Mayotte en chiffres

add

\bullet Présentation et démarche

Second projet lancé sur ce site web et pas des moindres: présenter Mayotte au travers des données statistiques qu’il est possible de recueillir auprès des organismes officiels. Inutile de pondre des tartines pour justifier la raison d’un tel projet étant donné que vous pouvez voir en fond, sur ce site, une superbe photo de la plage de Moya en Petite-Terre. L’idée étant évidemment de faire connaître aux plus curieux Mayotte de manière objective au travers des données statistiques publiées et ce que peut représenter ce petit bout du monde pour la France; mais aussi de voir comment nos outils statistiques, décris au travers de ce site web, peuvent offrir une vue panoramique et synthétique de la situation sur le territoire.

Le projet vise ainsi à recueillir les données statistiques aux travers des principaux opérateurs tel que l’Institut National de la Statistique et des Études Économiques (INSEE), l’Agence de Santé de L’Océan Indien (ARS OI), l’Institut d’Émission des Départements d’Outre-Mer (IEDOM), l’Agence Française de Développement (AFD), la Direction de la Jeunesse, des Sports et de la Cohésion Sociale (DJSCS), la Direction de l’Environnement, de l’Aménagement et du Logement (DEAL), etc (liste à compléter au fur et à mesure) depuis leur site le web.

Pour commencer, soyons brut de pomme, tout le travail qui aura été produit se fout littéralement de savoir si nous sommes 200 000 ou 400 000 ou même 3 milliards sur le territoire de Mayotte. Tout ce qu’il faut savoir c’est que le chiffre de la population totale vivant sur une partie du territoire, quand il est produit pas l’INSEE, prévaut sur tous les autres et qu’il constitue, avec ses déclinaisons par genres et classes d’âge, le dénominateur commun à partir duquel tout indicateur statistique est conçu. Critiquer le travail de l’INSEE, c’est critiquer un organisme qui fait ça depuis belle lurette et hormis y aller au marteau-piqueur avec des arguments scientifiques solides autres que la consommation de grains de riz (LOL!!!), il est difficilement justifiable et crédible d’oser prétendre détenir une vérité autre que la leur. De plus, un petit rappel sur pourquoi l’essor des statistiques dans le monde d’aujourd’hui: si n’importe lequel d’entre nous connaissait la vérité absolue en se contentant de regarder ce qu’il se passe dans son voisinage, le marché de l’emploi ne pullulerait pas d’autant d’offres d’emploi pour statisticien comme nous pouvons l’observer.

\bullet Ahhhhhh… Mayotte

Le territoire de Mayotte est une île mesurant 376 km2 et se situe géographiquement dans l’archipel des Comores, lui-même situé dans l’océan Indien. Elle se divise en deux îles principales nommée la Grande-Terre et la Petite-Terre (oui bah l’une est plus petite que l’autre).

Historiquement, Mayotte est devenu française en 1841 et maintient ce premier statut suite à un vote ultra-majoritaire en 1976. Toujours sur la demande de sa population, elle vote majoritairement pour devenir un département d’outre-mer français en 2009 et accède au statut de zone ultrapériphérique de l’Union Européenne en 2014.

Le territoire de divise en 17 communes et se décline en 72 villages. La commune de Mamoudzou rassemblant la plus grande partie de la population de Mayotte, elle regroupe logiquement la majorité de l’activité de l’île.

Pour être le plus synthétique qui soit, et puisque l’idée de cet article est d’aller plus en profondeur dans la présentation de Mayotte au travers de ses chiffres clés publiés, nous rappellerons qu’il s’agit du département le plus jeune de France avec un habitant sur deux âgé de 17 ans ou moins. De plus, environ 4 habitants sur 10 ne sont pas français. Le contexte global tourne autour de la précarité avec 4 logements sur 10 en taule et 8 habitants sur dix qui vient en dessous du seuil de bas revenus métropolitains. L’Illettrisme concerne un habitant sur trois. Ensuite, le secteur tertiaire est le plus représenté sur le territoire (concerne 8 habitants sur 10) et plus précisément 1 habitant sur 2 travaille dans la fonction publique. Contrairement aux idées reçues, le solde migratoire est négatif et même si aucune donnée ne nous permet d’expliquer objectivement ce phénomène, la pyramide des âges ci-dessous donne comme piste potentielle le départ massif des jeunes et donc probablement des étudiants vers La Réunion, la France Métropolitaine et l’Étranger.

add3

Enfin, parmi toutes les spécificités de Mayotte, deux sont à relever: la présence des Bornes Fontaines Monétiques (BFM) permettant à la population précaire et sans accès à l’eau eau chez elle de pouvoir s’approvisionner toute l’année, ainsi que le nombre de propriétaire du bâti mais pas du sol.

Le tableau ci-dessous présente une synthèse plus ou moins détaillée des données socio-démographique disponible pour le territoire de Mayotte, L’Insee ayant fait et continue de faire un travail considérable pour la production d’indicateurs statistiques d’intérêt pour le développement de l’île.

addb

La qualité visuelle étant assez moche, voici le format excel: Mayotte en chiffres_1

Et si vous voulez en savoir davantage, je vous recommande fortement de piocher dans leur liste d’articles ceux qui vous intéressent le plus et dont en voici la liste exhaustive (je l’espère):

\bullet Synthèse détaillé du territoire  (référence tableau N°1):

– Article wikipédia: https://fr.wikipedia.org/wiki/Mayotte

\bullet Le Produit Intérieur Brut (référence tableau N°2):

– Le produit intérieur brut à Mayotte en 2009: une croissance dynamique mais un retard à rattraper, Vincent Graciet, Mayotte Infos, Novembre 2011, Insee;

– PIB Mayotte 2011: une économie en rattrapage soutenue par la dépense publique, Lore Le Pabic, Christian Monteil, Insee Analyses, Octobre 20104, Insee;

– Une croissance économique de 7 % en 2012, Yohan Coder, Christian Monteil, Insee Analyses, Nombre 2015, Insee;

– Les produits intérieurs bruts régionaux de 2000 à 2013: la croissance, signe du rattrapage économique, Bérangère Duplouy, Insee Flash, Juillet 2016, Insee;

– Produit intérieur brut 2013: le pouvoir d’achat individuel progresse de 5%, Christian Monteil, Insee Flash, Novembre 2016, Insee;

– Produit intérieur brut 2014: le pouvoir d’achat individuel augmente de 5% pour la deuxième année consécutive, Michel Dublin, Christian Monteil, Insee Flash, Octobre 2017, Insee;

– Produit intérieur brut en 2016 : le PiB augmente de 7,2 % de valeur, Ourida Cherchem, Michel Dublin, Insee Flash, Novembre 2018, Insee.

