Jean-Michel FLOCH INSEE DAR 19 mai 2011 Territoires urbains: que peut dire le recensement ?

Page 2 SFDS-RP JM Floch19 Mai 2011 Quelques réflexions sur ce que peut permette le RP sur les territoires urbains › Après la présentation de Gwennaëlle Brilhault sur la précision › Avant celle de Jean-Luc Lipatz sur l’utilisation des données administratives › Une présentation qui s’appuie sur des travaux menés au sein de la DET au cours des années précédentes

Page 3 SFDS-RP JM Floch19 Mai 2011 Le niveau privilégié de l’estimation : la commune › Le RP fournit chaque année des populations légales au niveau communal › C’est ce niveau qui est privilégié › Le tirage de l ’échantillon vise à obtenir la meilleure précision pour les résultats à ce niveau › Cela a bien entendu des conséquences sur les résultats à des niveaux plus fins

Page 4 SFDS-RP JM Floch19 Mai 2011 Les données infracommunales › Les données à l’IRIS –L’IRIS intervient comme variable d’équilibrage et comme niveau de calage sur le RIL médian –Fourniture d’une grande masse de données accompagnées d’information sur la précision, et de préconisation d’utilisation › Les données fournies par DIAF (Découpage infracommunal à façon) sur des zones de 1000 logements minimum –Même information qu’à l’IRIS –Pas de fourniture de l’information si le CV est trop élévé › Quid du reste –Petits territoires ( certains quartiers prioritaires par exemple) –Demande de précision supérieure

Page 5 SFDS-RP JM Floch19 Mai 2011 L’objet de cet exposé › Examiner les conséquences sur la spatialisation de l’échantillon des contraintes de tirage › Essayer de voir à partir de quel niveau de résolution spatiale on peut fournir de l’information avec une précision satisfaisante › Donner des informations sur la précision › Présenter quelques utilisations du RP à l’infraurbain

Page 6 SFDS-RP JM Floch19 Mai 2011 Spatialisation de l’échantillon

Page 7 SFDS-RP JM Floch19 Mai 2011 Un exemple simplifié › Une ville fictive à 10 IRIS ne comprenant que des adresses ordinaires ( constitué à partir de vraies observations) › Données spatialisées (IRIS, xy, carroyages de tailles diverses) › 3 types de logement –Individuel –Collectif –Social › Pas de groupes de rotation › Un échantillon de 40% équilibré sur les 3 types et les IRIS => 13 contraintes d’équilibrage, tiré à l’aide de la macro CUBE › Plusieurs maillages : Iris, carreaux de 50 à 1000 m › Simplifié mais pas trop simpliste

Page 8 SFDS-RP JM Floch19 Mai 2011 La vérification des contraintes › Le résultat du tirage est le suivant : › › Ecart › Valeur Valeur relatif › réelle estimée (en %) › IA 3394 | IA | IA › IB | IB | IB 0.02 › IC 2826 | IC | IC 1.11 › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I › I | I | I IA Individuel IB Collectif IC Social I04xx Iris 04xx

Page 9 SFDS-RP JM Floch19 Mai 2011 La variation spatiale de l’échantillon (200 m)

Page 10 SFDS-RP JM Floch19 Mai 2011 La variation spatiale de l’échantillon (100 m) 1 ha pour chaque carreau Certains petits quartiers prioritaires ne sont guère plus grands

Page 11 SFDS-RP JM Floch19 Mai 2011 La variation spatiale de l’échantillon (400 m)

Page 12 SFDS-RP JM Floch19 Mai 2011 Un peu plus précisément › On calcule pour chaque point d’une grille le rapport entre le nombre de logements dans un rayon de r m et le nombre de logement de l’échantillon › On fait varier r pour voir à partir de quel moment l’échantillon est spatialement proche de la base de logement * * * * **

Page 13 SFDS-RP JM Floch19 Mai m

Page 14 SFDS-RP JM Floch19 Mai m

Page 15 SFDS-RP JM Floch19 Mai m

Page 16 SFDS-RP JM Floch19 Mai m

Page 17 SFDS-RP JM Floch19 Mai m

Page 18 SFDS-RP JM Floch19 Mai m

Page 19 SFDS-RP JM Floch19 Mai 2011 Les distributions des surreprésentations locales 100 m200 m400 m500 m750 m1000 m Max2,251,571,231,101,081,03 P901,311,161,071,041,02 Q31,171,081,031,021,01 Med Q10,810,910,97 0,99 P100,630,830,930,950,98 0,19 0,430,770,880,890,93

