Des verbalisations très inégalement distribuées

Packages nécessaires

library(here)
library(readxl)
library(tidyverse)
library(sf)
library(janitor)
library(tmap)
library(huxtable)

D’où proviennent les données ?

Pour que ces chiffres soient rendus publics, il a fallu l’opiniâtreté d’un journaliste indépendant, Alexandre Léchenet. Celui-ci a saisi la Commission d’Accès aux Documents administratifs, afin de forcer le ministère de l’Intérieur à les dévoiler. Il le raconte dans ce billet de blog.

Les télécharger

verbalisations_departement_path = here("data", "verbalisations_departement.xlsx")

download.file(url = "http://blog.alphoenix.net/wp-content/uploads/2021/07/RES_DIF_COVID19_CONFINEMENT_MARS-MAI2020_parDep_20210506.xlsx",
              destfile = verbalisations_departement_path)

verbalisations_departement = read_excel(verbalisations_departement_path, skip = 2) |> 
  rename(code_departement = "Département d'infraction",
         verbalisations = "Nombre de dossiers d'infraction")

Calculer le nombre d’adultes par département

Les chiffres bruts des verbalisations ne suffisent pas, il faut les rapporter à la population de chaque département. Et plus précisément, à la population adulte. Pour deux raisons :

• Les forces de l’ordre n’ont sans doute pas verbalisé beaucoup d’enfants.
• Même si elles l’ont fait, ce ne sont pas les enfants qui ont payé les amendes, mais bien leurs parents.

L’INSEE met à disposition des estimations de population par département, sexe et âge de 1975 à l’année courante. Ces données sont téléchargeables sur cette page

population_departement_path = here("data", "population_departement.xls")

download.file("https://www.insee.fr/fr/statistiques/fichier/1893198/estim-pop-dep-sexe-aq-1975-2023.xls",
              population_departement_path)

population_departement = read_excel(population_departement_path,
                                    sheet = "2020",
                                    range = "A5:W109") |>
  rename(code_departement = "...1",
         nom_departement = "...2",
         population_totale = Total) |> 
  rowwise() |> 
  mutate(population_plus_de_15_ans = sum(c_across("15 à 19 ans":"95 ans et plus"))) |>
  ungroup() |> 
  select(code_departement, nom_departement, population_plus_de_15_ans, population_totale) |> 
  filter(!str_detect(code_departement, "France"),
         !str_detect(code_departement, "DOM"))

Rapporter les verbalisations au nombre d’adultes

departements = population_departement |>
  left_join(verbalisations_departement, by = "code_departement") |> 
  mutate(verbalisations_pmla = verbalisations / population_plus_de_15_ans * 1000)

departements |> 
  select(nom_departement, verbalisations_pmla) |> 
  mutate(verbalisations_pmla = round(verbalisations_pmla, 1)) |> 
  as_huxtable() |>
  huxtable::theme_blue()

nom_departement	verbalisations_pmla
Ain	15.2
Aisne	26.7
Allier	13.4
Alpes-de-Haute-Provence	16.8
Hautes-Alpes	16.6
Alpes-Maritimes	43.7
Ardèche	14.3
Ardennes	18.1
Ariège	18.9
Aube	20.4
Aude	16.6
Aveyron	13.1
Bouches-du-Rhône	26.7
Calvados	18.7
Cantal	11.8
Charente	10.8
Charente-Maritime	19.4
Cher	17.6
Corrèze	12.6
Corse-du-Sud	20.8
Haute-Corse	18.5
Côte-d'Or	16.1
Côtes-d'Armor	13.5
Creuse	14.1
Dordogne	14
Doubs	22.4
Drôme	19.2
Eure	17.7
Eure-et-Loir	17.8
Finistère	14.9
Gard	18.9
Haute-Garonne	22.9
Gers	12.2
Gironde	19.7
Hérault	28
Ille-et-Vilaine	13.2
Indre	16.7
Indre-et-Loire	11.4
Isère	20
Jura	13.6
Landes	15.5
Loir-et-Cher	11.7
Loire	20.9
Haute-Loire	13.7
Loire-Atlantique	17.3
Loiret	17.7
Lot	13.8
Lot-et-Garonne	19.5
Lozère	9.3
Maine-et-Loire	10.5
Manche	12.7
Marne	18.9
Haute-Marne	17.7
Mayenne	10.9
Meurthe-et-Moselle	22
Meuse	19.4
Morbihan	11.3
Moselle	24.5
Nièvre	10.6
Nord	27.9
Oise	24.4
Orne	12.8
Pas-de-Calais	21.4
Puy-de-Dôme	13.3
Pyrénées-Atlantiques	17.9
Hautes-Pyrénées	14
Pyrénées-Orientales	29.2
Bas-Rhin	18.4
Haut-Rhin	27.8
Rhône	21.2
Haute-Saône	12.2
Saône-et-Loire	15.7
Sarthe	13.9
Savoie	18.9
Haute-Savoie	25.1
Paris	37.7
Seine-Maritime	17
Seine-et-Marne	26.6
Yvelines	21.6
Deux-Sèvres	10.7
Somme	17.8
Tarn	10.6
Tarn-et-Garonne	17.5
Var	26.5
Vaucluse	22.7
Vendée	10.8
Vienne	13.9
Haute-Vienne	14.1
Vosges	16.7
Yonne	16.8
Territoire de Belfort	20.4
Essonne	28
Hauts-de-Seine	20
Seine-Saint-Denis	41.2
Val-de-Marne	24.7
Val-d'Oise	33.9
Guadeloupe	29.5
Martinique	15.4
Guyane	38.3
La Réunion	17.9
Mayotte	54.6

