes de contrôle technique a révélé une autocorrélation significative, indiquant la présence de clusters d'enseignes dans certaines zones du département. Cette concentration spatiale peut être attribuée à divers facteurs tels que la demande locale, la proximité des routes principales et des zones commerciales.

En conclusion, ce rapport met en évidence l'importance stratégique de comprendre les dynamiques spatiales des services automobiles pour les entreprises du secteur du contrôle technique. En utilisant des données géographiques et des analyses spatiales, les entreprises peuvent mieux cibler leur clientèle, optimiser leur implantation géographique et répondre efficacement aux besoins de la population locale.

De plus l'enseigne AUTO.CONTROLE.CESSONNAIS pressente l'indice de Moran le plus élevé, ce qui signifie qu'elle est entourée par des IRIS ayant également un nombre élevé d'enseignes de contrôle technique. Cette enseigne pourrait donc bénéficier d'une position stratégique dans la commune de Rennes ou de Saint-Malo, en raison de leurs proximité avec d'autres zones densément peuplées et bien desservies.

```{r}