Cette note documente l’intégralité de la méthode des fiches territoriales : les sources mobilisées, le dictionnaire d’indicateurs, la constitution des panels de comparaison, la construction des indices composites — mécanique exacte incluse — et les conventions de restitution. Elle est le document de référence : la version de présentation (note méthodologique des fiches) en est un sous-ensemble, composé des mêmes blocs.

Périmètre. La méthode décrite ici s’applique à toute la famille des fiches : fiche territoriale (commune, EPCI, département, région), déclinaisons évaluation (ACV/PVD) et analyse des besoins sociaux. Les spécificités propres à un livrable sont documentées dans le livrable concerné, en complément de ces blocs communs.

La philosophie : comparer à profil égal

Un indicateur brut ne dit rien seul. « Prix médian de 3 700 €/m² », « 14 % de cadres », « revenu médian de 23 800 € » ne deviennent interprétables qu’une fois mis en perspective. La perspective la plus répandue — la moyenne nationale — est aussi la plus trompeuse : elle mélange l’incomparable. Une commune rurale de 800 habitants et une métropole régionale n’ont ni le même marché du travail, ni le même marché immobilier, ni les mêmes contraintes foncières. Les opposer à une même moyenne « France » revient à comparer leur taille à la taille moyenne d’une population qui va du nourrisson à l’adulte.

La fiche territoriale répond donc à une autre question, plus juste : « mon territoire est-il dans la norme des territoires qui lui ressemblent, ou en dehors ? » C’est le principe du panel comparatif — un petit groupe de territoires de même profil structurel, qui sert de référence à profil constant. L’écart à ce panel est l’information utile : il isole ce qui distingue réellement un territoire de ses pairs, indépendamment du contexte régional ou national.

La fiche n’abandonne pas pour autant les repères classiques. Elle affiche en colonnes successives : le panel (référence principale), la strate (l’ensemble des territoires de même catégorie, avec le rang de la cible) et la France (cadre d’ensemble). Le lecteur garde tous les niveaux de lecture — mais le panel reste le plus pertinent.

Les données : des sources publiques de référence

Toutes les fiches reposent exclusivement sur des bases publiques officielles, produites par les services statistiques de l’État et les administrations. Aucune donnée propriétaire opaque, aucune estimation maison non documentée : chaque indicateur est rattachable à une source et à un millésime.

Le tableau ci-dessous est généré directement depuis le dictionnaire d’indicateurs : il reste exact à chaque évolution du référentiel.

Source	Producteur	Domaines	Indic.	Exemples
Recensement (RP)	INSEE	Démographie · mobilite · dm	30	Part des familles monoparentales parmi les familles avec enfants
CNAF — prestations sociales	CNAF	equipement-services · Social · precarite-revenu	26	Population couverte par une prestation CAF · Population couverte par le RSA · Allocataires au RSA
SSMSI — sécurité	Min. Intérieur	Sécurité	24	Taux de vols de véhicule (‰ hab., moy. 3 ans) · Taux de vols d'objets dans ou sur les véhicules (‰ hab., moy. 3 ans) · Taux de vols d'accessoires sur véhicules (‰ hab., moy. 3 ans)
DVF / DV3F — valeurs foncières	DGFiP · Cerema	Logement	11	Prix médian m² apparts moy. mobile 3 ans · Évolution prix médian m² appartements · Prix médian au m² des appartements
MENJ-DEPP — éducation	MENJ-DEPP	education-enseignement	11	Effectif maternelle · Effectif élémentaire · Effectif 1er degré
OFGL — finances locales	OFGL · DGFiP	Finances	10	Recettes réelles de fonctionnement — montant total · Dépenses d'équipement — montant total · Encours de dette — montant total
RPLS — parc social	SDES	logement-social	7	Logements sociaux pour 10 000 habitants · Logements sociaux · Densite de logements sociaux
SRU — inventaire art. 55	DHUP	logement-social	6	Taux de logement social SRU · Logements sociaux SRU (inventaire) · Commune déficitaire SRU
DREES — APL	DREES	sante-acces	5	Accès médecin généraliste (APL) · Accès infirmier (APL) · Accès masseur-kinésithérapeute (APL)
BDNB / DPE — performance énergétique	ADEME · CSTB	Logement	2	ABC en bâti RT2012 (post-2012) — logements vraiment performants
BPE — équipements	INSEE	Services	2	Densité infirmiers (/1000 hab 75+) · Présence collège
Filosofi — revenus	INSEE-DGFiP	Revenus	1	Évolution annuelle du revenu médian
FLORES — emploi localisé	INSEE	Emploi	1	Indice de Krugman sectoriel (A38)
INSEE — flux de mobilité résidentielle	INSEE	Démographie	1	Ratio arrivées / départs (ensemble)
INSEE SIDE	INSEE	Emploi	1	Évolution annuelle des créations d’entreprises

Pourquoi croiser autant de sources ?

Aucune base unique ne décrit un territoire. Le recensement ignore les prix de l’immobilier ; DVF ignore les revenus ; Filosofi ignore l’emploi sectoriel. La valeur d’une fiche tient précisément à l’assemblage cohérent de sources hétérogènes sur un même maillage géographique, avec des millésimes harmonisés et des définitions explicitées. C’est un travail d’intégration — la partie invisible mais décisive.

