Evaluation

Author

Lino Galiana

Ce chapitre présente la consigne pour l’évaluation de l’année 2023-2024.

L’objectif de ces exercices est de vous amener à explorer la richesse des données électorales fines. Vous pourrez ultérieurement aller plus loin pour essayer de relier les résultats de vote à des variables socioéconomiques disponibles à la même échelle.

Les consignes générales sont les suivantes:

Consignes générales
  • Envoyer par mail avant le XX janvier 2024 deux documents: un fichier .qmd reproductible mélangeant vos réponses aux questions et vos analyses et le .html généré grâce à celui-ci ;
  • Le .html ne présente pas les exemples de code, pensez donc à mettre echo: false dans les options du header ;
  • N’oubliez pas d’ajouter les informations personnelles standards (auteur, titre) dans votre document ;
  • Essayez de soigner le .html rendu. Vous pouvez néanmoins avoir des sorties graphiques ou tableau au style différent de ceux que j’ai mis en exemple si vous avez envie de donner une touche personnelle à votre rapport ;
  • Le document .qmd doit être reproductible, c’est-à-dire que si je clique sur le bouton Render, cela va fonctionner.

Le code d’import des données est directement mis à disposition pour vous permettre de démarrer les exercices.

df <- read_csv(
  'https://www.data.gouv.fr/fr/datasets/r/182268fc-2103-4bcb-a850-6cf90b02a9eb'
)

Explorations générales

Question 1

Créer ou mettre à jour les variables suivantes:

  • code_commune: En utilisant la variable déjà existante et le département, remplacer la valeur code_commune pour constituer un vrai code commune. Par exemple, pour Montrouge, vous devriez obtenir 92049.
  • candidat: créer une colonne avec le prenom et le nom mis ensemble, en n’oubliant pas de mettre un espace. Ne pas éliminer les bulletins abstentions, blancs ou nuls, nous allons les exploiter ultérieurement.
Exercice 2

Compléter la phrase suivante grâce à R:

En 2022, il y avait XXXXX candidats à l’élection présidentielle

L’intégrer dans un code inline pour obtenir la phrase comme ci-dessous

Note: Attention aux votes non exprimés et aux abstentions

En 2022, il y avait 12 candidats à l’élection présidentielle.

Question 3

Calculer les scores nationaux de chaque candidat. Représenter dans ce tableau, pour chaque candidat, le nombre de voix et le pourcatage des votes exprimés (c’est-à-dire en retirant abstentions et votes non exprimés).

Utiliser gt pour représenter cela dans un tableau, par exemple dans le style de celui disponible plus bas (il n’est pas obligatoire d’aller aussi loin dans la mise en forme mais essayez d’obtenir un beau tableau tout de même).

Note: vous pouvez contrôler vos résultats obtenus avec cette page

Exemple de tableau à obtenir:

Elections 🇫🇷
Résultats du premier tour (📅 10 avril 2022)
Candidat.e Nombre votes (total) Score (% votes exprimés)
Emmanuel MACRON 9 783 058 27.85%
Marine LE PEN 8 133 828 23.15%
Jean-Luc MÉLENCHON 7 712 520 21.95%
Éric ZEMMOUR 2 485 226 7.07%
Valérie PÉCRESSE 1 679 001 4.78%
Yannick JADOT 1 627 853 4.63%
Jean LASSALLE 1 101 387 3.13%
Fabien ROUSSEL 802 422 2.28%
Nicolas DUPONT-AIGNAN 725 176 2.06%
Anne HIDALGO 616 478 1.75%
Philippe POUTOU 268 904 0.77%
Nathalie ARTHAUD 197 094 0.56%

Comparaison des scores départements aux moyennes nationales.

On va essayer d’étudier la territorialité de certains votes. Pour cela, nous allons étudier la manière dont certains candidats sont surreprésentés dans les résultats par rapport à leur moyenne nationale.

Question 4

Créer un dataframe nommé score_departements stockant, pour chaque département, le nombre de vote obtenu pour chaque candidat et le score (en %).

Par exemple, vous devriez obtenir le résultat suivant pour l’Aude:

# A tibble: 12 × 4
# Groups:   code_departement [1]
   code_departement candidat              votes   score
   <chr>            <chr>                 <dbl>   <dbl>
 1 11               Anne HIDALGO           6166 0.0290 
 2 11               Emmanuel MACRON       43104 0.203  
 3 11               Fabien ROUSSEL         5622 0.0265 
 4 11               Jean LASSALLE         12382 0.0583 
 5 11               Jean-Luc MÉLENCHON    42039 0.198  
 6 11               Marine LE PEN         64027 0.301  
 7 11               Nathalie ARTHAUD       1026 0.00483
 8 11               Nicolas DUPONT-AIGNAN  4206 0.0198 
 9 11               Philippe POUTOU        1748 0.00823
10 11               Valérie PÉCRESSE       7350 0.0346 
11 11               Yannick JADOT          6322 0.0298 
12 11               Éric ZEMMOUR          18434 0.0868
Question 5

Refaire le lien avec le niveau national pour comparer le score départemental avec le score national. Nommer ce dataframe score_departements, nous allons le réutiliser par la suite.

