revenu et taux de pauvreté des ménages en 2019
…
Introduction
Depuis le 18eme siècle, le « revenu » d’un ménage est un enjeu majeur
dans l’économie d’un pays et son bon fonctionnement. Souvent tabou ou «
sujet qui fâche », il est facteur de nombreuses décisions (activité,
niveau de vie et même sa fréquentation). Par ce biais, Nous savons que
la France compte 5,2 millions de pauvres si l’on fixe le seuil de
pauvreté à 50 % du niveau de vie médian et 9,2 millions si l’on utilise
le seuil de 60 %, selon les données 2019. Cependant fait partie des pays
de l’Union européenne où le taux de pauvreté et le plus faible (près de
10 points de pourcentage de différences avec l’Espagne par exemple). Par
ailleurs, les Français sont parmi les populations disposant d’un des
revenus disponibles médians les plus élevés de l’Union européenne (UE),
(près de 4 fois supérieur à celui de la Roumanie, mais 1.5 fois
inférieur à celui du Luxembourg). En comparaison de ces pays, les écarts
de revenus entre régions françaises sont relativement limités. Ce
constat ne doit toutefois pas faire oublier le particularisme de
certains territoires ultra-marins, où les revenus sont en net retrait
par rapport à la moyenne en métropole (pour l’un des DOM affiche le
revenu disponible médian le plus faible des régions de l’UE). Mais,
certaines régions même au sein de la métropole sont « hors norme »
(comme la région Ile-de-France qui héberge à la fois le département le
plus riche (Paris) et le plus pauvre en métropole (Seine-Saint-Denis).
On peut donc se demander :
Quelles différences, comment et pourquoi au sein d’un seul et
même pays nous pouvons remarquer de tels éloignement ?
Lors de cette étude nous allons nous pencher sur la question de
« quel sont les principales différences de revenu et de pauvreté en
France en 2019 » et nous essayerons d’expliquer ces différences. Ainsi,
cette étude sera accès sur les revenus et la pauvreté Française en 2019,
selon les résultats de l’INSEE (L’Institut national de la statistique et
des études économiques). Majoritairement mon étude portera sur les
différences départementales et régionales. Grâce à ce choix, les
analyses statistiques qui suivront permettrons, de comparer,
d’identifier, d’analyser, de comprendre, de percevoir, et faire des
hypothèses plus facilement.
SOMMAIRE
1.MÉTHODOLOGIE
1.1 Le choix du sujet et la sélection des
données
1.2 L’objectif
1.3 L’importation des données et la création du
schéma relationnel
1.4 Mise en contexte
2. PREMIERE APPROCHE AVEC LES DONNÉES
2.1 La répartition
2.2 Données brutes par régions
3. INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
3.1 En générale
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
1.2 L’objectif
1.3 L’importation des données et la création du
schéma relationnel
1.4 Mise en contexte
2. PREMIERE APPROCHE AVEC LES DONNÉES
2.1 La répartition
2.2 Données brutes par régions
3. INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
3.1 En générale
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
1.3 L’importation des données et la création du
schéma relationnel
1.4 Mise en contexte
2. PREMIERE APPROCHE AVEC LES DONNÉES
2.1 La répartition
2.2 Données brutes par régions
3. INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
3.1 En générale
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
1.4 Mise en contexte
2. PREMIERE APPROCHE AVEC LES DONNÉES
2.1 La répartition
2.2 Données brutes par régions
3. INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
3.1 En générale
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
2.2 Données brutes par régions
3. INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
3.1 En générale
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
3.2 Au particulier
4. ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
4.1 Tendance, premiere approche et démographie
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
4.2 Leurs impacts sur la répartition
5. SYNTHÈSE
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
5.1 Graphique synthèses générales
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
5.2 Conlusion
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
5.3 abstract
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des
personnes inscrites sur une même déclaration de revenus. Il peut y avoir
plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple
non marié où chacun remplit sa propre déclaration de revenus compte pour
deux foyers fiscaux.
Le « revenu disponible » est le revenu à la
disposition du ménage pour consommer et épargner. Il comprend les
revenus d’activité nets des cotisations sociales, les indemnités de
chômage, les retraites et pensions, les revenus du patrimoine (fonciers
et financiers) et les autres prestations sociales perçues, nets des
impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane »
partage cette distribution en deux parties d’effectifs égaux. Ainsi,
pour une distribution de salaires, 50 % des salaires se situent sous la
médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse. En effet, dans un premier temps nous allons étudier
la répartition des départments et des communes. Puis dans un second
temps nous allons avoir “une première approche avec les données
conditionnées selon les régions.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"
X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre
de départements au sein des régions françaises et d’outre-mer. Ainsi, on
remarque très vite qu’il y a de grandes différences entre les régions
d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède
qu’un département, alors qu’en France métropolitaine (hors corse)
puisque le nombre de départements varient de 4 (pour la Bretagne) à 13
(pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ
8 départements dans chaque région (grâce à la légende), donc pour tous
les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on
peut déjà dire que les régions d’outre-mer sont « différentes » que les
autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"
dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))
libgeo
codgeo
nbmenfisc19
med19
tp6019
tp60tol119
pact19
pimpot19
rd19
Centre-Val de Loire
24
1131828
21710
13
6
69
-16
3
Normandie
28
1438006
21380
13
6
69
-16
3
Occitanie
76
2623383
20980
17
9
68
-16
3
Auvergne-Rhône-Alpes
84
3434965
22610
13
6
74
-17
3
Corse
94
126908
20950
18
11
68
-18
4
Nouvelle-Aquitaine
75
2706556
21540
13
7
67
-16
3
Grand Est
44
2366349
21800
15
6
69
-16
3
Île-de-France
11
5001831
24060
16
6
86
-23
4
Bourgogne-Franche-Comté
27
1240046
21640
13
6
69
-16
3
Bretagne
53
1490113
21990
11
6
68
-16
3
Hauts-de-France
32
2459959
20360
18
7
72
-16
3
Pays de la Loire
52
1642803
21850
11
5
72
-16
3
Provence-Alpes-Côte d’Azur
93
2275217
21590
17
8
69
-18
4
NB:
NOM DES COLONNES DÉTAILLÉS
colonne
respectivement :
a libgeo: nom du departement
b codgeo: nom du département
c nbmenfisc19: nombre d’habitant
d med19: Médiane du niveau vie (€)
e tp6019: Taux de pauvreté-Ensemble (%)
f tp60tol119: Taux de pauvreté-propriétaires (%)
g pact19: Part des revenus d’activité (%)
h pimpot19: Part des impôts (%)
i rd19: Rapport interdécile 9e décile/1er décile
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de
grandes différences de nombre de départements/communes (donc
territoriales). Et d’autre part de les identifier puisque nous savons
que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre
mesure) sont des régions différentes des autres régions/départements dut
a différents facteurs que nous identifierons dans la suite de cette
analyse. Par ailleurs, elle nous a aussi permis des tendances régionales
et départementales importantes, comme un rapport interdécile important
en Île-de-France par exemple, ou un taux de pauvreté fort dans les
régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)
query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)
X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence
d’une corrélation entre le niveau de vie médian des départements
français avec son taux de pauvreté. Il nous a aussi permis de remarqué
premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis
ensuite, nous a permis d’identifier un autre groupe (banlieue
parisienne) et leur différence avec les autres départements de
l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque
idée et tendance. On peut notamment. Retenir que les DOM-TOM ont
généralement un taux de pauvreté bien supérieurs à la moyenne française,
que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort
pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de
Paris ont d’une part un niveau de vie médian bien supérieur aux autres
départements, mais qu’il que le taux de pauvreté reste faible et donc
qu’il y a une corrélation entre le niveau de vie médian et le taux de
pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;
#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}
col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de
pauvreté en fonction de régions métropolitaines française. D’identifier
une tendance de décroissement du taux de pauvreté en fonction de l’âge
et de remarquer un phénoméne de manque d’éducation scolaire dans
certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)
## Warning: Ignoring unknown aesthetics: frame, ids
ggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)
## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes
importants. En effet, on voit assez facilement qu’en fonction de la
région la répartition du taux de pauvreté et la part des revenus
d’activité varient. Par ailleurs, de manière générale, on voit une
corrélation entre la part de revenu et le taux de pauvreté propriétaire
(plus le revenu est haut plus le taux est bas et inversement). Ainsi, on
voit que les régions (où il y a peu d’activité, beaucoup de villages,
prix au mètre carré faible…) sont privilégiées pour les ménages à faible
part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur,
Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
Dans cette partie, l’objectif est de démontrer et d’appuyer par d’autres
variables disponibles (majoritairement économiques), leur influence sur
le nombre de ménages, le revenu de vie… Par ailleurs, cela nous
permettra de comprendre certains phénomènes de déplacement de la
population vers d’autres secteurs et les répercussions sur le taux de
pauvreté, l’emploi…
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements
français en général suivent une logique de « plus il y a de ménages dans
le département plus la part de revenu d’activité augmente ». Ce
graphique nous a aussi permis de remarquer que les habitants de la
région Île-de-France sont nombreux et très dépendants de leurs revenus
d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà
affirmer que l’Île-de-France et la région où il y a le plus d’emploi en
France au vu des observations précédentes. Ainsi, on peut affirmer, ces
écarts renvoient en partie au profil des populations selon l’activité,
la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par
exemple, à Mayotte (et pour la majorité des régions/départements
français), il y a en proportion moins d’actifs occupés et parmi eux plus
d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine,
Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on
sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté
les prix des logements, ce qui écarte la pauvreté et attire les ménages
riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"
X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les
zones d’emploi ont une forte influence sur le nombre de ménages au sein
de la ville et dans les communes alentour. Et on peut affirmer que
l’offre d’emploi, l’activité économique de la
régions/départements/communes sont des facteurs de revenu et donc de
niveau de vie médian.
