1 Introduction

Le baromètre du numérique s’est déroulé auprès de 4 029 personnes, réparties en trois populations cibles distinctes (12 à 17 ans, 18 ans et plus, 18 ans et plus éloignés du numérique), avec des questionnaires adaptés et des quotas spécifiques, et grâce à deux types de recueil :

• 3 235 personnes de 18 ans et plus ont été interrogées online

• 472 personnes de 18 ans et plus éloignées du numérique (ne disposant pas, à leur domicile, d’une ligne de connexion fixe à internet) ont été interrogées par téléphone

• 322 personnes âgées de 12 à 17 ans ont été interrogées online, après recueil de l’accord préalable de l’un des parents.

Les résultats présentés sont des résultats redressés : ils sont donc représentatifs de la population de 12 ans et plus résidant en France métropolitaine et, à ce titre, mis en regard des précédents résultats, issus d’enquêtes menées en face-à-face.

Le redressement a été mené en 3 étapes :

• 1ère phase de redressement : un échantillon représentatif des personnes de 18 ans et plus résidant en France métropolitaine a été constitué, en fusionnant les individus interrogés online ainsi que les individus éloignés du numérique interrogés par téléphone (n=3 707). Dans cet échantillon, on recense 636 personnes non équipées en internet à domicile (472 contactées par téléphone et 186 online) Cet échantillon a été redressé grâce aux quotas suivants : âge x sexe / région / taille d’agglomération / PCS / taille du foyer / type de logement / âge x diplôme / accès à une connexion fixe dans le logement. Aux six critères de redressement classiquement utilisés dans les investigations menées précédemment en face-à-face ont donc été ajoutés deux nouveaux critères afin de tenir compte des biais de sélection induits par le recours à un panel online : le niveau de diplôme (grâce à la variable croisée âge x diplôme) ainsi que le niveau d’équipement en numérique (en prenant en compte la proportion mesurée en population générale de personnes éloignées du numérique)

• 2ème phase de redressement : un échantillon représentatif des 12-17 ans a été constitué, redressé grâce aux critères classiques : âge x sexe, PCS de la personne de référence et taille d’agglomération (n=322)

• 3ème phase de redressement Les deux échantillons ont été fusionnés (à due proportion de leurs poids respectifs) pour fournir un échantillon représentatif de la population de 12 ans et plus résidant en France métropolitaine (n=4 029)

Bordeaux Métropole souhaite obtenir des estimations d’indicateurs issus de l’enquête pour :

• Bordeaux Métropole
• Les communes de Bordeaux Métropole
• Les grands quartiers de Bordeaux

2 Méthodologie

L’idée générale est de mettre en œuvre un redressement local pour chaque commune de Bordeaux Métropole et pour chaque grand quartier de Bordeaux. Ce redressement devra être mis en œuvre de la façon la plus proche possible de celle de l’enquête nationale, mais en prenant pour cible du redressement, les valeurs des critères pour chaque commune.

L’objectif de ce document est de présenter les résultats obtenus pour Bordeaux Métropole. Ensuite, les résultats seront à produire pour 41 territoires supplémentaires (ensemble des communes de Bordeaux Métropole + Grands Quartiers de Bordeaux.)

Il faudra donc :

• récupérer les données INSEE nécessaires au redressement pour chaque entité
• préparer les données de l’enquête pour rapprocher les données présentes des données disponibles pour le redressement
• mettre en oeuvre le redressement
• calculer les indicateurs redressés.

3 Récupération des données INSEE nécessaires et rapprochement avec les données de l’enquête

Elles ont été récupérées avec l’aide de Bordeaux Métropole. Elles sont issues des données du recensement de la population et notamment des données infra-communales.

Sont nécessaires pour la phase 1 du redressement :

• Age
• Sexe
• Type de logement
• PCS
• Diplôme
• Taille du foyer

L’accès à une connexion fixe dans le logement n’est pas disponible.

