Introduction

Marseille ville millénaire, a été bâtit en 600 avant JC par des grecs originaires de Phocée, Cette ville est depuis l’antiquité un grand port de commerce est de passage. De nos jours c’est aussi la 2eme plus grande ville française avec près de 870 000 habitants. La ville s’étale sur un territoire extrêmement vaste, héritage de la cité grec organisant organisait la ville entre un centre et son terroir, la ville s’étend donc sur plus de 240,62 km ce qui en fait la 9ème commune la plus étaler du pays derrière notamment. L’ouverture sur la méditerranée fait de la cité phocéenne depuis de nombreux siècles une ville cosmopolite, du fait des nombreux échanges avec l’Europe du sud, l’Afrique du nord, l’Asie ainsi que le Moyen-Orient. Effectivement la cité phocéenne, connait 3 vagues d’immigration massive, la première est celles des italiens durant la fin du 19eme siècle, lors de cette période la ville manquait cruellement de main d’œuvre, ainsi l’immigration étrangère et notamment italienne a permis de combler ce manque. La seconde vague se déroule durant la première partie du 20eme siècle, avec l’arrivée à Marseille et en France d’immigré arméniens fuyant le génocide causé par le gouvernement turc durant la première guerre mondiale, ainsi que d’espagnole qui eux fuit principalement la guerre civile et le gouvernement de Franco et d’immigré corses. Enfin, la troisième vague d’immigration est elle composé majoritairement d’immigrés maghrébins notamment à la suite de la guerre d’Algérie ainsi que de la décolonisation. La proximité de Marseille avec la mer, à aussi joué un grand rôle dans le développement économique de la ville. Le port de Marseille est depuis des siècles le plus important de la région et l’un des plus importants de France. Marseille à aussi connu entre le 17eme et le 20eme siècle une activité industrielle, produisant notamment du savon, des tuiles, de la céramique et de la construction navale. Cette industrie a favorisé l’immigration avec l’arrivée d’une main d’œuvre étrangère.

Problématique

De par l’histoire de cette ville particulièrement liée à l’immigration, j’ai voulu savoir ce qui caractérisé démographiquement Marseille et comment la cité phocéenne est impacter par l’immigration.

L’INSEE

L’INSEE, c’est l’institut nationale de la statistique et des études économiques. Il collecte, analyse et diffuse des informations sur l’économie et la société française. On peut donc facilement aller y chercher des données ou des informations afin de réaliser à notre tour une étude statistique. Afin de réaliser cette étude, j’ai récupéré sur l’INSEE des données concernant les naissances et les décès en France, les catégories sociaux professionnel ainsi que la nationalité.

Marseille

On va premièrement étudier en détail la ville de Marseille, en se basant sur deux facteurs principaux, les catégories professionnel et la nationalité. Pour cela on va tous d’abord étudier la répartition des étrangers dans Marseille.

La répartition des étrangers dans Marseille

SELECT*
FROM sae26.nat18 as n, sae26.arrondissement as a
WHERE n."codgeo"=a."CODGEO" AND a."LIBGEO" LIKE 'Marseille%' ;

library(readr)
nat18 <- read_csv("nat18.csv")
## Rows: 256 Columns: 25
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (6): nivgeo, libgeo, LIBGEO, NATURE_EPCI, UU2020, AAV2020
## dbl (19): codgeo, age4, inatc, sexe, nb, CODGEO, DEP, REG, EPCI, ARR, CV, ZE...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
P= tapply(nat18$nb,nat18$libgeo,sum)
X=tapply(nat18$nb,list(nat18$libgeo,nat18$inatc),sum)
par(bg="slategray",fg="cyan")
w=c("purple","green")
g=barplot(rbind(X[,1]/P,X[,2]/P),beside=T,horiz=F,col=w,main="barplot des français et etranger par quatrtier de Marseille")
legend("right",c("F","E"),pch=16,cex=1,text.col=w,col=w)
text(0,g,labels=c("10e","11e","12e","13e","14e","15e","16e","1e","2e","3e","4e","5e","6e","7e","8e","9e"),pos=3,xpd=NA,col="yellow")

