Covid 19, épisode 18 : des pneumatiques aux respirateurs

[billet écrit sur une idée de Stéphane Ménia]

La crise sanitaire en cours a conduit de nombreuses entreprises à proposer leur aide pour faire face à l’épidémie. Dans tout un ensemble de cas, l’aide octroyée n’a rien de surprenant : des entreprises disposant de stocks de masques, de charlottes, de sur-blouses, … les donnent aux hôpitaux ; des entreprises de l’industrie textile-habillement fabriquent puis donnent des masques ; un fabricant de pneus propose d’équiper les véhicules d’urgence ; etc. Dans d’autres cas, quand Michelin déclare qu’il va fabriquer 40 000 masques par semaine, ou que Valéo, équipementier automobile, s’engage dans la production de respirateurs, c’est en apparence plus surprenant.

Pour le comprendre, on peut faire un détour par l’économie d’entreprise, plus précisément les approches en termes de ressources (ou les approches en termes de compétences, ou la théorie évolutionniste, toutes très proches). L’idée de base est la suivante : une entreprise peut être vue comme un pool de ressources physiques (machines), humaines (salariés, dirigeants), immatérielles (marques, brevets, …), dont la combinaison permet de rendre des services dans différentes activités. Or, ce qui compte pour comprendre la vie de l’entreprise, ce sont moins les produits qu’elle fabrique ou les services qu’elle rend que les ressources et les compétences sous-jacentes qu’elle mobilise pour cela.

Notamment : une entreprise qui mobilise des ressources d’un certain type pour fabriquer tel produit pourra avantageusement se diversifier dans la fabrication d’un autre produit, qui peut être en apparence très différent, mais qui en fait mobilise les mêmes ressources. On parle alors de diversification cohérente. Les ressources de l’entreprise sont à la fois ce qui permet le changement (je passe d’une activité A à une activité B qui mobilise les ressources dont je dispose) et ce qui le limite (je ne vais pas m’engager dans une activité C qui demande de mobiliser des ressources trop différentes). On voit apparaître dès lors des phénomènes de dépendance de sentier : ce que je ferai demain dépend de ce que je fais aujourd’hui, qui dépend de ce que j’ai fait hier.

Avec ces petits outils conceptuels, on peut mieux comprendre l’engagement des entreprises sus-nommées dans la fabrication de masques ou de respirateurs. L’entreprise Michelin se lance dans la fabrication de masques FFP2 et de visières car elle dispose de ressources en impression 3D, de compétences en injection plastique et d’un réseau de sous-traitants qu’elle sait coordonner, qui lui ont notamment permis de prototyper puis de mettre en production rapidement un masque réutilisable équipé d’un filtre interchangeable. Ses ressources lui permettent également de fabriquer un “capteur de débit” pour les respirateurs d’Air Liquide qui risque la rupture de stock (source ici).

Autre exemple, le consortium composé d’Air Liquide, PSA, Valéo, et Schneider Electric,  censé fabriquer 10 000 respirateurs en 1 mois, alors que la production d’Air Liquide, seul fabricant français jusqu’alors, est de 200 par an. Ce passage à l’échelle est tout sauf simple, d’où le recours d’Air Liquide à d’autres entreprises, notamment dans l’automobile. C’est d’ailleurs là une des demande adressée par Air Liquide à Peugeot : trouver des fournisseurs dans l’automobile capable de fabriquer rapidement un grand nombre de pièces. Peugeot lui a ainsi conseillé de faire appel à l’entreprise Bontaz, dans la Vallée de l’Arve, pour fabriquer 7 000 pièces spécifiques pour respirateurs (je cite cet exemple car il m’a rappelé de vieux souvenirs : l’entreprise Bontaz est au coeur du documentaire passionnant Ma Mondialisation).

Que peut apporter Valéo, de son côté ? Cette entreprise dispose d’abord de compétences dans les systèmes thermiques (climatisation, boucle d’air dans les véhicules…), dont la fabrication “se rapproche de l’expertise nécessaire à la fabrication de respirateurs” déclare le porte-parole du groupe. Un respirateur est composé ensuite de plusieurs centaines de pièces livrées par une centaine de fournisseurs différents à trouver dans des délais réduits. Or, “nous avons l’habitude, chez Valeo, de gérer une chaîne d’approvisionnement très complexe avec des milliards de composants qui arrivent dans nos usines chaque jour, c’est pourquoi nous avons mis en place une équipe d’acheteurs avec des compétences en matière de plastique et d’électronique”. Valéo s’engage également, si une pièce venait à manquer, à mobiliser ses ingénieurs R&D en électronique, plastique et impression 3D pour “redessiner une pièce si nécessaire” (source des citations ici).