Sont nécessaires pour la phase 2 du redressement :

• Age
• Sexe
• PCS de la personne de référence

setwd("D:/Dropbox/1-Nicolas/Bordeaux Metropole/Données redressement/pop générale")
#setwd("C:/Users/nicol/Dropbox/1-Nicolas/Bordeaux Metropole/Données redressement/pop générale")


donnee <- readxl::read_excel("barometre-du-numerique-2020.xlsx",sheet = "barometre-du-numerique-2020")

### fabrication de variable

donnee$age_red <- cut(donnee$AGE, c(0, 24, 39, 54, 64,79,100))
donnee$sexe_red<-donnee$SEXE
donnee$logement_red<-donnee$typlog2
donnee$DIPLOME2 <- if_else(donnee$DIPLOME == "Aucun diplôme","Aucun diplôme ou CEP",
                   if_else(donnee$DIPLOME == "Certificat d'études primaires","Aucun diplôme ou CEP",
                   if_else(donnee$DIPLOME == "Bac + 2 (Deug, IUT, DUT, BTS)","Bac + 2 (Deug, IUT, DUT, BTS)",
                   if_else(donnee$DIPLOME == "Bac + 3 et supérieur","Bac + 3 et supérieur",
                   if_else(donnee$DIPLOME == "Bac (généraliste, techno. ou prof.)","Bac (généraliste, techno. ou prof.)",
                   if_else(donnee$DIPLOME == "Diplôme professionnel court (CAP, BEP)","Diplôme professionnel court (CAP, BEP)","BEPC, brevet des collèges"))))))

donnee$diplome_red<-donnee$DIPLOME2
donnee$CSP_red <- if_else(donnee$SITUEMP == "Retraité, retiré des affaires","Retraité",
                          if_else(donnee$PCS8EGO == "Personne au foyer","Autre inactif",donnee$PCS8EGO))
donnee$enfant_red<-donnee$NBENFANTS

donnee$agesexe_red <- paste(donnee$SEXE, donnee$AGE, sep = " ", collapse = NULL)

####base phase 1 et 2
adulte<-donnee[donnee$DIPL5!="12-17 ans",]
jeune<-donnee[donnee$DIPL5=="12-17 ans",]


age <- readxl::read_excel("age_quartier.xlsx")
sexe <- readxl::read_excel("sexe_quartier.xlsx")
logement <- readxl::read_excel("logement_quartier.xlsx")
diplome <- readxl::read_excel("diplome_quartier.xlsx")
CSP <- readxl::read_excel("CSP_quartier.xlsx")
enfant <- readxl::read_excel("foyer_quartier.xlsx")


####marges pour pondération
margesBM <- readxl::read_excel("marges_bordeauxmetropole2.xlsx")
margesBM<-as.matrix(margesBM)

######marges en proportion pour verif
margesBMP<- readxl::read_excel("marges_bordeauxmetropole.xlsx")

datatable(data=age,options = list(pageLength = 42),rownames = FALSE)

adulte %>% tbl_summary(include = "age_red",
                         label = age_red ~ "") %>%
                          modify_header(label ~ "**Age**")

datatable(data=sexe,options = list(pageLength = 42),rownames = FALSE)

adulte %>% tbl_summary(include = "sexe_red",
                         label = sexe_red ~ "") %>%
                          modify_header(label ~ "**Sexe**")

datatable(data=logement,options = list(pageLength = 42),rownames = FALSE)

adulte %>% tbl_summary(include = "logement_red",
                         label = logement_red ~ "") %>%
                          modify_header(label ~ "**Logement**")

datatable(data=diplome,options = list(pageLength = 42),rownames = FALSE)

adulte %>% tbl_summary(include = "diplome_red",
                         label = diplome_red ~ "") %>%
                          modify_header(label ~ "**Diplôme**")

datatable(data=CSP,options = list(pageLength = 42),rownames = FALSE)

###transformation de variable pour redressement

                        

adulte %>% tbl_summary(include = "CSP_red",
                         label = CSP_red ~ "") %>%
                          modify_header(label ~ "**PCS**")

datatable(data=enfant,options = list(pageLength = 42),rownames = FALSE)

adulte %>% tbl_summary(include = "enfant_red",
                         label = enfant_red ~ "") %>%
                          modify_header(label ~ "**Nombre d'enfants**")

setwd("D:/Dropbox/1-Nicolas/Bordeaux Metropole/Données redressement/jeunes")

agesexejeunes<- readxl::read_excel("agesexe_commune.xlsx")


####marges pour pondération
margesBMjeune <- readxl::read_excel("agesexe_commune_red_BM.xlsx")
margesBMjeune<-as.matrix(margesBMjeune)

######marges en proportion pour verif
margesBMjeuneP<- readxl::read_excel("agesexe_commune_BM_prop.xlsx")

datatable(data=agesexejeunes,options = list(pageLength = 42),rownames = FALSE)

jeune %>% tbl_summary(include = "agesexe_red",
                         label = agesexe_red ~ "") %>%
                          modify_header(label ~ "**Sexe/Age**")

4 Mise en oeuvre du redressement pour Bordeaux Métropole

Le redressement étant multi-critères une technique de calage sur marge est utilisée.

