Analyse spatiale et territoriale de donnéesd’enquête

Formation Carthageo-Geoprisme 2018 / 2e journée

C.GRASLAND

29/06/2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 1 / 26

3. ANALYSE TERRITORIALEMULTISCALAIRE : L’EXEMPLE DU TAUX DE

CHOMAGE DES JEUNES

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 2 / 26

Le package MTA

Le concept d’analyse territoriale multiscalaire a été développé dans lecadre du projet HyperAtlas par des géographes et informaticiens deParis (UMS RIATE, UMR Géographie-cités) et de Grenoble (LIG).Il s’agit d’un outil d’analyse des inégalités régionales qui a étédéveloppé avec le soutien de plusieurs institutions nationales (DATAR)et internationales (ESPON) et qui permet une exploration visuelle desinégalités par les chercheurs ou décideurs politiques.L’ancienne application HyperAtlas (dévéloppée en Java) est encoreutilisable mais n’est plus maintenue. Elle est désormais remplacée parle package R MTA qu a été mis au point par des ingénieurs de l’UMSRIATE.

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 3 / 26

Documentation sur le package MTA

Les packages R sont toujours accompagnés d’une documentation,mais aussi parfois d’une vignette qui donne un exemple completd’utilisation sur un cas d’étude exemplaire.la vignette du package MTA est particulièrement bien documentée etelle fournit un exemple détaillé de toutes les possibilités dupackage à travers l’exemple des inégalités de revenu dans lescommunes du Grand Paris.Il est recommandé de se reporter à cette vignette pour voir toutes lesfonctions du package MTA mais aussi et surtout pour comprendrecomment interpréter les résultats.

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 4 / 26

Les applications de cartographie et analyse spatialedans R : sf ou sp ?

les applications les plus récentes de cartographie dans R utilisent leformat du package sf qui permet de mélanger les donnéesgéométriques et attributaires dans un tableau très simple.mais un grand nombre d’applications d’analyse spatiale ont étédéveloppées dans les années 2000 autour du package sp qui utilise unformat différent, plus complexe à comprendre.comme la réécriture des packages prend beaucoup de temps, les auteursdes packages développés avec sp n’ont pas toujours (pas encore)réécrit les fonctions pour sf. C’est notamment le cas du package MTA.heureusement le changement de format entre sf et sp est trèsfacile comme nous allons le voir.

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 5 / 26

Chargement d’un shapefile au format sf

La manière la plus simple d’importer un shapefile est d’utiliser la fonctionread_sf du package sf

library(sf)library(sp)map_sf<-read_sf("normandie/geom/map_epci_tab.shp",quiet = T)class(map_sf)

[1] "sf" "tbl_df" "tbl" "data.frame"

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 6 / 26

Transformation de la géométrie de sf vers sp

On peut ensuite facilement convertir le fonds de carte en fonds de carte sppar la fonction as.Spatial()

map<-as_Spatial(map_sf)class(map)

[1] "SpatialPolygonsDataFrame"attr(,"package")[1] "sp"

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 7 / 26

Extraction des données attributaires d’un fichier sp

Enfin, on peut extraire les données attributaires d’un fichier sp en recopiantle contenu du slot @data qui est l’équivalent du fichier .dbf dans unshapefile.

tab<-map@dataknitr::kable(head(tab),digits=1)

EPCI DEP CHO EMP ACT TXC NOM_COM

200010700 76 1175.0 9410.9 10585.9 11.1 BOLBEC200023414 76 12389.6 70649.6 83039.2 14.9 ROUEN200026185 14 60.8 985.8 1046.6 5.8 SAINT-MARTIN-DE-FONTENAY200033124 14 851.8 5035.2 5887.1 14.5 LISIEUX200033157 14 5713.3 35147.6 40860.9 14.0 CAEN200034676 61 148.1 648.5 796.6 18.6 LA FERTE-MACE

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 8 / 26

Préparation d’un fichier type pour MTA

Afin de faciliter la ré-utilisation ultérieure du programme, on va “abstraire”un peu le problème et décomposer les éléments de l’analyse

map1 : Un maillage territorial élémentaire (ex. les EPCI)map2 : Un maillage territorial intermédiaire (ex. les départements)A :une variable décrivant l’appartenance des unités de map1 à celle demap2V : une variable de stock définissant le phénomène cible (ex. leschômeurs de 20-29 ans au chômage)P : une variable de stock servant la référence du phénomène cible (ex.les actifs de 20-29 ans)Z : le ratio V/P définissant l’intensité du phénomène par rapport à laréférence (ex. le taux de chômage des 20-29 ans)

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 9 / 26

Préparation des fonds de carte

map1_sf<-read_sf("normandie/geom/map_epci_tab.shp",quiet = T)map1<-as_Spatial(map1_sf)map2_sf<-read_sf("normandie/geom/map_dep_tab.shp",quiet = T)map2<-as_Spatial(map2_sf)plot(map1,col="lightyellow",border="gray80",lwd=0.3)plot(map2,col=NA,border="gray50",lwd=1, add=T)

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 10 / 26

Préparation des données

don<-map1@data[,c(1,7,2,3,5)]names(don)<-c("CODE","NAME","T","V","P")don$Z = 100*don$V/don$Pknitr::kable(head(don), digits=1)

CODE NAME T V P Z

200010700 BOLBEC 76 1175.0 10585.9 11.1200023414 ROUEN 76 12389.6 83039.2 14.9200026185 SAINT-MARTIN-DE-FONTENAY 14 60.8 1046.6 5.8200033124 LISIEUX 14 851.8 5887.1 14.5200033157 CAEN 14 5713.3 40860.9 14.0200034676 LA FERTE-MACE 61 148.1 796.6 18.6

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 11 / 26

Préparation des légendes automatiquesLa paresse est une qualité . . . Pour automatiser la production des cartes onprépare toutes les légendes à l’avance.