Au final, c’est à la mise en œuvre d’innovations collaboratives entre des entreprises disposant de compétences et de ressources complémentaires que l’on assiste. Reste à savoir si le pari des 10 000 respirateurs pour fin mai sera gagné. On peut également se demander s’il restera quelque chose de tout cela après l’épidémie, si les collaborations en cours donneront l’idée aux entreprises impliquées de travailler ensemble sur d’autres sujets.

Covid 19, épisode 17 : nouvelles variations sur les taux de mortalité

Je m’interroge régulièrement depuis le début de cette série de billets sur le Covid 19 sur la meilleure façon de représenter l’information disponible : quel indicateur retenir ? quelle échelle géographique ? Comment présenter les résultats : sous forme de tableau, de carte, de graphique ?

S’agissant de l’indicateur, que l’on compare des régions ou des pays, j’avais attiré l’attention dès mon premier billet sur la nécessité de rapporter le  nombre de cas, d’hospitalisation ou de décès à la population des entités comparées, pour neutraliser les effets taille. Ce n’est pas toujours fait, je lis encore régulièrement des comparaisons entre les Etats-Unis, l’Italie, la France, …, en nombre de décès, ce qui n’a pas beaucoup de sens. Le nombre de morts aux Etats-Unis (22 014 au 12 avril 2020) a certes dépassé le nombre de morts en Italie (19 899), en Espagne (17 489) et en France (9 253), mais le taux de mortalité (65 morts par million d’habitants aux Etats-Unis toujours au 12 avril) est nettement inférieur au taux italien (330), lui-même inférieur au taux espagnol (373) malgré un plus grand nombre de décès, la France étant en position intermédiaire avec un taux de 138 (en comptabilisant les décès en hôpital seulement, en intégrant les décès en Ehpad le taux monte à 220).

S’agissant de l’échelle géographique, on est malheureusement limité par les données disponibles. Si je me concentre sur la variable “décès”, on dispose de données à l’échelle des régions et des départements pour la France, des régions pour l’Espagne et l’Italie et des États et des Comtés pour les Etats-Unis. Travailler à ces échelles permet de montrer que la géographie compte, comme le montre le tableau ci-dessous : les moyennes nationales masquent la forte hétérogénéité des taux de mortalité à des échelles infra, la concentration spatiale de l’épidémie conduisant à des taux de mortalité locaux qui peuvent être très forts, le “record” de mon échantillon étant détenu par le comté de New-York aux Etats-Unis, qui frôle les 1200 morts par million d’habitants. Mais on aurait idéalement besoin de travailler à des échelles encore plus fines (voir à ce titre le travail remarquable de collègues italiens sur le nombre de cas).

échelle géographique taux de mortalité maximal (décès par million d’habitants au 12/04/2020)
France Pays 138
Région 374
Département 792
Italie Pays 330
Région 1056
Espagne Pays 373
Région 967
Etats-Unis Pays 65
Etats 397
Comté 1189

S’agissant de la représentation des résultats, je vous propose aujourd’hui des graphiques sur les taux de mortalité par million d’habitants pour la France, l’Italie et l’Espagne, qui permettent de synthétiser mieux que je ne l’ai fait jusqu’à présent, me semble-t-il, l’information disponible.

taux de mortalité par million d’habitants, Espagne

taux de mortalité par million d’habitants, Italie

taux de mortalité par million d’habitants, France

Attention, l’échelle des axes des ordonnées n’est pas le même selon les pays : il va jusqu’à 1000 décès par million d’habitants pour l’Espagne et l’Italie, et seulement jusqu’à 400 pour la France. Les périodes couvertes diffèrent également, mais toutes vont jusqu’au 12 avril. Ces graphiques permettent de voir rapidement la concentration géographique relativement forte de l’épidémie pour les trois pays, et l’évolution observée région par région, avec pour certaines des courbes en S, pour lesquelles il semble que l’on arrive sur un plateau, alors que pour d’autres, l’évolution semble plus linéaire et continue.

J’ai procédé de même pour les départements des trois régions françaises les plus touchées par l’épidémie (sur la base de l’indicateur “taux de mortalité”), à savoir Grand Est (en bleu), l’Ile-de-France (en vert) et la Bourgogne Franche-Comté (en rouge).

taux de mortalité par million d’habitants, France

On constate que les valeurs régionales moyennes masquent de fortes disparités en leur sein (l’axe des ordonnées monte jusqu’à 800), le Haut-Rhin et le Territoire de Belfort ressortant clairement comme étant les territoires les plus touchés de France.


