--- title: "Dynamiques de l'emploi salarié privé" subtitle: "Volet 2 — Économie et spécialisation sectorielle par zone d'emploi" author: "Vincent R." date: last-modified date-format: "D MMMM YYYY" categories: ["Rapport d'analyse"] number-sections: false --- ```{r} #| label: setup #| include: false # &s &SETUP_aaMAIN - Setup rapport volet économie # Charge helpers JCN + données ZE via _setup-common.R # Enrichit ze avec effectifs URSSAF, choc COVID, variables dérivées # Pré-calcule tous les KPIs utilisés dans le texte inline # &s &PACKAGES - Helpers + libs supplémentaires source("_setup-common.R") suppressPackageStartupMessages({ library(ineq) # Gini, Lorenz library(dunn.test) # Dunn post-hoc KW library(corrplot) # Heatmap corrélations }) # &e # &s &CLAUDE_LOG - Logging résultats inter-sessions claude_log_init("rpt-20-eco", output_dir = file.path(PROJECT_ROOT, "reports/outputs")) log_step("SETUP", n_ze = N_ZE, n_cols = ncol(ze)) # &e # &s &SERIE_URSSAF - Série temporelle URSSAF emploi privé serie_raw <- read.csv(file.path(PROJECT_ROOT, "data/processed/urssaf/urssaf_serie_indice100.csv"), stringsAsFactors = FALSE, fileEncoding = "UTF-8-BOM") serie_ze <- serie_raw %>% filter(echelon == "ze") serie_fr <- serie_raw %>% filter(echelon == "france") # &e # &s &ENRICHISSEMENT - Variables dérivées # Effectif emploi privé 2024 eff_24 <- serie_ze %>% filter(year == 2024) %>% select(code, emppriv_vol_24 = eff_total) ze <- ze %>% left_join(eff_24, by = "code") # Choc COVID 2019→2020 eff_covid <- serie_ze %>% filter(year %in% c(2019, 2020)) %>% select(code, year, eff_total) %>% pivot_wider(names_from = year, values_from = eff_total, names_prefix = "eff_") %>% mutate(choc_covid_pct = (eff_2020 - eff_2019) / eff_2019 * 100) ze <- ze %>% left_join(eff_covid, by = "code") # France référence fr_eff_24 <- serie_fr %>% filter(year == 2024) %>% pull(eff_total) fr_eff_14 <- serie_fr %>% filter(year == 2014) %>% pull(eff_total) fr_eff_19 <- serie_fr %>% filter(year == 2019) %>% pull(eff_total) fr_eff_20 <- serie_fr %>% filter(year == 2020) %>% pull(eff_total) fr_choc <- (fr_eff_20 - fr_eff_19) / fr_eff_19 * 100 fr_tcam_emp <- as.numeric(FR$eco_emppriv_vtcam_2224) fr_evol_1424 <- (fr_eff_24 / fr_eff_14 - 1) * 100 # Taille ZE (4 classes) ze <- ze %>% mutate( taille_ze = case_when( grepl("Paris", libelle) ~ "IDF (Paris)", P22_POP >= 200000 ~ "Grande (>200k)", P22_POP >= 50000 ~ "Moyenne (50-200k)", TRUE ~ "Petite (<50k)" ), taille_ze = factor(taille_ze, levels = c("IDF (Paris)", "Grande (>200k)", "Moyenne (50-200k)", "Petite (<50k)")) ) # Accélération pré/post COVID ze <- ze %>% mutate(tcam_diff = eco_emppriv_vtcam_2224 - eco_emppriv_vtcam_1117) # &e # &s &KPIS - Indicateurs clés (réutilisés dans texte inline + synthèse) ze_sorted <- ze %>% arrange(desc(emppriv_vol_24)) total_emp <- sum(ze$emppriv_vol_24, na.rm = TRUE) top10_emp <- sum(ze_sorted$emppriv_vol_24[1:10], na.rm = TRUE) cr10 <- top10_emp / total_emp * 100 n10 <- ceiling(N_ZE * 0.10) n40 <- ceiling(N_ZE * 0.40) palma_employment <- sum(ze_sorted$emppriv_vol_24[1:n10], na.rm = TRUE) / sum(tail(ze_sorted$emppriv_vol_24, n40), na.rm = TRUE) gini_emp <- ineq(ze$emppriv_vol_24[!is.na(ze$emppriv_vol_24)], type = "Gini") n_accel <- sum(ze$tcam_diff > 0, na.rm = TRUE) pct_accel <- round(100 * n_accel / sum(!is.na(ze$tcam_diff)), 0) cor_idx_tcam <- cor(ze$idxeco_soc_ind_1622, ze$eco_emppriv_vtcam_2224, use = "complete.obs") cor_cross <- cor(ze$idxresid_dyn_ind_1623, ze$idxeco_soc_ind_1622, use = "complete.obs") cor_indus <- cor(ze$eco_sectindus_pct_22, ze$eco_emppriv_vtcam_2224, use = "complete.obs", method = "spearman") cor_krug <- cor(ze$eco_krugman_a21_23, ze$eco_emppriv_vtcam_2224, use = "complete.obs", method = "spearman") cor_cadres <- cor(ze$dsp_csp_cadres_pct_22, ze$eco_emppriv_vtcam_2224, use = "complete.obs", method = "spearman") # KW pré-calcul (résultat utilisé dans texte inline) ze_kw <- ze %>% filter(!is.na(typo_insee_lib), !is.na(eco_emppriv_vtcam_2224)) kw_result <- kruskal.test(eco_emppriv_vtcam_2224 ~ typo_insee_lib, data = ze_kw) kw_chi2 <- round(kw_result$statistic, 2) kw_p <- kw_result$p.value kw_sig <- ifelse(kw_p < 0.001, "p < 