Les indicateurs : un dictionnaire normalisé

Les fiches mobilisent un dictionnaire de plus de cent indicateurs, chacun défini de façon stricte et normalisée. Cette normalisation est ce qui permet une lecture homogène et une coloration comparable entre indicateurs très différents.

Chaque indicateur porte un nom codifié qui dit son thème, sa nature et sa période :

{thème}_{indicateur}_{type}_{période}

ex.  dm_pop_vtcam_1723   → taux de croissance annuel moyen de la population, 2017-2023
     rev_txpauv          → taux de pauvreté
     logd_px2_glb        → prix médian au m², tous biens

Le type distingue ce qui est mesuré : un stock (volume), une part (%), un taux de croissance annuel moyen (vtcam), une différence de points annualisée (vdifpa, pour comparer des périodes de durées différentes), un indice. Cette grammaire évite les confusions classiques — par exemple comparer une évolution sur 6 ans à une évolution sur 4 ans sans annualiser.

Polarité. Chaque indicateur est qualifié d’un sens : favorable (un revenu élevé, un chômage bas), défavorable, ou neutre (la part d’immigrés, la part de personnes seules — sans jugement de valeur). Cette polarité oriente les pastilles de position de la fiche : un chômage bas et un revenu élevé apparaissent tous deux « favorables », alors qu’ils vont dans des directions numériques opposées.

Qualité et masquage

Chaque indicateur fait l’objet d’un statut de validation. Les valeurs locales sont masquées lorsque l’effectif est trop faible (secret statistique) ou que la couverture de la source est insuffisante — par exemple DVF ne couvre pas toutes les communes pour les maisons individuelles. Mieux vaut une case vide qu’un chiffre non fiable affiché comme une vérité.

Nos indicateurs calculés — la valeur ajoutée

Au-delà des chiffres relayés tels quels, une partie des indicateurs sont calculés : ils combinent plusieurs sources pour produire une synthèse interprétable. C’est là que se loge la valeur ajoutée — on ne se contente pas de transmettre des bases publiques, on les transforme en indicateurs de décision.

Indicateur	Définition
Prix median au m2 global mai+appt	Prix median au m2 calcule sur toutes les mutations residentielles (maisons + appartements confondus). Uniquement calculable depuis les mutations individuelles (pdvf), car la mediane n est pas additive.
Indice attractivité territoriale globale	Synthèse globale grille 2x2 résidentiel + économique x capacité + dynamique. v2 2026-05.
Indice d'attractivité résidentielle	Indice de synthèse de l'attractivité résidentielle : combine solde migratoire, renouvellement de la population et arrivées de cadres et de seniors.
Indice d’attractivité économique
Indice de tension du logement	Indice composite de tension du logement : prix, vacance, construction et loyers.
Indice de gentrification	Indice composite de gentrification : évolution prix immobiliers, profils socio-économiques et flux migratoires.

Exemple emblématique : le prix médian au m² global fusionne maisons et appartements (DVF/Cerema) avec un lissage sur trois ans pour combler les communes à faible volume de transactions. Les indices composites (attractivité résidentielle, économique, tension du logement, gentrification) agrègent plusieurs dimensions normalisées en un score lisible de 0 à 100.

Un indice ne remplace pas les indicateurs qui le composent : il les résume pour décider vite, puis on redescend au détail. C’est l’inverse du data-dump — une hiérarchisation au service de la décision. La démarche suit le Handbook on Constructing Composite Indicators (OCDE-JRC, 2008), la référence du domaine ; la section suivante en détaille chaque étape.

L’indice territorial : un rang parmi ses pairs, pas une note absolue

La fiche résume la situation d’un territoire en huit indices thématiques (sécurité, logement, social, emploi et qualification, croissance économique, accès aux soins, finances locales, croissance démographique) et un indice composite global. Chacun est exprimé sur 100 et traduit en grade de A à E.

Le chiffre affiché est un rang, pas une note. Un indice de 72/100 ne signifie pas « 72 % de réussite » : il signifie que la commune se situe au-dessus de 72 % des communes de même taille. Le repère n’est jamais une cible théorique, c’est la position réelle des territoires comparables.

Comment il est construit — quatre étapes

① Standardiser. Chaque indicateur brut (cambriolages pour 1 000 habitants, prix au m², taux de vacance…) est converti en écart à la moyenne des communes de même taille, exprimé en écarts-types. Cette étape est indispensable : elle rend comparables des grandeurs qui n’ont ni la même unité ni la même dispersion — on ne peut pas additionner des euros/m² et des pourcentages. Les valeurs extrêmes sont bornées, pour qu’un territoire atypique ne déforme pas l’échelle de tous les autres.

② Agréger. Les indicateurs standardisés d’une même thématique sont moyennés. Puis les thématiques sont moyennées entre elles pour former l’indice global.

③ Classer. Le résultat est retraduit en rang au sein du groupe de comparaison (les communes de même taille), sur une échelle de 0 à 100. 0 = dernière, 100 = première.

