🔎 1. Objectif de l’analyse
Le profil synthétique de chaque commune hainuyère est construit à partir d’un ensemble d’indicateurs issus des profils communaux disponibles sur Hainaut Stat.
L’objectif est triple :
- Identifier les dimensions latentes structurantes caractérisant les communes
- Sélectionner les indicateurs les plus discriminants au sein de chaque dimension
- Positionner chaque commune par rapport à la distribution observée à l’échelle provinciale
⚙️ 2. Approche méthodologique globale
La démarche repose sur une analyse multivariée exploratoire, articulée autour d’ :
- Une réduction dimensionnelle via une ACP
- Une sélection d’indicateurs pertinents
- Une standardisation statistique
- Une construction de scores synthétiques
- Une discrétisation interprétative
📊 3. Analyse en Composantes Principales (ACP)
🔬 Principe
Une ACP (Analyse en Composantes Principales) est utilisée afin de :
- Réduire la dimensionnalité des données
- Identifier des axes factoriels orthogonaux maximisant la variance expliquée
- Mettre en évidence des structures latentes
⚙️ Implémentation technique
- Données : variables quantitatives de type taux et ratios
- Logiciel : R
- Packages utilisés :
- FactoMineR → calcul de l’ACP
- factoextra → visualisation
Dimensions identifiées
L’ACP a permis d’identifier 5 dimensions structurantes, interprétées comme des axes continus :
| Dimension | Interprétation |
| Niveau de vie | De la précarité à l’aisance socio-économique |
| Urbanisation | Du rural au fortement urbanisé |
| Dynamisme démographique | Du déclin à l’attractivité résidentielle |
| Vieillissement | Des populations jeunes aux populations âgées |
| Attractivité économique | Faible polarisation → forte concentration d’emplois |
🔽 4. Sélection des variables (réduction dimensionnelle)
🎯 Critère retenu
Les variables ont été sélectionnées sur base de leur corrélation avec les axes factoriels (charges factorielles) :
- Seuil retenu : |r| ≥ 0,5
- Objectif : conserver uniquement les variables fortement contributives
📌 Variables retenues par dimension
Niveau de vie
| Indicateur | Corrélation |
| Revenu annuel médian par déclaration (€) | -0,87 |
| Niveau d’Instruction élevée (%) | -0,81 |
| Niveau d’Instruction faible (%) | 0,87 |
| Part des mineurs dont parents sans revenu du travail (%) | 0,91 |
| Part des bénéficiaires RIS parmi les 18-64 ans (%) | 0,91 |
| Taux de chômage (%) | 0,85 |
| Part des bénéficiaires de la GRAPA (%) | 0,82 |
Urbanisation
| Indicateur | Corrélation |
| Taux d’offre foncière disponible en zone d’habitat (%) | -0,64 |
| Densité de population (habitants/km²) | 0,82 |
| Part des terrains artificialisés (%) | 0,78 |
| Part des familles monoparentales (%) | 0,80 |
| Surface résidentielle par habitant (m²/hab.) | -0,86 |
Dynamisme démographique
| Indicateur | Corrélation |
| Taux de croissance décennale des 18–64 ans (%) | 0,83 |
| Taux d’accroissement migratoire annuel moyen (%) | 0,70 |
| Taux de croissance décennale de la population (%) | 0,83 |
Vieillissement
| Indicateur | Corrélation |
| Indice de vieillissement | 0,59 |
| Taux brut de natalité (%) | -0,51 |
| Taux de croissance décennale des plus de 65 ans (%) | 0,58 |
Attractivité économique
| Indicateur | Corrélation |
| Part de la mobilité entrante (%) | 0,50 |
| Ratio d’emploi intérieur | 0,79 |
| Ratio d’attractivité | 0,79 |
⚠️ Remarque méthodologique importante
- Certaines variables présentent des corrélations négatives
- Afin d’assurer une cohérence interprétative, les signes ont été harmonisés
👉 Exemple : inversion pour que des valeurs élevées traduisent systématiquement une situation favorable (ex : niveau de vie élevé)
📏 5. Standardisation des variables (Z-score)
🔬 Objectif
Rendre les variables :
- comparables
- centrées
- indépendantes de leur unité
📐 Formule
z=σx−μ
📊 Interprétation
| Z-score | Signification |
| 0 | Moyenne |
| +1 | 1 écart-type au-dessus |
| -1 | 1 écart-type en dessous |
⚠️ Précision méthodologique
La standardisation est réalisée :
- variable par variable (et non sur la somme)
- à partir de la distribution observée à l’échelle provinciale
📈 6. Construction des scores synthétiques
Méthode
Pour chaque dimension :
1/n∑z
👉 Moyenne des Z-scores des variables associées
🎯 Interprétation
- Score > 0 → commune au-dessus de la moyenne provinciale
- Score < 0 → commune en dessous
7. Discrétisation des scores
Afin de faciliter la lecture, les scores continus sont transformés en classes ordinales :
| Intervalle Z-score | Catégorie | Interprétation |
| < -1,5 | Très faible | Forte sous-performance |
| [-1,5 ; -0,5] | Faible | Sous la moyenne |
| [-0,5 ; 0,5] | Moyen | Proche de la moyenne |
| [0,5 ; 1,5] | Élevé | Au-dessus de la moyenne |
| > 1,5 | Très élevé | Forte surperformance |