\bullet Recensement de la population (référence tableau N°3):

– Recensement Général de la population de Mayotte : 186 452 habitants au 31 juillet 2007, Matthieu Morando, Insee Infos, Novembre 2007, Insee;

– En cinq ans, 26 000 habitants de plus à Mayotte, Matthieu Morando, Revue économique de la Réunion, Avril 2008, Insee;

-Recensement de la population au 31 juillet 2007:  la croissance démographique reste dynamique, Camélia Louachéni, Christophe Trouillard, Matthieu Morando, Mayotte Infos, Avril 2009, Insee;

– Mayotte: Recensement de la population de 2007, une population multipliée par quatre en 30 ans, Christophe Trouillard, Camélia Louachéni, Matthieu Morando, Insee Première, Avril 2009, Insee;

– Recensement de la population au 31 juillet 2007: la progression de l’emploi permet au chômage de baisser, Camélia Louachéni, Matthieu Morando, Mayotte Infos, Avril 2009, Insee;

– Recensement de la population au 31 juillet 2007: de petits logements pour de grands ménages, Camélia Louachéni, Matthieu Morando, Mayotte Infos, Avril 2009, Insee;

– Recensement: 212 600 habitants à Mayotte en 2012, la population augmente toujours fortement, Jean-Pierre Bini, Véronique Daudin, Anne Levet, Mayotte Infos, Novembre 2012, Insee;

– Mayotte, département le plus jeune de France, Julien Balicchi, Jean-Pierre Bini, Véronique Daudin, Nelly Actif, Jannick Rivière, Insee Première, Février 2014, Insee;

– Les villages de Mayotte en 2012: des conditions de vie meilleures sur le littoral ouest, Emmanuelle Clain, Véronique Daudin, Hervé Le Grand, Insee Analyses, Décembre 2014, Insee;

– Déplacements domicile-travail: 4 Mahorais sur 10 travaillent hors de leur commune, Jamel Mekkaoui, Insee Flash, Août 2015, Insee;

– Une famille sur deux a trois enfants ou plus à Mayotte en 2012, Emmanuelle Clain, Insee Flash, Novembre 2015, Insee;

– Recensement de la population 2012: la moitié des Mahorais vivent en couple, Ravi Baktavatsalou, Emmanuelle Clain, Insee Flash, Janvier 2016, Insee;

– Les 36 quartiers prioritaires de la politique de la ville à Mayotte: quatre profils contrastés de quartiers, Daniel Ah-Son, Ravi Baktavatsalou, Insee Analyses, Juillet 2017, Insee;

– 256 500 habitants à Mayotte en 2017: la population augmente plus rapidement qu’avant, Valérie Genay, Sébastien Merceron, Insee Analyses, Décembre 2017, Insee;

– À Mayotte, près d’un habitant sur deux est de nationalité étrangère, Chantal Chaussy, Sébastien Merceron, Valérie Genay, Insee Première, Février 2019, Insee.

\bullet Scolarité (référence tableau N°4):

– Enquête Information et Vie Quotidienne: quatre jeunes sur dix en grande difficulté à l’écrit à Mayotte, Véronique Daudin, Fabrice Michaïlesco, Mayotte Infos, Février 2014, Insee;

– De l’école à l’emploi à Mayotte: les inégalités hommes-femmes se réduisent, Chantal Chaussy, Sébastien Merceron, Philippe Paillole, Insee Flash, Mars 2017, Insee.

\bullet Enquête emploi (référence tableau N°5):

– Enquête Emploi 2009: un marché de l’emploi atypique, Véronique Daudin, Mayotte Infos, Décembre 2010, Insee;

– Enquête Emploi Mayotte 2013: 9 500 chômeurs et 29 900 inactifs qui souhaitent travailler, Édouard Fabre, Jannick Rivière, Insee Analyses, Juillet 2014, Insee;

– Enquête Emploi Mayotte 2014: le chômage progresse malgré l’augmentation de l’emploi, Édouard Fabre, Jannick Rivière, Insee Analyses, Février 2015, Insee;

– Formation et emploi 2014: trois mahorais sur quatre sans diplôme, Edouard Fabre, Jannick Rivière, Insee Flash, Novembre 2015, Insee;

– Une forte hausse du chômage en 2015, Édouard Fabre, Jannick Rivière, Insee Flash, Décembre 2015, Insee;

– Enquête emploi 2016: le département au taux de chômage le plus élevé, Édouard Fabre,  Claude Touzet, Insee Flash, Décembre 2016, Insee;

– Enquête emploi 2017: une hausse de l’emploi qui profite aux femmes, Aurore Fleuret, Philippe Paillole, Insee Flash, Février 2018, Insee;

– Enquête emploi 2018: un taux de chômage de 35 %, Philippe Paillole, Insee Flash, Février 2019, Insee.

\bullet Enquête Budget des familles (référence tableau N°6):

– Le revenu des habitants de Mayotte en 2005: hausse des niveaux de vie et baisse des inégalités, Philippe Luu, Insee Infos, Février 2007, Insee;

– Consommer à Mayotte: percée des services, Olivier Frouté, Insee Infos, Février 2007, Insee;

– Consommer à Mayotte: de nombreuses disparités, Christophe Trouillard, Insee Infos, Février 2007, Insee;

– Enquête « Budget des familles » 2005, Mayotte Résultats N°8, Février 2008, Insee;

– Entre faiblesse des revenus et hausse de la consommation, Michel Brosset, Insee Analyses, Décembre 2014, Insee.

\bullet Enquête Migration-Famille-Vieillissement (référence tableau N°7):

– Migration, natalité et solidarités familiales: la société de Mayotte en pleine mutation, Claude-Valentin Marie, Didier Breton, Maude Crouzet, Edouard Fabre, Sébastien Merceron, Insee Analyses, Insee, Ined.

\bullet Enquête Logements (référence tableau N°8):

– Enquête Logement à Mayotte 2013: des conditions de logement éloignées des standards nationaux, Michel Brasset, Noémie Deloeuvre, Insee Analyses, Octobre 2016, Insee;

– L’état du logement à Mayotte fin 2013: des conditions précaires d’habitat, Ravi Baktavatsalou, Michel Brasset, Insee Dossier, Juin 2017, Insee.

\bullet Enquête Entreprises (référence tableau N° 9):

– Les grandes entreprises mahoraises en 2004: valeur ajoutée en progression dans tous les secteurs, Cécile Prévot, Insee Infos, Juin 2006, Insee;

– Activité des plus grandes entreprises mahoraises en 2004 (Panel d’étude 2003 – 2004), Cécile Prévot, Mayotte Résultats N°5, Septembre 2006, Insee;

– Les grandes entreprises mahoraises en 2005 : moindre progression de la valeur ajoutée, Cécile Prévot, Insee Infos, Novembre 2006, Insee;

– Activité des plus grandes entreprises mahoraises en 2005 (Panel d’étude 2004 – 2005), Cécile Prévot, Mayotte Résultats N°6, Mars 2007, Insee;

– Créations d’entreprises : hausse de 0,6 % en 2014, Claude Touzet, Insee Flash, Mai 2015, Insee;

– Entreprises marchandes de 1 à 499 salariés: 400 millions d’euros de richesse créée en 2013 par le secteur marchand, Yohan Coder, Insee Analyses, Février 2016, Insee;

– Créations d’entreprises: baisse de 3 % en 2015, Claude Touzet, Insee Flash, Mai 2016, Insee;

– Créations d’entreprises: nouvelle diminution des créations en 2016, Claude Touzet, Insee Flash, Juillet 2017, Insee;

– Enquête sur les entreprises mahoraises en 2015: les entreprises formelles génèrent 525 millions d’euros de richesse, Sylvain Daubrée, Insee Flash, Février 2018, Insee;

– Enquête sur les entreprises mahoraises en 2015: de nombreuses entreprises informelles pour peu de richesse créée, Sylvain Daubrée, Insee Analyses, Février 2018, Insee;

– Créations d’entreprises: les créations en nette progression en 2017, Anne Jonzo, Insee Flash, Mars 2018, Insee;

– Les entreprises formelles génèrent 539 millions d’euros de richesse, Bérénice Costes, Insee Flash, Janvier 2019, Insee;

– Les créations en forte baisse en 2018, Sébastien Seguin, Insee Flash, Janvier 2019, Insee.

\bullet Enquête Flux Touristique (référence tableau N°10):

– Chute du nombre de touristes en 2006, Cécile Prévot, Insee Infos, Mai 2007, Insee;

– Enquête flux touristiques 2006, Ibrahime Abdourahamani, Cécile Prévot, Mayotte Résultats N°7, Octobre 2007, Insee;

– Mayotte a accueilli plus de 40 000 touristes en 2007, Julie Frantz, Matthieu Morando, Insee Infos, Octobre 2008, Insee;

– Enquête flux touristiques 2009 à Mayotte : près de 50 000 touristes à Mayotte, Françoise Cazanove, Mayotte Infos, Novembre 2010, Insee;

– Enquête flux touristiques 2010 : près de 53 000 touristes à Mayotte, Françoise Cazanove, Mayotte Infos, Avril 2011, Insee;

– Moins de touristes à Mayotte en 2011, Véronique Daudin, Mayotte Infos, Juillet 2012, Insee;

– Une année 2012 sauvée par le tourisme d’affaires, Catherine Martigny, Mayotte Infos, Juin 2013, Insee;

– Le tourisme à Mayotte en 2013: la fréquentation touristique rebondit et retrouve le niveau de 2010, Julien Balicchi, Mayotte Infos, Juin 2014, Insee;

– Enquête flux touristiques 2014: la fréquentation touristique recule de 4%, Mohamadi Madi Charif, Insee Analyses, Juin 2015, Insee;

– La fréquentation touristique stagne en 2015, Bourahima Ali Hadhurami, Insee Analyses, Avril 2016, Insee;

– La fréquentation touristique reste stable en 2016, Bourahima Ali Hadhurami, Insee Analyses, Mai 2017, Insee;

– La fréquentation touristique augmente fortement en 2017, Bourahima Ali Hadhurami, Insee Analyses, Mai 2018, Insee.

\bullet Autres (Non référencé directement):

– Tableau économique de Mayotte, Edition 2010, Jean-Claude Auguste, Françoise Cazanove, Sandrine Chaouni, Vincent Gracet, Camélia Louachéni, Matthieu Morando, Rosemina Sélémani, Zaharouna Zakaria, Insee.

\bullet Exploitation des données du recensement de la population de 2012

Les données: https://www.insee.fr/fr/statistiques/2409395?sommaire=2409812

Les données utilisées sont celles du recensement de la population de 2012 à l’échelle de la commune et sont donc déclaratives. Une base de données de 118 variables peut être construite, que nous ramenons à 86 variables optimisées en fonction de la taille de l’effectif ventilé en fonction des variables d’origines. Étant donné que nous nous lançons dans une étude typologique, avec pour objectif de montrer la ressemblance entre les différentes communes (nous laissons le lecteur parcourir l’amas de publications misent en guise de source pour se faire une opinion plus précise), nous avons considéré la part en pourcentage de la ventilation des différents champs au sein des différentes thématiques pour chaque commune prise individuellement (en somme, une ligne équivaut à une commune). En effet, considérer les effectifs bruts ou bien la part en pourcentage en fonction des totaux nous mène à des résultats biaisés par le fait qu’il est évident que plus une commune concentre d’individus et de ménages et plus ses effectifs seront grands.

Deux types de données sont regroupées, celles issues du bulletin individuel et celles issues de la feuille logement.

  • Pour les premières nous avons:

– la répartition par classes d’âge en sept catégories (0-4 ans, 5-19 ans, 20-29 ans, 30-39 ans, 40-49 ans, 50-64 ans et 65 ans ou plus),

– la répartition par genre,

– la répartition par nationalité (français, étranger),

– la répartition par lieu de naissance (né à Mayotte, né ailleurs en France, né à l’Étranger)

– la répartition selon le statut matrimonial (célibataire-veuf-divorcé, marié) chez les 15 ans ou plus,

– la répartition en fonction d’être en couple ou non chez les 15 ans ou plus,

– la répartition en fonction du logement antérieur à Mayotte ou non,

– la répartition selon la Catégorie Socio-professionnelle (CSP), au sens du recensement et non du Bureau International du Travail (BIT), renseignée chez les 15 ans ou plus (a un travail, chômeur, étudiants, retraité-au foyer-autres inactifs),

– la répartition selon le niveau de diplôme chez les 18 ans ou plus (sans scolarité, sans diplôme, CEP-BEPC-CAP-BEP, BAC-BAC pro, diplôme du premier cycle, diplôme du second ou troisième cycle).