④ Noter. Ce rang est découpé en cinq classes d’effectif égal (quintiles) :

Grade	Position	Lecture
A	top 20 %	parmi les mieux situés de sa catégorie
B	60–80 %	au-dessus de la médiane
C	40–60 %	dans la moyenne de sa catégorie
D	20–40 %	en dessous de la médiane
E	dernier 20 %	parmi les plus en difficulté de sa catégorie

La même règle — standardiser, agréger, classer, noter — est appliquée à tous les niveaux, de l’indicateur élémentaire à l’indice global. Aucune exception, ce qui garantit que les grades d’une thématique à l’autre se lisent de la même façon.

Ce que la méthode garantit

Une comparaison à profil égal. Une commune de 3 000 habitants n’est jamais jugée à l’aune d’une métropole. Les groupes de comparaison sont constitués par tranches de population, car la taille conditionne structurellement la plupart des indicateurs (une ville-centre concentre mécaniquement plus de délits enregistrés, plus d’équipements et plus de logements vacants qu’un village).

Des classes toujours interprétables. Parce que la note repose sur le rang et non sur une échelle théorique, chaque catégorie de territoires contient effectivement des A comme des E. Un « A » veut dire la même chose pour une commune rurale et pour une grande ville : dans les 20 % les mieux situés de sa catégorie.

L’intensité en plus du classement. Le rang dit où se situe un territoire, pas de combien il s’écarte. C’est pourquoi chaque indicateur est affiché avec la valeur médiane de son groupe de comparaison : on voit immédiatement si l’écart est marginal ou considérable.

Exemple de lecture. Un prix au m² classé 54/100 avec une médiane de groupe à 2 687 € pour une valeur observée de 2 809 € : le territoire est juste au-dessus de la médiane, l’écart est faible. Un taux de vacance classé 94/100 avec une médiane à 6,5 % pour une valeur de 13,5 % : le territoire est dans les plus touchés, et l’écart est cette fois considérable — plus du double. Deux rangs élevés, deux réalités très différentes : c’est la médiane affichée qui permet de les distinguer.

Les partis pris, assumés

La croissance démographique est présentée à part, hors indice global. Gagner ou perdre des habitants n’est ni « bon » ni « mauvais » en soi : la croissance peut signaler l’attractivité comme la pression foncière, la stabilité peut traduire l’équilibre comme le déclin. Cet indicateur est donc fourni en contexte, sans peser sur la note globale.

L’indice global ne remplace pas la lecture thématique. Une moyenne compense : un très bon score peut masquer une thématique en difficulté. La fiche affiche donc systématiquement, à côté de l’indice global, le point de vigilance — la thématique la plus faible — et signale l’indicateur le plus dégradé de chaque thématique. Le détail prime toujours sur le résumé.

Les comparaisons entre groupes de taille différente n’ont pas de sens. Puisque chaque territoire est classé au sein de sa catégorie, comparer directement le grade d’un village à celui d’une préfecture reviendrait à comparer deux classements distincts. Pour ce type de rapprochement, la fiche mobilise les valeurs brutes, seules comparables d’une taille à l’autre.

Pour aller plus loin — précisions techniques

Standardisation : z-score intra-groupe borné à ±3 écarts-types, ré-exprimé sur une échelle centrée (50 = moyenne du groupe, ±15 points = ±1 écart-type).
Agrégation : moyenne des valeurs standardisées (jamais moyenne de rangs — moyenner des rangs écraserait l’amplitude et comprimerait artificiellement les classes).
Classement : rang percentile intra-groupe, puis quintiles (seuils 20/40/60/80).
Couverture : le nombre d’indicateurs effectivement disponibles est conservé pour chaque score ; en deçà d’un seuil de couverture, l’indice n’est pas produit plutôt que d’être calculé sur une base trop partielle.
Effet d’agrégation : moyenner huit thématiques réduit mécaniquement la dispersion (être extrême sur toutes les dimensions à la fois est rare). C’est précisément pourquoi la note repose sur le rang et non sur la valeur composite brute, qui se concentre autour de la moyenne.
Limite connue : la standardisation par moyenne et écart-type est sensible aux distributions très asymétriques, fréquentes sur les données territoriales ; les indicateurs concernés pèsent légèrement moins que les autres dans leur thématique. Cet effet est documenté et surveillé.

Questions fréquentes et détail complet : guide de référence « indices territoriaux — FAQ ».

Les mailles territoriales : huit échelons cohérents

Un même territoire peut se lire à plusieurs échelles, et chaque échelle a sa propre logique de comparaison. Les fiches sont déclinables sur huit maillages, du plus fin au plus large :

Maille	Logique de comparaison
Commune	Panel de communes de même profil structurel (appariement multicritères)
EPCI (intercommunalité)	Intercommunalités de même type (métropole, CU, CA, CC), resserrées par densité et taille
Département	Départements de même classe de densité + ensemble des départements + France
Région	Comparaison entre régions + France
Zone d’emploi	Bassin d’emploi fonctionnel
Aire d’attraction (AAV)	Système urbain réel autour d’un pôle
Bassin de vie, Unité urbaine	Périmètres de services et continuité du bâti
IRIS (infra-communal)	Restitution cartographique fine au sein des grandes communes

Le cœur de l’offre — la fiche commune et la fiche EPCI — repose sur l’appariement par panel décrit ci-dessous. Les mailles département et région, peu nombreuses, utilisent une comparaison directe (densité, ensemble complet, France) plutôt qu’un panel typologique.