Pourquoi les habitants des Pyrénées-Orientales (29 verbalisations pour 1000 adultes) ont-ils été deux fois plus verbalisés que ceux du Finistère (15 verbalisations pour 1000 adultes) ? Pourquoi les habitants des Alpes-Maritimes (44 verbalisations pour 1000 adultes) ont-ils été 4 fois plus verbalisés que ceux du Morbihan, de la Mayenne, de la Vendée ou de la Charente (11 verbalisations pour 1000 adultes) ?

Visualiser le palmarès

departements |> 
  slice_max(order_by = verbalisations_pmla, n = 10) |> 
  mutate(nom_departement = fct_reorder(nom_departement, verbalisations_pmla)) |>
  ggplot(aes(x = verbalisations_pmla, y = nom_departement)) +
  geom_bar(stat = "identity", fill = "#E12634") +
  labs(x = "Verbalisations pour 1000 adultes",
       y = "",
       title = "Palmarès des départements les plus verbalisés") +
  theme_minimal()

Récupérer la couche cartographique

Astuce

Pour récupérer les couches cartographiques correspondant à des communes, des départements (y compris d’Outre-Mer) et des régions françaises, votre ami est le package CARTElette. Il peut être installé depuis Github.

remotes::install_github("antuki/CARTElette/CARTElette@RPackage")

CARTElette::charger_carte(destfile = here("data"),
                          COG = 2020,
                          nivsupra = "DEP")

departements_sf = st_read(here("data", "DEP_2020_CARTElette.shp"), quiet = T) |> 
  rename(code_departement = "DEP",
         nom_departement = "nom")

outre_mer = c("Guyane", "Martinique", "Guadeloupe", "La Réunion", "Mayotte")
outre_mer_sf = departements_sf |> filter(nom_departement %in% outre_mer)

Discrétiser

La carte sera très différente selon la discrétisation choisie. On peut opter pour une discrétisation par quartiles (quatre classes d’effectifs égaux), pour une discrétisation très simple qui sépare les départements en deux groupes (plus ou moins de 22 verbalisations pour 1000 habitants adultes)

breaks_quartile = mapsf::mf_get_breaks(departements$verbalisations_pmla,
                                                  nbreaks =  4,
                                                  breaks = "quantile")

breaks22 = c(9, 22, 55)

Cartographier

departements_sf |> 
  select(-nom_departement) |> 
  left_join(departements, by = "code_departement") |> 
  tm_shape() +
  tm_polygons("verbalisations_pmla",
              palette = rcartocolor::carto_pal(n = 4, name = "Sunset"),
              breaks = breaks22,
              title = "Verbalisations\npour\n1000 adultes :",
              legend.format = list(digits = 0, text.separator = "-")) +
  tm_shape(outre_mer_sf) +
  tm_text(text = "nom_departement", size = .6) +
  tm_compass(type = "8star",
             position = c("RIGHT", "TOP"),
             size = 4) +
  tm_credits(text = "Données :\nANTAI",
             position = c("right", "bottom")) +
  tm_layout(main.title = "L'inégale distribution des amendes",
            main.title.position = "center",
            main.title.fontface = "bold",
            legend.position = c("LEFT", "BOTTOM"),
            legend.title.size = .8,
            fontfamily = "Helvetica",
            frame.lwd = 0)