Episodes précédents : Episode 1 (comparaisons régionales)|Episode  2 (résidences secondaires)|Episode 3 (sur la mortalité)|Episode 4 (comparaison France Italie)|Episode 5 (cas américain et espagnol)|Episode 6 (diffusion spatiale de l’épidémie)|Episode 7 (géographie des Ehpad)|Episode 8 (prévision décès Ehpad)|Episode 9 (sur la mortalité, suite)|Episode 10 (diffusion spatiale, suite)|Episode 11 (taux de mortalité)|Episode 12 (l’impact économique)|Episode 13 (confinement et mobilités départementales)|Episode 14 (chiffres Insee sur la mortalité)|Episode 15 (distanciation sociale)|Episode 16 (impact économique)

Covid 19, épisode 16 : une nouvelle évaluation de l’impact économique de l’épidémie

Dans son point de conjoncture du 9 avril 2020, l’Insee propose une nouvelle évaluation de la perte d’activité consécutive à l’épidémie et aux mesures de confinement qui ont été prises. Tous secteurs confondus, la perte de plus d’un tiers du PIB (36% exactement) est confirmée.

Alors que dans son premier point de conjoncture en date du 26 mars, l’Insee proposait des prévisions en décomposant l’activité en 5 grands secteurs, il propose cette fois des estimations à une échelle sectorielle plus fine, en 17 secteurs d’activité, ce qui permet de recalculer avec des données plus précises l’impact économique attendue de la crise sanitaire en cours à une échelle infra-nationale.

Voici les prévisions par secteur proposées par l’Insee :

De la même manière que dans mon billet précédent, j’ai appliqué les pertes sectorielles d’activité observées nationalement aux poids des secteurs dans chaque département, ce qui permet d’obtenir les pertes attendues pour chacun d’eux compte-tenu de leurs spécialisations : les pertes seront  d’autant plus fortes que le territoire en question est très spécialisé dans les secteurs les plus touchés et/ou peu spécialisé dans les secteurs les moins impactés. Etant donné que j’utilise des données emplois pour pondérer les secteurs et non pas des données de valeur ajoutée, l’impact France entière obtenu diffère un peu de celui obtenu par l’Insee : il n’est pas de -36%, mais de -41%. A l’échelle des départements, les taux de croissance obtenus varient de -35% pour la Lozère, la Creuse et la Meuse à -47% pour la Savoie et -46% pour la Seine-et-Marne et la Savoie (chiffres détaillés ici). Pourquoi la Lozère est-elle moins impactée ? C’est en raison notamment du poids dans ce département des services non marchands, qui représentent 49% des emplois contre 32% France entière, services non marchands moins impactés que la plupart des autres secteurs. Pourquoi, à l’inverse, la Savoie est-elle si impactée ? En raison notamment du poids du secteur “hébergement et restauration”, secteur le plus récessif (-90% de perte d’activité), qui pèse 12% en Savoie contre 4% France entière.

A noter que la corrélation entre les résultats obtenus avec cette décomposition en 17 secteurs et celle obtenue il y a deux semaines avec la décomposition en 5 secteurs est plutôt bonne, le R² est près de 75%. Les départements qui s’écartent le plus de la relation sont les Deux-Sèvres et les Hauts-de-Seine  d’un côté (l’impact en 17 secteurs est plus faible qu’attendu compte-tenu de l’impact en 5 secteurs) et la Savoie et les Hautes-Alpes de l’autre (impact plus marqué qu’attendu, en raison là encore du secteur “hébergement et restauration”, très récessif, plus que le secteur agrégé “services marchands”).

Le résultat principal reste que l’impact est violent pour tous les départements, mais qu’il semble plus fort encore, compte-tenu de leurs structures productives, pour de nombreux départements de l’Est et de l’Ile-de-France, et relativement moins fort dans la partie Ouest du pays.


Episodes précédents : Episode 1 (comparaisons régionales)|Episode  2 (résidences secondaires)|Episode 3 (sur la mortalité)|Episode 4 (comparaison France Italie)|Episode 5 (cas américain et espagnol)|Episode 6 (diffusion spatiale de l’épidémie)|Episode 7 (géographie des Ehpad)|Episode 8 (prévision décès Ehpad)|Episode 9 (sur la mortalité, suite)|Episode 10 (diffusion spatiale, suite)|Episode 11 (taux de mortalité)|Episode 12 (l’impact économique)|Episode 13 (confinement et mobilités départementales)|Episode 14 (chiffres Insee sur la mortalité)|Episode 15 (distanciation sociale)

Covid 19, épisode 15 : la mal-nommée “distanciation sociale”

Une des choses qui m’a surpris au début de l’épidémie, c’est l’emploi de l’expression “distanciation sociale”. Je trouve l’expression un peu pédante et obscure pour le commun des mortels, je me demande bien qui l’a proposée initialement.