Comparer à un groupe de pairs — un standard, pas un bricolage

Comparer un territoire à la moyenne nationale mélange l’incomparable. La pratique de référence consiste à le rapprocher d’un groupe de pairs — des territoires de même profil structurel. Ce n’est pas une recette maison : c’est un paradigme institutionnel établi, le benchmarking par groupe de pairs (« comparaison à structure constante »).

Une méthode adossée à des standards publics

Comparer « à profil égal » est la pratique des États et organisations internationales :

Dispositif	Institution	Logique
Nearest Neighbour Model	CIPFA · Royaume-Uni	15 voisins de même type, variables standardisées
Statistical neighbours	DfE / ONS · Royaume-Uni	20 plus proches voisins (distance euclidienne)
Comparaison à la strate	DGCL / DGFiP · France	ratios financiers vs moyenne de la strate démographique
DEGURBA	Eurostat-OCDE, endossé ONU (2020)	grille de densité — alignée sur la grille communale INSEE
Aires d’attraction (AAV)	INSEE 2020	harmonisé avec les Functional Urban Areas OCDE-Eurostat

Notre méthode relève de cette famille des nearest-neighbour models, déclinée en variante stratifiée : on filtre d’abord par typologies officielles (aire d’attraction, centralité, densité, taille), puis on retient les plus proches en population. Plus transparente et auditable qu’une distance multivariée « boîte noire » — chaque critère de sélection est nommable et adossé à l’INSEE / l’ANCT.

Les deux niveaux : juger, puis situer

La fiche distingue rigoureusement deux rôles de référentiel — c’est le cœur de la méthode :

Le panel de pairs (les jumelles nommées) sert à juger : l’écart au panel mesure une performance à structure constante — ce qui distingue le territoire de ceux qui lui ressemblent.
Les mailles emboîtées (EPCI, département, région, France) servent à situer : l’écart y dit « où je me situe dans mon territoire », pas « suis-je bon ou mauvais ».

Le panel sert à juger ; les mailles emboîtées servent à situer.

flowchart LR
  A([Territoire cible]) --> B["<b>Panel de pairs</b><br/>≈ 15-30 jumelles<br/>typologie · densité · taille"]
  A --> C["<b>Mailles emboîtées</b><br/>EPCI · dépt · région · France"]
  B --> D["⚖️ JUGER<br/>écart · rang · position"]
  C --> E["📍 SITUER<br/>contexte d'appartenance"]

Figure 1

Comment le panel est constitué

L’appariement combine trois familles de critères, de la plus stricte à la plus souple :

Stricts — la fonction territoriale. Rôle dans l’aire d’attraction (pôle, couronne, hors aire), centralité fonctionnelle, densité croisée à la position : qu’est-ce que ce territoire fait dans le système urbain ?
Souple — la taille. La tranche de population, tolérance ±1 (les seuils étant arbitraires).
Asymétriques — activés si la cible est concernée. Littoral, massif, vocation touristique : une commune littorale ne se compare qu’à d’autres littorales.

Quand les critères stricts ne fournissent pas assez de pairs, ils sont relâchés un par un, dans un ordre fixe, jusqu’à un panel suffisant (seuil de 15, plafond de 25, les plus proches en population). La sélection est entièrement déterministe : mêmes données ⇒ même panel.

flowchart TD
  N1["<b>N1 · Strict national</b><br/>aire d'attraction + centralité + densité<br/>+ taille ±1 + asymétriques actifs"]
  N1 -->|"pool ≥ 15"| TRI["<b>Tri & coupe</b><br/>les 25 plus proches en population"]
  N1 -->|"pool &lt; 15"| N2["<b>N2 · Relâchement ordonné</b><br/>1 tourisme · 2 massif · 3 taille ±2<br/>4 littoral · 5 taille libre · 6 centralité élargie"]
  N2 -->|"pool ≥ 15"| TRI
  N2 -->|"pool &lt; 15"| FB["<b>Fallback</b><br/>panel court 10-14<br/><i>signalé « atypique »</i>"]
  TRI --> P(["Panel de jumelles<br/>≈ 15-25 territoires"])

Figure 2

C’est un « plus proche voisin à l’intérieur d’une strate » : la proximité de population n’opère qu’après le filtrage typologique — d’où une sélection à la fois resserrée et entièrement nommable.

Méthode complète — cascade détaillée, seuils, cas limites, validation sur 22 communes — dans la note de référence dédiée. Cadre académique : nearest-neighbour models (CIPFA, ONS) ; comparaison à structure constante (DGCL strate) ; ANCT 2025 ; Goujard & L’Horty 2010.