Cette partie nous a donc appris que l’économie
locales/départements/régionales, l’influence économique,
socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des
facteurs influençant le taux de pauvreté, et même la France en
général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle
permet de résumer un grand nombre d’information, de les synthétiser et
de les comprendre, et de les comparer plus facilement qu’avec
tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Au cours de cette étude, l’objectif était de trouver quelle
différence et comment et pourquoi remarque-t-on de telles différences au
sein d’un même pays. Ce basant sur l’année 2019 et sur les données
ouverte de l’INSEE « revenu et taux de pauvreté des ménages en 2019 »
Pour commencer, cette étude a d’abord identifier (avant même d’analyser
concrètement les données) une différence importante entre les DOM-TOM et
la France métropolitaines (et de moindre mesure entre la région de
l’Île-de-France et les autres régions métropolitaines). En effet, que ça
soit au niveau départemental (5 départements pour 5 régions alors qu’en
France métropolitaine (hors Corse) Les départements varient de 4 à 13
départements par régions.), au niveau régional (la région Île-de-France
« leader » dans quasiment toutes les catégories) ou par communes (pour
une moyenne de 400 communes en France les DOM-TOM (hors Mayotte) varient
entre 17 à 34 communes par département et 17 à 54 pour la banlieue
proche de Paris).
Ensuite, nous sommes entrés plus concrètement dans l’étude et
dans l’analyse du taux de pauvreté. Grâce à de nombreuses analyses et
graphiques, nous avons remarqué que le taux de pauvreté des
départements/régions d’outre-mer, ont un taux de pauvreté bien supérieur
à la moyenne (33 points de pourcentages de différences). Par
ailleurs, on a remarqué qu’il y a une corrélation entre le revenu médian
(niveau de vie médian) et le taux de pauvreté, cependant que le nombre
de ménages n’avait aucune influence avec le taux de pauvreté que ça soit
départemental ou régional. On a aussi relevé que la majorité des
régions ont tendance à avoir un haut taux de pauvreté pour les jeunes
ménages (moins de 30 ans), mais diminue peu à peu. Ainsi, affirme que le
taux de pauvreté a aussi une influence avec des facteurs « économique »,
comme l’éducation, le secteur d’activité… Ensuite, nous nous sommes
plus précisément penchés sur les facteurs économique pouvant influencer
les ménages et par la suite le taux de pauvreté. Premièrement, nous
avons remarqué où ce situé majoritairement les villes attractives
(frontières, capitales régionales/départementales), puis nous avons
remarqué que les villes ayant une forte activité, influence
indirectement les communes alentour par l’emploi (et comme vu
précédemment, si on a un emploi le niveau de vie augmente et le taux de
pauvreté diminue). Ainsi, nous avons vu au long de cette étude que
l’offre d’emploi, la localisation, l’âge, l’activité, l’éducation, ont
un impact (plus ou moins fort) sur le taux de pauvreté et sur la vie en
général des ménages français.
Par ailleurs, connaissant ces facteurs il est simple de trouvé des
solutions afin de le diminués (comme meilleur répartition des villes
économique et donc des ménages, permettent à tous des formations de
qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
As part of my STID (Statistical Information Technology and
Decision Support) training, we were asked, during the second semester,
to carry out an analysis on a subject chosen from among 5 themes. Once
chosen, we had to choose precisely the data among the one proposed in
open data of the INSEE. After this step we had to do all the steps
(import, relational schema, creation, analysis, query…) to study
variables (as a situation in the professional world). Thus, during this
study, the objective was to find out what difference and how and why we
notice such differences within the same country. Based on the year 2019
and on the open data of INSEE “household income and poverty rate in 2019
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level. It was
also noted that the majority of regions tend to have a high poverty rate
for young households (under 30 years old), but this is gradually
decreasing. Thus, it is argued that the poverty rate is also influenced
by “economic” factors, such as education, sector of activity, etc.
Next, we looked more specifically at the economic factors that can
influence households and subsequently the poverty rate. First, we
noticed where the attractive cities are located (borders,
regional/departmental capitals), then we noticed that the cities with a
strong activity, indirectly influence the surrounding communes by the
employment (and as seen previously, if one has a job the standard of
living increases and the poverty rate decreases). Thus, we have seen
throughout this study that the availability of jobs, location, age,
activity, education, have an impact (more or less strong) on the poverty
rate and on the life in general of French households.
Moreover, knowing these factors, it is easy to find solutions in
order to decrease it (as better distribution of economic cities and
therefore of households, allow everyone to have quality trainings
(especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)
Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
Création du schéma
CREATE SCHEMA sae;
Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);
Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);
Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importation
Schéma relationnel
…
5. ANNEXE
MÉTHODOLOGIE
Afin d’effectuer une étude statistique qualitatives et donc de
répondre le plus justement à la question ci-dessus, selon moi, plus on a
de données plus l’analyse sera précise et pertinente. Cependant, qui dit
nombre ne dit pas qualité, et même le grand nombre de données sera une
difficulté puisque beaucoup trop d’idée et on se perd dans l’étude, et
les données perdent d’efficacités. Malgré les avertissements, j’ai fait
choix (et pris le risque) de prendre toutes les données disponibles, sur
l’INSEE. Une fois récolté, j’ai dû les comprendre, les analyser afin de
créer un schéma relationnel (pour les implanter dans un serveur php et
faire des requêtes qu’avec les données qui m’intéressent en fonction de
ma volonté). J’ai eu énormément de problème pour sa création
(visualisation simplifier du schéma en annexe).
Une fois cette
épreuve passée, l’analyse a pu enfin commencer. Pour plus de
compléments, chaque étape et exemple ci-dessous.
1.1 Le choix du sujet et la séléction des données
Comme dans toute analyse, nous avons besoin de données, notre
tutrice nous a demandé de les prendre sur l’INSEE. Mais avant, il nous
était proposé 5 thématiques. J’ai donc choisi le revenu et pauvreté,
puisque premièrement, selon moi, c’est un sujet m’intéresse et venant de
la région parisienne (Boulogne-Billancourt), voyant la différence avec
ici à Avignon où la pauvreté est plus présente, il me semblait
intéressant de connaître les facteurs qui différencient autant ces
régions/départements. Par ailleurs, comme expliquer ci-dessous, j’ai
pris le risque de prendre toutes mes données disponibles. Cependant, je
me rendrais compte que cette initiative a été plus une perte de temps à
titre d’exemple j’ai eu beaucoup de difficultés avec les liens des
arrondissement et les communes associés, mais dans mon étude, je n’ai
jamais étudié les arrondissements, et ceux pareille pour les cantons,
air d’attraction…
1.2 L’objectif
Mon analyse porte sur le sujet de revenu et pauvreté en France
et je voulais quelque chose qui pourrait intéresser tout le monde. J’ai
donc choisi la dernière publication de l’INSEE sur ce sujet (2019). J’ai
aussi fait le choix de faire « beaucoup » de graphiques puisque
certaines personnes comprennent mieux visuellement (donc avec des
graphiques, tableaux, cartographie…) et d’autre avec l’écrit. Ensuite,
j’ai commencé l’importation.
1.3 L’importation des données et la création du schéma relationnel
Le schéma relationnel est une manière de modéliser les relations
existantes entre plusieurs informations, et de les ordonner entre elles.
Cependant, sa création est plus dure que sa définition. Comme expliqué
ci-dessus j’ai eu beaucoup de problèmes pour sa modélisation, son
implémentation…(cf annexe). Cependant, l’importation des données est un
tournant dans l’étude. Selon moi, c’est à ce moment-là que nous entrant
dans réellement l’analyse.
1.4 Mise en contexte
Mais, avant de commencer toute analyse, il me semble primordial
de savoir son sujet. Quand je dis son sujet, c’est tous ce qui relève de
la compréhension « de base », puisque selon moi, une bonne compréhension
d’analyse est possible que lorsque sont lecteurs, auditoire, public a
bien compris l’étude, ces difficultés, modalités… Ainsi, je vous dans
cette partie vous présenter les principales données étudiées, leurs
définitions, l’origine…
L’origine:
Comme expliquer
rapidement ci-dessus, ces données proviennent de l’INSEE s’appelant «
revenu et pauvreté des ménages en 2019 ». C’est un Fichier Localisé
Social et Fiscal (FiLoSoFi) avec ça dernière mise en ligne le
17/01/2022.
Téléchargement des données :
https://guacamole.univ-avignon.fr/nextcloud/index.php/s/q8CL25rqf9HAQ8Y
Champ :
Le champ couvert est celui
de l’ensemble des ménages fiscaux ordinaires : il exclut les personnes
sans domicile ou vivant en institution (prison, foyer, maison de
retraite…). Les résultats sont fournis pour la France métropolitaine, la
Martinique et La Réunion. La part des ménages fiscaux imposés est
calculée sur le champ des ménages dont le revenu déclaré est positif ou
nul. Les autres indicateurs sont calculés sur le champ des ménages dont
le revenu disponible est positif ou nul. Les communes sans habitant ou
sans habitant soumis à la taxe d’habitation ne sont pas dans la liste
des communes. Les données sont arrondies à la dizaine pour les déciles
et quartiles de revenu et arrondies à quelques décimales pour les autres
Indicateurs.
Géographie et année:
Les
statistiques de l’année 2019 sont proposées dans la géographie communale
en vigueur au 01/01/2021.
Probleme du secret statistique et seuil de diffusion:
Le secret statistique exclut que des données
collectées à des fins statistiques puissent être utilisées ou
réutilisées à des fins de décision à l’égard des personnes concernées ;
personnes physiques comme personnes morales. En particulier, il exclut
strictement toute utilisation ou réutilisation de ces données à des fins
de contrôle fiscal ou de répression économique. Toute personne accédant
à des données collectées ou traitées à des fins statistiques (enquêteur,
agent recenseur, statisticien, demandeur habilité) est soumise au secret
statistique.