Le calage sur marges, introduit par Deville et Särndal en 1992 est depuis largement utilisé en production en statistique publique et par les instituts de sondage. L’utilisation du calage en statistique publique permet de présenter des estimations cohérentes entre différentes sources, mais aussi d’augmenter la précision des estimations si le calage est effectué sur des variables bien liées aux variables d’enquête.

datatable(data=margesBM,options = list(pageLength = 42),rownames = FALSE)

adulte$poids<-1
adulte$poids <- calibration(data=adulte, marginMatrix=margesBM,
                     colWeights="poids", method="logit", bounds=c(0.1,5),description=FALSE)

g1<-ggplot(adulte,aes(y=pond))+
         geom_boxplot()+
          ylim(0,5)+
         labs(title="Analyse de la pondération",y="Poids initiaux")+ 
          theme(axis.text.x = element_blank())


g2<-ggplot(adulte,aes(y=poids))+
         geom_boxplot()+
  ylim(0,5)+
         labs(title="Analyse de la pondération",y="Poids calculés")+ 
          theme(axis.text.x = element_blank())


grid.arrange(g1, g2, ncol=2, nrow = 1)

dw <- svydesign(ids = ~1, data = adulte, weights = ~poids)

margesBMP<-data.frame(t(margesBMP))

#############Résultat du redressement pour Age

age<-data.frame(prop.table(table(donnee$age_red)))
tab <- svytable(~age_red, dw)
age2<-data.frame(freq(tab, total = FALSE))
res_age<-data.frame("Age"=age[,1],
                     "Origine"=age[,2],
                     "Effectifs redressés"=age2[,1],
                     "Pourcentage redressé"=age2[,2],
                     "Pourcentage Cible"=margesBMP[3:8,1])
res_age$Origine<-res_age$Origine*100
datatable(res_age)

#############Résultat du redressement pour Sexe

sexe<-data.frame(prop.table(table(adulte$sexe_red)))
tab <- svytable(~sexe_red, dw)
sexe2<-data.frame(freq(tab, total = FALSE))
res_sexe<-data.frame("Sexe"=sexe[,1],
                     "Origine"=sexe[,2],
                     "Effectifs redressés"=sexe2[,1],
                     "Pourcentage redressé"=sexe2[,2],
                     "Pourcentage Cible"=margesBMP[3:4,6])
res_sexe$Origine<-res_sexe$Origine*100
datatable(res_sexe)

############Résultat du redressement pour logement

logement<-data.frame(prop.table(table(adulte$logement_red)))
tab <- svytable(~logement_red, dw)
logement2<-data.frame(freq(tab, total = FALSE))
res_logement<-data.frame("Logement"=logement[,1],
                        "Origine"=logement[,2],
                        "Effectifs redressés"=logement2[,1],
                        "Pourcentage redressé"=logement2[,2],
                        "Pourcentage Cible"=margesBMP[3:4,5])
res_logement$Origine<-res_logement$Origine*100
datatable(res_logement)

#############Résultat du redressement pour diplome

diplome<-data.frame(prop.table(table(adulte$diplome_red)))
tab <- svytable(~diplome_red, dw)
diplome2<-data.frame(freq(tab, total = FALSE))
res_diplome<-data.frame("Diplôme"=diplome[,1],
                       "Origine"=diplome[,2],
                       "Effectifs redressés"=diplome2[,1],
                       "Pourcentage redressé"=diplome2[,2],
                       "Pourcentage Cible"=margesBMP[3:8,3])
res_diplome$Origine<-res_diplome$Origine*100
datatable(res_diplome)

############Résultat du redressement pour CSP

CSP<-data.frame(prop.table(table(adulte$CSP_red)))
tab <- svytable(~CSP_red, dw)
CSP2<-data.frame(freq(tab, total = FALSE))
res_CSP<-data.frame("PCS"=CSP[,1],
                         "Origine"=CSP[,2],
                         "Effectifs redressés"=CSP2[,1],
                         "Pourcentage redressé"=CSP2[,2],
                         "Pourcentage Cible"=margesBMP[3:9,2])
res_CSP$Origine<-res_CSP$Origine*100
datatable(res_CSP)