Twitter me dit qu’on utilise pourtant l’équivalent en anglais (social distancing), en allemand (Soziale Distanzierung), en espagnol (distancia social), en polonais (Dystansowanie społeczne), en russe (социальная дистанция), …, mais en italien on fait plus simple avec l’expression distanza di sicurezza. Puisque l’idée est de dire qu’il faut respecter une distance d’un mètre cinquante entre les individus, parler de “distance (ou distanciation) physique”, ou de “distance de sécurité” m’aurait semblé plus simple et plus clair.

Il y a une autre raison plus fondamentale (déjà relevée par mes collègues et amis Jérôme Vicente sur twitter et Michel Grossetti sur Facebook) qui plaide pour une autre formulation : distinguer la distance physique de la distance sociale permet de mieux qualifier notre rapport aux autres et de mieux raconter ce qui se joue en ce moment. On peut ainsi considérer que nous sommes plus ou moins proches physiquement de certaines personnes : je suis proche de mon voisin de pallier en ce sens, et loin de ma fille qui habite à Bologne.  C’est l’inverse en revanche en termes de distance sociale : je suis proche de ma fille socialement (un lien familial nous unit) et loin de mon voisin de pallier à qui je me contente de dire bonjour quand nous nous croisons.

A ce titre, on observe plusieurs phénomènes intéressants en ce moment. Le confinement nous pousse d’abord, me semble-t-il, à prendre plus souvent des nouvelles des gens qui nous sont les plus proches socialement (liens familiaux, liens amicaux), plus souvent que lors des périodes hors confinement. Autrement dit nous cultivons nos liens forts. A l’inverse, nous n’entretenons pas ou peu nos liens plus faibles, avec nos voisins de bureau par exemple.  Il fait aussi que des voisins qui initialement s’ignoraient (ils n’étaient proches qu’en termes de distance physique) se mettent à interagir  : un individu propose à ses voisins d’acheter le pain, on discute de balcon à balcon, on joue ensemble, …, bref, ils se rapprochent du point de vue social. Une des questions intéressantes à ce titre est de savoir si ce nouveau lien social va survivre ou non à la fin du confinement. Dans d’autres cas encore, quand une personne demande à son voisin infirmier d’aller habiter plus loin, c’est la défiance qui s’installe (va-t-elle également perdurer ?).

Au final, le mot d’ordre aurait dû être de garder ses distances physiques mais de se rapprocher socialement pour affronter de manière mieux coordonnée l’épidémie…

Covid 19, épisode 14 : actualisation des chiffres de l’Insee

Comme la semaine dernière, et comme la précédente, l’Insee vient de livrer les chiffres de la mortalité en France, toutes causes de décès confondues, cette fois pour la période du 1er au 30 mars 2020.

Voici les principaux points que je retiens :

  • France entière, la mortalité observée entre le 1er et le 30 mars 2020 est supérieure à celle observée sur la même période en 2019 (57 441 décès contre 52 011 en 2019), mais elle reste toujours inférieure à celle observée en 2018 (58 641 décès),
  • A l’échelle régionale, on observe une très forte hausse de la mortalité (plus de 39%) pour Grand Est et l’Ile-de-France et une forte hausse (plus de 10%) pour les Hauts de France et Bourgogne – Franche-Comté. Seules la Nouvelle-Aquitaine et l’Occitanie voient la mortalité baisser.
  • A l’échelle des départements, les plus touchés sont ceux des régions Grand Est et Ile-de-France. On observe cependant une augmentation du nombre de départements concernés par une hausse de la mortalité : de 24 départements il y a deux semaines, on est passé à 48 la semaine dernière et 57 cette semaine. Si on limite aux départements ayant connu une hausse de plus de 10% de la mortalité, les chiffres sont respectivement de 9, 16 et 33 (voir également la carte ci-dessous),
  • La hausse des décès ralentit dans la région Grand Est, elle reste vive en Ile-de-France.