0.001", paste0("p = ", formatC(kw_p, format = "f", digits = 3))) # Série France indice 100 (pour vue nationale) serie_fr_idx <- serie_fr %>% mutate(indice_100 = eff_total / eff_total[year == 2014] * 100) log_step("DATA_ENRICHMENT", n_ze_with_emp24 = sum(!is.na(ze$emppriv_vol_24)), fr_choc_pct = round(fr_choc, 2)) log_result("cr10", cr10, interpret = glue("CR10 = {fmt_pct(cr10, 1)}")) log_result("gini_emp", gini_emp, interpret = glue("Gini emploi = {fmt_fr(gini_emp, 3)}")) log_result("palma", palma_employment, interpret = glue("Palma = {fmt_fr(palma_employment, 1)}")) log_result("pct_accel", pct_accel, interpret = glue("{pct_accel}% ZE accélèrent post-COVID")) log_result("cor_cross_resid_eco", cor_cross, interpret = glue("r resid x eco = {fmt_fr(cor_cross, 2)}")) # &e # &e &SETUP_aaMAIN ``` ::: {.callout-note} ## Cadrage **Question centrale** : Quels facteurs structurels et conjoncturels expliquent les trajectoires divergentes de l'emploi salarié privé par zone d'emploi ? **Périmètre** : `r N_ZE` ZE métropolitaines (hors DOM) · `r fmt_fr(total_emp / 1e6, 1)` M salariés privés (2024) **Sources** : URSSAF Séquoia (effectifs 2014-2024) · FLORES 2023 (Krugman, Gini) · INSEE RP 2022 (structures sectorielles, taux d'emploi, CSP) **Hypothèses** : - **H1** : La concentration de l'emploi est supérieure à celle de la population - **H2** : L'effet métropole s'explique plus par la tertiarisation que par la taille - **H3** : Le choc COVID a redistribué l'emploi vers les ZE moyennes/littorales ::: ::: {.kpi-grid} ::: {.kpi-card}
`r fmt_pct(cr10, 1)`
CR10 emploi privé
10 premières ZE
::: ::: {.kpi-card style="--kpi-color: #ca5800"}
`r fmt_fr(gini_emp, 3)`
Gini emploi
Concentration extrême
::: ::: {.kpi-card style="--kpi-color: #55b748"}
`r pct_accel`%
ZE en accélération
Post-COVID 2022-2024
::: ::: {.kpi-card style="--kpi-color: #ec008b"}
`r fmt_fr(cor_cross, 2)`
Corrélation résid. × éco.
Dimensions partiellement indépendantes
::: ::: --- # Vue nationale — L'emploi privé en France ::: {.insight} **L'emploi salarié privé français progresse de `r fmt_sign(fr_evol_1424, 1)`% entre 2014 et 2024, mais cette moyenne nationale masque des disparités territoriales majeures** ::: La France compte `r fmt_fr(fr_eff_24 / 1e6, 1)` millions de salariés du secteur privé en 2024. La série temporelle nationale fait apparaître trois phases distinctes : une croissance modérée pré-COVID, un choc brutal en 2020 (`r fmt_sign(fr_choc, 1)`%), puis une reprise qui ramène l'emploi au-dessus de son niveau d'avant-crise dès 2022. Le TCAM post-reprise s'établit à `r fmt_sign(fr_tcam_emp, 2)`%/an (2022-2024). ```{r} #| label: fig-france-serie #| fig-height: 5.5 ggplot(serie_fr_idx, aes(x = year, y = indice_100)) + geom_line(color = col_cyan, linewidth = 1.3) + geom_point(color = col_cyan, size = 2) + geom_hline(yintercept = 100, linetype = "dashed", color = col_gray) + geom_vline(xintercept = 2020, linetype = "dotted", color = col_red, alpha = 0.6) + annotate("text", x = 2020.3, y = min(serie_fr_idx$indice_100) + 0.3, label = "COVID", color = col_red, size = 3, fontface = "italic") + annotate("text", x = 2022.5, y = serie_fr_idx$indice_100[serie_fr_idx$year == 2022] + 0.5, label = "Retour niveau\navant-crise", color = col_green, size = 2.8, fontface = "italic") + scale_x_continuous(breaks = 2014:2024) + labs(title = "L'emploi privé retrouve son niveau d'avant-crise fin 2022", subtitle = "France — Indice 100 base 2014, emploi salarié privé", x = NULL, y = "Indice (base 100 = 2014)", caption = make_source("URSSAF Séquoia 2014-2024")) ``` ::: {.grey-section} **Chiffres clés France** : `r fmt_fr(fr_eff_24 / 1e6, 1)` M salariés privés (2024) · Évolution 2014-2024 : `r fmt_sign(fr_evol_1424, 1)`% · Choc COVID : `r fmt_sign(fr_choc, 1)`% · TCAM post-reprise : `r fmt_sign(fr_tcam_emp, 2)`%/an ::: --- # Concentration de l'emploi salarié privé ::: {.insight} **Les 10 premières ZE concentrent `r fmt_pct(cr10, 1)` de l'emploi salarié privé — une distribution plus inégale que celle de la population, typique des rendements d'agglomération** ::: La concentration de l'emploi est structurellement élevée et reflète les économies d'échelle