Definition des principales varialbles selon l’insee:
Le « ménage fiscal » est un ménage
constitué par le regroupement des foyers fiscaux répertoriés dans un
même logement. Son existence, une année donnée, tient au fait que
coïncident au moins une déclaration indépendante de revenus et
l’occupation d’un logement connu à la Taxe d’Habitation. Les ménages
constitués de personnes ne disposant pas de leur indépendance fiscale
(essentiellement des étudiants) sont comptés dans les ménages où ils
déclarent leurs revenus même s’ils occupent un logement indépendant.
Le terme « foyer fiscal » désigne l’ensemble des personnes inscrites sur une même déclaration de revenus. Il peut y avoir plusieurs foyers fiscaux dans un seul ménage : par exemple, un couple non marié où chacun remplit sa propre déclaration de revenus compte pour deux foyers fiscaux.
Le « revenu disponible » est le revenu à la disposition du ménage pour consommer et épargner. Il comprend les revenus d’activité nets des cotisations sociales, les indemnités de chômage, les retraites et pensions, les revenus du patrimoine (fonciers et financiers) et les autres prestations sociales perçues, nets des impôts directs.
Le « taux de pauvreté » monétaire correspond à la
proportion d’individus (ou de ménages) étant en situation de pauvreté
monétaire.
Si on ordonne une distribution, « la médiane » partage cette distribution en deux parties d’effectifs égaux. Ainsi, pour une distribution de salaires, 50 % des salaires se situent sous la médiane et 50 % au-dessus.
Si on ordonne une distribution de salaires, de revenus, de chiffres
d’affaires, etc., « les déciles » sont les valeurs qui
partagent cette distribution en dix parties d’effectifs égaux. Ainsi,
pour une distribution de salaires :
• le premier décile (noté
généralement D1) est le salaire au-dessous duquel se situent 10 % des
salaires ;
• le neuvième décile (noté généralement D9) est le
salaire au-dessous duquel se situent 90 % des salaires.
Le premier
décile est, de manière équivalente, le salaire au-dessus duquel se
situent 90 % des salaires ; le neuvième décile est le salaire au-dessus
duquel se situent 10 % des salaires.
Les rapports « interdéciles » des revenus sont
utilisés pour mettre en évidence les disparités (ou écarts) entre les
plus riches et les plus pauvres.
PREMIERE APPROCHE AVEC LES DONNÉE
Après vous avoir présenté les principaux termes spécifiques de
l’étude, nous allons vous présenter une première approche graphique des
données afin d’appuyer votre compréhension et d’avancer petit à petit
dans l’analyse.
2.1 La répartition
Ainsi comme expliqué auparavant, nous allons représenter la
répartition du nombre de départements dans chaque région française, puis
la répartition du nombre de communes dans chaque département français.
SELECT "dep", D2."reg", "libgeo", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "ppfam19", "pplogt19", "pimpot19", "rd19", R."libelle"
FROM sae."dep_2022" AS D2, sae."dep_2019" AS D1, "reg_2022" AS R
WHERE D1."codgeo"=D2."dep" and D2."reg"=R."reg"X6 <- read_csv("X6.csv")
myTable=X6[, c(1:3,16) ]
myFrame=as.data.frame(table(myTable$libelle))
ggplot(myFrame, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( col="red", width = .6, ) + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=5)+labs(x= "nombre de département", y="région", title = "nombre de département dans chaque régions") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold"))
Ce graphique nous permet de mettre en avant les différences du nombre de départements au sein des régions françaises et d’outre-mer. Ainsi, on remarque très vite qu’il y a de grandes différences entre les régions d’outre-mer et la France métropolitaine. En effet, chaque DOM ne possède qu’un département, alors qu’en France métropolitaine (hors corse) puisque le nombre de départements varient de 4 (pour la Bretagne) à 13 (pour l’Occitanie). Nous remarquons aussi qu’en moyenne, il y a environ 8 départements dans chaque région (grâce à la légende), donc pour tous les DOM-TOM, ils ont 7 départements de moins que la moyenne. Ainsi, on peut déjà dire que les régions d’outre-mer sont « différentes » que les autres.
SELECT DISTINCT *
FROM sae."com_2022" AS C2, sae."dep_2022" AS D
WHERE C2."dep"=D."dep"dump_15 <- read_csv("dump-15.csv")
mytable=dump_15[,c(2,4,7,16)]
myframe=as.data.frame(table(mytable$ncc...16))
ggplot(myframe, aes(x=Freq, y= Var1, fill= Freq)) + geom_col( width = .6, ) +
labs (fill = "nb de commune") + scale_x_continuous(breaks = seq(0,16, 2)) + theme_bw() + geom_text(aes(label = Freq, hjust = 1.2), color = "red", size=3.3)+labs(x= "nombre de commune", y="département", title = "nombre de commune dans chaque département") +theme(plot.title = element_text(color="black", size=14, face="bold.italic"),axis.title.x = element_text(color="red", size=14, face="bold"),axis.title.y = element_text(color="black", size=14, face="bold")
)
Sur ce graphique nous remarquons aussi de grandes différences mais au
niveau du nombre de communes par département.
En effet, on remarque
en moyenne que le nombre de communes varient de 17 (Mayotte) à près de
890 (Pas-de-Calais).
Cette si grosse différence est entre autres
expliquée par les départements d’outre-mer, ils sont effectivement bien
en dessous de la moyenne qui est d’environ 400 communes, puisqu’elles en
ont qu’entre 17 et 34 communes (hors Mayenne). Cependant on remarque
aussi que la proche banlieue parisienne (Val-de-Marne, Hauts-de-Seine,
Saint-Denis, Paris) est aussi bien plus faible que la moyenne puisqu’ils
en ont qu’entre 17 à 56 communes.
Grâce à ces deux graphiques nous pouvons retenir dans un premier
temps, que la répartition des département et des communes n’est pas
égales en générales pour les régions/départements d’outre-mer, puis dans
un second temps que le découpage communale dans la région de
l’Île-de-France et plus précisément dans la proche banlieue de Paris est
inégales avec les autres départements.
Données brutes par régions
KABLEE <- read_csv("KABLEE.csv")
kbl(KABLEE, escape = F, align = "c") %>%
kable_paper(full_width = F) %>% row_spec(0, angle = 0) %>%
column_spec(1, color = "black",
link = "https://fr.wikipedia.org/wiki/Région_française") %>%
column_spec(3, color = "white",
background = spec_color(KABLEE$nbmenfisc19,end = .99),
popover = paste("am:", KABLEE$nbmenfisc19)) %>%
column_spec(4, color= spec_color(KABLEE$med19, end = .9, option = "E", direction = 1)) %>%
column_spec(6, color = spec_color(KABLEE$rd19,end = .99)) %>%
column_spec(5, color = "white",
background = spec_color(KABLEE$tp6019,end = .99),
popover = paste("am:", KABLEE$tp6019)) %>%
column_spec(7, color = "white",
background = spec_color(KABLEE$pact19,end = .99),
popover = paste("am:", KABLEE$pact19)) %>%
column_spec(8, color = spec_color(KABLEE$pimpot19,end = .99)) %>%
column_spec(9, color = "white",
background = spec_color(KABLEE$rd19,end = .99),
popover = paste("am:", KABLEE$rd19)) %>%
footnote(general = "NOM DES COLONNES DÉTAILLÉS ",
general_title = "NB: ",
alphabet = c("libgeo: nom du departement",
"codgeo: nom du département",
"nbmenfisc19: nombre d'habitant",
"med19: Médiane du niveau vie (€)",
"tp6019: Taux de pauvreté-Ensemble (%)",
"tp60tol119: Taux de pauvreté-propriétaires (%)",
"pact19: Part des revenus d'activité (%)",
"pimpot19: Part des impôts (%)",
"rd19: Rapport interdécile 9e décile/1er décile"),
alphabet_title = "colonne respectivement :",
footnote_as_chunk = F, title_format = c("italic", "underline"))| libgeo | codgeo | nbmenfisc19 | med19 | tp6019 | tp60tol119 | pact19 | pimpot19 | rd19 |
|---|---|---|---|---|---|---|---|---|
| Centre-Val de Loire | 24 | 1131828 | 21710 | 13 | 6 | 69 | -16 | 3 |
| Normandie | 28 | 1438006 | 21380 | 13 | 6 | 69 | -16 | 3 |
| Occitanie | 76 | 2623383 | 20980 | 17 | 9 | 68 | -16 | 3 |
| Auvergne-Rhône-Alpes | 84 | 3434965 | 22610 | 13 | 6 | 74 | -17 | 3 |
| Corse | 94 | 126908 | 20950 | 18 | 11 | 68 | -18 | 4 |
| Nouvelle-Aquitaine | 75 | 2706556 | 21540 | 13 | 7 | 67 | -16 | 3 |
| Grand Est | 44 | 2366349 | 21800 | 15 | 6 | 69 | -16 | 3 |
| Île-de-France | 11 | 5001831 | 24060 | 16 | 6 | 86 | -23 | 4 |
| Bourgogne-Franche-Comté | 27 | 1240046 | 21640 | 13 | 6 | 69 | -16 | 3 |
| Bretagne | 53 | 1490113 | 21990 | 11 | 6 | 68 | -16 | 3 |
| Hauts-de-France | 32 | 2459959 | 20360 | 18 | 7 | 72 | -16 | 3 |
| Pays de la Loire | 52 | 1642803 | 21850 | 11 | 5 | 72 | -16 | 3 |
| Provence-Alpes-Côte d’Azur | 93 | 2275217 | 21590 | 17 | 8 | 69 | -18 | 4 |
| NB: | ||||||||
| NOM DES COLONNES DÉTAILLÉS | ||||||||
| colonne respectivement : | ||||||||
| a libgeo: nom du departement | ||||||||
| b codgeo: nom du département | ||||||||
| c nbmenfisc19: nombre d’habitant | ||||||||
| d med19: Médiane du niveau vie (€) | ||||||||
| e tp6019: Taux de pauvreté-Ensemble (%) | ||||||||
| f tp60tol119: Taux de pauvreté-propriétaires (%) | ||||||||
| g pact19: Part des revenus d’activité (%) | ||||||||
| h pimpot19: Part des impôts (%) | ||||||||
| i rd19: Rapport interdécile 9e décile/1er décile |
Ce tableau nous permet de rentrer plus concrètement dans
l’analyse. Ici, j’ai fait le choix de supprimer les DOM-TOM puisque (dut
à leur valeur extrêmement haute, taux de pauvreté par exemple, ou basse,
revenu médian par exemple) nous ne pouvions pas voir de différences avec
les régions métropolitaines.