Lire une restitution : sens, puis intensité

Chaque tableau de fiche se lit de gauche à droite, du référentiel le plus pertinent (le panel) au plus large (la France). Pour chaque indicateur, la fiche affiche quatre informations :

Élément	Contenu	Lecture
Valeur + rang	Le chiffre de la cible et sa position dans le panel (jauge curseur)	Le brut et la position
Écart	Barre = écart à la médiane du panel, colorée	Au-dessus / en dessous des pairs
Panel	Médiane des territoires appariés	La référence à profil égal
Strate · France	Médiane d’un ensemble plus large + rang ; repère national	Le cadre d’ensemble

La couleur indique d’abord le sens (au-dessus / en dessous du panel), puis l’intensité sur cinq paliers. Astuce de lecture importante : ce qui s’affiche (un pourcentage, un prix) diffère de ce qui colore (un écart relatif standardisé) — ainsi l’œil perçoit une intensité comparable entre des indicateurs hétérogènes.

La pastille de position résume la situation de la cible, orientée par la polarité : 🟢🟢 très favorable, 🟢 favorable, 🟡 médian, 🟠 en retrait, 🟠🟠 très en retrait. Pour les indicateurs neutres, la position est affichée en gris, sans jugement de valeur.

Un détail qui compte : les évolutions près de zéro

Les taux de croissance sont colorés par bande absolue (seuils de 0,3 / 0,6 / 1,0 point par an) et non en écart relatif. Raison : près de zéro, un écart relatif explose (+0,1 % vs −0,1 % donnerait un écart « infini ») et tromperait l’œil. La bande absolue rend la lecture honnête.

La cartographie

Au-delà des tableaux, les fiches mobilisent une cartographie qui situe la cible dans son environnement immédiat et restitue les contrastes internes :

Choroplèthes sur le maillage pertinent (communes de l’EPCI, IRIS d’une grande ville), avec des bornes calculées sur la distribution réelle (percentiles P5-P95) pour éviter l’écrasement par les valeurs extrêmes.
Cartes à bulles proportionnelles (aire au volume) pour les stocks, avec une légende à cercles gradués.
Palettes cohérentes : séquentielles pour les niveaux, divergentes centrées pour les écarts (au-dessus / en dessous d’une référence), avec des seuils de classes documentés.

Les contours fins (IRIS) sont chargés de façon ciblée pour rester performants, et les territoires sous le seuil de fiabilité sont neutralisés (masque) plutôt qu’affichés.

Reproductibilité et actualisation

C’est la propriété qui distingue un livrable sérieux d’une infographie : deux exécutions identiques produisent exactement la même fiche. La sélection du panel est entièrement déterministe (aucun aléatoire), et chaque exécution produit des métadonnées de traçabilité — version du moteur de sélection, empreintes des tables sources et de la configuration.

Concrètement, cela signifie qu’une fiche peut être réactualisée à chaque nouveau millésime de données (nouveau recensement, nouvelle vague DVF) sans rupture méthodologique, et que l’évolution observée d’une édition à l’autre reflète un vrai changement du territoire, pas un changement de méthode.

Limites, secret statistique et déontologie

La transparence sur les limites fait partie de la crédibilité — et deux d’entre elles, souvent passées sous silence par les comparateurs grand public, sont des marqueurs de sérieux.

Le choix de la maille n’est pas neutre — le MAUP

Comparer à la commune, à l’EPCI ou à l’aire d’attraction peut modifier les écarts et les rangs observés : c’est le problème des unités spatiales modifiables (Modifiable Areal Unit Problem, Openshaw & Taylor, 1979). Un même phénomène analysé à deux mailles différentes ne donne pas le même résultat — par effet d’échelle (agrégation) et de découpage (frontières).

Nous le traitons de front : maille annoncée et justifiée par la question posée, mailles fonctionnelles (aire d’attraction) privilégiées pour l’économie, grille de densité alignée sur la méthode européenne DEGURBA (carreaux de taille identique, parade partielle). Le MAUP ne s’élimine pas — il se documente, et c’est ce qui distingue un diagnostic rigoureux d’un classement naïf.

Un écart isolé n’est pas un signal — la multiplicité

Sur des centaines d’indicateurs comparés à un panel, certains écarts ressortent par pur hasard : avec un seuil d’écart « notable », on attend mécaniquement plusieurs dizaines d’indicateurs « distinctifs » même pour un territoire parfaitement moyen (Goldstein & Spiegelhalter, 1996 — un classement précis « 1ᵉ à 15ᵉ » est souvent illusoire).

Ce n’est pas un test d’hypothèse : pas de p-value, car le territoire et ses pairs sont des populations observées, pas un échantillon aléatoire. Règle de lecture : on raisonne par faisceaux d’indicateurs convergents — plusieurs signaux d’un même registre pointant dans le même sens —, jamais sur un indicateur orphelin spectaculaire. Un écart sous le seuil de matérialité n’est pas commenté.

Couverture des sources. Certaines bases ne couvrent pas tous les territoires de façon homogène (DVF sur les maisons, finances sur les très petites communes). Les valeurs concernées sont masquées, jamais extrapolées silencieusement.
Secret statistique. Sous un seuil d’effectif, les valeurs locales ne sont pas diffusées — une contrainte légale respectée par construction.
Photographie, pas prédiction. Une fiche décrit un état et des tendances passées. Elle n’est ni un modèle prédictif, ni un jugement de valeur sur les politiques locales.
Indicateurs sensibles. Les variables touchant à des caractéristiques sensibles (origine, etc.) sont traitées comme neutres (sans coloration favorable/défavorable) et signalées comme telles.

Avertissement

Les très petits effectifs sont explicitement signalés. Sous le seuil de pairs requis, un panel court est accepté mais marqué comme atypique — les comparaisons sur ces territoires sont à interpréter avec prudence.

Références

Benchmarking par groupe de pairs (cadre institutionnel)

CIPFA. Nearest Neighbour Model (Royaume-Uni, mis à jour 2018) — 15 voisins de même type, variables standardisées.
DfE / ONS. Statistical neighbours ; ONS (2024-2025), Clustering similar local authorities.
DGCL / DGFiP. Comparaison à la moyenne de la strate démographique (art. R.2313-1 CGCT, abrogé au 1ᵉʳ janvier 2026 — Compte Financier Unique) ; OFGL.
Dijkstra L., Poelman H., Veneri P. (2019). The EU-OECD definition of a functional urban area. OECD ; DEGURBA (méthodo CE-OCDE, endossée Commission statistique ONU, 2020).
OCDE & JRC (2008). Handbook on Constructing Composite Indicators. — référence des indices composites normalisés.

Garde-fous méthodologiques

Openshaw S., Taylor P. (1979). A million or so correlation coefficients: three experiments on the modifiable areal unit problem (MAUP).
Goldstein H., Spiegelhalter D. (1996). League Tables and Their Limitations. J. Royal Statistical Society A — limites des classements.

Socle français + appariement

ANCT (2025). Méthodologie des panels témoins pour le diagnostic territorial.
Goujard A., L’Horty Y. (2010). Méthodes empiriques d’évaluation des politiques publiques. Revue économique.
Iacus S., King G., Porro G. (2012). Coarsened exact matching. Political Analysis.
INSEE (2020). Aires d’attraction des villes (CATEAAV) — harmonisé Functional Urban Areas OCDE ; Grille de densité ; Filosofi.
INRAE-CESAER / ANCT (2020). Indice de centralité des communes.
DGFiP. Demandes de Valeurs Foncières (DVF) ; Comptes des collectivités locales.

Note méthodologique de référence — fiches territoriales pterr. Pipeline de sélection v3.1. Le détail technique de l’appariement (cascade, seuils, reproductibilité) est documenté dans le module de sélection gdmeth-jumelles (module_jumelles_v3).

Annexe technique — construction des indices composites

Cette annexe décrit la mécanique exacte des indices : formule, pondérations, cas particuliers et limites mesurées. La présentation destinée au lecteur non technicien figure dans le corps de la note (« L’indice territorial : un rang parmi ses pairs »).

La règle unique

Une seule règle, appliquée à tous les étages — de l’indicateur élémentaire à l’indice global, sans exception :

① standardiser   z = (valeur − moyenne_strate) / écart-type_strate,  borné à ±3
                 (signe inversé si l'indicateur est de sens défavorable)
② agréger        score_rel = 50 + 15 × moyenne(z des composantes)     → borné [0, 100]
③ classer        rang percentile intra-strate                          → 0 à 100
④ noter          quintiles 20/40/60/80                                 → E · D · C · B · A

Ce n’est pas un min-max (x−min)/(max−min), qui serait écrasé par une seule valeur extrême. La preuve empirique tient en un test : les thèmes mono-indicateur sortent exactement en 20/20/20/20/20 % par grade, ce qui n’est possible qu’avec un découpage sur le rang.

Deux grandeurs à ne pas confondre

	`score_rel`	`pct_strate`
Nature	valeur composite standardisée	rang percentile dans la strate
Échelle réelle	tassée (≈ 38 à 60, centrée sur 50)	étalée (0 à 100, uniforme)
Rôle	calcul interne, agrégation	✅ la note affichée et le grade

Tout ce qui est visible est un rang. Le z circule en coulisse pour rendre les composantes comparables avant de les moyenner ; il n’est jamais présenté comme une note.

Pourquoi agréger les z et non les rangs

Moyenner des rangs détruit l’amplitude et comprime les classes. Mesuré : selon la méthode, 21,5 % des grades de sécurité et 25,5 % des grades globaux changeaient. Avant correction, les thèmes multi-indicateurs sortaient à A ≈ 10 % / C ≈ 32 % au lieu de 20/20 — leurs grades n’étaient donc pas comparables à ceux des thèmes mono-indicateur.

Effet d’agrégation

Moyenner plusieurs dimensions réduit mécaniquement la variance (≈ ÷√k) : les indices élémentaires ont un écart-type de 7,6 à 10,8, l’indice global tombe à 4,7 — 77 % des communes entre 44 et 55, vérifié dans chaque strate. Être extrême sur toutes les dimensions à la fois est quasi impossible.

➡️ C’est précisément pourquoi la note repose sur le rang : sur la valeur brute, on obtiendrait ~96 % de « C ». Quand la valeur composite brute est affichée, elle l’est sans /100 et libellée « indice brut X (50 = médiane de sa strate) » — un /100 ferait lire « 48 = médiocre » alors que 48 ≈ la médiane.

Groupes de comparaison

6 strates communales par population 2023 — <1 000 · 1 000-3 500 · 3 500-10 000 · 10 000-20 000 · 20 000-50 000 · ≥50 000 ; 5 strates EPCI. Départements, régions et zones d’emploi : pool national (trop peu d’unités pour stratifier). Les strates sont inscrites dans le TDC (STRATE_IDX), donc stables entre millésimes.

Les indices ne se comparent qu’à strate constante. Chaque territoire est classé au sein de sa propre strate : rapprocher le grade d’un village de celui d’une préfecture revient à comparer deux classements distincts, et peut inverser l’ordre absolu. Pour un rapprochement entre tailles différentes, utiliser les valeurs brutes, seules comparables.

Les huit thèmes

Thème	Indice(s)	Nature	Composantes
Sécurité	`secu_biens_stat` / `_dyn` · `secu_pers_stat` / `_dyn`	stock + flux	3 + 1
Logement	`logtens_stat` / `_dyn` · `logprec`	stock + flux	5 + 4 + 1
Social & précarité	`vuln_stat` / `vuln_dyn`	stock + flux	5 + 3
Emploi & qualification	`eco_cap_stat` / `_dyn`	stock + flux	4 + 4
Croissance économique	`eco_attr_stat` / `_dyn`	dynamisme	2 + 2
Accès aux soins	`sante_acces`	stock seul	6
Finances locales	`fin_sante` · `fin_dyn`	stock + flux	3 + 3
Croissance démographique	`demo_stat` / `demo_dyn`	dynamisme	1 + 1

L’indice global agrège 7 thèmes : la croissance démographique en est exclue. Gagner ou perdre des habitants n’est ni bon ni mauvais en soi (attractivité ou pression foncière ; équilibre ou déclin) — l’inclure reviendrait à décréter qu’une direction est souhaitable. Elle est affichée en contexte, isolée, en couleur neutre.

Pondérations

Par défaut, les composantes d’un indice pèsent à parts égales. Deux exceptions, à connaître :

Accès aux soins — pondération explicite

Le médecin généraliste est la porte d’entrée obligatoire du parcours de soins (médecin traitant). À poids égaux il ne pesait que 17 %, et un accès catastrophique au généraliste se trouvait dilué par un bon accès kinésithérapeute ou dentiste.

Composante	Poids
APL médecin généraliste	40 %
APL infirmier · kinésithérapeute · chirurgien-dentiste · sage-femme	12 % chacun
Part de la population éloignée des soins de proximité	12 %

40 % et non 50 % : au-delà, l’indice composite n’est plus qu’un APL généraliste déguisé — on pourrait légitimement demander pourquoi ne pas utiliser l’APL seul. À 40 %, le généraliste est plus du triple de n’importe quelle autre composante, tout en laissant la majorité (60 %) au reste.

Le poids est écrit dans le tooltip (« APL médecin généraliste (40 %) ») : une mise en avant typographique sans justification visible serait illisible. Techniquement, il est déclaré dans le ddict (champ poids) et consommé par calc_idx_panel(w =) ; les poids sont renormalisés si une composante est manquante.

Sécurité — pondération implicite

Le thème moyenne ses deux sous-indices à parts égales, mais ils n’ont pas le même nombre de composantes :

	Composantes	Poids effectif
Atteintes aux biens	3 (cambriolages, vols liés aux véhicules, dégradations)	50 % → 16,7 % chacune
Atteintes aux personnes	1 (coups et blessures volontaires)	50 % à elle seule

⚠️ Autrement dit, les coups et blessures pèsent trois fois plus qu’un cambriolage. C’est un choix défendable — la violence aux personnes est plus grave que l’atteinte aux biens — mais il est structurel et non écrit, contrairement à celui de la santé. À expliciter si l’indice devient un livrable contractuel.

Cas particuliers

Finances locales — le thème le moins standard

Cinq spécificités, uniques dans le dispositif :

Un score absolu en plus du rang. Seul indice de thème à en disposer : trois piliers normalisés sur des bornes expertes et non sur la strate — taux d’épargne brute (8 % → 20 %), capacité de désendettement (12 ans → 3 ans), taux d’endettement (120 % → 0 %). Les autres thèmes disent où se situe le territoire ; les finances peuvent aussi dire si c’est bon dans l’absolu.
Des drapeaux réglementaires : épargne brute < 0, épargne nette < 0, capacité de désendettement > 12 ans (plafond LPFP).
Une neutralisation de composante : si le drapeau capacité de désendettement est rouge, la composante est mise à NA avant le calcul du z — une épargne quasi nulle produit un ratio explosif qui écraserait l’indice.
Des millésimes mixtes : moyenne mobile 3 ans sur les ratios volatils (épargne, capacité de désendettement), millésime annuel sur les stables (rigidité des charges). Ce choix est data-driven — fondé sur le coefficient de variation intra-commune de chaque ratio.
Une source distincte : série native OFGL (patch ptb-patch-fin-native.py) et non l’agrégation standard. D’où un résolveur de suffixe (.fin_cols(), teste _2224 puis _24) qui a absorbé sans casse un changement de convention en cours de route.

Accès aux soins — deux dimensions complémentaires

Les 5 APL mesurent la densité d’offre pondérée (soins disponibles par habitant, standardisés âge/activité) ; l’éloignement mesure la distance physique (part de population à plus de 7 min du panier de soins, distancier Metric-OSRM). Les corrélations de Spearman le confirment : éloignement × APL de −0,20 à −0,38, contre 0,31 à 0,64 entre APL. Pas de redondance — un territoire peut avoir une offre correcte mais une population dispersée loin des cabinets.

⚠️ L’éloignement vaut 0 pour 79 % des communes : il agit comme pénalité ciblée sur les 21 % concernées, sans effet ailleurs.

Dynamismes — pas de flèche pour la croissance économique

Pour les thèmes de dynamisme, la barre représente le rang de croissance récente et la colonne de droite rappelle la période antérieure (2013-2019 pour l’économie, 2011-2017 pour la démographie).

Une flèche d’accélération n’est affichée que pour la démographie. Test de stabilité de direction — accord de signe entre deux définitions voisines de l’accélération :

	sans seuil	seuil 0,5 pt/an
Démographie	88 % (stable dans toutes les strates)	95 %
Croissance économique	67 %	69 % — plafonne

L’emploi privé est intrinsèquement volatil : la direction dépend de la fenêtre de calcul, et élargir la zone neutre n’y change rien (le problème n’est pas l’amplitude). Afficher une flèche fausse une fois sur trois sur un signal présenté comme une tendance ne serait pas défendable — on montre les deux périodes, on ne tranche pas.

Conventions d’affichage

Rangs et ex æquo : le rang affiché place une valeur à égalité au milieu de son groupe ((mean(v < vt) + mean(v ≤ vt)) / 2). Avec la formule naïve mean(v ≤ vt), une commune à 0 % d’éloignement — la meilleure valeur possible — ressortait au 89ᵉ percentile en rouge. L’effet est majeur sur les indicateurs à forte masse (2 composantes sur 34) et imperceptible ailleurs.
Millésimes : affichés sous chaque valeur, ce qui permet la coexistence lisible de mesures de périodes différentes (moyenne mobile et millésime annuel) sans contradiction apparente.
Alertes : le ⚠ sur la face signale le composant le plus faible du thème (< 45ᵉ percentile) ; le point de vigilance désigne le thème le plus faible. Les tooltips n’en portent pas — pour éviter que « tout soit en alerte ».
Indicateur non compensatoire : cumul_diff (somme des déficits sous la médiane) complète l’indice global, qui est compensatoire par construction.

Limites connues

L1 — Pondération implicite des composantes asymétriques. La standardisation par moyenne/écart-type est sensible à l’asymétrie : l’écart-type est gonflé par les valeurs extrêmes, ce qui tasse les z de la composante et lui donne moins de poids. Mesuré : 20 composantes sur 22 ont un ratio sd/mad > 1,5 (suroccupation 4,6 · concentration d’emploi 3,9 · résidences secondaires 2,8). Correctif possible : standardisation robuste médiane/MAD — non appliqué, car il décale tous les scores.

L2 — Ex æquo au plafond ±3σ. Le bornage ne change pas l’ordre, sauf quand plusieurs communes dépassent le seuil : elles deviennent indistinguables. Observé jusqu’à 409 communes sur certains indicateurs très asymétriques. Effet dilué sur l’indice global (moyenne de 7 thèmes).

L3 — Couverture partielle. Le nombre de composantes disponibles est conservé (n_comp) et un seuil minimal est appliqué par indice. Un garde-fou équivalent au niveau thématique reste à formaliser.

L4 — Double implémentation. La règle de scoring vit dans deux fichiers (jcn-idx-card.R pour la scorecard, jcp-carto-idx-synth.R pour les cartes panel), alignés et vérifiés identiques. Toute évolution doit être répercutée des deux côtés — ou centralisée. Un désalignement passé avait produit deux valeurs différentes pour la même commune.

L5 — Fraîcheur. Les indices sont calculés à partir de la base d’indicateurs : si celle-ci est régénérée sans relancer le calcul, les rangs reposent sur une population de référence obsolète. Un garde-fou compare désormais les dates et avertit au rendu ; il ne dispense pas de relancer le pipeline.

Points de contrôle

À rejouer après toute modification de la chaîne :

Contrôle	Attendu
Répartition des grades par strate	≈ 20 % par grade, tous thèmes et global
Scorecard vs cartes panel, même commune	valeurs identiques
Scorecard vs valeur stockée	identiques (la scorecard lit, ne recalcule pas)
`n_comp` de l’indice global	7 (démographie exclue)
Étendue du rang affiché	0 à 100 atteints dans chaque strate
Cohérence des périodes affichées	pas de mélange non signalé
Fraîcheur	date des indices ≥ date de la base source