Par rapport aux semaines passées, l’Insee a procédé à différents approfondissements, avec des indications sur les décès en fonction du sexe, de l’âge et du lieu du décès. On apprend ainsi que la moitié des décès concernent des personnes de plus de 85 ans et seulement 13% des personnes de moins de 65 ans. L’augmentation de la mortalité toutes causes confondues est plus forte pour les hommes que pour les femmes, ce qui est cohérent avec le fait que l’épidémie touche beaucoup plus les premiers. L’Insee observe enfin un excès de mortalité en établissement pour personnes âgées en Île-de-France, dans le Grand Est et dans une moindre mesure dans les Hauts-de-France.


Episode 1 (comparaisons régionales)|Episode  2 (résidences secondaires)|Episode 3 (sur la mortalité)|Episode 4 (comparaison France Italie)|Episode 5 (cas américain et espagnol)|Episode 6 (diffusion spatiale de l’épidémie)|Episode 7 (géographie des Ehpad)|Episode 8 (prévision décès Ehpad)|Episode 9 (sur la mortalité, suite)|Episode 10 (diffusion spatiale, suite)|Episode 11 (taux de mortalité)|Episode 12 (l’impact économique)|Episode 13 (confinement et mobilités départementales)

Covid 19, épisode 13 : l’effet du confinement sur la mobilité de la population

L’Insee et Orange viennent de finaliser un travail très intéressant sur l’impact du confinement sur la mobilité de la population, qui permet d’actualiser ce que je disais dans un billet précédent. Vous trouverez les principaux résultats de leur travail ici et le détail de la méthode et des résultats . Voici ce que j’en ai retenu.

Sur la méthode, d’abord : grâce à des données de téléphonie mobile, les auteurs ont calculé le nombre de nuitées passées dans les départements français 3 jours avant le confinement et 3 jours après le début confinement. Sur la base de l’adresse de résidence principale des personnes, de la localisation des personnes avant le confinement, et de leur localisation après le confinement, on peut calculer différentes écarts entre la situation après et la situation avant le confinement.

On peut commencer par calculer l’écart total de nuitées après/avant : 31 des 96 départements présentent un écart total négatif, c’est-à-dire que moins de gens y ont dormi après le confinement qu’avant. On y trouve deux types de départements : i) les départements hébergeant les stations de ski, qui ont fermé après le confinement (Savoie, Haute-Savoie, Hautes-Alpes, Hautes-Pyrénées, …), ii) les départements des grandes villes françaises (départements d’Ile-de-France, Rhône, Haute-Garonne, Gironde, Hérault, …).

Attention cependant à ne pas aller trop vite en besogne dans l’interprétation pour la catégorie des grandes villes, car plusieurs processus sont à l’œuvre. Les données collectées permettent notamment de distinguer dans les nuitées celles passées par les personnes ayant leur résidence principale dans le département, celles de ceux dont la résidence principale est localisé dans d’autres départements, et celle enfin de résidents étrangers.

Il s’avère alors que dans l’ensemble des 96 départements de France métropolitaine, seuls 2 voient baisser le nombre de nuitées passées dans le département par des résidents du même département entre avant et après le début du confinement : Paris d’une part (baisse de 209 000 nuitées) et les Hauts-de-Seine d’autre part (baisse de 20 000 nuitées). Dans tous les autres départements, l’évolution est positive, signe que de très nombreuses personnes qui résidaient avant le confinement dans d’autres départements (pour des raisons que j’évoquerai après) ont réintégré leurs pénates. C’est notamment vrai dans les grandes villes que j’évoquais plus haut, mais comme ils ont vu partir de chez eux encore plus de personnes dont la résidence principale est dans d’autres départements, l’écart total des nuitées est négatif. A noter également pour tous les départements concernés la baisse des nuitées des résidents étrangers.

Pourquoi dans les grandes villes accueillait-on de nombreuses personnes dont la résidence principale était située dans d’autres départements ? Parmi eux, on peut penser qu’il y a des touristes qui séjournaient dans les grandes villes, des personnes en emploi qui y résidaient pour leur travail, ou encore des étudiants dont la résidence principale déclarée à leur opérateur téléphonique est celle de leurs parents. J’en oublie peut-être, n’hésitez pas à compléter.

Quant à l’effet résidence secondaire, il joue à l’évidence, et de manière très forte, pour Paris (11% des parisiens résidaient hors de leur département après le début du confinement) et, dans une moindre mesure, pour les Hauts-de-Seine. Sans doute trouve-t-on aussi des parisiens sans résidence secondaire qui sont allé rejoindre le domicile de leurs parents, d’autres membres de leur famille ou bien d’amis. Pour les autres grandes villes, ces processus peuvent jouer, mais ils ne dominent pas le retour des habitants de ces villes après le début du confinement.