urbaines : le ratio de Palma atteint `r fmt_fr(palma_employment, 1)` (les 10% les plus grosses ZE emploient `r fmt_fr(palma_employment, 1)` fois plus que les 40% les plus petites). Le Gini de `r fmt_fr(gini_emp, 3)` confirme une distribution très asymétrique. :::: {.column-body-outset} ::: {layout-ncol=2} ```{r} #| label: fig-lorenz #| fig-height: 6.5 # Courbe de Lorenz emploi privé 2024 emp_sorted <- sort(ze$emppriv_vol_24[!is.na(ze$emppriv_vol_24)]) n <- length(emp_sorted) cum_share <- cumsum(emp_sorted) / sum(emp_sorted) pop_share <- seq_len(n) / n lorenz_df <- data.frame(pop = c(0, pop_share), emp = c(0, cum_share)) p80_idx <- which.min(abs(pop_share - 0.80)) emp_at_80 <- cum_share[p80_idx] * 100 ggplot(lorenz_df, aes(x = pop, y = emp)) + geom_line(color = col_cyan, linewidth = 1.2) + geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = col_gray) + geom_segment(aes(x = 0.80, xend = 0.80, y = 0, yend = cum_share[p80_idx]), linetype = "dotted", color = col_orange) + geom_segment(aes(x = 0, xend = 0.80, y = cum_share[p80_idx], yend = cum_share[p80_idx]), linetype = "dotted", color = col_orange) + annotate("text", x = 0.55, y = cum_share[p80_idx] + 0.04, label = glue("80% des ZE = {fmt_pct(emp_at_80, 0)} emploi"), size = 3.5, color = col_orange, fontface = "bold") + annotate("text", x = 0.35, y = 0.85, label = glue("Gini = {fmt_fr(gini_emp, 3)}"), size = 4, color = col_cyan, fontface = "bold") + scale_x_continuous(labels = percent_format(), expand = c(0, 0.01)) + scale_y_continuous(labels = percent_format(), expand = c(0, 0.01)) + labs(title = "Concentration de l'emploi privé — courbe de Lorenz", subtitle = "ZE triées par emploi croissant", x = "Part cumulée des ZE", y = "Part cumulée de l'emploi privé", caption = make_source("URSSAF Séquoia 2024")) ``` ```{r} #| label: fig-boxplot-emploi-typo #| fig-height: 6.5 ggplot(ze %>% filter(!is.na(typo_insee_lib)), aes(x = emppriv_vol_24, y = reorder(typo_insee_lib, emppriv_vol_24, FUN = median))) + geom_boxplot(fill = col_cyan, alpha = 0.5, outlier.size = 1.5) + scale_x_log10(labels = label_comma()) + labs(title = "Les ZE métropolitaines dominent en volume", subtitle = "Emploi salarié privé 2024 — échelle logarithmique", x = "Emploi salarié privé (échelle log)", y = NULL, caption = make_source("URSSAF Séquoia 2024")) ``` ::: :::: ::: {.note-lecture} Gauche : courbe de Lorenz — plus la courbe s'éloigne de la diagonale, plus la concentration est forte. Droite : boxplots en échelle log — les ZE à fonctions métropolitaines concentrent les plus gros volumes. ::: ## Spécialisation sectorielle et taille Les petites ZE tendent à être les plus spécialisées (Krugman élevé), avec un profil souvent industriel ou agricole. À l'inverse, les grandes ZE diversifiées présentent un tissu tertiaire proche de la moyenne nationale. :::: {.column-body-outset} ::: {layout-ncol=2} ```{r} #| label: fig-krugman-taille #| fig-height: 7 scatter_quadrants( ze %>% filter(!is.na(eco_krugman_a21_23)), x = "emppriv_vol_24", y = "eco_krugman_a21_23", title = "Les petites ZE sont les plus spécialisées", subtitle = "Krugman A21 vs emploi privé — taille = population", xlab = "Emploi salarié privé 2024", ylab = "Krugman A21", hline = median(ze$eco_krugman_a21_23, na.rm = TRUE), vline = median(ze$emppriv_vol_24, na.rm = TRUE), quad_labels = c("Grand diversifié", "Petit diversifié", "Petit spécialisé", "Grand spécialisé") ) + scale_x_log10(labels = label_comma()) ``` ```{r} #| label: fig-bar-emploi #| fig-height: 7 plot_bar_ranked( ze, var = "emppriv_vol_24", label_col = "libelle", n_show = 15, title = glue("Top/Bottom 15 — Emploi privé 2024"), subtitle = glue("Total : {fmt_k(total_emp)} salariés privés"), xlab = "Emploi salarié privé", caption = make_source("URSSAF Séquoia 2024") ) ``` ::: :::: ::: {.note-lecture} Le Krugman mesure la dissimilarité sectorielle (0 = identique à la France, 2 = totalement différent). Les grandes ZE diversifiées sont en bas-droite, les petites ZE industrielles/agricoles en haut-gauche. ::: ## Profil par typologie ```{r} #| label: tbl-gini-secteurs gini_typo <- ze %>% filter(!is.na(typo_insee_lib)) %>% group_by(typo_insee_lib) %>% summarise( n = n(), krugman_a21 = median(eco_krugman_a21_23, na.rm = TRUE), gini_a21 = median(eco_gini_a21_23, na.rm = TRUE), emp_med = median(emppriv_vol_24, na.rm = TRUE), tcam_2224 = median(eco_emppriv_vtcam_2224, na.rm = TRUE), pct_cadres = median(dsp_csp_cadres_pct_22, na.rm = TRUE), .groups = "drop" ) %>% arrange(desc(emp_med)) rt_styled( gini_typo, columns = list( typo_insee_lib = colDef(name = "Typologie INSEE", minWidth = 220), n = col_num("Nb ZE"), krugman_a21 = col_num("Krugman A21", digits = 3), gini_a21 = col_num("Gini A21", digits = 3), emp_med = col_pop(gini_typo, "emp_med", label = "Emploi méd."), tcam_2224 = col_variation(gini_typo, "tcam_2224", label = "TCAM 22-24", unit = "%/an"), pct_cadres = col_num("% cadres", unit = "%", digits = 1) ) ) ``` ```{r} #| label: log-qe21 #| include: false log_step("QE2.1_CONCENTRATION", cr10 = round(cr10, 1), gini = round(gini_emp, 3), palma = round(palma_employment, 1)) log_distribution("emppriv_vol_24", ze$emppriv_vol_24, label = "Emploi privé 2024") log_ranking("top5_emploi_ze", ze, "libelle", "emppriv_vol_24", n = 5) log_ranking("bot5_emploi_ze", ze, "libelle", "emppriv_vol_24", n = 5, ascending = TRUE) ``` --- # Trajectoires et choc COVID ## Indice 100 base 2014 par typologie Les trajectoires de l'emploi salarié privé divergent nettement depuis 2014, avec une accélération de l'écart après le choc COVID de 2020. ```{r} #| label: fig-indice100 #| fig-height: 7.5 # Indice base 2014 par typologie typo_lookup <- ze %>% select(code, typo_insee_lib, taille_ze) base2014 <- serie_ze %>% filter(year == 2014) %>% select(code, base_eff = eff_total) serie_idx <- serie_ze %>% left_join(base2014, by = "code") %>% mutate(indice_100 = eff_total / base_eff * 100) %>% left_join(typo_lookup, by = "code") %>% filter(!is.na(typo_insee_lib)) serie_summary <- serie_idx %>% group_by(typo_insee_lib, year) %>% summarise( med = median(indice_100, na.rm = TRUE), q25 = quantile(indice_100, 0.25, na.rm = TRUE), q75 = quantile(indice_100, 0.75, na.rm = TRUE), .groups = "drop") ggplot(serie_summary, aes(x = year, y = med, color = typo_insee_lib)) + geom_ribbon(aes(ymin = q25, ymax = q75, fill = typo_insee_lib), alpha = 0.08, color = NA) + geom_line(linewidth = 0.9) + geom_line(data = serie_fr_idx, aes(x = year, y = indice_100), inherit.aes = FALSE, linetype = "dashed", color = "#333", linewidth = 0.7) + geom_vline(xintercept = 2020, linetype = "dotted", color = col_red, alpha = 0.6) + annotate("text", x = 2020.3, y = 116, label = "COVID", color = col_red, size = 3, fontface = "italic") + annotate("text", x = 2023.5, y = serie_fr_idx$indice_100[serie_fr_idx$year == 2023] + 0.8, label = "France", size = 3, color = "#333", fontface = "italic") + scale_x_continuous(breaks = 2014:2024) + labs(title = "Les trajectoires divergent : les diversifiées accélèrent, les industrielles stagnent", subtitle = "Indice 100 base 2014 — médiane par typologie INSEE, ruban = IQR", x = NULL, y = "Indice (base 100 = 2014)", color = "Typologie", fill = "Typologie", caption = make_source("URSSAF Séquoia", glue("{N_ZE} ZE"))) + theme(legend.position = "bottom", legend.text = element_text(size = 8)) ``` ::: {.note-lecture} Chaque ligne = médiane des ZE d'une typologie. Le ruban = intervalle interquartile (IQR). Pointillé noir = France. La divergence s'accentue après 2020 : les ZE diversifiées et métropolitaines rattrapent plus vite que les industrielles. ::: ## Choc COVID et reprise Le glissement 2019→2020 a frappé l'ensemble du tissu économique (`r fmt_sign(fr_choc, 1)`% France), mais la reprise est sélective. `r pct_accel`% des ZE accélèrent post-COVID (TCAM 2022-2024 > TCAM 2011-2017), favorisant les ZE tertiaires, les couronnes métropolitaines et certaines littorales. :::: {.column-body-outset} ::: {layout-ncol=2} ```{r} #| label: fig-choc-covid #| fig-height: 6 ggplot(ze %>% filter(!is.na(choc_covid_pct)), aes(x = taille_ze, y = choc_covid_pct, fill = taille_ze)) + geom_boxplot(alpha = 0.6, outlier.size = 1.5) + geom_hline(yintercept = fr_choc, linetype = "dashed", color = col_red) + annotate("text", x = 0.6, y = fr_choc + 0.3, label = glue("France : {fmt_sign(fr_choc, 