Sur le premier graphique on peut voir que la répartition d’étrangers dans Marseille est assez inégalitaire. Premièrement il montre que le 1er arrondissement, ainsi que le 2eme et le 3eme sont ceux avec le taux d’étrangers le plus élevé, supérieur à 0,2. Le 3eme arrondissement atteint même un taux d’étrangers de 0,26. Cela revient donc à dire qu’il y a 26% d’étranger dans cet arrondissement. Au contraire, il y a des quartiers avec un taux d’étranger assez faible comme les 12eme, 7eme et 9ème arrondissement qui ont un taux d’étrangers par habitant inférieur à 0,05.

*image prise sur Wikipedia

Ce premier graphique permet donc de montrer que Marseille est une ville plutôt hétéroclite, en effet, les quartiers du centre et du nord de la ville étant les quartiers le plus pauvre, et présentant une population avec une large part d’étrangers. Et une autre partie de la ville, les quartiers situés au sud composé d’une population plus riche est avec un part d’étrangers dans la population, beaucoup plus faible. 

X=tapply(nat18$nb,list(nat18$libgeo,nat18$inatc),mean)
V = X[,1] + X[,2]
plot(X[,2],V,pch=15,main="étrangers par habitants",xlab="étrangers",ylab="habitants", cex=1,col="red")
text(X[,2],V,rownames(X),pos=c(4,1,4,1,4,1,4,1,4,2,4,4,4,4,4,4),cex=0.75)

Ce nuage de point permet de voir le nombre d’étrangers par rapport au nombre d’habitant par arrondissement. Il met donc premièrement en évidence les quartiers les plus peuplés de Marseille tel que le 13eme ou le 8eme arrondissement. Ainsi que les moins peuplé, comme le 16eme. Il permet aussi de voir ceux avec le plus d’étrangers, tel que le 3eme, le 15eme et le 1er arrondissement. Il permet de conclure que le nombre d’étrangers dans un arrondissement n’est pas corrélée aux nombres d’habitant. En effet le 1er arrondissement en est un bon exemple puisqu’il a le Troisième plus grand nombre d’étrangers, avec pourtant un nombre d’habitant totale parmi les plus faible de Marseille. Au contraire, le 9eme arrondissement à un des nombres d’habitant les plus élevé avec un nombre d’étrangers assez faible.

J’ai ensuite voulu voir si il y avait un lien entre l’âge et le fait d’être un étranger. 

A=tapply(nat18$nb,list(nat18$age4,nat18$inatc),mean)
df=data.frame(etranger=rep(c("F","E"),each=4),age=rownames(A),len=c(A[1,1],A[2,1],A[3,1],A[4,1],A[1,2],A[2,2],A[3,2],A[4,2]))
library(ggplot2)
ggplot(data=df,aes(x=age,y=len,fill=etranger)) +
  geom_bar(stat="identity")

Ce graphique permet lui de montrer que la population marseillaise est toute autant composée de jeune que de personnes âgées. Cependant, l’on peut voir que la population étrangère à Marseille est en majorité composé de jeunes ou d’adulte, en effet pour les personnes de plus de 55 ans sont dans la catégorie d’âge avec la plus faible part d’étrangers. La catégorie d’Age avec le plus d’étrangers est les 25-55 ans. Bien que le nombre d’étrangers par âge soit a peu prés équivalents et permet simplement de conclure que Marseille connait une immigration et des flux de population constant.

La répartition des catégories socioprofessionnelles dans Marseille

J’ai donc ensuite voulu voir si le taux d’etranger par habitant pouvait avoir un impact sur les différentes catégories socioprofessionnelles. J’ai pour cela choisi le 3eme arrondissement, celui avec le plus haut taux d’étranger par habitant, et le 12eme arrondissement, celui avec le plus faible taux d’étranger par habitant. 