#############Résultat du redressement pour enfant

enfant<-data.frame(prop.table(table(adulte$enfant_red)))
tab <- svytable(~enfant_red, dw)
enfant2<-data.frame(freq(tab, total = FALSE))
res_enfant<-data.frame("Enfant"=enfant[,1],
                    "Origine"=enfant[,2],
                    "Effectifs redressés"=enfant2[,1],
                    "Pourcentage redressé"=enfant2[,2],
                    "Pourcentage Cible"=margesBMP[3:7,4])
res_enfant$Origine<-res_enfant$Origine*100
datatable(res_enfant)

jeune$poids<-1
jeune$poids <- calibration(data=jeune, marginMatrix=margesBMjeune,
                     colWeights="poids", method="logit", bounds=c(0.1,5),description=FALSE)

g1<-ggplot(jeune,aes(y=pond))+
         geom_boxplot()+
          ylim(0,5)+
         labs(title="Analyse de la pondération",y="Poids initiaux")+ 
          theme(axis.text.x = element_blank())


g2<-ggplot(jeune,aes(y=poids))+
         geom_boxplot()+
  ylim(0,5)+
         labs(title="Analyse de la pondération",y="Poids calculés")+ 
          theme(axis.text.x = element_blank())


grid.arrange(g1, g2, ncol=2, nrow = 1)

dw2 <- svydesign(ids = ~1, data = jeune, weights = ~poids)

margesBMPjeune<-data.frame(t(margesBMjeuneP))

#############Résultat du redressement pour Age

sexeage<-data.frame(prop.table(table(jeune$agesexe_red)))
tab <- svytable(~agesexe_red, dw2)
sexeage2<-data.frame(freq(tab, total = FALSE))
res_sexeage<-data.frame("Age"=sexeage[,1],
                     "Origine"=sexeage[,2],
                     "Effectifs redressés"=sexeage2[,1],
                     "Pourcentage redressé"=sexeage2[,2],
                     "Pourcentage Cible"=margesBMPjeune[4:15,1])
res_sexeage$Origine<-res_sexeage$Origine*100
datatable(res_sexeage)

5 Phase 3 : intégration des bases adultes et jeunes

Les deux échantillons doivent être fusionnés (à due proportion de leurs poids respectifs) pour fournir des estimations représentatives de la population de 12 ans et plus.

Pour Bordeaux Métropole, le pourcentage que représente les jeunes de 12 à 17 ans sur la population totale est de 6,495%.

Un coefficient de proportionnalité permet de corriger les poids de l’enquête jeune pour les ramener à la bonne proportion, sans changer le rapport entre les poids dans l’enquête jeune.

##calcul rapport des poids
rapportenquete<- sum(jeune$poids)/sum(adulte$poids)

##proportion dans le dur à changer pour boucle

rapportcible<-0.06495

coef<-rapportcible/rapportenquete

jeune$poids<-jeune$poids*coef

Une fois les poids de l’enquête jeune corrigés, il suffit de fusionner les deux bases.

fusion<-rbind(adulte,jeune)

6 Calcul d’un indicateur

basé sure la variable ability

Pourcentage non redressé et redressé aves les poids initiaux

fusion<-rbind(adulte,jeune)
dw3 <- svydesign(ids = ~1, data = fusion, weights = ~pond)
dw4 <- svydesign(ids = ~1, data = fusion, weights = ~poids)
############Résultat du redressement pour enfant

ABILITY<-data.frame(prop.table(table(fusion$ABILITY)))
tab <- svytable(~ABILITY, dw3)
ABILITY2<-data.frame(freq(tab, total = FALSE))
tab2 <- svytable(~ABILITY, dw4)
ABILITY3<-data.frame(freq(tab2, total = FALSE))
res_ABILITY<-data.frame("ABILITY"=ABILITY[,1],
                    "Origine"=ABILITY[,2],
                    "Effectifs redressés"=ABILITY2[,1],
                    "Pourcentage redressé"=ABILITY2[,2],
                    "Effectifs redressés BM"=ABILITY3[,1],
                    "Pourcentage redressé BM"=ABILITY3[,2]
                    )
res_ABILITY$Origine<-res_ABILITY$Origine*100
datatable(res_ABILITY)