  • Et enfin, pour les données issues de la feuille de logement,

– la répartition par catégorie de logement (résidence principale, résidence vacante, logement secondaire-occasionnel),

– la répartition par aspect du bâti (habitation de fortune, habitation en dur, habitation traditionnelle-en bois),

– la répartition par type de construction pour les résidences principales (individuel, collectif),

– la répartition par statut d’occupation pour les résidences principales (propriétaire du logement uniquement, propriétaire du logement et du sol, locataire, logé gratuitement),

– la répartition par nature du sol pour les résidences principales (en terre battue, en béton, carrelage),

– la répartition par nombre de pièces pour les résidences principales (1 pièce, 2 pièces, 3-4 pièces, 5 pièces ou plus),

– la taille des ménages pour les résidences principales,

– la répartition selon l’accessibilité par véhicule pour les résidences principales,

– la répartition selon le nombre de voitures pour les résidences principales (aucune, une voiture, deux ou plus voitures),

– la répartition selon la présence ou non du confort de base pour les résidences principales (un logement est classé comme ayant le confort de base s’il a les WC, la baignoire, l’électricité et l’eau à l’intérieur du logement, si un seul de ces 4 items manque alors le logement est classé sans confort),

– la répartition selon le type d’accès à l’eau pour les résidences principales (eau froide à l’intérieur du logement seulement, eau froide et chaude à l’intérieur du logement, absence d’eau à l’intérieur et accès via une BFM, absence d’eau à l’intérieur et accès via un autre moyen qu’une BFM),

– la répartition selon la présence ou non de WC pour les résidences principales,

– la répartition selon la présence ou non d’électricité pour les résidences principales,

– la répartition selon la présence ou non de baignoire pour les résidences principales,

– la répartition selon le type d’évacuation des eaux usées pour les résidences principales (par le sol, par les égouts, par une fosse septique, ,

– la répartition selon la présence ou non de bacs à ordure pour les résidences principales,

– la répartition selon le mode de cuisson des aliments pour les résidences principales (cuisson par feu de bois, cuisson par réchaud à pétrole, gazinières, autres modes de cuisson),

– la répartition selon la présence ou non d’ordinateur pour les résidences principales,

– la répartition selon la présence ou non de téléviseur pour les résidences principales,

– la répartition selon la présence ou non de réfrigérateur pour les résidences principales,

– la répartition selon la présence ou non de congélateur pour les résidences principales,

– la répartition selon la présence ou non de lave-linge pour les résidences principales.

Cet inventaire est à garder à l’esprit pour les analyses à venir, car c’est à travers ce sous-ensemble de variables que nous établirons notre typologique. Évidemment, la considération d’autres caractéristiques amènerait à des résultats sensiblement différents, toutefois il est bon de savoir que nous avons là toutes les données socio-démographiques de base permettant d’ériger un distinguo « communes dans une situation globalement précaire » versus « communes dans plus développées ».

L’Analyse:

Notre étude se déroulera en deux étapes:

– La première étape consistera à procéder à une analyse exploratoire bivariée en faisant le point sur les corrélations entre nos différentes variables au travers des coefficients de corrélation de Pearson, Spearman et Kendall puisque nous avons un jeu de données au format exclusivement continue et que notre taille d’effectifs reste assez faible (n = 17).

– la seconde étape sera axée sur une étude typologique multivariée au travers d’une Analyse en Composantes Principales (ACP) et d’une Classification Ascendante Hiérarchique (CAH) afin de regrouper nos communes en fonction des différents profils que nous pourrons mettre en évidence.

  • L’Analyse bivariée

Donc commençons par la première phase des analyses. Nous lançons sur l’ensemble des combinaisons, de 2 variables d’intérêt parmi nos 86 variables présentes, le calcul des coefficients de corrélation cités ci-dessus, ce qui nous fait 3 655 combinaisons à éplucher. Le graphe ci-dessous présente le nombre de liaisons qui ressortent en fixant un | \rho | \leq 0.8 étant donné la taille de notre effectif,

add

En résumé sur l’ensemble de nos combinaisons et selon le seuil fixé, nous avons 8\% de corrélations significatives selon le coefficient de corrélation de Pearson, 9\% selon celui de Spearman et 2\% selon celui de Kendall. Face à autant de corrélations à parcourir, il convient de focaliser sur certaines variables importantes et partir du principe que nous aurons une vue plus exhaustive lors de l’approche multivariée. Ainsi, six thématiques ressortent comme intéressantes, les croisements: avec l’âge, le genre, l’accès à l’eau, la CSP, la nationalité et le confort des logements.

Pour les corrélations avec l’âge, quatre classes d’âges ressortent dans l’analyse bivariée. Les quatre figures qui suivent présentent les interactions avec la valeur du coefficient entre parenthèse et le sens de la corrélation (flèche):

add5

Globalement, la part des 0-4 ans croît avec celles du manque d’équipement et de la taille du logement. Assez logiquement, plus la part d’enfants en bas âge augmente et plus la part des personnes âgées diminue.

add5

Globalement, la part des 40-49 ans croît en même temps que celles des conditions de vie et notamment le fait de travailler.

add5

Globalement, la part des 50-64 ans croît en même temps que celles des équipements du ménage, des diplômés du BAC ou d’un BAC professionnel et du nombre de français.

add5

Globalement, la part des 65 ans ou plus croît en même temps que celles des français et de ceux ayant l’eau froide seulement à l’intérieur du logement. A contrario, les parts des modes de cuisson par réchaud à pétrole et des étrangers diminuent quand elle augmente.

Pour les corrélations avec le genre, aucun croisement ne ressort, à la différence de l’accès à l’eau où des corrélations ressortent pour la part de ménages ayant seulement l’eau froide à l’intérieur du logement et pour celle des ménages s’approvisionnant en eau par un autre moyen que les BFM. Les deux figures qui suivent présentent les interactions avec la valeur du coefficient entre parenthèse et le sens de la corrélation (flèche):

add5

Globalement, la part des ménages avec seulement l’eau froide à l’intérieur du ménage croît en même temps que la qualité et la taille du logement.

add5

Globalement, la part des ménage s’approvisionnant en eau autrement que par la BFM croît en même temps que celles des logements précaires.

Pour les corrélations avec la CSP, deux catégories ressortent dans l’analyse bivariée, la part de ceux qui ont un travail et celle de ceux de CSP « autre » (retraité, au foyer, autres inactifs). Les trois figures qui suivent présentent les interactions avec la valeur du coefficient entre parenthèse et le sens de la corrélation (flèche):

add5

Globalement, la part de ceux qui ont un emploi croît avec celles des équipements du ménage ainsi que celle des 40-49 ans. De plus, elle est corrélée avec le niveau scolaire.

add5

Globalement, la part de ceux ayant une CSP catégorisée « autre » croît avec l’absence d’équipements et de diplôme qualifiant. De plus, lorsque la part augmente, celles des 40-49 ans et 50-64 ans diminuent.

add5

Globalement, la part d’étudiants croît en même temps que la part des catégories de logement et la part de nés à Mayotte.

Pour les corrélations avec la nationalité, les deux catégories ressortent dans l’analyse bivariée. Les deux figures qui suivent présentent les interactions avec la valeur du coefficient entre parenthèse et le sens de la corrélation (flèche):

add5

Globalement, la part des étrangers croît avec celles des logements précaires et de locataires. De plus, quand elle augmente, celles des 50-64 ans et des 65 ans ou plus diminuent.

add5

Globalement, la part des français croît avec celles des logements de bonnes qualités. De plus, elle croît avec celles des 50-64 ans et des 65 ans ou plus.

Pour les corrélations avec le confort du logement, les deux catégories ressortent dans l’analyse bivariée. La figure qui suit présente les interactions avec la valeur du coefficient entre parenthèse et le sens de la corrélation (flèche):

add5

Globalement, l’indicateur du manque de confort reste assez robuste puisque, même s’il est basé sur uniquement quatre caractéristiques (WC à l’intérieur, baignoire, électricité, eau à l’intérieur), nous voyons que la part croît avec celles de l’absence de plusieurs autres équipements. De plus, quand elle augmente, celle des diplômés du BAC ou du BAC professionnel diminue. Notons que nous ne présentons pas l’analyse des corrélations avec la part des logements avec confort car elle nous conduit aux mêmes résultats inversés.

  • L’Analyse multivariée

La seconde étape consiste donc à procéder à une analyse exploratoire multivariée au travers d’une ACP. Dans un premier temps, déterminons le nombre de composantes factorielles à retenir, nous obtenons le graphe de l’évolution des parts de variance suivant,

add

Nous constatons que si nous nous limitons aux deux premiers axes factoriels, c’est 62\% de la variance que nous restituons. Pour une ACP cela  semble un peu faible malgré le coude que nous pouvons observer. Cependant, si nous souhaitons atteindre le gap classique de plus de 70 \%, nous nous voyons obligé d’aller jusqu’à quatre axes factoriels, complexifiant un peu trop la lisibilité. Afin de déterminer si nous pouvons nous limiter à deux composantes, prenons le temps de voir quelles oppositions chaque composante offre. Nous fixons le critère à un coefficient sur la composante supérieur à 0.7 ou inférieur à -0.7.

Pour la première composante, nous constatons l’opposition entre:

– La part des 40 à 64 ans, des ceux qui ont un emploi, de ceux ayant un BAC ou un BAC professionnel, de ceux ayant un diplôme du premier cycle, des logements en dur, des logements équipés d’un carrelage, des logements de 3 pièces ou plus, des ménages avec une voiture, des logements catégorisés comme confortable, des logements équipés en WC, baignoire, électricité, ordinateur, téléviseur, réfrigérateur, congélateur, lave-linge et des logements dont l’évacuation des eaux usées se fait par fosse septique.

Soit des logements de bonnes qualités avec une population âgée qui travaille et est diplômée.

– Et la part des 0 à 4 ans, des CSP « autre » (retraité, au foyer, autres inactifs), des non scolarisés, des logements dont le sol est en terre, des logements de 1 à 2 pièce(s), des ménages sans voiture, des logements sans confort, des logements dont l’accès à l’eau se fait hors de la maison et pas par la BFM, des logements sans WC, sans électricité, sans baignoire, sans ordinateur, sans téléviseur, sans réfrigérateur, sans congélateur, sans lave-linge, dont l’évacuation des eaux usées se fait par le sol et dont le mode de cuisson se fait par le bois.

Soit des logements de mauvaise qualité, regroupant une grande part de jeunes enfants et d’une population en CSP « autre » et non scolarisée.

Pour la seconde composante, les oppositions sont déjà beaucoup moins nombreuses et sont:

– La part des étrangers, de ceux nés à l’étranger, de ceux dont le logement antérieur n’était pas en France, de ceux ayant un diplôme du second ou troisième cycle, des locataires, de ceux ayant l’eau froide et chaude à l’intérieur du logement.

Soit une population étrangère diplômées et ayant un niveau de vie supérieur à la moyenne.

– Et la part des français, nés à Mayotte, dont le logement antérieur était à Mayotte, des étudiants et des logements vacants. Soit la population jeune et la population mahoraise.

Pour la troisième composante, nous ne comptons qu’une seule opposition significative: les logements collectifs versus les logement individuelles. Et pour la quatrième composante, aucune opposition significative.

Ce premier bilan nous permet d’argumenter le choix de nous restreindre à uniquement deux composantes étant donné que les composantes 3 et 4 n’apportent que peu d’information.

La figure ci-dessous présente la projection des variables sur les deux composantes retenues. En haut la projection de base et en bas le travail d’interprétation que nous ajoutons sur la figure de base.

add

Quatre groupes principaux et trois groupes de transitions se dégagent. L’ACP permet d’ériger une carte caractéristique du type d’habitat, ainsi nous avons en rouge des logements précaires, en bleu ceux des étrangers, en vert des logement plus confortable et en violet les logements fortunés.

En rouge (s’oppose directement au groupe vert): la population des 0-4 ans, les non scolarisés, les logements de 2 pièces, les ménages sans voiture, les logements sans confort, sans électricité, sans baignoire, sans ordinateur, sans téléviseur, sans réfrigérateur, sans lave-linge, inaccessible pour les voitures, les logements dont l’évacuation des eaux usées se fait par le sol, les ménages ayant recours à un mode de cuisson par bois.

– Le premier groupe de transition en gris, situé au dessus du groupe rouge: les ménages ayant recours aux réchauds à pétrole, les logements de fortune, les logements d’une pièce, les ménages sans eau à l’intérieur du logement et n’allant pas à la BFM s’approvisionner, les logements sans congélateur et les logements dont le sol est en terre battue.

– En bleu (s’oppose directement au groupe violet): les locataires, les résidences principales, les nés à l’étranger, les célibataires (ou veufs ou divorcés), les étrangers et les sans diplôme.

– Le second groupe de transition en gris, situé à droite du groupe bleu: les logements ayant l’eau froide et l’eau chaude à l’intérieur du logement, les diplômés du second et troisième cycle et ceux dont le logement antérieur n’était pas en France.

– En vert (s’oppose directement au groupe rouge): les logements équipés de réfrigérateur, les 40-49 ans, les logements de 3-4 pièces, ceux qui travaillent, les logements équipés de téléviseur, d’ordinateur, de baignoire, d’électricité, de lave-linge, de WC, les diplômés du premier cycle, les logements avec confort, les ménages ayant une voiture, les logements dont le sol est en carrelage et les logements dont l’évacuation des eaux usées se fait par fosse septique.

– En violet (s’oppose directement avec le groupe bleu): les diplômés d’un BAC ou d’un BAC professionnel, les logements avec congélateur, gazinière, les 50 ans ou plus, les logements de 5 pièces ou plus, les propriétaires du logement et du sol, les habitations en dur, les logements avec uniquement l’eau froide à l’intérieur et les français.

– Et le troisième groupe de transition en gris, et situé en bas du groupe violet: les nés à Mayotte, les résidences vacantes, ceux dont le logement antérieur était à Mayotte et les étudiants.

Nous avons donc une première typologie avec le groupe rouge qui présente la population des très précaires. Ensuite nous avons le groupe bleu, qui est indépendant au groupe rouge et au groupe vert, il se situe à côté des deux groupes gris de transition (gauche, précarité, et haut, développé) et qui s’inscrit finalement dans une classe intermédiaire. Puis nous avons le groupe vert qui, en opposition directe avec le groupe rouge, indique une population plus riche et qui reste très proche du groupe violet qui présente une forte corrélation en fonction de la tranche d’âge et du nombre de français. Puis nous avons le dernier groupe de transition, désignant la population des mahorais, étudiants, dont l’opposition se fait directement avec le groupe bleu des étrangers. A noter que les trois groupes de transition en gris sont indépendants les uns des autres, soit précarité, développé et jeunesse non liés.

Nous allons boucler notre étude en focalisant sur la ressemblance entre les communes au travers de la caractérisation obtenue par l’ACP. Nous avons alors la figure suivante qui présente, à droite, la projection des observations soit des communes,

add1

Afin d’objectiver le regroupement des communes, nous procédons à une classification ascendante hiérarchique et obtenons alors,

add2

Quatre profils se dégagent:

Pamandzi, Dzadouzi et Sada, dont les projections coïncident avec la typologie des zones développées.

Boueni et Kani-Kéli, dont les projections coïncident avec l’autre typologie des zones développées.

Chiconi, Mtsangamouiji, Acoua et Mtsamboro dont les projections coïncident avec la typologie des jeunes.

Mamoudzou, Chirongui, Dandrélé, Tsingoni, dont les projections coïncident avec la typologie des étrangers et des zones précaires.

Bandraboua, Koungou, Dembeni et Ouangani, dont la projection coïncident avec la typologie des zones précaires.

Nous finalisons notre étude par une représentation géographique de Mayotte en fonction des groupes conçus,

add3

\bullet Analyse spatiale de l’indice des prix

Parmi les nombreux jeux de données récupérables depuis le site de l’Insee, il en est un particulièrement intéressant : l’indice des prix à la consommation. Nous disposons ainsi d’une série chronologique allant de 1999 à aujourd’hui. N’étant pas expert sur le sujet, il semble que les données sont réajustées en fonction d’une année de référence, nommée base, faisant qu’il est difficile de travailler directement sur l’ensemble de la longueur de la série. Néanmoins, le site de l’Insee permet d’avoir une série actualisée débutant à janvier 2012 et disponible depuis cette page web (cf données complémentaires):

Série de données: https://www.insee.fr/fr/statistiques?debut=0&theme=80&categorie=2&geo=DEP-976

– Définition: https://www.insee.fr/fr/metadonnees/definition/c1557

  • Approche descriptive

L’étude d’une telle série est l’occasion de se servir des outils d’analyse liés aux séries temporelles et aux chaînes de Markov. Mais avant cela, il est d’usage de décrire cette série de données au travers d’une analyse descriptive simple.

add

Nous avons donc l’indice global des prix (bleu), celui lié à l’Alimentation (rouge), aux Services (orange), à l’Énergie (violet) et aux Produits Manufacturés (vert).

De manière général, l’indice des prix global a connu une forte hausse en 2012 qui se poursuit sur les cinq années suivantes mais de manière plus lente. Si nous nous référons au graphe, les indices des prix de l’Alimentation et des Services augmentent depuis 2012, le premier nettement plus fortement que le second. A contrario, celui des Produits Manufacturés ne fait que chuter. Concernant celui des Énergies, il a connu une lente chute de 2012 à fin 2014 puis oscille jusqu’en mi-2017 pour finalement reprendre sa croissance en fin 2017. Nous nous attendons à l’avenir à ce que l’indice des prix reprenne sa progression au vu des quatre autres courbes.

Si nous raisonnons en termes de taux de croissance mensuels, les éléments ci-dessous permettent une description plus précise du phénomène d’année en année.

add

A l’exception de l’année 2015 (-0.02%), la croissance moyenne par mois est positive pour l’indice global des prix. Si elle reste relativement faible pour les années 2013 (+0.03%), 2014 (+0.06%), 2016 (+0.05%) et 2017 (+0.02%), elle semble avoir connu un essor particulièrement important en 2012 (+0.25%). Ce dernier constat est à relativiser étant donné la forte variation décrite par le calcul de l’écart-type, 0.65 en 2012 versus 0.21 (2017), 0.31 (2013, 2016), 0.35 (2015).

L’analyse des dotplots permet une caractérisation visuelle de la variabilité des taux de croissance mensuels pour chacune de nos sept années considérées.

add.png

Cette approche met en évidence la grande variabilité des coefficients de variation pour les années 2012 et 2014. Ce sont les années 2015 et 2017 qui, finalement, ont les plus faibles variabilités. Les années 2013 et 2016 montrant une tendance globale vers des taux de croissance mensuels négatifs à l’inverse de l’année 2017 dont la tendance est plutôt positive.

Nous pouvons également passer par une approche en trimestre en posant T_1 la période de janvier, février, mars; T_2 la période d’avril, mai, juin; T_3 celle de juillet, août, septembre et T_4 pour octobre, novembre, décembre.

add.png

Il en ressort que les période avec les plus grandes variables sont le début de l’année (T_1) avec une tendance globale positive et le début du second semestre (T_3) nulle. T_4 étant particulièrement compact en termes de distribution tout comme T_2.

  • Approche par chaînes de Markov

Nous pouvons considérer une modélisation de l’indice des prix global par les chaînes de Markov. Via cette approche, il ne sera pas possible de dépasser l’ordre 3 étant donné qu’au-delà le nombre de cas devient trop faible pour établir des trajectoires suffisamment robustes.

En codant « m » le cas où le coefficient de variation est inférieur à 0 et « p » celui où il est supérieur à 0, nous obtenons les trois tableaux de trajectoires suivants avec en ligne les états précédents de la chaîne et en colonne l’état actuel:

add

En prenant soin de considérer le rapport entre pourcentage de trajectoires et nombre de cas, nous pouvons retenir les situations suivantes:

– pour l’ordre 1, nous avons 6 chances sur 10 d’observer un coefficient positif après un coefficient négatif (trajectoire: m \longrightarrow p);

– pour l’ordre 2,

\sphericalangle nous avons 6 chances sur 10 d’observer un coefficient positif après deux coefficients négatifs (trajectoire: m, m \longrightarrow p);

\sphericalangle nous avons 6 chances sur 10 d’observer un coefficient positif après un coefficient négatif suivi d’un coefficient positif (trajectoire: m, p \longrightarrow p);

\sphericalangle nous avons 6 chances sur 10 d’observer un coefficient positif après un coefficient positif suivi d’un coefficient négatif (trajectoire: p, m \longrightarrow p);

– pour l’ordre 3,

\sphericalangle nous avons 8 chances sur 10 d’observer un coefficient positif après trois coefficients négatifs (trajectoire: m, m, m \longrightarrow p);

\sphericalangle nous avons 8 chances sur 10 d’observer un coefficient positif après deux coefficients négatifs suivis d’un coefficient positif (trajectoire: m, m, p \longrightarrow p);

\sphericalangle nous avons 7 chances sur 10 d’observer un coefficient positif après deux coefficients positifs suivis d’un coefficient négatif (trajectoire: p, p, m \longrightarrow p);

\sphericalangle nous avons 6 chances sur 10 d’observer un coefficient négatifs après trois coefficients positifs (trajectoire: p, p, p \longrightarrow m).