Pour preuve de cet effet, les cartes ci-dessus proposées par les auteurs montrent que la présence des parisiens dans les départements de province suit plutôt bien l’emplacement de leurs résidences secondaires.

Covid 19, épisode 12 : l’impact économique de l’épidémie

L’épidémie et le confinement en sont pas sans effet sur l’activité économique. La Banque de France vient d’annoncer qu’elle estime la chute du PIB français la deuxième quinzaine de mars à environ 33%, ce qui entraine une contraction de l’économie au premier trimestre 2020 de 6%. Dans son point de conjoncture du 26 mars dernier, l’Insee estimait également la perte d’activité à 35% (écart entre l’activité économique estimée pendant la dernière semaine de mars et l’activité d’une semaine « normale »).

A partir du document de l’Insee, il est possible de s’interroger sur l’impact géographique de cette perte d’activité. En effet, dans son document, l’Insee donne les chiffres sur les pertes d’activité attendues par grands secteurs :

Part dans le PIB (%) Perte d’activité attendue (%)
Agriculture et industries agro-alimentaires 4 -4
Industrie hors agro-alimentaire 12 -52
Construction 6 -89
Services marchands 56 -36
Services non marchands 22 -14
Total 100 -35

  Si on dispose du poids des secteurs par territoire, on peut appliquer les taux de croissance attendues à ces poids, et obtenir ainsi des taux de croissance localisés, que l’on pourrait  qualifier de structurels, puisque les différences obtenus entre les territoires ne dépendront que des différences de structures de spécialisation. Toute chose égale par ailleurs, on obtiendra un taux de croissance attendue très négatif si le territoire en question est très spécialisé dans les secteurs les plus en déclin (construction et industrie hors IAA) et/ou peu spécialisé dans les secteurs les moins impactés (agriculture et IAA, services non marchands).

Rien de très compliqué en apparence, encore faut-il disposer du poids des secteurs à une échelle infra-nationale. Pour la variable “valeur ajoutée”, on en dispose seulement à l’échelle régionale. J’ai donc préféré recourir à la variable “emploi” disponible en 38 secteurs à l’échelle des départements, pour l’année 2018. J’ai agrégé les 38 secteurs de telle sorte à retrouver les 5 grands secteurs pour lesquels l’Insee fournit ses prévisions.

Les poids des secteurs selon les départements varient assez sensiblement. Voici un petit tableau qui reprend pour chaque secteur ce qu’il pèse dans le département où il pèse le moins, dans celui où il pèse le plus, ainsi que le nom des deux ou trois départements où il pèse le plus.

poids minimal poids maximal départements les plus spécialisés
agriculture et IAA 1% 12% Côtes d’Armor, Gers, Vendée
industrie hors IAA 3% 21% Ain, Haute-Saône, Eure
construction 2% 10% Haute-Corse, Corse du Sud
services marchands 31% 72% Paris, Hauts-de-Seine
services non marchands 16% 51% Lozère, Creuse

Voici la carte des spécialisations par départements :

S’agissant des prévisions de croissance par département, elles oscillent entre -28% pour la Creuse, le Gers et l’Aude, et -35% pour les Hauts-de-Seine, les Yvelines, l’Ain et la Haute-Savoie. En voici la carte :

Le résultat principal reste sans doute que tous les départements sont impactés, et de manière violente…

Ces résultats sont à prendre avec prudence : l’Insee d’abord alerte sur la difficulté de l’exercice auquel il s’est livré et sur le caractère fragile de ses estimations. De mon côté, je me suis appuyé sur des données emplois de 2018 qui ont pu évolué depuis. Une autre limite résulte du fait que l’on raisonne malgré tout à des échelles sectorielles et géographiques très agrégées, qui masquent la finesse des spécialisations. Mais difficile de faire mieux en l’état actuel des choses.

Covid 19, épisode 11 : variations sur les taux de mortalité (Espagne, France, Italie)

Je vous propose aujourd’hui de présenter autrement les chiffres sur les décès en Espagne, en France et en Italie, en calculant des taux de mortalité : il s’agit pour cela de diviser le nombre de décès pour une région ou un pays par le nombre d’habitants de cette même entité. Étant donné que le nombre de décès est très faible par rapport au nombre d’habitants, je ne vais pas raisonner en pourcentage, mais en décès par million d’habitants.