1)}%"), size = 3, color = col_red, hjust = 0) + scale_fill_manual(values = c(col_cyan, col_green, col_orange, col_yellow)) + labs(title = "Le choc COVID a frappé toutes les tailles de ZE", subtitle = "Glissement effectifs privés 2019 → 2020", x = NULL, y = "Variation emploi (%)", caption = make_source("URSSAF Séquoia")) + guides(fill = "none") ``` ```{r} #| label: fig-distrib-tcam #| fig-height: 6 plot_distribution(ze, "eco_emppriv_vtcam_2224", bins = 35, title = "TCAM emploi privé 2022-2024", xlab = "TCAM emploi privé (%/an)") + geom_vline(xintercept = fr_tcam_emp, linetype = "dashed", color = col_orange, linewidth = 0.7) + annotate("text", x = fr_tcam_emp + 0.12, y = Inf, label = glue("France : {fmt_sign(fr_tcam_emp, 2)}%"), vjust = 2, hjust = 0, size = 3, color = col_orange) ``` ::: :::: ## Qui accélère, qui décroche ? ```{r} #| label: fig-scatter-pre-post #| fig-height: 8 labs_pre <- label_top_bottom(ze, "eco_emppriv_vtcam_2224", n = 12) ggplot(ze, aes(x = eco_emppriv_vtcam_1117, y = eco_emppriv_vtcam_2224)) + geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = col_gray) + geom_hline(yintercept = 0, color = "#ddd") + geom_vline(xintercept = 0, color = "#ddd") + geom_point(aes(size = emppriv_vol_24, color = choc_covid_pct), alpha = 0.6) + geom_text_repel( data = ze %>% filter(libelle %in% labs_pre), aes(label = libelle), size = 2.8, max.overlaps = 20, color = col_spacegray, segment.color = col_gray) + scale_size_continuous(range = c(1, 10), guide = "none") + scale_color_gradient2(low = col_red, mid = "white", high = col_green, midpoint = 0, name = "Choc COVID\n(% 19→20)") + labs(title = glue("Sous la bissectrice = décélération ({100 - pct_accel}% des ZE)"), subtitle = "Taille = emploi 2024, couleur = ampleur du choc COVID", x = "TCAM emploi privé 2011-2017 (%/an)", y = "TCAM emploi privé 2022-2024 (%/an)", caption = make_source("URSSAF Séquoia", glue("{N_ZE} ZE"))) ``` ::: {.note-lecture} Points au-dessus de la bissectrice = accélération post-COVID. Points rouges = ZE très touchées en 2020. L'accélération n'est pas aléatoire — elle favorise les ZE tertiaires, les couronnes métropolitaines et certaines littorales. ::: ## Top/Bottom 15 — TCAM post-reprise :::: {.column-body-outset} ```{r} #| label: tbl-topbot-tcam tb_emp <- table_top_bottom(ze, "eco_emppriv_vtcam_2224", n = 15, extra_cols = c("eco_emppriv_vtcam_1117", "tcam_diff", "typo_insee_lib", "emppriv_vol_24", "eco_krugman_a21_23")) tb_emp_data <- bind_rows( tb_emp$top %>% mutate(groupe = "Top 15 — Croissance rapide"), tb_emp$bottom %>% mutate(groupe = "Bottom 15 — Déclin ou stagnation") ) rt_styled( tb_emp_data, groupBy = "groupe", defaultExpanded = TRUE, height = 550, columns = list( rang = colDef(name = "#", width = 45), libelle = colDef(name = "Zone d'emploi", minWidth = 160), eco_emppriv_vtcam_2224 = col_variation(tb_emp_data, "eco_emppriv_vtcam_2224", label = "TCAM 22-24", unit = "%/an"), eco_emppriv_vtcam_1117 = col_variation(tb_emp_data, "eco_emppriv_vtcam_1117", label = "TCAM 11-17", unit = "%/an"), tcam_diff = col_variation(tb_emp_data, "tcam_diff", label = "Accélération", unit = "pts"), typo_insee_lib = colDef(name = "Typologie", minWidth = 140), emppriv_vol_24 = col_pop(tb_emp_data, "emppriv_vol_24", label = "Emploi 24"), eco_krugman_a21_23 = col_num("Krugman", digits = 3), groupe = colDef(show = FALSE) ) ) ``` :::: ```{r} #| label: log-qe22 #| include: false log_step("QE2.2_TRAJECTOIRES", pct_accel = pct_accel, fr_choc = round(fr_choc, 2), fr_tcam_emp = fr_tcam_emp) log_distribution("tcam_emppriv_2224", ze$eco_emppriv_vtcam_2224, label = "TCAM emp privé 22-24") log_ranking("top5_tcam_post", ze, "libelle", "eco_emppriv_vtcam_2224", n = 5) log_ranking("bot5_tcam_post", ze, "libelle", "eco_emppriv_vtcam_2224", n = 5, ascending = TRUE) ``` --- # Structure sectorielle et tests statistiques ## Différenciation par typologie Le TCAM emploi privé 2022-2024 diffère significativement selon la typologie INSEE (Kruskal-Wallis χ² = `r kw_chi2`, `r kw_sig`). La structure sectorielle — mesurée par le poids de l'industrie et le Krugman — est le premier facteur explicatif. :::: {.column-body-outset} ::: {layout-ncol=2} ```{r} #| label: fig-kw-boxplot #| fig-height: 6 ggplot(ze_kw, aes(x = eco_emppriv_vtcam_2224, y = reorder(typo_insee_lib, eco_emppriv_vtcam_2224, FUN = median))) + geom_boxplot(fill = col_cyan, alpha = 0.5, outlier.size = 1.5) + geom_vline(xintercept = 0, linetype = "dashed", color = "#333") + geom_vline(xintercept = fr_tcam_emp, linetype = "dotted", color = col_orange) + labs(title = glue("KW : {kw_sig}"), subtitle = "TCAM emploi privé 2022-2024 par typologie", x = "TCAM (%/an)", y = NULL, caption = "Pointillé orange = France") ``` ```{r} #| label: fig-kw-boxplot-taille #| fig-height: 6 ggplot(ze %>% filter(!is.na(taille_ze), !is.na(eco_emppriv_vtcam_2224)), aes(x = eco_emppriv_vtcam_2224, y = taille_ze, fill = taille_ze)) + geom_boxplot(alpha = 0.5, outlier.size = 1.5) + geom_vline(xintercept = 0, linetype = "dashed", color = "#333") + geom_vline(xintercept = fr_tcam_emp, linetype = "dotted", color = col_orange) + scale_fill_manual(values = c(col_cyan, col_green, col_orange, col_yellow)) + labs(title = "Par taille de ZE", subtitle = "TCAM emploi privé 2022-2024", x = "TCAM (%/an)", y = NULL, caption = "Pointillé orange = France") + guides(fill = "none") ``` ::: :::: ```{r} #| label: dunn-test #| include: false if (kw_p < 0.05) { dunn_res <- dunn.test(ze_kw$eco_emppriv_vtcam_2224, ze_kw$typo_insee_lib, method = "bonferroni", list = FALSE, table = FALSE) dunn_df <- data.frame( comparaison = dunn_res$comparisons, z = round(dunn_res$Z, 2), p_ajuste = round(dunn_res$P.adjusted, 4), significatif = ifelse(dunn_res$P.adjusted < 0.05, "Oui", "Non") ) %>% filter(significatif == "Oui") %>% arrange(p_ajuste) n_sig <- nrow(dunn_df) n_total <- length(dunn_res$P.adjusted) } ``` `r if (exists("n_sig")) glue("Le test post-hoc de Dunn identifie **{n_sig} paire(s) significative(s)** sur {n_total} comparaisons (correction Bonferroni, α = 0.05).") else "*KW non significatif — Dunn non exécuté.*"` ```{r} #| label: tbl-dunn if (exists("dunn_df") && nrow(dunn_df) > 0) { rt_styled( dunn_df, columns = list( comparaison = colDef(name = "Comparaison", minWidth = 300), z = col_num("Z", digits = 2), p_ajuste = col_num("p ajusté", digits = 4), significatif = colDef(name = "Sign.", width = 60) ) ) } ``` ## Corrélations structurelles ```{r} #| label: fig-corr-heatmap #| fig-width: 11 #| fig-height: 11 corr_vars <- c( "eco_krugman_a21_23", "eco_gini_a21_23", "eco_emppriv_vtcam_1117", "eco_emppriv_vtcam_2224", "tcam_diff", "eco_sectindus_pct_22", "eco_sectservi_pct_22", "dsp_csp_cadres_pct_22", "eco_txemp_1564_22", "idxeco_soc_ind_1622" ) corr_labels <- c( "Krugman A21", "Gini A21", "TCAM emp 11-17", "TCAM emp 22-24", "Accélération", "% industrie", "% services", "% cadres", "Tx emploi 15-64", "Idx éco composite" ) corr_data <- ze[, corr_vars] %>% na.omit() corr_mat <- cor(corr_data, method = "spearman") colnames(corr_mat) <- corr_labels rownames(corr_mat) <- corr_labels corrplot(corr_mat, method = "color", type = "lower", tl.col = "#333", tl.srt = 45, tl.cex = 0.85, addCoef.col = "#333", number.cex = 0.75, col = colorRampPalette(c(col_red, "white", col_cyan))(200), diag = FALSE, title = "Corrélations Spearman — variables structurelles et dynamiques emploi", mar = c(0, 0, 2, 0)) ``` ::: {.grey-section} **Corrélations clés** : Le TCAM post-COVID corrèle positivement avec le % services et le % cadres (ρ = `r fmt_fr(cor_cadres, 2)`), négativement avec le Krugman (ρ = `r fmt_fr(cor_krug, 2)`) et le % industrie (ρ = `r fmt_fr(cor_indus, 2)`). ::: ## Facteurs de la dynamique emploi ::: {.panel-tabset} ### % industrie × TCAM ```{r} #| label: fig-scatter-indus #| fig-height: 6.5 scatter_quadrants( ze, x = "eco_sectindus_pct_22", y = "eco_emppriv_vtcam_2224", title = glue("L'industrie freine la reprise (ρ = {fmt_fr(cor_indus, 2)})"), subtitle = "Part industrie 2022 vs TCAM emploi privé 2022-2024", xlab = "Part industrie (%)", ylab = "TCAM emploi privé (%/an)", hline = 0, vline = median(ze$eco_sectindus_pct_22, na.rm = TRUE), quad_labels = c("Industrie + Croissance", "Tertiaire + Croissance", "Tertiaire + Déclin", "Industrie + Déclin") ) ``` ### Krugman × TCAM ```{r} #| label: fig-scatter-krugman-tcam #| fig-height: 