Sur les huit cas que nous avons retenu, finalement deux sont inutiles (m, m \longrightarrow p et p, m \longrightarrow p) puisqu’ils présentent des probabilités similaires avec la trajectoire d’ordre 1 m \longrightarrow p).

En termes de prédiction, nous sommes pour le mois de décembre 2017 sur un coefficient de variation positif mais nous n’avons pas pu déterminer de trajectoire suffisamment fiable pour rester sur l’ordre 1. Si nous nous reportons à l’ordre 2, le mois de novembre 2017 est sur un coefficient de variation négatif ce qui nous renvoie au second cas de figure qui prédirait un coefficient positif en janvier 2018 dans 6 cas sur 10. En jetant un oeil à l’ordre 3, le mois d’octobre 2017 est également associé à un coefficient de variation négatif, ce qui nous prédit également un coefficient positif dans 80 \% des cas. En consultant les données de l’Insee, nous constatons cependant que l’indice passe de 118.9 à 118.8, soit une baisse, venant contredire notre prédiction.

  • Approche par série chronologique

L’échec de l’approche par chaîne de Markov est à modérer car les trajectoires retenues laissaient une grande part d’incertitude si nous prenons un peu de recul. Nous nous proposons cette fois-ci de passer par une tout autre approche, celle par série chronologique.

Nous avons donc deux points à analyser avant de pouvoir nous lancer dans les prédictions: la stationnarité et la saisonnalité. C’est deux points permettront de déterminer quel type de modèle nous devrons privilégier parmi les suivants: AR(p), MA(q), ARMA (p,q), ARIMA(p,q) ou SARIMA(p,I,q).

Ce que le graphe des auto-corrélations nous apprend:

L’étude des l’autocorrélogrammes est une étape importante dans l’analyse d’une série chronologique. Ci-dessous ceux obtenus sur nos données:

add

Nous retrouvons en haut à gauche la série de données d’origine et à sa droite l’autocorrélogramme. Ce dernier nous permet de tirer les cinq conclusions suivantes:

– Une décroissance lente des autocorrélations qui implique l’absence de stationnarité;

– L’absence d’effet « sinusoïdale » des autocorrélations impliquant qu’il n’y a pas de saisonnalité;

– L’aspect inversé qui dénote une inversion de tendance autour de la 25ème observation (soit janvier 2014) et qui peut s’expliquer par une saisonnalité observable de 2012 à 2013, tous les 6 mois, mais qui disparait pour les années 2014 à 2017;

– Des autocorrélations qui, passées un retard de 6, deviennent non significatives;

– Les autocorrélogrammes partiel (figure en bas à gauche) et inversé (en bas à droite) aurait tendance à nous orienter vers les paramètres p, q \in \{ 1, 2, 3, 4, 5 \} étant donné que pour ces lags, pas ou retard les autocorrélations restent significatives.

Cette première analyse nous permet d’exclure l’usage du modèle SARIMA qui est applicable aux séries présentant une saisonnalité et le modèle ARMA, quant à lui applicable à celles stationnaires . Nous nous orientons donc vers un modèle ARIMA.

Choix du modèle optimal:

Pour le choix du modèle optimal et donc des paramètres (p,I,q) nous allons nous baser sur les tests statistiques de Dickey-Fuller augmenté. Il faudra générer un nombre de lags, pas ou retards et fouiller dans les résultats des tests celui qui rejette l’hypothèse H_0 de racine unitaire.

Nous allons fixer un pas, lag ou retard de 1 à 12 (car nous avons des années de douze mois…) et allons observer le comportement des tests au fur et à mesure que nous augmentons le degré de différentiation I du modèle (et dont l’objectif est de rendre stationnaire notre processus afin d’optimiser les prédictions). Nous obtenons dés lors le tableaux de résultats suivants (le test « trend » pour l’étude de la tendance et le test single mean pour l’étude de l’écart à la moyenne globale):

add.png

La condition pour retenir le meilleur modèle est le nombre de différentiation I qui ne rejette pas H_0 pour les quatre tests ci-dessus. Plusieurs combinaisons ressortent, il convient alors de retenir la plus simple soit celle présentant le moins de lags, pas ou retards. C’est le cas qui nécessite 5 dérivations qui semblent répondre au mieux à nos critères. Maintenant que nous avons déterminer le paramètre I, il nous reste à déterminer les paramètres optimaux p, q. Pour cela nous allons tester les différentes combinaisons possibles dans l’ensemble que nous avons pu définir grâce à l’analyse des autocorrélogrammes et retenir celui qui minimise le critère BIC. Nous obtenons alors le tableau suivant:

add

C’est donc le modèle ARIMA(1,5,0) qui optimise la modélisation. Ce dernier étant établi, nous pouvons maintenant passer aux prédictions. Nous générons alors le graphe suivant:

add

Pour l’année 2018, les prédictions envisagées de l’indice global des prix sont alors les suivantes:

add

Si nous comparons avec les informations mises à disposition par l’Insee, il en ressort le comparatif suivant:

Pour janvier, la valeur réelle de l’indice des prix global est de 118.8, notre modèle ayant prédit une valeur très proche (118.95);

Pour février, la valeur réelle de l’indice des prix global est de 118.3, notre modèle ayant prédit une valeur peu éloignée (118.86);

Pour mars, l’Insee n’a pas publié la valeur, aucun comparatif n’est possible;

Pour avril, la valeur réelle de l’indice des prix global est de 118.7, notre modèle ayant prédit une valeur très prose (118.66);

En termes de tendance, le modèle avait prévu la chute de l’indice entre janvier et février (-0.5 pour les valeurs réelles versus -0.09 pour les valeurs prédites) mais avait également prédit une nouvelle chute pour avril alors que dans les faits l’indice global des prix est remonté (+0.4 pour les valeurs réelles versus -0.2 pour les valeurs prédites).

  • Approche par régression linéaire multiple

Afin de conclure notre analyse, nous nous proposons d’étudier la relation entre l’indice des prix global et ceux associés à l’Alimentation, aux Produits Manufacturés, à l’Énergie et aux Services. L’idée étant d’observer l’influence de chacun de ces indices sur le global. 