Ainsi, nous pouvons voir et affirmer
que la région de l’Île-de-France est une région ayant les plus fortes
valeurs dans la majorité des colonnes.
En effet, la région numéro 11
est celle qui hébergent le plus d’habitants de France (plus de 5 000
000), et où le niveau de vie médian est le plus élevé (de plus de 1 500
€ avec le deuxième), et logiquement la région reversant le plus d’impôts
(23% de leur revenu disponible).
Par ailleurs on peut aussi
remarquer que la région Île-de-France et Corse font partie des régions
où le rapport interdécile est le plus élevé (4%), alors que pour l’un
(Île-de-France) le revenu médian et le plus haut et pour l’autre (Corse)
le revenu médian est le plus faible.
On peut d’ores et déjà émettre
l’hypothèse qu’en Île-de-France il y a beaucoup de riches et une
minorité pauvre (autrement dit 90% de riches et 10% de pauvres) et
inversement pour la course (90% de pauvres et le reste de très riches).
On remarque aussi que les régions du sud de la France ont plus tendance
à avoir un haut taux de pauvreté (exemple de l’Occitanie ou de la
Provence-Alpes-Cotes d’Azur)
Cette première partie nous a permis d’une part de remarquer de grandes différences de nombre de départements/communes (donc territoriales). Et d’autre part de les identifier puisque nous savons que l’Île-de-France et les DOM-TOM (ainsi que la Corse dans une moindre mesure) sont des régions différentes des autres régions/départements dut a différents facteurs que nous identifierons dans la suite de cette analyse. Par ailleurs, elle nous a aussi permis des tendances régionales et départementales importantes, comme un rapport interdécile important en Île-de-France par exemple, ou un taux de pauvreté fort dans les régions du sud de la France (Occitanie, Provence-Alpes-Cote-d’Azur)
INFLUENCE ET ANALYSE DU TAUX DE PAUVRETÉ
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de taux de pauvreté de toutes
les régions françaises puis dans une seconde partie regardé plus
précisément où, pourquoi, comment, quel âge, le taux de pauvreté est
plus fort dans cette régions etc…
3.1 En généralité
Donc comme expliquer ci-dessus, cette partie a pour objectif de
“dégrossir” et de rendre parlant des données de grand territoire.
Cette partie permettra aussi d’identifier quelques tendances et ainsi
d’aider la compréhension et interprétation avec des données plus
précises.
query='SELECT* FROM sae."reg_2019" AS T;'
X1 = dbGetQuery(connexion,query)query='SELECT* FROM sae."dep_2019" AS T;'
X = dbGetQuery(connexion,query)X1 <- read_csv("X1.csv")
X <- read_csv("X.csv")
X1$libgeo= as.factor(X1$libgeo)
couleur=c("blue", "red")
f= X$libgeo=="Mayotte"|X$libgeo=="Guyane"|X$libgeo=="Guadeloupe"|X$libgeo=="Martinique"|X$libgeo=="La Réunion"
f2 = !f
a=X$libgeo
par(bg="slategray3",fg="cyan")
plot(X$med19,X$tp6019, pch=19,main="graphique représentant le taux de pauvreté et le \n niveau de vie des departement en France", xlab="niveau de vie",ylab="taux de pauvreté")
points(X$med19[f],X$tp6019[f], pch=19,col="red",cex=2)
points(X$med19[!f],X$tp6019[!f], pch=19,col="blue",cex=1)
text(X$med19[f],X$tp6019[f], X$libgeo[f],pos=3,xpd=NA,cex=2, col="red")
text(X$med19[!f],X$tp6019[!f], X$libgeo[!f],pos=3,xpd=NA,cex=.5, col = "blue")
legend("bottomleft",c("METROPOLE","DOM-TOM"),pch=15,col=couleur, text.col=couleur)
Ce graphique nous permet de représenter le taux de pauvreté de tous
les départements français en fonction de leur niveau de vie médian.
Ainsi, il nous permet de remarquer plus concrètement la différence de
revenu et de pauvreté engendre par celui-ci.
En effet, on voit
clairement deux « blocs » qui se forme :
L’un constitué des
départements DOM-TOM (en rouge).
L’autre (en bleu) constitué des
départements en France métropolitaine.
De manière générale, nous
remarquons qu’il y a bien une corrélation entre la médiane du niveau de
vie du département et son taux de pauvreté (ce qui paraît logique ; plus
les nombres d’habitants du département gagne peu plus le taux de
pauvreté et susceptible de monter). On peut aussi relever que le niveau
de vie médian des départements français varie d’environ 4 000€/an à plus
de 28 000€/an (ce qui représente près de 7 fois plus !).
On peut
aussi, au sein de ces « blocs » tirés des observations :
Parmi les
DOM-TOM on remarque, une grande différence de niveau de vie (Mayotte et
la Martinique, différence d’environ 15 000€) pour un taux de pauvreté
variant de 75% à 27%.
Parmi les départements en France
métropolitaine, on voit que la grande majorité ont un niveau de vie
médian entre 19 000 et 24 000€/an pour un taux de pauvreté variant de
27% (Seine-Saint-Denis) à moins de 8%, cependant, on remarque aussi un
petit groupe qui se détache. Ces départements sont exactement les
départements de la banlieue proche de Paris, avec un niveau de vie en
moyenne 2 500€ de plus que les autres régions métropolitaines.
Ainsi ce graphique nous a permis de mettre en évidence la présence d’une corrélation entre le niveau de vie médian des départements français avec son taux de pauvreté. Il nous a aussi permis de remarqué premièrement, deux blocs (DOM-TOM/métropolitain) et leur tendance, puis ensuite, nous a permis d’identifier un autre groupe (banlieue parisienne) et leur différence avec les autres départements de l’hexagone.
par(bg="slategray",fg="cyan")
w=c("yellow","orange")
g3=barplot(rbind(X1$tp60age119,X1$tp60age619),beside=T,horiz=T,col=w,
main="Taux de pauvrete dans les régions de France (en %)",col.main="black", border = NA)
text(0,g3[2,],X1$libgeo,pos=4,cex=.7,xpd=NA,col="black")
legend("right",c("% Taux de pauvreté-moins de 30 ans ","% Taux de pauvreté-75 ans ou plus"),pch=15,
text.col=c("yellow", "orange"),col=c("yellow", "orange"))
Ce graphique nous permet premièrement de faire des comparaisons de
l’évolution du taux de pauvreté français au niveau régionales en 2019.
Premièrement, on peut remarquer que la région « Mayotte » est la région
ayant les taux de pauvreté les plus fort (près de 100% pour les 75 ans
ou plus, et environ 85% pour les moins de 30 ans).
Cependant, on
voit que la Mayotte et la seule région à avoir d’aussi haut taux. Elle
est aussi la seul à avoir un taux de pauvreté des ménages de plus de 75
ans supérieurs au moins de 30 ans.
De manière générale, le taux de
pauvreté des plus de 75 ans est inferieurs au taux des moins de 30 ans
d’environ 6 points de pourcentages. On voit aussi, pour les régions
métropolitaines le taux de pauvreté reste équilibré entre elle,
cependant les régions ayant le plus haut taux de pauvreté sont
l’Occitanie et l’Haute-de-France et le plus faible sont Pays de la Loire
et l’Auvergne-Rhône-Alpes.
Par ailleurs, ce graphique nous permet de
remarquer une assez forte différence entre les régions d’outre-mer
(Mayotte, Guyane, Guadeloupe, la Réunion, Martinique) et les régions
Métropolitaines.
En effet, tous les taux de pauvreté confondu des
régions d’outremer, sont supérieurs au plus haut taux de pauvreté des
régions métropolitaines.
Comme souhaitée cette première partie nous a permis d’avoir quelque idée et tendance. On peut notamment. Retenir que les DOM-TOM ont généralement un taux de pauvreté bien supérieurs à la moyenne française, que toutes les régions (sauf Mayotte) le taux de pauvreté été plus fort pour les moins de 30 ans que pour les plus de 75 ans, que la banlieue de Paris ont d’une part un niveau de vie médian bien supérieur aux autres départements, mais qu’il que le taux de pauvreté reste faible et donc qu’il y a une corrélation entre le niveau de vie médian et le taux de pauvreté.
3.2 Au particulier
Dans cette partie, nous allons plus s’orienter sur l’influence
et les raisons du taux de pauvreté dans un premier au niveau général
puis au niveau du particulier. Autrement dit nous, allons d’une part
étudier de façon régionale les différences de toutes les régions
françaises puis dans une seconde partie regardée plus précisément où,
pourquoi, comment, quel âge…
f3= X6$libgeo=="Mayotte"|X6$libgeo=="Guyane"|X6$libgeo=="Guadeloupe"|X6$libgeo=="Martinique"|X6$libgeo=="La Réunion"
f4 = !f3
X6$reg=as.numeric(X6$reg)
couleurs=c("Blue","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","black","turquoise","darkblue","darkorange","cyan", "gold", "slategray3", "lightblue")
ega=c(order(X6$tp6019,decreasing=FALSE)[1:10],order(X6$tp6019,decreasing=TRUE)[1:10])
par(bg="slategray3",fg="cyan")
coul=c(rep("red",10),rep("cyan",10))
g=barplot(X6$tp6019[ega],horiz = T, beside = T ,border = NA, col = coul,
main="les 10 plus haut et plus faible taux de pauvreté des départements francais")
text(11, g, X6$libgeo[ega],xpd=NA, col="black", font=2,pos=2)
abline(v=mean(X6$tp6019),col="orange")
abline(v=mean(X6$tp6019[f3]),col="red")
abline(v=mean(X6$tp6019[f4]),col="blue")
Ce graphique nous permet de regarder plus précisément les
départements faisant partie des extrêmes (taux de pauvreté le plus
faible/ le plus fort), avec les indications de la barre verticales
représentants :
-en bleu la moyenne du taux de pauvreté pour les
départements de la France métropolitaine.
-en orange la moyenne du
taux de pauvreté pour les départements de la France.
-en rouge la
moyenne du taux de pauvreté pour les départements d’outre-mer.
Ainsi, on remarque clairement, que les départements d’outre-mer sont
les cinq dans le « top 5 » des départements ayant le haut taux de
pauvreté et que la moyenne de ces départements est à environ 47% alors
que sans eux, les départements français sont seulement à 14% (en bleu),
donc une différence de 33 points de pourcentages!
Cependant, on
voit grâce à la droite orange que la différence avec la droite bleue
reste tout de même faible, puisque qu’elle augmente que de 2 points de
pourcentages (dut aux nombreux départements métropolitains ayant un
faible taux de pauvreté).
On peut aussi relever que les deux régions ayant le plus faible taux
de pauvreté sont Haute-Savoie et la Vendée et inversement (hors DOM-TOM)
pour la Seine-Saint-Denis et les Pyrénées-Orientales.
SELECT DISTINCT R."libgeo", R."tp6019", R."tp60age119", R."tp60age219", R."tp60age319", R."tp60age419", R."tp60age519", R."tp60age619"
FROM sae.reg_2019 AS R;#library(fmsb)
graphique_spider <- function(data, color = "#00AFBB",
vlabels = colnames(data), vlcex = 0.7,
caxislabels = NULL, title = NULL, ...){
radarchart(
data, axistype = 1,
# Personnaliser le polygone
pcol = color, pfcol = scales::alpha(color, 0.5), plwd = 2, plty = 1,
# Personnaliser la grille
cglcol = "grey50", cglty = 5, cglwd = 0.7,
# Personnaliser l'axe
axislabcol = "grey50",
# Étiquettes des variables
vlcex = vlcex, vlabels = c("tp ensemble", "tp -30ans", "tp 30-39ans", "tp 40-49ans", "tp 50-59ans", "tp 60-74ans", "tp 75ans et +"),
caxislabels = c(5, 15, 25, 35, 45), title = title, ...
)
}col_max = apply(tpage, 2, max)
col_min = apply(tpage, 2, min)
col_summary <- t(data.frame(Max = col_max, Min = col_min))
tpagee <- as.data.frame(rbind(col_summary, tpage))
tpageeguad= tpagee[ ,2:8]
tpageeauve= tpagee[ ,2:8]
tpageeocci= tpagee[ ,2:8]
tpageecentre= tpagee[ ,2:8]
tpageecorse= tpagee[ ,2:8]
tpageeile= tpagee[ ,2:8]
tpageeprov= tpagee[ ,2:8]
tpageehaut= tpagee[ ,2:8]
tpageereunion= tpagee[ ,2:8]
tpageebretagne= tpagee[ ,2:8]
tpageeguyane= tpagee[ ,2:8]
tpageebourgogne= tpagee[ ,2:8]
tpageeaquitaine= tpagee[ ,2:8]
tpageepays= tpagee[ ,2:8]
tpageemayotte= tpagee[ ,2:8]
tpageegrand= tpagee[ ,2:8]
tpageenormandie= tpagee[ ,2:8]
tpageemartinique= tpagee[ ,2:8]
tpageemoydom= tpagee[ ,2:8]
tpageemoymetro= tpagee[ ,2:8]
par(mfrow=c(1,3))
graphique_spider(tpageeauve, color = "orange", title = "Auvergne-Rhône-Alpes")
graphique_spider(tpageeocci, color = "grey", title = "Occitanie")
graphique_spider(tpageecentre, color = "orange", title = "Centre-Val de Loire")
graphique_spider(tpageecorse, color = "grey", title = "Corse", )
graphique_spider(tpageeile, color = "grey", title = "Île-de-France", )
graphique_spider(tpageeprov, color = "grey", title = "Provence-Alpes-Côte d'Azur")
graphique_spider(tpageehaut, color = "grey", title = "Hauts-de-France")
graphique_spider(tpageebretagne, color = "orange", title = "Bretagne")
graphique_spider(tpageebourgogne, color = "orange", title = "Bourgogne-Franche-Comté")
graphique_spider(tpageeaquitaine, color = "orange", title = "Nouvelle-Aquitaine")
graphique_spider(tpageepays, color = "orange", title = "Pays de la Loire")
graphique_spider(tpageegrand, color = "grey", title = "Grand Est")
graphique_spider(tpageenormandie, color = "orange", title = "Normandie")
graphique_spider(tpageemoydom, color = "lightblue", title = "DOM-TOM")
graphique_spider(tpageemoymetro, color = "lightblue", title = "France métropolitaine")
Lecture du graphique : les graphiques en fonds bleu sont les
moyennes, les graphiques en fonds jaune sont les régions inférieures à
la moyenne métropolitaines et les graphiques en fonds gris sont les
régions supérieures à la moyenne métropolitaines. J’ai fait le choix de
supprimé les régions d’outre-mer car elles été bien trop grande et pas
intéressante à étudier puisque nous savons déjà que ce sont les régions
les plus pauvres et nous le voyons avec le graphique moyen des DOM-TOM.
Ces graphiques nous représentent les taux de pauvreté pour chaque
catégorie d’âge dans les régions de la France métropolitaine.
Premièrement, nous voyons assez rapidement que dans la grande
majorité des régions, le taux de pauvreté le plus élevé sont pour les
moins de 30 ans. Nous voyons aussi qu’en majorité le taux de pauvreté
diminue en fonction de l’âge du ménage (exemple flagrant avec le
graphique moyen pour la France métropolitaine). Cependant, on peut
relever quelque exception comme en Corse où la différence de l’age
influe peu sur la pauvreté.
Deuxièmement, on peut remarquer que le
graphique moyen pour les régions d’outre-mer suit (a peu prêt) la même
tendance que pour les régions métropolitaines.
Troisièmement, on
peut aussi observer que les deux régions ayant le plus haut taux de
pauvreté sont hauts-de-France (majoritairement du au taux de pauvreté
des moins de 30 ans supérieurs à 25%) et la Corse (taux de pauvreté à
peu près égal dans toutes les catégories d’age).
Ces graphiques nous a permis d’expliquer plus précisément le taux de pauvreté en fonction de régions métropolitaines française. D’identifier une tendance de décroissement du taux de pauvreté en fonction de l’âge et de remarquer un phénoméne de manque d’éducation scolaire dans certaines régions.
X6tp <- read_csv("X6tp.csv")
X6tp$reg=as.numeric(X6tp$reg)
p1 = ggplot(X6tp, aes(x =X6tp$pact19 , y = X6tp$tp60tol119, color= libgeo )) + geom_point(aes(size = nbmenfisc19, frame = libelle, ids = libgeo)) +
labs(x= "par des revenu d'activité (%)", y="taux de pauvreté propriétaire (%)", title = "allure des taux de pauvreté propriétaire en fonction\n des revenu d'activité des departement pour chaque région") +
theme(plot.title = element_text(color="red", size=14, face="bold.italic"),
axis.title.x = element_text(color="black", size=14, face="bold"),
axis.title.y = element_text(color="black", size=14, face="bold")
)## Warning: Ignoring unknown aesthetics: frame, idsggplotly(p1 + aes(frame = libelle)) |> animation_opts(frame = 1500, transition = 300)## Warning in p$x$data[firstFrame] <- p$x$frames[[1]]$data: le nombre d'objets à
## remplacer n'est pas multiple de la taille du remplacement
Lecture de graphique:
Pour une meilleur compréhension
je vus préconise d’utilisé le zoom (appuyer sur le graphique et glisser
et cela créa un zoom dans la zone),
la taille du point varient en
fonction du nombre de ménages
lorsque l’on passe la souri sur un des
point nous avons polus d’information sur celui-ci
si on appuis sur
play le défilement des régions sera automatique sinon, utilise le rond
blanc pour la régions souhaité
la couleur n’a de signification,
elle permet une meilleure compréhension pour mieux différencié les
points.
pact19:part revenu d’activité
tp60tol19: taux de
pauvreté propriétaire
nbmenfisc19: nombre de ménages fiscaux
Ce graphique nous permet de remarquer plusieurs phénomènes importants. En effet, on voit assez facilement qu’en fonction de la région la répartition du taux de pauvreté et la part des revenus d’activité varient. Par ailleurs, de manière générale, on voit une corrélation entre la part de revenu et le taux de pauvreté propriétaire (plus le revenu est haut plus le taux est bas et inversement). Ainsi, on voit que les régions (où il y a peu d’activité, beaucoup de villages, prix au mètre carré faible…) sont privilégiées pour les ménages à faible part de revenu (Occitanie, Provence-Alpes-Cotes-D’Azur, Nouvelle-Aquitaine) et inversement (Île-de-France).
Ainsi cette partie nous a permis de remarquer que le taux de pauvreté
a des raisons, facteurs, qui expliquent ce taux. En effet, comme nous
avons pu le remarquer les régions départements ayant le plus haut taux
de pauvreté sont les DOM-TOM et comme vu précédemment leur économie,
leur culture, leur localisation, la vie en général est totalement
différente de la métropole. Par ailleurs, on a aussi remarqué que les
taux de pauvreté était beaucoup plus présent chez les jeunes (moins de
30 ans) et que progressivement le taux descend pour toutes les régions
cette observation été flagrante sauf pour la région parisienne. Par
ailleurs, on sait que le taux de réussite et le nombre d’écoles
supérieures sont majoritairement en région parisienne. Ainsi, on peut
émettre l’hypothèse de l’éducation, et de l’activité économique de la
région.
On peut faire l’hypothése qu’il est influencé par
l’activité économique, aux caractéristiques de leur population, selon
l’activité, l’âge, ou encore au niveau de diplôme, activité
touristique…
ANALYSE DES FACTEURS ECONOMIQUES
4.1 Tendance, premiere approche et démagraphie
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
query='SELECT DISTINCT E."libgeo",E."rd19", C."dep",C."codgeo", E."nbmenfisc19" FROM sae."epci_2019" AS E, sae."comdef2k20" AS C WHERE E."codgeo"=C."epci";'
Xepcird = dbGetQuery(connexion,query, sep=";")
write.table(Xepcird,"Xepci_2.csv",row.names=F,sep=";",col.names=T,quote=F)par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2)
choroLayer(spdf = X13, df = X13@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "med19", border = NA,
col = carto.pal("blue.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "niveau de vie median ")
plot(dep, lwd = 1.7, col = NA, border = "black", add = TRUE)
layoutLayer(title = "niveau de vie median par epci",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(x = 968326 , y = 6235020,
labels = ".",
col = "red", font = 300, cex= 5)
Cette cartographie représentant au niveau intercommunale (EPCI), le
niveau de vie médian. Ainsi, cela nous permet de se faire une idée plus
concrètement de la répartition qu’en tableau.
On remarque d’une part une dispersion des niveaux de vie médians
assez équitable (pas qu’une région qui a le plus fort niveau de vie, ou
inversement), d’autre part on voit que par EPCI le revenu médian varie
entre 16 850€/an à 38 140€/an.
Toutefois, on aperçoit une tendance
“d’encerclement d’une zone” :
Lorsque l’on voit la couleur la plus
foncer sur la carte, générale, elle est encerclée par une gradation de
bleu (au centre bleu foncé, puis bleu, bleu clair…), comme le créer la
région représenter par le carré rouge.
On peut donc en conclure
premièrement qu’une commune avec une bonne activité économique a de
bonne répercutions sur les communes dans les alentours (plus haut niveau
de vie puisque plus de travail donc plus d’emploi et du coup moins
pauvreté) …
Puis deuxièmement, de manière plus générale, le niveau
médians est plus élevé au niveau des territoire frontaliers et autour de
grandes villes économique (Paris, Lyon, Strasbourg, Nantes…).
A
contrario, où le niveau de vie médian sont les plus faible sont dans les
endroits avec peu d’activité comme la Lozère, cher, cantal…
Ainsi cette partie nous a permis de se rendre compte (au niveau le
plus précis possible) que certaines communes arrive à avoir un taux de
pauvreté faible grâce aux communes au alentour (exemple de Paris,
Marseille). Cette tendance rend donc influencent les communes alentour
(sinon chômage et pauvreté) mais aussi le centre (pôle économique)
puisque sans travailleur, plus d’activité.
Par ailleurs, on retient
aussi que les communes frontalières tire à la hausse le niveau de vie
médian des départments/régions. Viennent ensuite les départements
abritant la plupart des capitales régionales.
4.2 Leurs impacts sur la répartition
Comme expliqué dans l’introduction de la partie, nous allons
essayer d’expliquer avec des phénomènes économiques connus, les
tendances et les raisons des facteurs influençanst les taux de
pauvretés..
Pour ce faire, dans un premier temps nous regarderons
l’influence qu’a le revenu d’activité sur les ménages et ensuite les
facteurs des villes sur les communes et leurs influences.
X6$reg=as.factor(X6$reg)
par(bg="slategray",fg="cyan")
couleurs=c("black","beige","orange", "pink", "red", "yellow","grey","brown","green","purple","darkgreen","turquoise","darkblue","darkorange","cyan", "gold", "Blue", "lightblue")
g5=plot(X6$nbmenfisc19,X6$pact19, main= "différence entre le nombre de ménages et la part \n des revenus d'activité en pourcentage des departement en France", ylab = "part des revenu d'activité (en %)", xlab = "le nombre de ménages (en millier)", pch=15, col=couleurs[unclass(X6$reg)] )
text(X6$nbmenfisc19,X6$pact19,X6$libgeo, col=couleurs[unclass(X6$reg)], cex= 0.7, xpd=NA, pos = 3)
reg=lm( X6$pact19 ~ X6$nbmenfisc19 )
abline (reg)
legend("bottomright",c("Guadeloupe", "Martinique", "Guyane", "La reunion", "Mayotte","Ile de france","Centre val de loire","Bourgogne franche compté", "Normandie","haut de france","grand est", "Pays de la loire", "Bretagne","Nouvelle aquitaine","Occitanie" ,"Auvergne Rhone Alpes","PACA", "Corse"),pch=15,col= couleurs ,text.col=couleurs, cex=.5, title="région")
Ce graphique nous représente la part des revenus d’activité (en
%) en fonction du nombre de ménages de tous les département français,
avec les indications de la région où se trouve le départements (grâce à
la couleur et la légende) et une courbe représentant la droite de
régression (courbe qui représente le mieux la distribution des deux
variables).
Ainsi, on remarque rapidement que les départements sont
distribués de façon équitables. Cependant, on peut tout de même
remarquer quelques exceptions :
En effet, au niveau de département,
selon moi, 3 départements ce démarquent, Paris, les Hauts-de-Seine et
Mayotte. Paris par son nombre d’habitants et pour autant ces parts des
revenus d’activité supérieur à la droite, les Hauts-de-Seine par son
nombre d’habitants plus faible que Paris mais ces parts de revenu
d’activité bien plus haut que la droite, et enfin Mayotte dans la même
logique que Paris et les Hauts-de-Seine ; un nombre de ménages bien plus
faible que l’Hauts-de-Seine mais une part de revenus d’activité égal.
Par ailleurs, au niveau régionale on peut tirer une observation
importante, puisque lorsqu’on regarde bien le tableau, on remarque que
tous les départements de la région Île-de-France se trouve dans le «
haut du graphique ».
Ce que nous pouvons retenir de ce graphique est que les départements français en général suivent une logique de « plus il y a de ménages dans le département plus la part de revenu d’activité augmente ». Ce graphique nous a aussi permis de remarquer que les habitants de la région Île-de-France sont nombreux et très dépendants de leurs revenus d’activités puisqu’ils représentent plus 80% et enfin, on peut déjà affirmer que l’Île-de-France et la région où il y a le plus d’emploi en France au vu des observations précédentes. Ainsi, on peut affirmer, ces écarts renvoient en partie au profil des populations selon l’activité, la catégorie socioprofessionnelle, le niveau de diplôme ou l’âge : par exemple, à Mayotte (et pour la majorité des régions/départements français), il y a en proportion moins d’actifs occupés et parmi eux plus d’ouvriers et moins de cadres qu’en Île-de-France (Hauts-de-Seine, Paris…). On peut aussi dire, que dans la proche banlieue de Paris, on sait que les logements sont “rares”. Ainsi ce phénomène fait augmenté les prix des logements, ce qui écarte la pauvreté et attire les ménages riches (ce qui créait un cercle vicieux).
SELECT DISTINCT "libgeo", "reg", "dep","can","arr", "nbmenfisc19","tp6019", "nbpersmenfisc19", "med19", "pimp19","pact19","pcho19", "ppat19", "pben19", "ppsoc19","ppfam19", "pplogt19", "pimpot19", "rd19"
FROM sae."ze_2020" AS Z, sae."com_2022" AS C
WHERE Z."libgeo"=C."libelle"X12_11c = X12[X12$CODE_REG == 11, ]
X12_11d = dep[dep$CODE_REG == 11, ]
com11= com[com$CODE_REG == 11, ]
dep11 = dep[dep$CODE_REG == 11, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com11)[1, ], ylim = bbox(com11)[2, ])
choroLayer(spdf = com11, df = com11@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_11c, df = X12_11c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep11, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region ile de france",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep11$X_CENTROID,dep11$Y_CENTROID, dep11$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_11c$X_CHF_LIEU,X12_11c$Y_CHF_LIEU, X12_11c$libelle,cex=1, col="orange")
com94= com[com$CODE_REG == 94, ]
dep94 = dep[dep$CODE_REG == 94, ]
X12_94c = X12[X12$CODE_REG == 94, ]
X12_94d = dep[dep$CODE_REG == 94, ]
par(mar=c(0,0,1.2,0))
par(bg="lightblue")
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com94)[1, ], ylim = bbox(com94)[2, ])
choroLayer(spdf = com94, df = com94@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_94c, df = X12_94c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep94, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Corse",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep94$X_CENTROID,dep94$Y_CENTROID, dep94$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_94c$X_CHF_LIEU,X12_94c$Y_CHF_LIEU, X12_94c$libelle,cex=1, col="orange")
text(x = 1088733 , y = 6130000,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=20, cex=1.5)
com76= com[com$CODE_REG == 76, ]
dep76 = dep[dep$CODE_REG == 76, ]
X12_76c = X12[X12$CODE_REG ==76, ]
X12_76d = dep[dep$CODE_REG == 76, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "lightblue", lwd=2,xlim = bbox(com76)[1, ], ylim = bbox(com76)[2, ])
choroLayer(spdf = com76, df = com76@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_76c, df = X12_76c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep76, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Occitanie",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep76$X_CENTROID,dep76$Y_CENTROID, dep76$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_76c$X_CHF_LIEU,X12_76c$Y_CHF_LIEU, X12_76c$libelle,cex=1, col="orange")
text(x = 538872 , y = 6166476,
labels = "MER\n MEDITERRANNÉE",
col = "darkblue", font = 3, srt=-10)
com44= com[com$CODE_REG == 44, ]
dep44 = dep[dep$CODE_REG == 44, ]
X12_44c = X12[X12$CODE_REG ==44, ]
X12_44d = dep[dep$CODE_REG == 44, ]
par(mar=c(0,0,1.2,0))
plot(dep, col = rgb(250/256,235/256,214/256), border =" grey50",
bg = "grey50", lwd=2,xlim = bbox(com44)[1, ], ylim = bbox(com44)[2, ])
choroLayer(spdf = com44, df = com44@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", var = "POPULATION", border = NA,
col = carto.pal("kaki.pal", 5), legend.pos = "topleft",
add = TRUE, method = "quantile", nclass = 5, legend.title.txt = "population")
propSymbolsLayer(spdf = X12_44c, df = X12_44c@data, spdfid = "INSEE_COM",
dfid = "INSEE_COM", col = rgb(100,100,100,100, maxColorValue = 255), var = "nbmenfisc19",
border = "grey90", lwd = 0.5, inches = 0.3, legend.pos = "topright",
legend.style = "c", legend.title.txt = "Zone d'Emploi (ZE)")
plot(dep44, lwd = 1.7, col = NA, border = "black", add = TRUE)
legend("bottomright",c("departement","villes ou ce trouve la ze"), text.col=c("lightgreen", "orange "))
layoutLayer(title = "zone d'emploi region Grand Est",
source = "INSEE",
author = "THOMAS COUTAREL",
col = "black",
coltitle = "white")
text(dep44$X_CENTROID,dep44$Y_CENTROID, dep44$NOM_DEPT,cex=.66, col="lightgreen")
text(X12_44c$X_CHF_LIEU,X12_44c$Y_CHF_LIEU, X12_44c$libelle,cex=1, col="orange")
text(x = 1122205 , y = 6846074,
labels = "ALLEMAGNE",
col = "darkblue", font = 3, srt=68, cex=1.5)
Lecture de la carte : le fonds de cartes est la population de la
région (plus c’est vert foncé, plus le nombre de ménages est élevé.).