SELECT*
FROM sae26.pop6 as p, sae26.arrondissement as a
WHERE p."codgeo"=a."CODGEO" AND a."LIBGEO" LIKE 'Marseille%' ;
library(readr)
pop6 <- read_csv("pop6.csv")
## Rows: 2816 Columns: 25
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (6): nivgeo, libgeo, LIBGEO, NATURE_EPCI, UU2020, AAV2020
## dbl (19): codgeo, cs1_8, ageq65, sexe, nb, CODGEO, DEP, REG, EPCI, ARR, CV, ...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Y=tapply(pop6$nb,list(pop6$libgeo,pop6$cs1_8),mean)
par(bg="slategray",fg="cyan",mfrow=c(1,2))
arr3=Y[10,]
arr12=Y[3,]
pie(arr3,labels=colnames(arr3),col=rainbow(8),border="cyan",main="3eme arrondissement",col.main="black")
pie(arr12,labels=colnames(arr12),col=rainbow(8),border="cyan",main="12eme arrondissement ",col.main="black")

Ce graphique permet de voir quelle sont les catégories socioprofessionnelles des marseillais sur 2 arrondissement bien distinct, le 3eme et le 12eme. Effectivement nous avons vu précédemment que ce sont les arrondissements qui respectivement ont le plus et le moins d’étrangers. Premièrement on remarque que pour ces deux arrondissements il y a une part casi inexistant d’agriculteur ce qui est plutôt logique pour la 2eme plus grande ville française. Ensuite on voit que la principale différence et que dans l’arrondissement 3, il y a une part importante de personne sans activité professionnel, cela représente une part de prés de 40% de la population. De plus cette catégorie est deux fois moins présente dans l’arrondissement 12. Cette catégorie comporte inactifs, c’est-à-dire les personnes n’ayant jamais travaillé comme les élèves de plus de 15ans et les étudiants, et les personnes au chômage. La différence s’expliquer, par le fait que les habitants du 3eme arrondissement sont probablement plus touché par le chômage. De plus la population composant ce quartier est majoritairement plus jeune que celle du 12eme arrondissement. Cela se confirme, part une part plus importante de retraité dans l’arrondissement 12. Dans le 12eme la part de population active est aussi plus élevé que dans le 3eme. Enfin, la dernière différence majeure est la présence d’une part d’ouvrier deux fois plus élevé dans l’arrondissement comportant le plus d’étrangers. Tandis que dans l’autre arrondissement les cadre, profession intermédiaire et les professions intellectuels sont beaucoup plus présentes. Cela permet donc de penser que les quartiers comprenant une part d’étrangers plus élevé, sont composé majoritairement de personnes sans activité professionnel et d’ouvrier, qu’un cartier comprenant un faible taux d’étranger.

J’ai ensuite voulu voir l’impact du sexe sur les catégories socioprofessionnelles 

cat=tapply(pop6$nb,list(pop6$sexe,pop6$cs1_8),mean)
df3=data.frame(sexe=rep(c("H","F"),each=8),cat_soc=colnames(cat),len=c(cat[1,1],cat[1,2],cat[1,3],cat[1,4],cat[1,5],cat[1,6],cat[1,7],cat[1,8],cat[2,1],cat[2,2],cat[2,3],cat[2,4],cat[2,5],cat[2,6],cat[2,7],cat[2,8]))
library(ggplot2)
ggplot(data=df3,aes(x=cat_soc,y=len,fill=sexe)) +
  geom_bar(stat="identity")

Sur ce graphique on peut d’abord voire les catégories socioprofessionnelles les plus présente à Marseille, c’est en majorité les retraités et les personnes sans activités professionnel. On voit au contraire, qui y a une part très faible d’agriculteurs, ce qui est plutôt logique pour une ville comme Marseille. De plus, on remarque que la catégorie socioprofessionnelle la moins présente à Marseille a prés agriculteurs, est les ouvriers alors que c’est pourtant l’une des catégories les plus présente dans les arrondissements comportant le plus d’étrangers. Cette catégorie est composée majoritairement d’homme, du fait que le métier d’ouvrier est un métier fatiguant et usant, ou il faut souvent effectuer des taches physiques. Les femmes sont cependant plus présentes chez les cadres, les professions intermédiaires et les professions intellectuels. La part de personnes sans activités professionnel comporte elle plus ou mois autant de femme que d’homme, on peut donc supposer qu’à Marseille, les femmes sont autant touchés par le chômage que les hommes.

Les différences avec la région PACA

Nous allons maintenant voir si ceux que l’on a observé précédemment pour Marseille ce vérifie à l’échelle de la région PACA

L’accroissement naturel

L’accroissement naturel est la différence entre les naissances et les décès d’une population. Cette carte de l’accroissement naturel de la paca montre donc les régions dont la population est en train de s’accroitre, et celle ou la tendance est plutôt inverse, en train de décroitre. On voit notamment que les zones avec l’accroissement naturel le plus fort sont les bouches du Rhône, ainsi que le coté ouest du Vaucluse, vers Avignon et la frontière avec le Gard ainsi que les zones situées aux alentours de Toulon, Nice et cannes. Le département des hautes alpes a lui aussi un taux d’accroissement positif. Au contraire les zones du centre de la PACA ont elle un accroissement naturel faible voire négatif. Ces différences s’expliquent principalement par l’attrait de la population pour les villes, des zones avec une forte activité et par le fait que les campagnes sont de plus en plus vieillissantes.

la répartition des étrangers dans la région PACA

Sur cette carte, on peut voir le taux d’étranger par habitant de la région PACA, on remarque que le département qui a le plus haut taux et les Alpes-Maritimes, suivi des Bouches du Rhône et du Vaucluse. Cependant il reste, peu élevé sur toute la Paca allant d’environ 10% pour les Alpes-Maritimes, à 5% pour le var, le seul département avec un pourcentage d’étrangers inférieur à 5% et les hautes alpes. Ce qui explique le taux d’étrangers légèrement plus haut dans les Alpes-Maritimes est la proximité de l’Italie, facilement accessible via un axe autoroutier.

Les catégories socioprofessionnelles dans la PACA

library(DBI)
con <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};", 
    timeout = 10)
query = 'SELECT *
FROM sae26.pop6 as p, sae26.commune as c
WHERE p."codgeo"=c."CODGEO" AND c."REG"=\'93\' AND p."nb" > 0;'
pop6_paca=dbGetQuery(con,query)
J=tapply(pop6_paca$nb,list(pop6_paca$DEP,pop6_paca$cs1_8),sum)
par(bg="slategray",fg="cyan",mfrow=c(1,3))
alpes_maritime=J[3,]
bouche_du_rhone=J[4,]
hautes_alpes=J[5,]
pie(alpes_maritime,labels=colnames(alpes_maritime),col=rainbow(8),border="cyan",main="Alpes-Maritimes",col.main="black")
pie(bouche_du_rhone,labels=colnames(bouche_du_rhone),col=rainbow(8),border="cyan",main="Bouche du Rhone",col.main="black")
pie(hautes_alpes,labels=colnames(hautes_alpes),col=rainbow(8),border="cyan",main="Hautes-Alpes",col.main="black")

Sur ces graphiques, on peut voire malgré leur différence, sur le taux d’étrangers par département, Ils ont des dynamiques de catégories socioprofessionnelles similaire, Avec pour chacun de ces départements, une majeur partit de la population étant à la retraite ou sans activité professionnelle, c’est d’ailleurs sur ces catégories que s’observe la seule différence notable. En effet l’on peu remarqué que les Bouches du Rhône ont une part de retraité légèrement inférieur aux deux autres départements, avec cependant une part de personne sans activités professionnelle plus élevé, cela peut permettre de penser que les Bouches du Rhône attire une population légèrement plus jeune. Et cela peut être dû à l’attractivité de la zone urbaine Marseille-Aix en Provence. Ces graphiques, permette de voir que la région PACA à un développement similaire, avec des agriculteurs peut présent sur le territoire, une grande présence de retraité, et le fait que les différentes catégories socioprofessionnelle restante sont casi-identiquement répartie sur les différent département.

Conclusion

Finalement Marseille est une ville plutôt hétéroclite est inégalement répartit, en effet certain arrondissement comme ceux du nord et du centre on un taux d’étrangers plutôt élevé, ainsi que des catégories socioprofessionnelles comme les ouvriers et les sans activités professionnelles majoritaire. Comparé à d’autres arrondissement telle que ceux du sud de la ville par exemple, qui ont un taux d’étrangers, beaucoup plus faible et avec comme catégories socioprofessionnelle les plus représenté cadre et retraité. Donc oui l’on peut dire que la cité Marseillaise est influencée dans sa construction, dans son développement et dans son évolution par l’immigration. Elle peut même causer des fractures sociales et spatiales au seins de la ville. Cependant ce n’est pas le seul facteur de ses fractures, il y aussi de profonde inégalité de richesse à Marseille divisant depuis de nombreuses années déjà la ville entre les quartiers sud et les quartiers nord.

Cependant ces fractures existent principalement aux niveaux locaux, puisqu’au niveau régionale, on remarque que les départements de la PACA suivent pour la plupart les mêmes dynamiques, En effet le Vaucluse, les Bouches du Rhône, les Alpes-Maritimes et le var connaisse un accroissement similaire structuré autour des grandes villes a part pour les bouches du Rhône, ou il y a un accroissement naturel qui concerne la quasi-totalité du territoire. De plus la proximité de la méditerranée ainsi que des zones densément peuplées font de ces quatre départements ont un plus fort taux d’étrangers par habitant que les Alpes-de-Haute-Provence et les Hautes-Alpes. Enfin il y a assez peu de différence pour les catégories socioprofessionnelles selon les différents départements.

Abstract

In this statistical study, I’m interested to the city of Marseille and the PACA region. The study is about the impact of the immigration on Marseille and PACA. I choose some data in link with my study on the INSEE website. It’s data about birth and death by city,population by age, sex and nationnality and population by age, sexe and socio-professional category. Firstly, I noticed that Marseille is a city with territory inegalities, Indeed this city is separated in two part, on the one hand,the north and center district, with a big rate of foreigner, and on the other hand, the south district, with low foreigner’s rate. Moreover, this scission is also apparent with the socio-professional category. There are more non-working peoples and worker in the north and center district that in the south district. Secondly, I noticed that PACA is a region with a very high natural increase of population, especially next to big cities. With a distributions of foreigners mainly in the Alpes-Maritimes, Bouches-du-Rhône and Vaucluse. But at the region wide, there aren’t scission in the socio-professional category. All things concidered I would like to conclude by saying that the immigartion has an impact on the territory distributions and the development of the city and the PACA region. But isn’t the single factor of the scission, because Marseille is one of the city with more inegalities in France.

Annexe

Importation des données

Schéma relationnel

Création de la connection

library(DBI)
con <- dbConnect(odbc::odbc(), .connection_string = "Driver={PostgreSQL Unicode};", 
    timeout = 10)

pour tout les blocs sql connection = con

CREATE SCHEMA sae26;

Création des tables

dbWriteTable(con,Id(schema="sae26",table="epci"),as.data.frame(epci))
dbWriteTable(con,Id(schema="sae26",table="commune"),as.data.frame(commune2))
dbWriteTable(con,Id(schema="sae26",table="arrondissement"),as.data.frame(arrondissement2))
CREATE TABLE sae26.departement(
dep VARCHAR(3),
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR(255),
nccenr VARCHAR(255),
libelle VARCHAR(255)
);
CREATE TABLE sae26.region(
reg CHAR(2),
cheflieu CHAR(5),
tncc CHAR(1),
ncc VARCHAR(255),
nccenr VARCHAR(255),
libelle VARCHAR(255)
);
CREATE TABLE sae26.nat18(
nivgeo CHAR(3),
codgeo CHAR(5),
libgeo VARCHAR(255),
age4 VARCHAR(2),
inatc CHAR(1),
sexe CHAR(1),
nb NUMERIC
);
CREATE TABLE sae26.deces18(
codgeo CHAR(5),
decesd14 INT,
decesd15 INT,
decesd16 INT,
decesd17 INT,
decesd18 INT,
decesd19 INT,
decesd20 INT
);

