Pourquoi construire un indice ?

Les inégalités territoriales ne se résument pas facilement à une seule variable. Le chômage donne une information importante, mais il ne dit pas tout. Le niveau de diplôme renseigne une autre dimension. L’accès à internet, la motorisation ou le type d’emploi apportent encore d’autres éléments.

Pris séparément, ces indicateurs peuvent donner une lecture fragmentée du territoire. L’intérêt d’un indice synthétique est de répondre à une question simple : quels espaces cumulent plusieurs signes de dotation socio-économique, et lesquels cumulent plutôt plusieurs fragilités ?

L’objectif n’est donc pas de remplacer les indicateurs de base. Au contraire, l’indice sert à les organiser. Il permet de passer d’une série de cartes thématiques à une lecture plus globale, tout en gardant la possibilité de revenir aux variables qui composent l’indice.

Les données mobilisées

L’analyse repose sur les IRIS du RGP 2019 et sur cinq indicateurs.

Les variables retenues dans l’indice sont :

• la part de diplômés de niveau bac +3 ou plus ;
• le taux d’emploi ;
• la part de CDI parmi les contrats ;
• la part de ménages ayant accès à internet ;
• la part de ménages disposant d’un véhicule.

Lire les cartes

À ce stade, on peut déjà lire les cartes comme une première synthèse. Elles représentent l’indice de capital socio-économique sur une échelle de 0 à 100 : les valeurs élevées signalent des espaces où les indicateurs de diplôme, d’emploi stable, d’accès à internet et de motorisation se cumulent davantage ; les valeurs faibles indiquent plutôt un cumul relatif de fragilités au regard des variables retenues.

Les cartes sont lissées pour faire apparaître des gradients territoriaux. Elles ne remplacent pas les valeurs calculées à l’échelle des IRIS, et ne doivent pas être lues comme une mesure précise à l’adresse ou à la parcelle.

Les classes de couleur visibles sur les cartes sont construites dans QGIS à partir de légendes discrètes en quintiles. Elles ont donc une fonction cartographique : rendre les contrastes lisibles sur chaque carte. Elles ne doivent pas être confondues avec les quintiles analytiques présentés plus loin pour résumer les tableaux et graphiques.

À l’échelle de la Nouvelle-Calédonie, la carte donne une lecture des grands contrastes territoriaux. Les zones aux indices élevés signalent des espaces où se concentrent plus souvent les profils d’emploi, de diplôme et d’équipement les plus favorables. Les zones aux indices faibles ne doivent pas être interprétées comme des “poches de pauvreté” au sens strict : elles indiquent plutôt un cumul relatif de fragilités au regard des variables retenues.

La carte de Nouméa utilise une échelle locale, construite uniquement pour lire les différences internes à la commune. Elle ne sert pas à comparer directement Nouméa avec le reste du territoire, mais à faire ressortir les continuités, les ruptures et les gradients entre quartiers proches. Ce choix privilégie la lisibilité des contrastes intra-urbains, qui seraient largement atténués avec l’échelle de la carte générale.

Comment l’indice est construit

Cette partie revient en détail sur la construction statistique de l’indice et sur les contrôles effectués. Au total, 155 IRIS sur 162 sont utilisés dans l’ACP, soit 100,0 % de la population couverte par le fichier. Les 7 IRIS exclus correspondent à des lignes où au moins une variable nécessaire est manquante.

Le tableau suivant montre quelles variables suivent le plus fortement l’indice final. Il sert à vérifier que l’indice 0-100 correspond bien au gradient attendu, et pas à une variable isolée.

flowchart LR
  A[IRIS RGP 2019] --> B[Sélection des variables]
  B --> C[Contrôle des redondances]
  C --> D[Standardisation]
  D --> E[ACP]
  E --> F[Indice de capital socio-économique 0-100 par IRIS]
  F --> G[Analyse statistique]
  F --> H[Jointure aux cellules habitées]
  I[Grille de population 2020] --> H
  H --> J[Raster pondéré par population]
  J --> K[Lissage pour visualisation]
  K --> L[Cartes QGIS]

Ce que résume l’ACP

La première dimension concentre 73,6 % de la variance totale, tandis que la deuxième dimension n’en résume que 12,7 %. Autrement dit, l’essentiel du signal statistique est porté par un axe principal.

Le graphique ci-dessous place chaque IRIS dans le plan statistique de l’ACP. L’axe horizontal reprend l’indice final sur l’échelle 0-100 : plus on va vers la droite, plus l’IRIS cumule les indicateurs de dotation retenus. L’axe vertical correspond à la deuxième dimension de l’ACP. Elle apporte une nuance, mais elle résume beaucoup moins d’information que l’axe principal.

Cette représentation aide à comprendre l’indice autrement que par la carte. Les IRIS situés à gauche et à droite sont nettement différenciés sur le gradient principal. Les points proches du centre correspondent à des profils plus intermédiaires. La dispersion verticale rappelle qu’il existe aussi des nuances secondaires entre IRIS, même lorsque leur niveau d’indice est proche.

Le graphique montre que l’indice est particulièrement structuré par l’emploi, le niveau de diplôme, l’accès à internet et la motorisation. Les variables ne pèsent pas exactement de la même manière, mais elles contribuent toutes au même gradient : leur lien statistique avec l’indice est positif et élevé.

Distribution de l’indice

Pour rendre le résultat plus compréhensible, la coordonnée brute de l’ACP est transformée en indice de 0 à 100. Cette transformation ne change ni le classement des IRIS, ni les écarts relatifs entre eux : elle remplace simplement une échelle statistique abstraite par une échelle de lecture plus directe. 0 correspond à l’IRIS le plus faiblement doté dans l’analyse, 100 à l’IRIS le plus fortement doté. Ce n’est donc pas une note scolaire, mais une position relative sur l’axe socio-économique construit par l’ACP.

Cette distribution permet d’éviter une lecture uniquement cartographique. Elle montre si la population est plutôt concentrée autour de profils intermédiaires ou si une part importante se situe dans des IRIS proches des extrémités de l’indice.

Profils par niveau d’indice

Pour rendre l’indice plus lisible, les IRIS sont classés ici en cinq groupes de taille comparable, de l’indice le plus faible à l’indice le plus élevé. Ces groupes sont des quintiles analytiques : ils servent uniquement à résumer les profils statistiques dans l’article. Ils ne correspondent pas nécessairement aux classes utilisées dans les cartes, dont les légendes sont produites séparément dans QGIS.

Les tableaux ci-dessous séparent volontairement deux usages. Le premier reprend les variables qui construisent directement l’indice. Le second ajoute des repères descriptifs, qui n’entrent pas dans l’ACP mais aident à comprendre les profils sociaux associés à chaque niveau d’indice.

Ce graphique synthétise le fonctionnement de l’indice : plus on se déplace vers les quintiles élevés, plus les indicateurs retenus dans l’ACP deviennent présents.

Ce graphique ne sert pas à recalculer l’indice. Il ajoute une lecture de profil : à mesure que l’indice augmente, certains repères de dotation sociale montent, tandis que le chômage et les bas niveaux de diplôme reculent généralement. Les variables liées à la composition des ménages se lisent plutôt comme des nuances de contexte.

Nouméa et le reste du territoire

L’indice ne doit pas être lu comme une opposition mécanique entre Nouméa et le reste de la Nouvelle-Calédonie. Nouméa concentre une partie des IRIS les plus dotés, mais la ville contient aussi de forts contrastes internes. Inversement, certains espaces hors Nouméa présentent des niveaux élevés sur plusieurs indicateurs.

Deux variables pour comprendre le gradient

Le graphique suivant croise deux dimensions très lisibles : la part de diplômés bac +3 ou plus et le taux de chômage. Chaque point représente un IRIS. La couleur indique directement l’indice de capital socio-économique sur l’échelle 0-100, et la taille représente la population.

Cette représentation ne résume pas toute l’ACP, mais elle aide à comprendre le mécanisme général. Les IRIS les plus dotés combinent souvent une part plus élevée de diplômés du supérieur et un chômage plus faible. Les IRIS les moins dotés se situent plus souvent dans la situation inverse, même si des cas intermédiaires existent. Le chômage est donc lu ici comme un indicateur associé au gradient, sans entrer directement dans la construction de l’indice.

IRIS extrêmes

Le tableau suivant liste les IRIS situés aux deux extrémités de l’indice. Il ne s’agit pas d’un classement social définitif, mais d’un outil de vérification : les noms qui ressortent doivent être confrontés à la connaissance du terrain, aux cartes et aux autres indicateurs disponibles.

Limites méthodologiques

L’indice proposé ici doit être lu comme un outil d’exploration, pas comme une mesure complète de la richesse ou de la situation sociale des habitants. Il synthétise uniquement les variables disponibles dans les données mobilisées issues du RGP 2019 : diplôme, emploi, stabilité du contrat, accès à internet et motorisation. Ajouter le revenu, le patrimoine, le logement, la situation foncière, les prix immobiliers ou l’accès aux services pourrait déplacer certains résultats.

Il faut aussi rappeler que l’ACP résume des corrélations entre variables. Elle met en évidence un gradient territorial, mais elle ne dit pas pourquoi ce gradient existe. Un indice faible peut renvoyer à des réalités différentes selon les lieux : structure locale de l’emploi, âge de la population, éloignement, marché du logement, accès aux transports, histoire résidentielle ou spécialisation économique.

Certains choix de variables méritent enfin d’être gardés en tête. Les autres variables de diplôme et de CSP testées n’ont pas été ajoutées parce qu’elles recoupaient trop fortement la part de diplômés bac +3 ou plus. L’indice reste donc une version volontairement resserrée, qui pourrait être comparée plus tard à d’autres variantes de sensibilité.

La géographie de l’indice dépend aussi du découpage utilisé. Les IRIS ne correspondent pas toujours aux quartiers vécus par les habitants : certains mélangent des espaces socialement contrastés, d’autres sont plus homogènes. L’indice reste donc une lecture territoriale agrégée. Il ne doit pas être appliqué aux individus, ni utilisé pour qualifier précisément une adresse ou une parcelle.

Enfin, les données datent du RGP 2019. Elles offrent une photographie statistique à cette date, sans intégrer directement les transformations économiques, résidentielles et sociales intervenues depuis. Les cartes lissées prolongent cette photographie en rendant les gradients plus lisibles, mais leur apparence dépend des choix de résolution, d’interpolation et de lissage.

Conclusion

Cette première synthèse montre qu’il existe un gradient socio-économique très structuré dans les données du RGP 2019. La première dimension de l’ACP capte à elle seule 73,6 % de l’information des variables retenues, ce qui confirme que diplôme supérieur, emploi, stabilité du contrat, accès numérique et motorisation dessinent largement une même géographie.

D’un côté, l’indice donne une mesure synthétique, utile pour comparer les IRIS et produire une carte lisible. De l’autre, les cartes lissées prolongent cette lecture en rendant visibles les gradients à l’échelle de la Nouvelle-Calédonie et de Nouméa.

Sources et données utilisées

• IRIS et indicateurs socio-démographiques du RGP 2019 — PopGIS Nouvelle-Calédonie, développé en partenariat entre l’ISEE et la Communauté du Pacifique (CPS).

  https://ncl.popgis.spc.int/

• Grille de population 2020 — New_Caledonia_Population_Grid_2020, Pacific Data Hub / Communauté du Pacifique (CPS), utilisée dans le script cartographique pour pondérer spatialement la surface lissée.

  https://pacificdata.org/data/dataset/ncl_population_grid_2020

Introduction

La question du regroupement des bureaux de vote s’est imposée dans le débat public calédonien à partir des élections législatives anticipées de 2024, organisées dans le contexte exceptionnel des émeutes et des tensions sécuritaires ayant suivi les événements du 13 mai.

À Nouméa, les 56 bureaux de vote habituels avaient alors été regroupés sur seulement 7 sites afin de sécuriser l’organisation du scrutin. Ce dispositif exceptionnel avait été présenté comme une réponse aux contraintes logistiques et sécuritaires du moment. Malgré cette réorganisation, la participation au second tour des législatives avait atteint un niveau particulièrement élevé à l’échelle du territoire.

Le regroupement des bureaux de vote n’est cependant pas resté limité à ce seul contexte d’urgence. Le dispositif a ensuite été largement reconduit lors des élections municipales de 2026, avec une organisation reposant sur 8 grands sites de vote à l’échelle de la commune. Cette décision a suscité plusieurs critiques et recours politiques autour des questions d’accessibilité, de proximité du vote et de sincérité du scrutin.

Derrière ces débats institutionnels se pose une question plus concrète et plus territoriale : comment le regroupement des centres de vote modifie-t-il réellement les conditions d’accès au vote selon les quartiers de Nouméa ?

En effet, deux électeurs inscrits dans une même commune ne font pas nécessairement face au même coût de déplacement. La structure du réseau routier, les ruptures urbaines, la distance aux centres ouverts ou encore l’accès à un véhicule peuvent fortement modifier l’accessibilité réelle au vote.

Cette note propose une première estimation spatiale des effets potentiels du regroupement des bureaux de vote à Nouméa à partir d’un calcul de temps de trajet piétons sur réseau routier. Trois configurations sont comparées : - la configuration habituelle des bureaux de vote ; - un scénario à 8 centres regroupés ; - un scénario à 9 centres regroupés.

L’objectif n’est pas de mesurer directement les comportements électoraux ni d’expliquer l’abstention, mais de produire un indicateur d’accessibilité potentielle permettant d’identifier les secteurs où le regroupement pourrait augmenter les contraintes de déplacement, en particulier pour les ménages les moins motorisés.

Pourquoi estimer des temps de trajet ?

Le regroupement de bureaux de vote change la géographie concrète de l’accès au vote. Deux électeurs rattachés administrativement au même scrutin ne font pas nécessairement face au même effort de déplacement selon le quartier, la densité du réseau viaire, la localisation des centres ouverts et la possibilité ou non d’utiliser une voiture.

Cette note documente une estimation des temps de trajet piéton vers le point de vote le plus proche à Nouméa. L’objectif n’est pas de reconstituer les trajets réellement empruntés par chaque électeur, mais de produire un indicateur spatial comparable entre plusieurs configurations :

• une configuration de référence avec les bureaux de vote géolocalisés ;
• une configuration à 8 centres de vote regroupés ;
• une configuration à 9 centres de vote regroupés, sans Ko We Kara, avec l’ajout du collège de Kaméré et de la salle de boxe Vincent Kafoa.

Le résultat doit être lu comme une mesure d’accessibilité potentielle. Il devient particulièrement utile lorsqu’il est rapproché de la part des ménages sans véhicule, issue du RGP 2019 à l’échelle IRIS.

Les données mobilisées

L’estimation s’appuie sur cinq familles de données locales :

• les résultats électoraux par bureau, pour isoler les bureaux de Nouméa et leurs coordonnées ; les bureaux de votes réputés dégradés à la rentrée 2025 et possiblement affectés pour une réouverture (Gustave LODS et PERVENCHES) ont été retirés du calcul
• la liste des centres regroupés, saisie comme points de destination alternatifs ;
• le réseau routier BDROUTE-NC, transformé en graphe de déplacement ;
• la grille de population NCL_Pop_Grid_2020.tif, utilisée pour ne calculer l’indicateur que sur les cellules habitées ;
• les IRIS du RGP 2019, dont le champ percent_menages_sans_vehicules.

Toutes les opérations de distance et de réseau sont réalisées dans le système projeté RGNC91-93 / Lambert New Caledonia, EPSG:3163. Les temps sont exprimés en minutes, avec une hypothèse de marche à 5 km/h.

Chaîne de traitement

flowchart LR
  A[Résultats par bureau et centres regroupés] --> B[Points sources]
  C[Réseau routier BDROUTE-NC] --> D[Graphe piéton pondéré en minutes]
  E[Grille population 2020] --> F[Cellules habitées]
  B --> G[Rattachement au nœud routier le plus proche]
  F --> H[Rattachement au nœud routier le plus proche]
  D --> I[Plus courts chemins vers la source la plus proche]
  G --> I
  H --> I
  I --> J[Temps par cellule habitée]
  J --> K[Comparaison bureaux complets / 8 centres / 9 centres]
  K --> L[Croisement avec IRIS RGP 2019]

Le principe est le suivant. Chaque segment du réseau routier devient une arête de graphe. Son poids correspond au temps nécessaire pour le parcourir à pied. Les bureaux ou centres de vote sont rattachés au nœud routier le plus proche ; les cellules habitées le sont également. On ajoute ensuite une source artificielle connectée à tous les points de vote, puis on calcule le plus court chemin vers l’ensemble des nœuds du réseau. Le temps final d’une cellule correspond au temps d’accès au réseau plus le temps de réseau jusqu’au point de vote le plus proche.

Ce choix permet de comparer des configurations de manière homogène. Il évite aussi une lecture purement à vol d’oiseau, qui sous-estime souvent les contraintes réelles dans une ville structurée par les routes, les ruptures de pente, les baies, les emprises et les détours.

Trois configurations comparées

Dans la configuration de référence, le temps moyen pondéré est de 13,3 min. Il passe à 24,9 min dans le scénario à 8 centres, puis à 21,8 min dans le scénario à 9 centres.

La différence entre les scénarios ne se résume pas à une hausse uniforme. Le regroupement agit surtout sur la queue de distribution : dans le scénario à 9 centres, 17,2 % de la population couverte dépasse 30 minutes à pied, contre 5,2 % dans la configuration de référence.

Mesurer l’effet du regroupement

Le scénario à 8 centres ajoute en moyenne 11,6 min par rapport aux bureaux habituels. Le scénario à 9 centres réduit cette hausse moyenne à 8,5 min. L’ajout de Kaméré et de la salle Vincent Kafoa ne compense pas tout l’effet du regroupement, mais il améliore nettement l’accessibilité des quartiers du nord de Nouméa.

Où le manque de véhicule pèse le plus ?

Le croisement avec le RGP 2019 ne doit pas être interprété comme une causalité entre motorisation et distance au bureau. Il sert plutôt à identifier les zones où une hausse de temps de marche peut toucher des ménages pour lesquels l’absence de véhicule rend le déplacement plus contraint.

À l’échelle des IRIS couverts par la grille habitée, la part moyenne agrégée des ménages sans véhicule est de 27,4 %. La corrélation simple entre la part de ménages sans véhicule et le temps moyen en scénario à 9 centres est de -0,02; celle avec le delta 9 centres moins bureaux habituels est de -0,36.

Le signal n’est pas une relation linéaire simple. Certains IRIS très peu motorisés sont proches d’un centre, tandis que d’autres quartiers plus motorisés peuvent connaître une forte hausse. L’analyse pertinente est donc celle du cumul local entre forte part de ménages sans véhicule et hausse de temps.

Ces zones prioritaires ne racontent pas toutes la même chose.

Dans un premier groupe, Vallée des Colons Sud Ouest, N’Géa, Magenta Est, Faubourg Blanchot, Vallée des Colons Sud Est et Trianon combinent surtout un volume important de ménages sans véhicule avec une hausse nette du temps de marche. La question à documenter cartographiquement est alors celle de la perte de proximité : le changement de lieu de vote transforme un déplacement court en trajet plus long, y compris dans des quartiers résidentiels relativement denses.

Un deuxième groupe relève davantage de la vulnérabilité sociale à l’accessibilité. Portes de Fer - Nord et Magenta Tours ressortent parce que la part de ménages sans véhicule y est très élevée. Même lorsque la hausse moyenne n’est pas la plus spectaculaire, l’absence de véhicule rend le déplacement plus dépendant de la marche, du transport collectif ou de l’accompagnement par un tiers.

Enfin, Normandie Sud et Ouémo doivent être lus comme des cas de géographie du réseau : la hausse moyenne y est forte, voire très forte, ce qui invite à vérifier les itinéraires piétons, les ruptures urbaines et la position réelle du centre le plus proche.

Accessibilité et absention

La carte de l’abstention au 1er tour permet de donner un apperçu des zones les plus abstentionnistes et de leur correspondance avec les temps de trajets les plus importants. Cependant il n’est pas possible d’établir de corrélation directe étant donné que les causes de l’abstention sont multifactorielles. Une modélisation statistique combinant diverses variables socio-démographiques et électorales serait nécessaire pour tenter d’isoler les effets propres de la distance, cela resterait cependant sujet à incertitudes.

Limites méthodologiques

Plusieurs limites doivent être gardées à l’esprit dans l’interprétation des résultats.

Premièrement, les temps de trajet estimés reposent sur un modèle théorique de déplacement piéton. Les calculs utilisent une vitesse uniforme de marche fixée à 5 km/h et ne prennent pas en compte les différences d’âge, de mobilité réduite, de conditions climatiques, de sécurité piétonne ou de fatigue.

Deuxièmement, le réseau routier utilisé comme support de calcul ne représente pas nécessairement l’ensemble des cheminements réellement empruntés par les habitants. Certains raccourcis, escaliers, passages piétons informels ou chemins secondaires peuvent être absents du réseau utilisé.

Troisièmement, les estimations reposent sur un rattachement des cellules habitées et des bureaux de vote au nœud routier le plus proche. Cette opération introduit une approximation spatiale qui peut localement modifier les temps calculés, notamment dans les secteurs de faible densité ou proches de ruptures du réseau.

Quatrièmement, l’analyse porte uniquement sur l’accessibilité piétonne potentielle et ne prend pas en compte les autres modes de déplacement (voiture, transport collectif, covoiturage, taxi, etc.). Les résultats ne doivent donc pas être interprétés comme une estimation directe de la difficulté réelle d’accès au vote pour l’ensemble de la population.

Cinquièmement, les résultats ne permettent pas d’établir un lien causal direct entre distance au bureau de vote et participation électorale. L’abstention dépend également de nombreux facteurs politiques, sociaux, économiques et contextuels qui dépassent le seul enjeu de l’accessibilité spatiale.

Enfin, les cartes lissées utilisées pour la visualisation servent principalement à faciliter la lecture spatiale. Elles ne remplacent pas les rasters analytiques d’origine, qui demeurent la référence pour les calculs statistiques et les comparaisons quantitatives.

Conclusion

Cette première estimation montre que le regroupement des bureaux de vote ne produit pas seulement un déplacement administratif des lieux de vote : il modifie sensiblement les conditions concrètes d’accès au scrutin. À Nouméa, le passage des bureaux habituels aux centres regroupés augmente le temps moyen d’accès piéton, qui passe de 13,3 min dans la configuration de référence à 21,8 min dans le scénario à 9 centres.

L’effet le plus important concerne toutefois les situations d’éloignement. La part de population située à plus de 30 minutes à pied d’un centre de vote passe de 5,2 % avec les bureaux habituels à 17,2 % dans le scénario à 9 centres. L’ajout d’un neuvième centre améliore une partie de la situation par rapport au scénario à 8 centres, notamment dans le nord de Nouméa, mais il ne rétablit pas la proximité offerte par le maillage habituel des bureaux.

Le croisement avec la part de ménages sans véhicule invite enfin à lire ces résultats comme un enjeu d’accessibilité différenciée. Les effets du regroupement ne touchent pas tous les quartiers avec la même intensité, et les secteurs qui cumulent hausse des temps de marche et faible motorisation constituent les principaux points de vigilance. La question n’est donc pas seulement de savoir si le vote reste juridiquement possible, mais dans quelles conditions pratiques il le demeure selon les quartiers et les ressources de mobilité des habitants.

Sources et données utilisées

Les analyses présentées dans cette note reposent sur plusieurs jeux de données publics et institutionnels.

• Résultats électoraux par bureau de vote — Ministère de l’intérieur

• Base de données routière BDROUTE-NC — Direction des Infrastructures, de la Topographie et des Transports terrestres (DITTT).

• Human Settlement Footprint / grille de population 2020 — Pacific Community (SPC).

  https://pacificdata.org/data/dataset

• Recensement Général de la Population 2019 — Institut de la statistique et des études économiques de Nouvelle-Calédonie (ISEE).

  https://www.isee.nc/population/recensement-de-la-population