6.5 scatter_quadrants( ze, x = "eco_krugman_a21_23", y = "eco_emppriv_vtcam_2224", title = glue("La spécialisation freine la reprise (ρ = {fmt_fr(cor_krug, 2)})"), subtitle = "Krugman A21 (2023) vs TCAM emploi privé 2022-2024", xlab = "Krugman A21", ylab = "TCAM emploi privé (%/an)", hline = 0, vline = median(ze$eco_krugman_a21_23, na.rm = TRUE), quad_labels = c("Spécialisé + Croissance", "Diversifié + Croissance", "Diversifié + Déclin", "Spécialisé + Déclin") ) ``` ### % cadres × TCAM ```{r} #| label: fig-scatter-cadres-tcam #| fig-height: 6.5 scatter_quadrants( ze, x = "dsp_csp_cadres_pct_22", y = "eco_emppriv_vtcam_2224", title = glue("Cadres et croissance emploi (ρ = {fmt_fr(cor_cadres, 2)})"), subtitle = "Part cadres 2022 vs TCAM emploi privé 2022-2024", xlab = "Part cadres (%)", ylab = "TCAM emploi privé (%/an)", hline = 0, vline = median(ze$dsp_csp_cadres_pct_22, na.rm = TRUE), quad_labels = c("Cadres + Croissance", "Ouvriers + Croissance", "Ouvriers + Déclin", "Cadres + Déclin") ) ``` ### Taux emploi × TCAM ```{r} #| label: fig-scatter-txemp #| fig-height: 6.5 cor_txemp <- cor(ze$eco_txemp_1564_22, ze$eco_emppriv_vtcam_2224, use = "complete.obs", method = "spearman") scatter_quadrants( ze, x = "eco_txemp_1564_22", y = "eco_emppriv_vtcam_2224", title = glue("Taux d'emploi et dynamique (ρ = {fmt_fr(cor_txemp, 2)})"), subtitle = "Taux emploi 15-64 ans 2022 vs TCAM emploi privé 2022-2024", xlab = "Taux emploi 15-64 (%)", ylab = "TCAM emploi privé (%/an)", hline = 0, vline = median(ze$eco_txemp_1564_22, na.rm = TRUE), quad_labels = c("Plein emploi + Croissance", "Chômage + Croissance", "Chômage + Déclin", "Plein emploi + Déclin") ) ``` ::: ```{r} #| label: log-qe23 #| include: false log_step("QE2.3_TESTS_STATS", kw_chi2 = kw_chi2, kw_p = kw_p) log_result("cor_indus_tcam", cor_indus, interpret = glue("ρ industrie×TCAM = {fmt_fr(cor_indus, 2)}")) log_result("cor_cadres_tcam", cor_cadres, interpret = glue("ρ cadres×TCAM = {fmt_fr(cor_cadres, 2)}")) log_result("cor_krugman_tcam", cor_krug, interpret = glue("ρ Krugman×TCAM = {fmt_fr(cor_krug, 2)}")) ``` --- # Croisement résidentiel × économique ::: {.insight} **Le croisement résidentiel × économique (r = `r fmt_fr(cor_cross, 2)`) révèle quatre profils : les « double moteur » (métropoles, littoral attractif), les « attractifs sans emploi » (tourisme, retraites), les « éco sans résidentiel » (industrie en reconversion) et les « double fragilité » (diagonale du vide)** ::: ```{r} #| label: fig-cross-resid-eco #| fig-height: 8.5 labs_cross <- label_top_bottom(ze, "idxeco_soc_ind_1622", n = 10) ggplot(ze, aes(x = idxresid_dyn_ind_1623, y = idxeco_soc_ind_1622)) + geom_hline(yintercept = 50, linetype = "dashed", color = col_gray) + geom_vline(xintercept = 50, linetype = "dashed", color = col_gray) + geom_point(aes(size = P22_POP, color = typo_insee_lib), alpha = 0.6) + geom_text_repel( data = ze %>% filter(libelle %in% labs_cross), aes(label = libelle), size = 2.8, max.overlaps = 20, color = col_spacegray, segment.color = col_gray) + scale_size_continuous(range = c(1, 8), guide = "none") + scale_color_manual(values = pal_urbn_cat) + annotate("text", x = 85, y = 88, label = "Double moteur", color = col_green, fontface = "bold", size = 3.5) + annotate("text", x = 15, y = 88, label = "Éco dynamique\nsans attractivité", color = col_orange, fontface = "bold", size = 3.5) + annotate("text", x = 15, y = 12, label = "Double fragilité", color = col_red, fontface = "bold", size = 3.5) + annotate("text", x = 85, y = 12, label = "Attractif résidentiel\nsans emploi", color = col_cyan, fontface = "bold", size = 3.5) + labs(title = glue("Résidentiel × Économique (r = {fmt_fr(cor_cross, 2)})"), subtitle = "Percentiles 0-100, ligne 50 = médiane France", x = "Indice résidentiel (attractivité migratoire)", y = "Indice économique (dynamisme emploi)", color = "Typologie", caption = make_source("URSSAF", "MIGCOM", glue("{N_ZE} ZE"))) + theme(legend.position = "bottom", legend.text = element_text(size = 8)) ``` ::: {.note-lecture} Les deux dimensions ne sont pas redondantes (r = `r fmt_fr(cor_cross, 2)`). Les ZE touristiques/littorales sont souvent