CREATE TABLE sae26.naissance18(
codgeo CHAR(5),
naisd14 INT,
naisd15 INT,
naisd16 INT,
naisd17 INT,
naisd18 INT,
naisd19 INT,
naisd20 INT
);
CREATE TABLE sae26.pop6(
nivgeo CHAR(3),
codgeo CHAR(5),
libgeo VARCHAR(255),
cs1_8 CHAR(1),
ageq65 VARCHAR(2),
sexe CHAR(1),
nb NUMERIC
);

Création des clées primaires et étrangères

ALTER TABLE sae26.arrondissement ADD CONSTRAINT sae26_codgeo_pkey PRIMARY KEY ("CODGEO");
ALTER TABLE sae26.commune ADD CONSTRAINT sae26_codgeo2_pkey PRIMARY KEY ("CODGEO");
ALTER TABLE sae26.deces18 ADD CONSTRAINT sae26_codgeo3_pkey PRIMARY KEY (codgeo);
ALTER TABLE sae26.departement ADD CONSTRAINT sae26_dep_pkey PRIMARY KEY (dep);
ALTER TABLE sae26.epci ADD CONSTRAINT sae26_epci_pkey PRIMARY KEY ("EPCI");
ALTER TABLE sae26.naissance18 ADD CONSTRAINT sae26_codgeo4_pkey PRIMARY KEY (codgeo);
ALTER TABLE sae26.nat18 ADD CONSTRAINT sae26_codgeo5_pkey PRIMARY KEY (codgeo,inatc,age4,sexe);

ALTER TABLE sae26.pop6 ADD CONSTRAINT sae26_codgeo7_pkey PRIMARY KEY (codgeo,cs1_8,sexe,ageq65);
ALTER TABLE sae26.region ADD CONSTRAINT sae26_reg_pkey PRIMARY KEY (reg);
ALTER TABLE sae26.arrondissement ADD CONSTRAINT fk_com FOREIGN KEY ("COM") REFERENCES sae26.commune ("CODGEO");
ALTER TABLE sae26.commune ADD CONSTRAINT fk_dep FOREIGN KEY ("DEP") REFERENCES sae26.departement (dep);

ALTER TABLE sae26.commune ADD CONSTRAINT fk_reg FOREIGN KEY ("REG") REFERENCES sae26.region (reg);

ALTER TABLE sae26.commune ADD CONSTRAINT fk_epci FOREIGN KEY ("EPCI") REFERENCES sae26.epci ("EPCI");

Importation des données

a faire dans le terminal via la commande psql

 copy sae26.pop6 FROM ‘BTT_TD_POP6_2018.CSV’ CSV DELIMITER ‘;’ HEADER  copy sae26.nat18 FROM ‘BTT_TD_NAT1_2018.CSV’ CSV DELIMITER ‘;’ HEADER  copy sae26.pop6 FROM ‘base_deces_2020.csv’ CSV DELIMITER ‘;’ HEADER  copy sae26.pop6 FROM ‘base_naissances_2020.csv’ CSV DELIMITER ‘;’ HEADER  copy sae26.pop6 FROM ‘departement2021.csv’ CSV DELIMITER ‘;’ HEADER  copy sae26.pop6 FROM ‘region2021.csv’ CSV DELIMITER ‘;’ HEADER