Global = "Normandie"Territorial = "Départements"Local = "EPCI voisins"Vtitle = "Chômeurs de 20-29ans en Normandie en 2013 "Ptitle = "Actifs de 20-29 ans en Normandie en 2013"Ztitle = "Taux de chomâge des 20-29 ans en Normandie en 2013"Vunit = "nb. chômeurs"Punit = "nb. actifs"Zunit = "en %"Source = "GEOFLA , INSEE RP 2013"Auteur = "Stage commun Carthageoprisme, 2018"Scale = 25

Et on pourrait aussi les traduire ici en anglais, russe ou hongrois et refairetoutes les cartes qui suivent !En recopiant quasiment les programmes de la vignette du package MTA.Du coup les programmes ne sont pas indiqués, il est facile de les copier etles adapter.

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 12 / 26

Distribution des deux stocks (V et P)

123905679155312

nb. chômeurs

Chômeurs de 20−29ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

83039380951044485

nb. actifs

25 km

Actifs de 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 13 / 26

Distribution du ratio Z = V/P

0

5.8

7.1

8.6

10.3

13.5

18.8

en %

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 14 / 26

INEGALITES GLOBALES / Calcul

Programme

don$gdevrel <- gdev(x=don,var1="V",var2="P",type ="rel")

don$gdevabs <- gdev(x=don,var1="V",var2="P",type = "abs")

résultat

NAME T V P Z gdevrel gdevabs

BOLBEC 76 1175 10586 11.1 93 -89ROUEN 76 12390 83039 14.9 125 2472

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 15 / 26

INEGALITES GLOBALES / Indice 100

0

75

90

100

111

133

157.4

indice 100 = Normandie

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 16 / 26

INEGALITES GLOBALES / Redistributions

1

301

1125

2472

Excédent/Déficit

0

75

90

100

111

133

157

indice 100 = Normandie

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 17 / 26

INEGALITES TERRITORIALES / Calcul

Programme

don$mdevrel <- tdev(x=don,var1="V",var2="P",type ="rel", key="T")

don$mdevabs <- tdev(x=don,var1="V",var2="P",type = "abs", key="T")

résultat

NAME T V P Z mdevrel mdevabs

BOLBEC 76 1175 10586 11.1 83 -241ROUEN 76 12390 83039 14.9 112 1285

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 18 / 26

INEGALITES TERRITORIALES / Indice 100

0

75

90

100

111

133

165.3

indice 100 = Départements

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 19 / 26

INEGALITES TERRITORIALES / Redistributions

0

150

578

1285

Excédent/Déficit

0

75

90

100

111

133

165

indice 100 = Départements

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 20 / 26

INEGALITES LOCALES / Calcul

Programme

don$ldevrel <- sdev(x=don, xid="CODE", var1="V",var2="P",spdf=map1, spdfid="EPCI",type ="rel", order = 1)

don$ldevabs <- sdev(x=don, xid="CODE", var1="V",var2="P",spdf=map1, spdfid="EPCI",type ="abs", order = 1)

résultat

NAME T V P Z ldevrel ldevabs

BOLBEC 76 1175 10586 11.1 82 -258ROUEN 76 12390 83039 14.9 112 1336

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 21 / 26

INEGALITES LOCALES / Indice 100

0

75

90

100

111

133

193.6

indice 100 = EPCI voisins

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 22 / 26

INEGALITES LOCALES / Redistributions

0

158

603

1336

Excédent/Déficit

0

75

90

100

111

133

194

indice 100 = EPCI voisins

Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 23 / 26

SYNTHESE DES INEGALITES / Calcul

On peut calculer tous les indices 100 d’un seul coup et obtenir ensupplément une typologie en 9 types selon que chaque indice est supérieurou inférieur à un seuil donné. Par exemple, repérer les unités qui ont unindice supérieur à 125 (+25%) pour au moins l’un des trois critères.

Programme

mst <- mst(spdf = map1, x = don, spdfid = "EPCI", xid = "CODE",var1 = "V", var2 = "P", dist = NULL, key = "T", order = 1,mat = NULL, threshold = 125, superior = TRUE)

don<-merge(don,mst[,c(1,9)],by="CODE")

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 24 / 26

SYNTHESE DES INEGALITES / Graphiques

Global Territorial Local

LA FERTE−MACE

050

100

150

200

Global Territorial Local

CETON

050

100

150

200

Global Territorial Local

LE HAVRE

050

100

150

200

Global Territorial Local

LIEUREY

050

100

150

200

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 25 / 26

SYNTHESE DES INEGALITES / Carte

25 km

Synthese multiscalaire − Taux de chomâge des 20−29 ans en Normandie en 2013

GEOFLA , INSEE RP 2013Stage commun Carthageoprisme, 2018

G & T & L

T & L

G & L

L

G & T

T

G

aucun

Indice (G)lobal, (T)erritorial ou (L)ocal > 125

C.GRASLAND Analyse spatiale et territoriale de données d’enquête 29/06/2018 26 / 26