Étant donné la nature des données qui sont de format continue, le modèle linéaire semble le plus approprié. Reste à définir si nous allons rester sur une régression linéaire multiple ou si nous allons opter pour sa version PLS. Afin d’argumenter notre choix, regardons les matrices des corrélations de Pearson, Spearman et Kendall:

add

Les conclusions que nous pouvons tirer de la lecture de ces tableaux sont:

– Une forte corrélation linéaire entre les indices des prix de l’Alimentation et des Services avec l’indice global (respectivement c_{Pearson} = 0.9, 0.8). Ainsi, qu’une forte corrélation monotone décroissante avec les Produits Manufacturés (c_{Spearman} = -0.9). A contrario il n’y a pas de relation significative avec l’indice des prix associé à l’Énergie (c_{Pearson} = -0.5, c_{Spearman} = -0.6, c_{Kendall} = -0.4).

– L’existence d’une forte multicolinéarité entre les indices des prix de l’Alimentation, des Produits Manufacturés, de l’Énergie et des services. Notamment la présence de deux groupes de variables avec, d’un côté, les indices associés à l’Alimentation et aux Services et, d’un autre côté, ceux de l’Énergie et des Produits Manufacturés.

Les corrélations et anti-corrélations sont particulièrement fortes, par conséquent nous allons nous orienter vers un modèle linéaire PLS qui sera mieux adapté à cette situation. La subtilité revient alors à déterminer le nombre de composantes PLS à retenir pour définir les coefficients de régression finaux. Pour cela, nous allons étudier les performances du modèle en fonction de la variance expliquée pour les quatre composantes calculables:

add

Nous constatons que la première composante explique 83 \% de la variance de nos quatre variables explicatives et 69 \% avec la variable à expliquer (Indice des prix global). En poussant le nombre de composantes, nous arrivons à des résultats très bons pour trois composantes, 98 \% pour les deux. Par conséquent, le choix de trois composantes peut être retenu, ce qui nous donne les coefficients de régression linéaire PLS suivants:

add

La sortie des coefficients nous permet de déterminer le poids des différents indices ainsi que leur influence sur l’indice des prix global. Ainsi, ce sont les indices liés à l’Alimentation et aux Produits Manufacturés qui pèsent le plus dans la croissance ou la décroissance de l’indice des prix global. Et si nous nous reportons aux coefficients standardisés, nous pouvons en conclure que l’indice des prix de l’Alimentation a un impact 7 fois plus important que celui de l’Énergie et 1.5 fois plus important que celui des Services. Quant à celui des Produits Manufacturés, le rapport de force est de 6 fois plus important par rapport aux Énergies et 1.2 fois plus important pour les Services. C’est donc le rapport de force entre Alimentation et Produits Manufacturés qui sera déterminant, sachant qu’il tourne en faveur du premier avec un coefficient de 1.3 fois plus impactant que le second.

  • Publication:

– Comparaison des prix avec la France métropolitaine en 2015. Les prix sont plus élevés de 6,9% à Mayotte, Jamel Mekkaoui, Insee Analyses, Avril 2016, Insee

\bullet Synthèse des données clés liées à la Santé

add

La qualité visuelle étant assez moche, voici le format excel: Mayotte en chiffres_2

Source:

  • Publications Insee :

– Naissances 2016 à Mayotte. Une natalité record, Sébastien Merceron, Insee Flash, Août 2017, Insee;

– 9 800 naissances en 2017. Naissances domiciliées en 2017 à Mayotte, Sandrine Sui-seng, Claude Touzet, Insee Flash, Septembre 2018, Insee;

– Les décès à Mayotte en 2016. Surmortalité des enfants et des femmes de 60 ans ou plus, Chantal Chaussy, Sébastien Merceron, Julien Balicchi, Insee Flash, Mai 2018, Insee-ARS OI.

  • Publications ARS OI :

– Statiss Océan Indien: https://www.ocean-indien.ars.sante.fr/statistiques-et-indicateurs-de-la-sante-et-du-social-statiss-mayotte-reunion , ARS OI;

– Fiches nos îles, notre santé: https://www.arsoi-notresante.fr/ , ARS OI;

– Situation sanitaire Réunion et Mayotte, Julien Balicchi, Anne Barbail, Gérard Brulé, Florence Caliez, Guy-Noël Chan Wan, Chirstine Gilbert, Eric Mariotti, Fabienne Mael, Anh-Dao Nguyen, Jean-Marc Simonpieri, Hassani Youssouf, Elsa Balleydier, Elise Brottet, Laurent Filleul, Sophie Larrieu, Frédéric Pages, Jean-Louis Solet, Mélissa Bardot, Camélia Louacheni, Emmanuelle Rachou, Monique Ricquebourg, Janvier 2017, ARS OI, Cire OI, ORS OI;

– L’Enquête périnatale à Mayotte en 2010, Mélissa Cellier, Dossier statistique N°4, Mai, ARS OI.

– Panel 2016 des indicateurs de santé périnatale à Mayotte , ARSOI, Réseau périnatale de Mayotte, Centre Hospitalier de Mayotte;

– Enquête nationale périnatale 2016 et extension à Mayotte , Fanny Parenton, Hassani Youssouf, In extenso, Octobre 2018, ARS OI.

  • Publications ORS OI :

–  Regard des femmes sur la prise en charge des grossesse à Mayotte, Mars 2014, ORS OI;

– Indicateurs « Autour de la grossesse » à Mayotte, Camélia Louacheni, Avril 2014, ORS OI;

– Les interruptions volontaires de grossesse à Mayotte, Camélia Louacheni, 2017, ORS OI;

– Petite enfance, enfance et adolescence à Mayotte, Camélia Louacheni, Décembre 2017, ORS OI;

– Indicateurs sur les consommations de substances psychoactives à Mayotte, Achim Aboudou, Monique Ricquebourg, Décembre 2018, ORS OI;

– L’Insuffisance Rénale Chronique Terminale (IRCT) à Mayotte, Achim Aboudou, Septembre 2018, ORS OI.

  • Publications Santé Publique France :

– Enquête de couverture vaccinale à Mayotte en 2010, Janvier 2012, ARS OI, InVS;

– Le Diabète à Mayotte, Gaëlle Guibert, Mars 2015, ORS OI;

– État nutritionnel et activité physique à Mayotte, France: premiers résultats de l’étude NutriMay 2006, Balthazar Ntab, Pascal Gandin, Katia Castetbon, Daouda Sissoko, Michel Vernay, Décembre 2007, InVS;

– Étude MayDia 2008: Étude de la prévalence et des caractéristiques du diabète en population générale à Mayotte, Décembre 2009, InVS.

  • Autres :

– Panorama Statistique Jeunesse – Sports – Cohésion sociale: http://drees.solidarites-sante.gouv.fr/IMG/apps/panorama/index.htm , DREES.