Il ne s’agit que d’une autre façon de présenter les chiffres : jusqu’à présent, je proposais le plus souvent de situer une région en rapportant son poids dans les décès à son poids dans la population. Or, ce ratio est aussi égal au taux de mortalité de la région considérée divisé par le taux de mortalité moyen. Un ratio de 2 par exemple signifie que la région en question pèse deux fois plus dans les décès que dans la population ; il signifie aussi que le taux de mortalité de la région est le double de celui observé dans l’ensemble de référence. Mais je pressens que présenter les taux de mortalité retiendra plus votre attention.

A l’échelle des trois pays de mon échantillon, les différences sont sensibles : à la date du 5 avril, on compte 278 décès par million d’habitant en Espagne, 263 en Italie et “seulement” 88 en France. Attention cependant à ne pas surinterpréter ces résultats : la comptabilité française que j’exploite (la seule qui permette des traitements à la région) se limite aux décès en hôpital. En comptant l’ensemble des décès, les différences sont en partie atténuées. Pour preuve, à l’échelle du pays, si j’ajoute aux chiffres des hôpitaux les décès actuellement recensés dans les Ehpad (un peu plus de 2 000 au 5 avril, ma prévision n’était pas trop mauvaise), le taux de mortalité français passe à 120.

Le point sur lequel je souhaitais insister : les moyennes nationales masquent de très fortes variations régionales. Je vous présente ci-dessous un tableau assez long, qui reprend les taux de mortalité pour les régions espagnoles (en vert), françaises (en bleu) et italienne (en noir) et les valeurs nationales (en rouge). Les régions et pays sont classés des taux de mortalité les plus élevés aux taux les plus faibles.

Taux de mortalité par million d’habitants, au 5 avril 2020

Seules deux régions ne comptent aucun décès (la Guyane et la Réunion). Les taux varient ensuite de 7 décès par million d’habitants pour Mayotte à 885 décès par million d’habitants pour la Lombardie. Une région comme Grand Est pâtit d’un taux de mortalité proche des moyennes espagnoles et italiennes. En France métropolitaine, la région la moins touchée est la Nouvelle-Aquitaine, dont le taux de mortalité est plus de 13 fois plus faible que celui de Grand Est, région au taux le plus fort. Le ratio entre la région la plus touchée d’Italie (la Lombardie) et celle la moins touchée (la Sicile) est de 38 pour 1. Pour l’Espagne, il est de 32 pour 1 entre la région de Madrid et Melilla.

Pour finir, notons que j’aurais pu intercaler dans ce classement les départements français. Ce qui aurait permis de constater que les départements les plus touchés sont près des taux de mortalité de la Lombardie et de la région de Madrid, avec un taux de 616 pour le Haut-Rhin et de 614 pour le Territoire de Belfort. Les Vosges et la Moselle arrivent ensuite, avec un taux pratiquement deux fois moindre de 325.

Covid 19, épisode 10 : la diffusion spatiale de l’épidémie, suite

J’ai actualisé les chiffres d’un billet précédent, pour voir si la diffusion spatiale de l’épidémie se développait ou non, en France, en Espagne et en Italie.

J’ai de nouveau calculé un indicateur synthétique de concentration spatiale de la population, d’une part, et des décès, d’autre part. Les valeurs de l’indicateur varient entre 1 en cas de concentration géographique maximale et 100 en cas de concentration minimale.

Voici le nouveau tableau de résultats :

Je vous redonne le mode de lecture : l’indice de 58 pour la population en France signifie que tout se passe comme si la population française était répartie de manière homogène entre 58% des régions. Le même indice, pour les décès à la date du 4 avril est de 26, il est plus de deux fois plus faible, ce qui signifie que la concentration spatiale des décès est 2,2 fois plus forte que celle de la population.

Le résultat principal de cette actualisation est que les valeurs des indicateurs ont peu bougé depuis le 29/3, la concentration spatiale des décès reste relativement élevé. Elle se réduit un peu quand même en Espagne et à l’échelle des départements français,elle est remarquablement stable en Italie et à l’échelle des régions françaises.

Pour compléter, j’ai représenté l’évolution du nombre de décès par région, car un indice de concentration stable ne signifie pas qu’il n’y a pas de changement dans les positions des régions, on va le voir pour le cas de la France.

J’ai représenté la courbe de chaque région dès lors que le nombre de décès passe la barre des 10, toutes les courbes n’ont donc pas autant de points, ce qui permet de voir d’une certaine manière quand l’épidémie démarre ou plutôt s’accélère à chaque endroit. Pour l’Espagne et l’Italie, je dispose des chiffres par région depuis fin février, les graphiques sont donc complets. Pour la France, je ne dispose des chiffres par région que depuis le 18 mars, le graphique est donc incomplet.