attractives résidentiellement mais pas toujours dynamiques économiquement. ::: ## Profils par quadrant ```{r} #| label: tbl-quadrants-eco-resid ze <- ze %>% mutate(quad_eco_resid = case_when( idxresid_dyn_ind_1623 >= 50 & idxeco_soc_ind_1622 >= 50 ~ "Double moteur", idxresid_dyn_ind_1623 < 50 & idxeco_soc_ind_1622 >= 50 ~ "Éco sans résidentiel", idxresid_dyn_ind_1623 >= 50 & idxeco_soc_ind_1622 < 50 ~ "Résidentiel sans éco", idxresid_dyn_ind_1623 < 50 & idxeco_soc_ind_1622 < 50 ~ "Double fragilité", TRUE ~ NA_character_ )) quad_stats <- ze %>% filter(!is.na(quad_eco_resid)) %>% group_by(quad_eco_resid) %>% summarise( n = n(), pop_med = median(P22_POP, na.rm = TRUE), emp_med = median(emppriv_vol_24, na.rm = TRUE), tcam_med = median(eco_emppriv_vtcam_2224, na.rm = TRUE), pct_cadres = median(dsp_csp_cadres_pct_22, na.rm = TRUE), krugman = median(eco_krugman_a21_23, na.rm = TRUE), .groups = "drop" ) %>% arrange(desc(n)) rt_styled( quad_stats, columns = list( quad_eco_resid = colDef(name = "Quadrant", minWidth = 180, style = list(fontWeight = "500")), n = col_num("Nb ZE"), pop_med = col_pop(quad_stats, "pop_med", label = "Pop. méd."), emp_med = col_pop(quad_stats, "emp_med", label = "Emploi méd."), tcam_med = col_variation(quad_stats, "tcam_med", label = "TCAM 22-24", unit = "%/an"), pct_cadres = col_num("% cadres", unit = "%", digits = 1), krugman = col_num("Krugman", digits = 3) ) ) ``` ```{r} #| label: log-qe24 #| include: false log_step("QE2.4_CROISEMENT", cor_cross = round(cor_cross, 3), cor_idx_tcam = round(cor_idx_tcam, 3)) log_result("quadrants_eco_resid", as.list(setNames(quad_stats$n, quad_stats$quad_eco_resid)), interpret = paste(quad_stats$quad_eco_resid, "=", quad_stats$n, collapse = " | ")) ``` --- # Synthèse et bilan ::: {.callout-tip} ## 5 constats principaux 1. **Concentration extrême** : CR10 = `r fmt_pct(cr10, 1)`, Gini = `r fmt_fr(gini_emp, 3)`, Palma = `r fmt_fr(palma_employment, 1)`. L'emploi privé est bien plus concentré que la population — rendements d'agglomération. 2. **Trajectoires divergentes post-2014** : L'indice 100 révèle un écart croissant entre ZE diversifiées/métropolitaines et ZE industrielles/agricoles. La divergence s'accentue après 2020. 3. **Choc COVID universel, reprise sélective** : `r fmt_sign(fr_choc, 1)`% en 2020 pour toutes les tailles. Mais `r pct_accel`% des ZE accélèrent post-COVID — les tertiaires, couronnes métropolitaines et certaines littorales. 4. **Structure sectorielle = facteur explicatif clé** : % industrie et Krugman corrèlent négativement avec le TCAM post (ρ = `r fmt_fr(cor_indus, 2)` et `r fmt_fr(cor_krug, 2)`). Les cadres corrèlent positivement (ρ = `r fmt_fr(cor_cadres, 2)`). 5. **Résidentiel ≠ Économique** : r = `r fmt_fr(cor_cross, 2)` — les deux dimensions sont partiellement indépendantes, justifiant leur traitement séparé. ::: ### Bilan hypothèses | Hypothèse | Résultat | |-----------|----------| | **H1** Concentration croissante | **À nuancer** — CR10 élevé mais les grandes ZE n'accélèrent pas toutes plus vite | | **H2** Effet métropole | **Partiellement confirmée** — KW significatif (`r kw_sig`), médié par cadres et tertiarisation | | **H3** COVID redistribue | **Partiellement confirmée** — accélérations en ZE moyennes, mais pas de pattern systématique | ::: {.callout-warning} ## Variables manquantes — phase 2 - **Salaire moyen** : masse salariale absente → ratio salaire/emploi indisponible - **Part littorale** : dummy géographique à construire (codes ZE → proximité côte) - **Theil décomposé** : inter/intra-typologies pour quantifier les inégalités territoriales - **OLS multivarié** : TCAM ~ taille + Krugman + % cadres + dummy_metro + dummy_littoral ::: ```{r} #| label: log-save #| include: false log_result("synthese_h1", "a_nuancer", interpret = "H1 concentration : CR10 élevé mais pas d'accélération systématique grandes ZE") log_result("synthese_h2", "partiellement_confirmee", interpret = glue("H2 effet métropole : KW {kw_sig}, médié par cadres+tertiarisation")) log_result("synthese_h3", "partiellement_confirmee", interpret = glue("H3 COVID redistribue : {pct_accel}% accélèrent, sélectif")) claude_log_save() ```