Cartographie

carte 1

SELECT*
FROM sae26.deces18 as d, sae26.commune as c, sae26.naissance18 as n
WHERE d."codgeo"=c."CODGEO" AND c."CODGEO"=n."codgeo" AND c."REG"='93'
library(readr)
naissdeces <- read_csv("naissdeces.csv")
View(naissdeces)
library(rgdal)
library('classInt')
library('plotrix')
dep= readOGR(dsn ="//STID-VISU/Users/pmb/Documents/Public/shp/Departement", layer="DEPARTEMENT")
frontieres = readOGR(dsn ="//STID-VISU/Users/pmb/Documents/Public/shp/Departement",layer="LIMITE_DEPARTEMENT")
europe=readOGR(dsn="//STID-VISU/Users/pmb/Documents/Public/shp/Europe",layer="ne_110m_admin_0_countries")
com = readOGR(dsn="//STID-VISU/Users/pmb/Documents/Public/shp/Commune", layer="COMMUNE")
par(mar=c(0,0,0,0))
plot(dep, col = rgb(1,0.9,0.8), border = rgb(0.8,0.8,0.8), bg = rgb(0.5,0.8,0.8),
     xlim = bbox(com)[1, ], ylim = bbox(com)[2, ])
library(cartography)
naissdeces$acc=naissdeces$naisd14+naissdeces$naisd15+naissdeces$naisd16+naissdeces$naisd17+naissdeces$naisd18+naissdeces$naisd19+naissdeces$naisd20-(naissdeces$decesd14+naissdeces$naisd15+naissdeces$decesd16+naissdeces$decesd17+naissdeces$decesd18+naissdeces$decesd19+naissdeces$decesd20)
comReg = com[com$CODE_REG == 93, ]
depReg = dep[dep$CODE_REG == 93, ]

den=merge(x=comReg,y=naissdeces,by.x="INSEE_COM",by.y="CODGEO")
den$acc[den$NOM_COM=="MARSEILLE-1ER-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-2E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-3E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-3E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-4E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-5E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-6E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-7E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-8E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-9E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-10E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-11E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-12E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-13E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-14E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-15E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[den$NOM_COM=="MARSEILLE-16E-ARRONDISSEMENT"] <- naissdeces$acc[naissdeces$LIBGEO=="Marseille"]
den$acc[is.na(den$acc)] <- mean(den$acc,na.rm=T)

par(mar=c(0,0,1.2,0))
Plot(dep, col = rgb(250/256,235/256,214/256), border = rgb(169/256,179/256,180/256), bg = rgb(181/256,208/256,208/256),xlim = bbox(comReg)[1, ], ylim = bbox(comReg)[2, ])

choroLayer(spdf = den, df = den@data, spdfid = "INSEE_COM", 
           dfid = "INSEE_COM", var = "acc", border = NA, 
           col =carto.pal("wine.pal", 6), legend.pos = "topleft", 
           add = TRUE, method = "quantile", nclass = 6, legend.title.txt = "accroissement naturel)")

plot(depReg, lwd = 1.5, col = NA, border = rgb(138/256,85/256,67/256), add = TRUE)

layoutLayer(title = "Accroissement naturel PACA",
            source = "GEOFLA® 2.1 - Natural Earth 3.1.0",
            author = "The author is me", scale = 50, south = TRUE,
            frame = FALSE,
            col = rgb(205/256,210/256,212/256),
            coltitle = rgb(138/256,85/256,67/256))

carte 2 fichier 

library(DBI)
con <- dbConnect(odbc::odbc(), "PostgreSQL35W", timeout = 10) 
query = 'SELECT *
FROM sae26.nat18 as n, sae26.commune as c
WHERE n."codgeo"=c."CODGEO" AND c."REG"=\'93\' AND n."nb" > 0 ;'
nat18_paca=dbGetQuery(con,query)
E=tapply(nat18_paca$nb,list(nat18_paca$DEP,nat18_paca$inatc),sum)
#j'ai réaliser le fichier suivant suite à des problémes rencontrer avec un merge
library(readxl)
etr <- read_excel("~/iut2202698/etr.xlsx", 
                  col_types = c("text", "numeric"))
View(etr)

library(rgdal)
library('classInt')   
library('plotrix') 
dep= readOGR(dsn ="//STID-VISU/Users/pmb/Documents/Public/shp/Departement", layer="DEPARTEMENT")
frontieres = readOGR(dsn ="//STID-VISU/Users/pmb/Documents/Public/shp/Departement",layer="LIMITE_DEPARTEMENT")
europe=readOGR(dsn="//STID-VISU/Users/pmb/Documents/Public/shp/Europe",layer="ne_110m_admin_0_countries")
com = readOGR(dsn="//STID-VISU/Users/pmb/Documents/Public/shp/Commune", layer="COMMUNE")
par(mar=c(0,0,0,0))
plot(dep, col = rgb(1,0.9,0.8), border = rgb(0.8,0.8,0.8), bg = rgb(0.5,0.8,0.8),
     xlim = bbox(dep)[1, ], ylim = bbox(dep)[2, ])
comReg = com[com$CODE_REG == 93, ]
depReg = dep[dep$CODE_REG == 93, ]
etr=merge(x = depReg,y=etr,by.x="CODE_DEPT",by.y="dep",all.x=FALSE)
library(cartography)
col = findColours(
  classIntervals(var = etr$pourc_etr , n = 5, style="quantile"),
  smoothColors("yellow",3,"red"))
leg = findColours(
  classIntervals(var =etr$pourc_etr, n = 5 , style="quantile"),
  smoothColors("yellow",3,"red"),
  under="moins de", over="plus de", between="-", cutlabels=FALSE)  

par(mar=c(0,0,1.2,0))
plot(frontieres,  col="white")
plot(europe,      col=rgb(0.9,0.9,0.9), border=rgb(0.7,0.7,0.7),lwd=1, add=TRUE)
plot(frontieres,  col=rgb(0.8,0.8,0.8), lwd=6, add=TRUE)
plot(etr,col=col, border="white",lwd=.7, add=TRUE)
plot(frontieres,  col=rgb(0.4,0.4,0.4), lwd=1, add=TRUE)

legend("bottomright",fill=attr(leg, "palette"),cex=0.75,
       legend=names(attr(leg,"table")),
       title=" taux d'etrangers ")
library(kableExtra)
## Warning in !is.null(rmarkdown::metadata$output) && rmarkdown::metadata$output
## %in% : ‘length(x) = 2 > 1’ dans la conversion automatique vers ‘logical(1)’
kbl(X, escape = F, align = "c") %>%
  kable_paper(c("striped","condensed"), full_width = F, position = "center") %>%
  row_spec(c(0), bold = T,underline = T, color = "black", background = "white",font_size=20)%>% 
  row_spec(c(1), bold = T, color = "black", background = "yellow",font_size=20)%>%
  row_spec(c(2), bold = T, color = "black", background = "grey",font_size = 20)%>%
  row_spec(c(3), bold = T, color = "black", background = "chocolate",font_size = 20)%>%
  row_spec(c(4:6), bold = T, color = "black", background = "coral",font_size=15)%>%
  row_spec(c(4:13), bold = T, color = "black", background = "bisque",font_size=15)%>%
  row_spec(0, angle = 15,font_size=-15)
1 2
Marseille 10e Arrondissement 6530,805 605,8196
Marseille 11e Arrondissement 6803,293 368,2066
Marseille 12e Arrondissement 7417,112 248,5130
Marseille 13e Arrondissement 10386,579 1072,6707
Marseille 14e Arrondissement 6562,046 1183,5789
Marseille 15e Arrondissement 8184,420 1391,8299
Marseille 16e Arrondissement 1895,090 118,0350
Marseille 1er Arrondissement 3751,542 1283,8333
Marseille 2e Arrondissement 2454,092 655,1582
Marseille 3e Arrondissement 4683,600 1689,1498
Marseille 4e Arrondissement 5575,333 584,7922
Marseille 5e Arrondissement 5165,406 581,9691
Marseille 6e Arrondissement 4785,213 494,9119
Marseille 7e Arrondissement 4178,734 180,6413
Marseille 8e Arrondissement 9634,741 524,7590
Marseille 9e Arrondissement 9069,984 472,7656

Ceci un kableextra, il permet de mettre sous forme de tableaux les données concernant le nombre d’étranger et le nombre de français par quartier. Dans la premiére colone il y a le nombre de français et dans la deuxiéme le nombre d’étranger