Les cercles signifient le nombre de personnes dans la Zone d’Emploi
(plus le cercle est grand, plus le nombre de ménages dans cette ville
est important.). Les mots en vert clair représentent les départements et
les mots en orange représente les villes où se trouve la Zone d’Emploi
et ayant une forte activité économique de la région.
Ces cartographies sont révélatrices nombreux facteurs.
En effet,
on remarque assez facilement qu’a chaque zone d’emploi (donc lorsqu’il y
a un cercle), il y a une augmentation de population dans et à
l’extérieur de la ville (exode rural). On peut aussi remarquer qu’en
général (sauf Paris), les villes les plus importantes de la région sont
soit proche des frontières pour diverses raisons (touristique pour la
Corse, principalement d’échanges économiques avec d’autres pays pour le
Grand-Est, et les deux pour l’Occitanie).
On peut aussi relever que
cette cartographie explique de nombreuses différences.
Grâce à ces
représentations, on peut comprendre pourquoi Paris et sa banlieue proche
(Hauts-de-Seine, Val-de-Marne…) a un niveau de vie et un taux de
pauvreté aussi faible, simplement puisque Paris a une telle zone
d’emploi et donc une activité économique qu’il est plus difficile de ne
pas avoir d’emploi que d’en avoir un. Par ailleurs, dû à l’exode rural,
le nombre de ménages est très élevé, par conséquent la vie en général et
plus chère et les emplois (par compensation) sont mieux payer (mais
l’INSEE n’en prend pas compte.).
Ainsi ces 4 cartographies nous ont permis de se rendre compte que les zones d’emploi ont une forte influence sur le nombre de ménages au sein de la ville et dans les communes alentour. Et on peut affirmer que l’offre d’emploi, l’activité économique de la régions/départements/communes sont des facteurs de revenu et donc de niveau de vie médian.
Cette partie nous a donc appris que l’économie locales/départements/régionales, l’influence économique, socioprofessionnel, culturel, d’accessibilité/offre à l’emploi… sont des facteurs influençant le taux de pauvreté, et même la France en général.
SYNTHÈSE
5.1 Graphique synthèses générales
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
par(mar=c(0,0,0,0))
par(bg="lightblue")
plot(frontieres, col="white")
plot(frontieres, col=rgb(0.8,0.8,0.8), lwd=13, add=TRUE)
plot(X7,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres, col=rgb(0.4,0.4,0.4), lwd=.4, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = "black",
coltitle = "white")
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.46)
zoom sur l’Ile-de-France
col = findColours(
classIntervals(var = X7$med19, n = 20 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),98,"white"))
leg = findColours(
classIntervals(var = X7$med19, n = 5 , style="quantile"),
smoothColors(rgb(0.05,0.2,0.4),6,"white"),
under="moins de", over="plus de", between="-", cutlabels=FALSE)
regionn = X7[X7$CODE_REG == 11, ]
par(mar=c(0,0,0,0))
plot(regionn, col="gray50")
plot(X7,col=col, border="black",lwd=2, add=TRUE)
legend("right",fill=attr(leg, "palette"),cex=0.75,
legend=names(attr(leg,"table")),
title = "niveau de vie moyen departement:")
propSymbolsChoroLayer(spdf = X7, df = X7@data,
spdfid = "CODE_DEPT", dfid = "CODE_DEPT", var = "nbmenfisc19",
var2 = "tp6019", method = "geom", nclass = 6, border = "white",
lwd = 0.5,col=carto.pal("wine.pal" ,6, transparency = T),
legend.var.pos = "topleft",
legend.var.title.txt = "Nb d'habitants en millier",
legend.var2.pos = "left", legend.var2.title.txt = "taux de pauvrete",
legend.var2.values.rnd = 0)
layoutLayer(title = "Population et superficie dans la région PACA",
source = "INSEE",
author = "ThOMAS COUTAREL",
frame = FALSE,
col = rgb(205/256,210/256,212/256),
coltitle = rgb(138/256,85/256,67/256))
text(X7$X_CENTROID,X7$Y_CENTROID,X7$NOM_DEPT,cex=.66)
Cette carte parait assez difficile à comprendre, cependant, elle permet de résumer un grand nombre d’information, de les synthétiser et de les comprendre, et de les comparer plus facilement qu’avec tableau.
Lecture de la carte: toutes les données des variables sont au
niveau départemental. Le fond de carte représente le niveau de vie
médian (plus c’est foncé plus le niveau de vie est faible), les cercles
représentent la population dans les départements (plus c’est couleur vin
plus le taux de pauvreté est fort.), la couleur du cercle représente le
taux de pauvreté (plus c’est couleur vin plus le taux de pauvreté est
fort) et enfin, les mots représentent les noms des départements.
En effet, il permet de voir si corrélation il y a entre le taux de
pauvreté le, nombre d’habitants et leur niveau de vie médian par
départements. Cependant, elle remplace/synthétise pas l’analyse.
Premièrement, de manière générale que les cercles (représentant le
nombre de ménages) sur le département frontalier sont plus gros que dans
les terres (Lozère, cantal, creuse, lot…). Ainsi, cela signifie que les
ménages sont généralement plus attirés par les départements frontaliers
(Pas-de-Calais, Nord, Bouches-du-Rhône…) et par les endroits actifs
(offre d’emploi, secteur économique…).
Deuxièmes, on remarque aussi
assez facilement (et logiquement par les différentes démonstrations
ci-dessus), que lorsque le niveau de vie médian est haut, le département
subit moins de pauvreté. On peut très facilement le voir grâce à la
différence entre les Pyrénées-Orientales et la Savoie (ici pour un
nombre de ménages similaire) ou pour la Gironde et la Haute-Corse (ici
pour un nombre de ménages différents).
Troisièmes, on perçoit que
généralement le niveau de vie d’un département et souvent similaire au
département qui l’entoure. Par exemple, la Savoie, l’Haute-Savoie,
l’Ain, Isère… sont dans la même catégorie de niveau de vie. Cependant,
comme on peut le voir sur le zoom de la région Île-de-France, tous les
départements sont similaires sauf Seine-Saint-Denis qui le total opposé
des départements alentour (hauts taux de pauvreté, niveau de vie médian
très faible).
Quatrièmes, on aperçoit que le nombre de ménages dans
le département n’a aucune influence avec le taux de pauvreté et le
niveau de vie médian de celle-ci. En effet, on peut très bien avoir un
département riche avec un nombre de ménages hauts (Paris,
Hauts-de-Seine, gironde) ou un département aussi riche mais avec un
nombre de ménages faibles (Savoie, jura) et vice versa…
5.2 Conclusion
Par ailleurs, connaissant ces facteurs il est simple de trouvé des solutions afin de le diminués (comme meilleur répartition des villes économique et donc des ménages, permettent à tous des formations de qualités (surtout pour les DOM-TOM)…).
5.3 Abstract
To begin with, this study has first identified (even before analyzing
the data concretely) an important difference between the DOM-TOM and
metropolitan France (and to a lesser extent between the Île-de-France
region and other metropolitan regions). Indeed, whether at the
departmental level (5 departments for 5 regions, whereas in metropolitan
France (excluding Corsica) the departments vary from 4 to 13 departments
per region), at the regional level (the Île-de-France region is the
“leader” in almost all categories) or by municipality (for an average of
400 municipalities in France, the French overseas departments and
territories (excluding Mayotte) vary between 17 and 34 municipalities
per department and 17 to 54 for the suburbs near Paris). Then we entered
more concretely in the study and in the analysis of the poverty rate.
Thanks to numerous analyses and graphs, we have noticed that the poverty
rate of the overseas departments/regions is much higher than the average
(33 percentage points of difference). Moreover, we noticed that there is
a correlation between the median income (median standard of living) and
the poverty rate, while the number of households had no influence on the
poverty rate, either at the departmental or regional level.
Moreover, knowing these factors, it is easy to find solutions in order to decrease it (as better distribution of economic cities and therefore of households, allow everyone to have quality trainings (especially for the DOM-TOM) …).
ANNEXE
Connexion a la base de donnée PHPpgadmin
library(DBI)
connexion <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};",
timeout = 10)Création des tables dans la base de donnée
CREATE TABLE sae.ctcd_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 FLOAT,
d919 FLOAT,
rd19 FLOAT
);
CREATE TABLE sae.com_2019(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 FLOAT,
ptsa19 FLOAT,
pcho19 FLOAT,
pben19 FLOAT,
ppen19 FLOAT,
ppat19 FLOAT,
ppsoc19 FLOAT,
ppfam19 FLOAT,
ppmini19 FLOAT,
pplogt19 FLOAT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.arr_2019(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.epci_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ept_2019(
codgeo VARCHAR (9) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.reg_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.uu_2020(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.aav_2020(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.ze_2020(
codgeo VARCHAR (4) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);
CREATE TABLE sae.dep_2019(
codgeo VARCHAR (3) NOT NULL,
libgeo CHAR (255),
nbmenfisc19 INT,
nbpersmenfisc19 INT,
med19 INT,
pimp19 INT,
tp6019 INT,
tp60age119 INT,
tp60age219 INT,
tp60age319 INT,
tp60age419 INT,
tp60age519 INT,
tp60age619 INT,
tp60tol119 INT,
tp60tol219 INT,
pact19 INT,
ptsa19 INT,
pcho19 INT,
pben19 INT,
ppen19 INT,
ppat19 INT,
ppsoc19 INT,
ppfam19 INT,
ppmini19 INT,
pplogt19 INT,
pimpot19 FLOAT,
d119 INT,
d919 INT,
rd19 INT
);CREATE TABLE sae.arrdef2k20(
codgeo VARCHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(5),
com VARCHAR(2),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR(2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
tau2016 CHAR(2)
cataeu2016 CHAR (3),
bv2012 CHAR (5),
);
CREATE TABLE sae.comdef2k20(
codgeo CHAR (5) NOT NULL,
libgeo CHAR (255),
dep VARCHAR(3),
reg CHAR(2),
epci CHAR(9),
nature_epci CHAR (2),
arr VARCHAR (4),
cv VARCHAR (5),
ze2010 CHAR (4),
uu2010 CHAR (5),
tuu2016 CHAR (1),
tduu2016 CHAR (2),
au2010 CHAR (3),
cataeu2010 VARCHAR (3),
bv2012 CHAR (5)
);
CREATE TABLE sae.arr_2022(
arr VARCHAR (4) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.can_2022(
can VARCHAR (5) NOT NULL,
dep VARCHAR (3),
reg CHAR(2),
compct CHAR(1),
burcentral CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
typect CHAR (1)
);CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);CREATE TABLE sae.com_2022(
typecom VARCHAR (4),
com CHAR (5) NOT NULL,
reg VARCHAR (4),
dep VARCHAR(3),
ctcd VARCHAR(4),
arr VARCHAR(4),
tncc CHAR (1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255),
can VARCHAR (5),
comparent CHAR(5)
);
CREATE TABLE sae.ctcd_2022(
ctcd VARCHAR (4) NOT NULL,
reg CHAR(2),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.dep_2022(
dep VARCHAR (3) NOT NULL,
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);
CREATE TABLE sae.epci_2022(
epci VARCHAR (9) NOT NULL,
libepci VARCHAR (255),
nature_epci CHAR(2),
nb_com VARCHAR(3)
);
CREATE TABLE sae.reg_2022(
reg CHAR (2) NOT NULL,
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR (255),
nccenr VARCHAR (255),
libelle VARCHAR (255)
);Création du schéma
CREATE SCHEMA sae;Création des clés primaires
ALTER TABLE sae.com_2019 ADD CONSTRAINT pk_com PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2019 ADD CONSTRAINT pk_arr PRIMARY KEY (codgeo);
ALTER TABLE sae.ctcd_2019 ADD CONSTRAINT pk_ctcd PRIMARY KEY (codgeo);
ALTER TABLE sae.ze_2020 ADD CONSTRAINT pk_ze PRIMARY KEY (codgeo);
ALTER TABLE sae.aav_2020 ADD CONSTRAINT pk_aav PRIMARY KEY (codgeo);
ALTER TABLE sae.ept_2019 ADD CONSTRAINT pk_ept PRIMARY KEY (codgeo);
ALTER TABLE sae.dep_2019 ADD CONSTRAINT pk_dep PRIMARY KEY (codgeo);
ALTER TABLE sae.uu_2020 ADD CONSTRAINT pk_uu PRIMARY KEY (codgeo);
ALTER TABLE sae.reg_2019 ADD CONSTRAINT pk_reg PRIMARY KEY (codgeo);
ALTER TABLE sae.epci_2019 ADD CONSTRAINT pk_epci PRIMARY KEY (codgeo);ALTER TABLE sae.comdef2k20 ADD CONSTRAINT pk_comdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arrdef2k20 ADD CONSTRAINT pk_arrdef PRIMARY KEY (codgeo);
ALTER TABLE sae.arr_2022 ADD CONSTRAINT pk_arr22 PRIMARY KEY (arr);
ALTER TABLE sae.can_2022 ADD CONSTRAINT pk_can22 PRIMARY KEY (can);
ALTER TABLE sae.com_2022 ADD CONSTRAINT pk_com22 PRIMARY KEY (com);
ALTER TABLE sae.ctcd_2022 ADD CONSTRAINT pk_ctcd22 PRIMARY KEY (ctcd);
ALTER TABLE sae.dep_2022 ADD CONSTRAINT pk_dep22 PRIMARY KEY (dep);
ALTER TABLE sae.reg_2022 ADD CONSTRAINT pk_reg22 PRIMARY KEY (reg);
ALTER TABLE sae.epci_2022 ADD CONSTRAINT pk_epci22 PRIMARY KEY (epci);Création des clés etrangère
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_com FOREIGN KEY (codgeo) REFERENCES sae.com_2022 (com);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_dep FOREIGN KEY (dep) REFERENCES sae.dep_2022 (dep);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_reg FOREIGN KEY (reg) REFERENCES sae.reg_2022 (reg);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_epci FOREIGN KEY (epci) REFERENCES sae.epci_2022 (epci);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_arr FOREIGN KEY (arr) REFERENCES sae.arr_2022 (arr);
ALTER TABLE sae.comdef2k20 ADD CONSTRAINT fk_cv FOREIGN KEY (cv) REFERENCES sae.can_2022 (can);Copie des données dans php
copy sae.can_2022 FROM 'canton_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2022 FROM 'arrondissement2020.csv' CSV DELIMITER ',' HEADER;
copy sae.com_2022 FROM 'communes2020v.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2022 FROM 'departement.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2022 FROM 'region.csv' CSV DELIMITER ',' HEADER;copy sae.ctcd_2022 FROM 'ctcd_2022.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2022 FROM 'epci_2022.csv' CSV DELIMITER ',' HEADER ;
copy sae.arrdef2k20 FROM 'arrdef2k20.csv' CSV DELIMITER ',' HEADER;
copy sae.comdef2k20 FROM 'comdef2k20v6.csv' CSV DELIMITER ',' HEADER;copy sae.com_2019 FROM 'com_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.aav_2020 FROM 'aav_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.arr_2019 FROM 'arr_2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ctcd_2019 FROM 'ctcd_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.dep_2019 FROM 'dep_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.epci_2019 FROM 'epci_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.ept_2019 FROM 'ept_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.reg_2019 FROM 'reg_2019.csv' CSV DELIMITER ',' HEADER;
copy sae.uu_2020 FROM 'uu2020.csv' CSV DELIMITER ',' HEADER;
copy sae.ze_2020 FROM 'ze2020.csv' CSV DELIMITER ',' HEADER;
si erreur dans l’importation faire les merges ci-dessous puis
réexecuter
#pour enleve les cantons manquant
can=read.delim("canton2020V.csv",header=T,sep=",")
comm=read.delim("comdef2k20v2.csv",header=T,sep=",")
head(comm)
dim(comm)
comBis=merge(x=com,y=can,by.x="CV",by.y="can")
dim(comBis)
colnames(com)
colnames(comBis)
comBis=comBis[,c(2:8,1,9:16)]
# vérif ...
colnames(com)
colnames(comBis)
head(comBis)
write.table(comBis,"comdef2k20v3.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les epci manquants
com=read.delim("comdef2k20v3.csv",header=T,sep=",")
head(comdef2k20v3)
dim(com)
epci=read.delim("epci_2022.csv", header = T, sep=",")
head(epci)
dim(epci)
epciBis=merge(x=com,y=epci,by.x="EPCI",by.y="EPCI")
dim (epciBis)
colnames(com)
colnames(epciBis)
epciBis=epciBis[,c(2:5,1,6:16)]
# vérif ...
colnames(com)
colnames(epciBis)
head(comBis)
write.table(epciBis,"comdef2k20v4.csv",row.names=F,col.names=T,sep=",",quote=F)
#pour enleve les communes manquantes
com=read.delim("comdef2k20v4.csv",header=T,sep=",")
head(comdef2k20v4)
dim(com)
com20=read.delim("communes2020v.csv", header = T, sep=",")
head(com20)
dim(com20)
commBis=merge(x=com,y=com20,by.x="CODGEO",by.y="com")
dim (commBis)
colnames(com)
colnames(commBis)
commBis=commBis[,c(1:16)]
# vérif ...
colnames(com)
colnames(commBis)
head(commBis)
write.table(commBis,"comdef2k20v5.csv",row.names=F,col.names=T,sep=",",quote=F)
# pour enleve les zzzz
com=read.delim("comdef2k20v5.csv",header=T,sep=",")
head(comdef2k20v5)
dim(com)
arr=read.delim("arrondissement_2022.csv", header = T, sep=",")
head(arr)
dim(arr)
arrBis=merge(x=com,y=arr,by.x="ARR",by.y="ARR")
dim (arrBis)
colnames(com)
colnames(arrBis)
arrBis=arrBis[,c(2:7,1,8:16)]
# vérif ...
colnames(com)
colnames(arrBis)
head(arrBis)
write.table(arrBis,"comdef2k20v6.csv",row.names=F,col.names=T,sep=",",quote=F)
# et cela pour chaque erreur d'importationSchéma relationnel
…