L’échelle logarithmique de l’axe des ordonnées permet de visualiser le rythme d’évolution de l’épidémie pour chaque région. L’axe des abscisses représente le nombre de jours depuis que la région a dépassé le seuil de 10 décès.

On retrouve sur les graphiques l’idée d’une assez forte concentration géographique de l’épidémie, puisqu’à chaque fois deux régions ressortent et dépassent le seuil des 1000 décès : la région de Madrid et la Catalogne concentrent 61% des décès au 4 avril, l’Ile-de-France et Grand Est la même part de 61%, la Lombardie et l’Emilie Romagne montent à 69%.

On constate également pour l’Espagne que si l’épidémie a débuté plus tard en Catalogne que dans la région de Madrid, elle suit la même dynamique d’évolution. Pour la France, on constate la dynamique très forte en Ile-de-France, la région capitale dépassant sur la période le nombre de décès observé en Grand Est. Comme signalé plus haut, l’indice de concentration géographique stable ne signifie donc pas qu’il n’y a pas eu d’évolution.

Dans les trois cas, on observe enfin, globalement, un léger infléchissement des courbes, signe d’une réduction du rythme des décès, sans que l’on puisse dire que des régions soient arrivés à un plateau, ce qui serait le signe de l’arrêt de l’épidémie.

Covid 19, épisode 9 : sur la mortalité, suite

J’avais indiqué dans un billet précédent, sur la base des chiffres diffusés par l’Insee, que l’épidémie ne se traduisait pas à la date du 16 mars par une surmortalité à l’échelle du pays. L’Insee vient de livrer les mêmes chiffres à la date du 23 mars, ce qui permet d’actualiser l’analyse. Il s’avère que le nombre de décès toutes causes confondues du 1er au 23 mars 2020 a dépassé le nombre observé en 2019 (40 684 contre 39 707), mais pas encore celui de 2018 (année caractérisée par un épisode de grippe long et virulent).

A l’échelle des départements, les choses évoluent également. Pour le montrer, j’ai rapporté le nombre de décès en 2020 au même nombre en 2019, afin d’identifier les départements connaissant une surmortalité. A la date du 16 mars, 24 départements connaissaient une surmortalité (dont 9 départements une surmortalité de plus de 10%). A la date du 23 mars, ce chiffre a doublé, 48 départements connaissent une surmortalité par rapport à 2019 (dont 16 de plus de 10%).

On ne peut cependant pas dire avec certitude que ces surmortalités sont liés à l’épidémie. Pour en juger un peu mieux, j’ai comparé la surmortalité calculée sur les données Insee aux chiffres de Santé publique France sur les décès cumulés en hôpitaux à la même date du 23 mars, afin de répondre à la question suivante : est-ce que les départements connaissant une surmortalité en 2020 par rapport à 2019 de plus de 10% (données Insee) sont ceux qui ont une part dans les décès liés au Covid 19 supérieure de plus de 10% à leur poids dans la population (données Santé publique France) ?

On obtient le tableau suivant :

Sur les 16 départements connaissant une surmortalité de plus de 10% d’après les données Insee, 11 en connaissent également une d’après les données Santé publique France (Haut-Rhin, Vosges, Aisne, Moselle, Bas-Rhin, Oise, Corse-du-Sud, Paris, Côte-d’Or, Hauts-de-Seine, Aude). Pour 5 départements, on a une surmortalité d’après les données Insee, mais pas d’après les données Santé publique France : c’est le cas de Mayotte, des Deux-Sèvres, de la Manche, de la Mayenne et des Yvelines. Le cas des Yvelines est cependant limite, car l’indice pour les données Santé publique France est proche du seuil de 10% (il est en fait de 7%). On trouve enfin 13 départements qui pèsent plus dans les décès en hôpital que dans la population (de plus de 10% je rappelle), sans que cela se traduise par une surmortalité de plus de 10% par rapport à 2019 d’après les données Insee. Pour 11 d’entre eux, cependant, on n’est pas loin du seuil de 10%, deux seulement ont une mortalité inférieure en 2020 à ce qu’elle était en 2019 (la Marne et la Saône-et-Loire).

Au final, il semble que les résultats issus des deux sources tendent à se rapprocher, et que l’on s’oriente vers une surmortalité liée à l’épidémie par rapport aux années précédentes, surmortalité qui touche cependant certains départements beaucoup plus que d’autres.