Page 20 SFDS-RP JM Floch19 Mai 2011 La précision

Page 21 SFDS-RP JM Floch19 Mai 2011 La précision › Utilisation des macros SAS de Guillaume Chauvet qui permettent de calculer la variance d’échantillonnage dans un tirage équilibré ( méthode du Cube) › Au niveau de la pseudo commune –Population cv 0,5% –Actifs cv 0,7% –Immigrés 2441 cv 3,2%

Page 22 SFDS-RP JM Floch19 Mai 2011 La précision à l’IRIS › Des résultats un peu plus optimistes que dans la « vraie vie » mais du même ordre

Page 23 SFDS-RP JM Floch19 Mai 2011 La précision au niveau 200m

Page 24 SFDS-RP JM Floch19 Mai 2011 La précision à 400 m

Page 25 SFDS-RP JM Floch19 Mai 2011 L’étude des territoires urbains

Page 26 SFDS-RP JM Floch19 Mai 2011 Deux grands domaines › Les données de type tableau de bord : exemple « Quartiers 2009 » pour lesquelles on avait utilisé surtout des données administratives. › Les études urbaines (ville ou agglomération) dans lesquelles on on voit le territoire « de haut », où on essaie de faire apparaître des zones aux caractéristiques spécifiques.

Page 27 SFDS-RP JM Floch19 Mai 2011 Les données de type tableau de bord › Des territoires très hétérogènes ( quelques centaines à plusieurs dizaines de miliers d’habitants › Des « pathologies »

Page 28 SFDS-RP JM Floch19 Mai 2011 Les données de type tableau de bord › Une demande de précision plus importante › Des solutions : méthodes utilisant de l’information auxiliaires

Page 29 SFDS-RP JM Floch19 Mai 2011 Les études de type « Synthèse urbaine » › Une vision d’ensemble de la ville. Ce qui importe est de repérer les zones qui ont de fortes spécificités › Des outils développés dans le cadre de la détermination des quartiers prioritaires ( dispositif CUCS)

Page 30 SFDS-RP JM Floch19 Mai 2011 Principe de cartographie des zones de surreprésentation 1) Simplification 2) SP/PT 3) Extraction des contours Superposition Sous Population « en difficulté » Population totale

Page 31 SFDS-RP JM Floch19 Mai 2011 Objectif: Retrouver la forme de la distribution Exemple dans un espace à une dimension Fonction noyau Avec : –x point d’estimation – i-ème valeur observée –N nombre de points –h largeur de la « fenêtre » –K fonction « noyau »

Page 32 SFDS-RP JM Floch19 Mai 2011 Objectif: Retrouver la forme de la distribution Espace à deux dimensions

Page 33 SFDS-RP JM Floch19 Mai 2011 Principe de cartographie des zones de surreprésentation (1) 1) Simplification Sous Population « en difficulté » Population totale SP/PT

Page 34 SFDS-RP JM Floch19 Mai 2011 Mise en rapport de deux estimations de densité successives Min Moyenne Max Min MédianeQ3Médiane Max Q1  Comparaison du ratio obtenu à la moyenne communale pour déterminer des zones de sous et de sur représentation

Page 35 SFDS-RP JM Floch19 Mai 2011 Principe de cartographie des zones de surreprésentation (2) 1) Simplification 2) SP/PT Sous Population « en difficulté » Population totale

Page 36 SFDS-RP JM Floch19 Mai 2011 Principe de cartographie des zones de surreprésentation (3) 1) Simplification 2) SP/PT 3) Extraction des contours Superposition Sous Population « en difficulté » Population totale

Page 37 SFDS-RP JM Floch19 Mai 2011 %ASPIC(,,,BWM=,SEUIL= MEDIAN|Q1|Q3|,MIN=,SMOOTH= 0..4,LABEL= 0|1 ) Présentation synthétique des deux résultats combinés  Distribution de la population totale et zones de surreprésentation

Page 38 SFDS-RP JM Floch19 Mai 2011 Qu’en est-il avec le RP › Dans le cas « habituel », on part de données exhaustives › Dans le cas du RP, on va comparer sur notre exemple les résultats « vrais » et ceux qui sont fournis par l’échantillon

Page 39 SFDS-RP JM Floch19 Mai 2011 Spatialisation de la population immigrée

Page 40 SFDS-RP JM Floch19 Mai 2011 › Merci de votre attention