L'Antisèche #4 - Identifier les territoires prioritaires pour l'enseignement supérieur
Le Score AST : un modèle mathématique d'analyse des territoires prioritaires proposé par l'Antisèche
Après une longue pause estivale, l’Antisèche reprend du service en ce mois de septembre avec ce numéro orienté analyse de données. Après l’étude sur les inégalités territoriales de l’alternance publiée en mars, les territoires restent à l’honneur au cœur de la construction d’un indicateur maison. Abonnez-vous pour ne rater aucun numéro :
Construire un indicateur territorial : pourquoi, pour qui ?
Le modèle présenté dans cette Antisèche - le Score AST (Analyse de Sensibilité Territoriale) - a été construit à partir de données récupérées dans les bases de données de Pôle Emploi, de l’Insee et de l’Onisep en avril 2023.
Objectifs du Score AST : identifier les territoires prioritaires pour valider et maximiser l’impact de l’ouverture de nouveaux établissements dans l’enseignement supérieur.
Le Score AST présente un double intérêt, pour différentes parties prenantes de l’enseignement supérieur :
Pour les établissements et les acteurs disposant d’un pouvoir de prise de décision : le Score AST est un appui à la prise de décision pour l’implantation d’un nouveau campus ou d’une école dans les territoires et peut valider l’identification d’un besoin dans un département.
Pour les établissements, leurs actionnaires et fonds d’investissement le cas échéant, les pouvoirs publics et acteurs associatifs : le Score AST vise à valider une stratégie de développement et/ou d’investissement durable.
Cet indicateur est global, et ne prétend pas décrire avec exhaustivité la situation économique ou sociale d’un département.
Méthode de construction de l’indicateur et résultats cartographiques
Cette section détaille la construction mathématique du Score AST et présente le cœur de cette étude : la cartographie des résultats.
La construction du modèle repose sur quatre types de données départementales récentes : démographiques, géographiques, sociales et éducatives. Trois sous-indicateurs ci-dessous ont alors été construits à partir du travail sur ces données, afin d’aboutir à un premier score S. Ce premier score est ensuite centré puis réduit pour aboutir au Score AST.
Soit D = ⟦1,96⟧ l’ensemble des codes départementaux de France métropolitaine (les départements 2A et 2B sont assimilés respectivement aux entiers 20 et 96).
∀i∈D, on définit trois sous-indicateurs :
Pi un indicateur évaluant la proportion de quartiers prioritaires au sein des communes du département i
Ci le taux de chômage dans le département i
Oi un indicateur plus complexe permettant d’évaluer dans le département i l’insuffisance de l’offre d’enseignement supérieur publique et privée. Plus l’offre d’enseignement supérieur dans le département est adaptée à sa démographie, plus Oi est faible et vice versa.
∀i∈D, on définit également :
μs la moyenne arithmétique des Si
σs l’écart type des Si
Après le calcul du Score AST pour chaque département et un traitement grâce au logiciel Tableau, on obtient la cartographie ci-dessous. Les territoires prioritaires apparaissent rose foncé, les moins prioritaires vert foncé. Les départements gris se situent autour de la moyenne des Scores AST (0) :
Remarques importantes :
Les bornes -1,5 et 1,5 servent uniquement à définir l’échelle de couleurs sur la cartographie ; le Score AST n’est pas “compris entre -1,5 et 1,5”.
Les cercles blancs correspondent à une variable annexe complémentaire au Score AST (population 20-39 ans dans chaque département) pour des besoins exprimés ci-après.
Le Score AST est standardisé (moyenne de 0, écart-type de 1) afin de faciliter son interprétation. Le Score AST n’a qu’une valeur comparative (entre deux départements) et n’a pas de valeur intrinsèque.
Dès lors, comment analyser et utiliser ces résultats cartographiques ?
Le classement des départements français : comment utiliser le Score AST ?
Afin de faciliter l’aide à la prise de décision, les Scores AST peuvent être représentés sous forme de tableau :
La lecture des Scores AST sur le tableau ci-dessous doit être complétée par des variables annexes afin d’optimiser leur utilité (exemple : variable ‘Population 20-39 ans’ matérialisée par des cercles blancs sur la cartographie).
Ces données complémentaires qualitatives et quantitatives permettent d’affiner la décision d’ouverture d’une école dans un territoire : secteurs porteurs et prix moyens dans le département cible, type d’entreprises recruteuses, etc.
Exemple détaillé : quelle école ou formation implanter en Seine-Saint-Denis ?
Lecture du Score AST : la Seine-Saint-Denis apparaît largement prioritaire devant les autres départements avec un Score AST de 5,50.
Validation de la cible : le département de près de 500 000 habitants entre 20 et 39 ans (cf. carte) enregistre en effet un taux de chômage important et la plus forte concentration de quartiers prioritaires, pour une offre d’enseignement supérieur très limitée au regard de la démographie du territoire.
Analyse du bassin d’emploi : dans le 93, 43% de l’emploi est généré par des Grandes Entreprises et les secteurs des Métiers Administratifs, des Transports & Véhicules, ou Santé & Social sont particulièrement porteurs (environ 50% des offres de poste à la date de construction du modèle). Masqué sur la cartographie.
Concurrence et prix : le prix moyen annuel proposé par les groupes privés d’enseignement supérieur présents dans le 93 est de 7 550€ pour un Bac+1 à Bac+3, et 8 975€ pour un Bac+4 à Bac+5. Source : benchmark interne des établissements privés d’enseignement supérieurs français ; données masquées sur la cartographie.
Pour tous les départements, la standardisation du modèle permet de faciliter l’interprétation des Scores AST des départements et leur comparaison, ainsi que leur classification en ‘Territoire prioritaire’, ‘Territoire en tension’ ou ‘Territoire à faible risque’. Cette classification peut permettre d’appuyer une stratégie de développement et/ou d’investissement durable :
Remarques d’interprétation importantes :
Un Score AST < 0 ne traduit pas nécessairement un “département à la situation idéale” ou “non prioritaire”. La médiane des Scores AST est par ailleurs de -0,21.
Un département au Score AST de -0,23 (Isère) peut être considéré comme “davantage prioritaire” par rapport à un voisin au Score AST inférieur de -0,53 (Savoie).
Deux Scores AST identiques ne traduisent pas une égalité quant aux variables en jeu dans la construction du Score pour chaque département.
Les limites du Score AST et ses axes d’amélioration
Suite à la présentation de notre modèle et du Score AST, une dernière partie s’impose : quelles sont les limites du modèle ? Quelles sont ses éventuelles pistes d’amélioration ?
Il est nécessaire de prendre en compte des informations externes (et qualitatives) au Score AST (populations jeunes, politiques locales, bassin d’emploi, etc.), notamment pour ne pas retenir une vision biaisée de territoires aux besoins spécifiques.
Exemple : un département A à faible Score AST (inférieur à -1) a priori non prioritaire peut en réalité nécessiter une implantation d’établissements d’enseignement supérieur afin de favoriser justement une croissance démographique et industrielle, et éviter un mouvement des populations vers les grandes métropoles.
Le Score AST est construit sur des données évoluant en permanence : il est donc nécessaire de mettre à jour périodiquement la base de données à la source du modèle.
L’utilisation d’une moyenne géométrique dans la construction du Score AST est une proposition. D’autres méthodes de calcul peuvent être envisagées.
Le Score AST est un indicateur comparatif qui n’a aucune valeur intrinsèque. Un score A ne donne pas d’information précise sur différentes variables associées à un département, mais sert davantage à être comparé à un score B.
Enfin, un des atouts du Score AST est qu’il peut être facilement complété et ajusté par des données plus nombreuses et plus précises à travers davantage de sous-indicateurs imbriqués dans sa construction. Avec plus de moyens (et de temps !), le Score AST pourrait être amélioré et complété par des analyses qualitatives : types d’emplois et d’entreprises dans les départements, niveaux moyens de formation, bassins industriels majeurs, etc.
Vous avez apprécié ce numéro ? Soutenez l’Antisèche en partageant cette étude à votre réseau !
Vous souhaitez échanger davantage, proposer un thème pour une future Antisèche ou simplement laisser votre avis ? Contactez-moi par mail ou directement en commentaires.
Si vous souhaitez utiliser ce modèle et/ou les résultats de cette étude, merci de me contacter et de citer cette étude. Une utilisation commerciale nécessite un accord.
Ce numéro présente un modèle mathématique - le Score AST - permettant d’attribuer à chaque département français un score ‘de priorité’ pour l’enseignement supérieur. Plus un Score AST est élevé, plus le département est en tension en comparaison des autres départements.
Le Score AST a une double utilité :
Cumulé à l’analyse de variables annexes il permet d’identifier des territoires propices à l’implantation d’un établissement d’enseignement supérieur (cf. exemple détaillé).
Le Score AST permet également aux divers acteurs du secteur (établissements, acteurs financiers, associations, etc.) de valider une stratégie de développement et/ou d’investissement durable.
Parmi les principales limites du Score AST : un indicateur ‘global’ qui ne peut être efficace qu’appuyé de variables annexes, notamment pour éviter le biais des territoires aux besoins spécifiques ; ainsi qu’une nécessaire mise à jour régulière des données.
Très pertinent !