Par exemple, vous devriez obtenir le résultat suivant pour l’Aude:

# A tibble: 12 × 6
# Groups:   code_departement [1]
   code_departement candidat  votes_departement score_departement votes_national
   <chr>            <chr>                 <dbl>             <dbl>          <dbl>
 1 11               Anne HID…              6166           0.0290          616478
 2 11               Emmanuel…             43104           0.203          9783058
 3 11               Fabien R…              5622           0.0265          802422
 4 11               Jean LAS…             12382           0.0583         1101387
 5 11               Jean-Luc…             42039           0.198          7712520
 6 11               Marine L…             64027           0.301          8133828
 7 11               Nathalie…              1026           0.00483         197094
 8 11               Nicolas …              4206           0.0198          725176
 9 11               Philippe…              1748           0.00823         268904
10 11               Valérie …              7350           0.0346         1679001
11 11               Yannick …              6322           0.0298         1627853
12 11               Éric ZEM…             18434           0.0868         2485226
# ℹ 1 more variable: score_national <dbl>
Question 6

Créer une variable surrepresentation qui compare, en relatif, les scores nationaux et départementaux.

Par exemple, si un candidat a un score de 30% dans un département mais de 15% ailleurs, la valeur de surrepresentation sera égale à 100 (%).

Question 7

Observer les 5 principales représentations, en valeur absolue, pour chaque candidat. Représenter cela sur un graphique, du type de celui-ci dessous.

Un peu de cartographie

Pour cette partie, vous pouvez récupérer le fond de carte des départements grâce au code ci-dessous:

departement_borders <- download_vectorfile_url_all(
  crs = 4326,
  values = "metropole",
  borders="DEPARTEMENT",
  vectorfile_format="geojson",
  filter_by="FRANCE_ENTIERE",
  source="EXPRESS-COG-CARTO-TERRITOIRE",
  year=2022)
Question 8a

Restreindre score_departements aux résultats de Marine Le Pen (ne pas écraser score_departements nous allons l’utiliser à nouveau !). Faire une jointure au fond de carte des départements et effectuer une carte de la représentation. L’échelle de couleur que vous pouvez utiliser est white pour les valeurs les plus basses et #394679 pour les valeurs les plus hautes.

Interpréter.

Vous devriez obtenir une carte proche de celle-ci

Question 8b

Même question pour Emmanuel Macron. L’échelle de couleur que vous pouvez utiliser est white pour les valeurs les plus basses et #f1c237 pour les valeurs les plus hautes.

Interpréter.

Question 8c

Même question pour Jean-Luc Mélenchon. L’échelle de couleur que vous pouvez utiliser est white pour les valeurs les plus basses et #cb452a pour les valeurs les plus hautes.

Interpréter.

Focus sur l’abstention

Question 9

Retrouver les 10 principales communes abstentionnistes parmi les communes où il y a eu plus de 2000 votes et n’appartenant pas aux départements des DROM ou des Français à l’étranger (pour cela, le filtre est directement donné: filter(!str_starts(code_commune, "(fr|98|97)")).

Analyser

Le tableau à obtenir sera le suivant. Le votre devra avoir au moins une colonne supplémentaire: les noms de commune.

# A tibble: 853 × 5
# Groups:   code_commune, libelle_commune [853]
   libelle_commune    code_commune abstention  votes taux_abstention
   <chr>              <chr>        <chr>       <dbl>           <dbl>
 1 Bastia             2B033        Abstentions  9191           0.418
 2 Clichy-sous-Bois   93014        Abstentions  4941           0.418
 3 Roubaix            59512        Abstentions 19526           0.410
 4 Porto-Vecchio      2A247        Abstentions  3983           0.405
 5 Vaulx-en-Velin     69256        Abstentions  9730           0.404
 6 Jeumont            59324        Abstentions  2607           0.396
 7 Forbach            57227        Abstentions  5025           0.392
 8 Stains             93072        Abstentions  6716           0.391
 9 Hautmont           59291        Abstentions  3700           0.389
10 Châlette-sur-Loing 45068        Abstentions  2865           0.389
# ℹ 843 more rows

L’abstention en Corse

Voici le code pour récupérer le fond de carte des communes Corse.

corse <- download_vectorfile_url_all(
  crs = 4326,
  values = c("2A","2B"),
  borders="COMMUNE",
  vectorfile_format="geojson",
  filter_by="DEPARTEMENT",
  source="EXPRESS-COG-CARTO-TERRITOIRE",
  year=2022)
Note

Faire une carte du taux d’abstention par commune en Corse. Vous pouvez la faire figer avec ggplot ou mapsf ou, si vous préférez, réactive avec leaflet.

La carte obtenue devrait ressembler à celle-ci: