1. Info. géo. conventionnelle

Nous téléchargeons la BD ADMIN EXPRESS (2018) fournie par l’IGN. Cette base de données comporte les couches géographiques des principaux découpages administratifs français.

# Url de la BD Admin Express mise à disposition par l'IGN
url <- "ftp://Admin_Express_ext:Dahnoh0eigheeFok@ftp3.ign.fr/ADMIN-EXPRESS_2-0__SHP__FRA_2019-03-14.7z.001"

# Création d'un nom de fichier temporaire
tf <- tempfile()

# Téléchargement de la BD admin Express de l'IGN
download.file(url, tf , mode = "wb" )

# Décompression de l'archive dans le répertoire data-raw
library(archive)
archive_extract(archive(path = tf), dir="data-raw")

2. Données démographiques

Nous récupérons ensuite des données fournies par l’INSEE à l’échelle communale sur la population par tranches d’âge quinquennal et par sexe. Il s’agit de données harmonisées (1968-2015) issues des recensements de la population.

# Url du fichier (Recensements harmonisés - Séries départementales et communales)
url_2 <- "https://www.insee.fr/fr/statistiques/fichier/1893204/pop-sexe-age-quinquennal6815.zip"

# Création d'un nom de fichier temporaire
tf <- tempfile()

# Téléchargement du fichier INSEE
download.file(url_2, tf , mode = "wb" )

# Décompression du ZIP dans le répertoire data-raw
unzip(zipfile="data-raw/IRIS_2015_data.zip", exdir = "data-raw")

3. Liste des maternités

Les principaux traitements réalisés reposent sur des calculs d’accessibilité à une infrastructure de santé : les maternités. Il est donc nécessaire de disposer d’une liste de ces infrastructures (et de leurs adresses) pour nos deux territoires d’intérêt : les départements de la Nièvre (58) et de la Seine-St-Denis (93).

Il s’agit bien évidemment d’une donnée accessible à tout le monde, mais aucun organisme ne semble la fournir de façon compilée. Nous avons donc constitué ces listes à partir de différentes sources (ex : Journal des femmes), et mises à disposition sur un dépôt :

• Liste des Maternités de la Nièvre (et des alentours) -> mater_58.csv
  
• Liste des Maternités de la Seine-St-Denis (et des alentours) -> mater_93.csv

Vous retrouverez également ces deux fichiers dans le projet Rstudio mis à disposition pour reproduire facilement toute la chaîne de traitement

Attention, ces listes n’ont pas la prétention d’être exhaustives et de refléter parfaitement la réalité, elles ont avant tout été élaborées dans l’objectif de rendre les analyses présentées comme plausibles.

Ex : Liste des maternités de la Nièvre (mater_58.csv) :

4. Données OpenStreetMap

La majorité des analyses effectuées repose sur l’utilisation de la plus grande base libre de données géographiques au Monde : OpenStreetMap. Nous allons utiliser cette base pour 3 opérations différentes :

• Extraction de données OSM (routes) à l’aide du package osmdata pour habiller les représentations cartographiques.
  
• Utilisation du package osrm pour calculer des matrices distance-temps entre deux groupes de points
  
• Utilisation du package osrm pour extraire les plus courts chemins entre deux groupes de points.

L’API d’OpenStreetMAp permet d’utiliser et d’interroger la base de données sans avoir à récupérer de données localement.

Géocodage des maternités

Pour géolocaliser les adresses des différentes maternités recensées, nous utiliserons la bibliothèque de géocodage banR, qui repose sur la Base Adresses Nationale constituée par plusieurs producteurs de données : La Poste, l’IGN, la DGFiP, OpenstreetMap France, et la mission Etalab (service du Premier Ministre chargé de l’Open Data en France). Il s’agit de la meilleure base de données (et donc du meilleur package) pour géocoder des adresses en France.

### CHOIX DE LA ZONE D'ETUDE : Nièvre ou Saine-Saint-Denis ? 58 ou 93 ?
# dpt <- "93"
dpt <- "58"

# Import du fichier des maternités de la nièvre (et alentours)
maternite <- read.csv(paste0("data-raw/mater_",dpt,".csv"), encoding = "UTF-8")

# Formatage des adresses
maternite$Full_adresse <- paste0(maternite$ADRESSE, ", ", maternite$COMMUNE)

# GEOCODAGE des maternités
library(banR)
maternite <- geocode_tbl(maternite, 
                        adresse = Full_adresse, 
                        code_postal = CP)

La fonction geocode_tbl() permet de récupérer une longitude et une latitude à partir d’une adresse postale :

A partir des longitudes et latitudes récupérées, nous pouvons construire une couche géographique de points.

# Chargament de la library sf
library(sf)

# tranformation du tableau en objet SF (point) à partir des longitudes/latitudes
maternite_sf <- st_as_sf(data.frame(maternite), coords = c("longitude", "latitude"), crs = 4326)

# Puis on ne garde que les variables pertinentes
maternite_sf <- maternite_sf[,c("ID", "NOM", "COMMUNE", "NIVEAU", "FERME")]

# Caractéristique de l'objet sf créé
maternite_sf

## Simple feature collection with 21 features and 5 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: 1.896772 ymin: 46.46508 xmax: 5.065187 ymax: 47.90172
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs
## First 10 features:
##    ID                                          NOM               COMMUNE NIVEAU
## 1   1                 Centre hospitalier d’Avallon               Avallon      1
## 2   2                Centre hospitalier de Clamecy               Clamecy      1
## 3   3  Centre hospitalier de Cosne Cours sur Loire Cosne-Cours-sur-Loire      1
## 4   4                 Centre hospitalier de Decize                Decize      1
## 5   5                     Hôpital Pierre Beregovoy                Nevers      2
## 6   6                Centre hospitalier de Moulins               Moulins      2
## 7   9 Centre hospitalier de Saint-Amand - Montrond  Saint-Amand-Montrond      1
## 8  10                Centre hospitalier de Vierzon               Vierzon      1
## 9  11             Hôpital privé Guillaume de Varye       Saint-Doulchard      1
## 10 12             Centre hospitalier Jacques Coeur               Bourges      2
##    FERME                  geometry
## 1   2003  POINT (3.905244 47.4899)
## 2   2008 POINT (3.508865 47.45345)
## 3   2018 POINT (2.927963 47.40477)
## 4   2010 POINT (3.452116 46.82248)
## 5     NA POINT (3.123394 46.97967)
## 6     NA POINT (3.325008 46.57065)
## 7     NA POINT (2.495952 46.72525)
## 8     NA POINT (2.052123 47.22765)
## 9     NA POINT (2.356531 47.10646)
## 10    NA POINT (2.437346 47.08396)

Nos maternités se présentent dorénavant sous la forme de points géolocalisés dans l’espace (couche géographique = objet sf) :

Données géographiques

Dans un premier temps, nous ne chargeons que les couches géographiques, proposées par la BD ADMIN EXPRESS, qui nous intéressent : le découpage communal et départemental français.

# Chargament de la librairie sf
library(sf)

# Récupération de la couche géographique des communes françaises
com_fr <- st_read('data-raw/ADMIN-EXPRESS_2-0__SHP__FRA_2019-03-14/ADMIN-EXPRESS/1_DONNEES_LIVRAISON_2019-03-14/ADE_2-0_SHP_LAMB93_FR/COMMUNE.shp', quiet=TRUE)

# Récupération de la couche géographique des départements français
dep_fr <- st_read('data-raw/ADMIN-EXPRESS_2-0__SHP__FRA_2019-03-14/ADMIN-EXPRESS/1_DONNEES_LIVRAISON_2019-03-14/ADE_2-0_SHP_LAMB93_FR/DEPARTEMENT.shp', quiet=TRUE)

# Affichage des couches
par(mar=c(0,0,0,0))
plot(st_geometry(com_fr), border="grey60", lwd=0.1)
plot(st_geometry(dep_fr), border="grey25", lwd=0.3 , add=TRUE)

# 1) On applique la projection lambert 93 aux maternités (géotraitements !)
# lambert 93 -> epsg:2154 = Projection officielle francaise
maternite_sf <- st_transform(maternite_sf, crs = st_crs(com_fr))

# 2) On récupère le x et y min/max de la couche géographique des maternités avec un 
# buffer de 5000 mètres
StudyArea <- st_sf(st_as_sfc(st_bbox(st_buffer(maternite_sf, 5000))))

# 3) Découpage du fond de carte communale/departementale à partir de l'emprise calculée
COM <- st_intersection(x = com_fr, y = StudyArea)
DEP <- st_intersection(x = dep_fr, y = StudyArea)

par(mar=c(0,0,0,0))
plot(st_geometry(StudyArea), border="gold1", lwd=2)
plot(st_geometry(DEP[DEP$INSEE_DEP==dpt,]), col="grey90", border=NA, add=TRUE)
plot(st_geometry(COM), border="grey60", lwd=0.2, add=TRUE)
plot(st_geometry(DEP), border="grey30", lwd=0.5, add=TRUE)
plot(st_geometry(maternite_sf), col="darkslategray4", pch=15, add=TRUE)

# Récupération de l'emprise spatiale des communes du département 
# bbox = c(xmin, ymin, ymax, ymin)
bbox <- st_bbox(st_transform(StudyArea,4326))

# Construction requête (emprise + timeout) principale
library(osmdata)
q <- opq(bbox = bbox , timeout = 5000)

# Construction de trois requêtes, pour extraire 3 types de routes
q1 <- add_osm_feature(q, key = 'highway', value = 'primary', value_exact = FALSE)
q2 <- add_osm_feature(q, key = 'highway', value = 'motorway', value_exact = FALSE)
q3 <- add_osm_feature(q, key = 'highway', value = 'trunk', value_exact = FALSE)

# Extraction des routes 'primary' (OSM -> objet sf)
roads1 <- osmdata_sf(q1)$osm_lines
# Extraction des routes 'motorway'
roads2 <- osmdata_sf(q2)$osm_lines
# Extraction des routes 'trunk'
roads3 <- osmdata_sf(q3)$osm_lines

# Fusion des 3 objets sf crées
roads <- c(st_geometry(roads1), st_geometry(roads2), st_geometry(roads3))
# Projection de 'roads' = projection lambert93
roads <- st_transform(roads, st_crs(StudyArea))

# Découpage du réseau routier par la "study area"
roads <- st_intersection(x = roads, y = StudyArea)

# Affichage du réseau routier extrait
par(mar=c(0,0,0,0))
plot(st_geometry(StudyArea), border=NA)
plot(st_geometry(DEP[DEP$INSEE_DEP==dpt,]), col="grey90", border=NA, add=TRUE)
plot(st_geometry(COM), border="grey60", lwd=0.2, add=TRUE)
plot(st_geometry(DEP), border="grey30", lwd=0.5, add=TRUE)
plot(roads, col="red4", lwd=0.7,  add=T)
plot(st_geometry(StudyArea), border="gold1", lwd=2, add=TRUE)
plot(st_geometry(maternite_sf), col="darkslategray4", pch=15, add=TRUE)

Données démographiques

Le fichier source de l’INSEE couvre l’ensemble des communes de la France métropolitaine, caractérisées par 45 variables. Nous allons uniquement garder les données couvrant notre zone d’étude et les variables que nous souhaitons utiliser.

# Chargement de "readxl" 
library(readxl)

# Lecture du fichier INSEE
data_INSEE <- read_excel("data-raw/pop-sexe-age-quinquennal6815.xls", 
                     sheet = "COM_2015", 
                     skip = 13)


# Construction d'un nouveau tableau de données à partir du fichier INSEE
# Calcul de deux nouvelles variables (Nb_F_1549 et Pop_Total_2015)
Com_Pop <-data.frame(INSEE_COM=paste0(data_INSEE$DR, data_INSEE$CR), 
                     Nb_F_1549 = round(data_INSEE$ageq_rec04s2rpop2015 + 
                                       data_INSEE$ageq_rec05s2rpop2015 + 
                                       data_INSEE$ageq_rec06s2rpop2015 + 
                                       data_INSEE$ageq_rec07s2rpop2015 + 
                                       data_INSEE$ageq_rec08s2rpop2015 + 
                                       data_INSEE$ageq_rec09s2rpop2015 +
                                       data_INSEE$ageq_rec10s2rpop2015,0),
                     Pop_Total_2015 = round(rowSums(data_INSEE[7:46], na.rm = TRUE),0))