Show Less
Open access

Pourquoi les migrants vivent-ils plus longtemps ?

Les inégalités face à la mort en Suisse (1990–2008)

Series:

Jonathan Zufferey

Dans les sociétés postindustrielles contemporaines, les migrants ont généralement des risques de décès inférieurs aux populations des pays d’accueil bien qu’ils soient tendanciellement plus vulnérables en raison de moindres capitaux humains, sociaux et économiques. Il s’agit là d’un véritable paradoxe épidémiologique car ces facteurs sont considérés comme les causes fondamentales des inégalités de longévité. A travers le prisme de la société suisse, cette thèse présente les dernières tendances en termes de mortalité différentielle entre les populations suisse et étrangères. Par une vision globale et compréhensive, nous mettons en exergue les particularités des populations migrantes afin d’offrir des clés d’interprétation à ce fameux paradoxe. L’étude tente d’approcher la migration dans toute sa profondeur en investiguant les différentiels en fonction de l’origine et du statut migratoire. En partant des outils de la démographie classique, en passant par des modèles de régression et des arbres d’induction, pour finir par des modèles multiniveaux exprimant des risques spatiaux, la connaissance des processus et des populations s’affermit. Au terme de ce manuscrit, nous aboutissons à une synthèse sur les principaux mécanismes explicatifs. La discussion reviendra sur deux axes clés qui expriment, selon nous, l’essentiel de l’avantage observé : des biais de sélection à l’entrée et à la sortie ainsi qu’une « culture de la migration ».

Show Summary Details
Open access

Chapitre 7: Mortalité et contexte

Chapitre 7

Mortalité et contexte

Une vaste littérature évoquant le lien entre l’environnement proche et la santé individuelle a émergé au début des années 2000 (voir essentiellement Pickett et Pearl 2001 ; Diez Roux 2001 ; Sampson et al. 2002). La recherche académique a démontré que le lieu de vie peut être une source d’inégalités car il façonne les opportunités et les moyens qui mènent à des ressources sociales, psychologiques et économiques. Il détermine ainsi le pouvoir d’agir sur sa santé (Takeuchi et al. 2010). L’environnement structure les déterminants proches individuels mais passe également à travers des mécanismes purement contextuels. Pour Ellen et al. (2001), le quartier agit d’une part à court terme en modulant les comportements et les attitudes de santé ainsi que l’utilisation du système de soins. D’autre part, l’espace de vie a une influence a plus long terme avec, pour les quartiers les plus défavorisés, un processus d’érosion de la qualité de vie ; une accumulation de stress social, un triste environnement et des ressources sociales limitées rendent peu à peu les individus plus vulnérables et affectent négativement leur état de santé.

Ce chapitre va se construire autour de deux approches, une contextuelle, l’autre spatiale. Elles répondent à deux questions de recherche distinctes. Dans un premier temps, nous évaluons l’influence de l’environnement social sur la mortalité. Dans un second temps, nous cherchons à mesurer les contours géographiques du gradient de mortalité. Mais avant cela, une partie introductive présente la distribution spatiale des étrangers en Suisse.

7.1  La ségrégation spatiale

A partir des données du recensement de 1990, et dans le cadre du programme national de recherche « Migrations et relations interculturelles », Huissoud et al. (1999) s’interrogent sur la configuration spatiale des struc ← 267 | 268 → tures sociales et culturelles. Ils comparent ainsi l’implantation des populations selon la nationalité et la position sociale. Si les centres urbains attirent l’essentiel des migrants, les zones industrielles s’avèrent également attractives pour certains groupes.

Figure 7.1 – Proportion d’étrangers dans les communes et quartiers suisses, 2000

images

Notes : Pour les 17 plus grandes villes, le découpage est celui des quartiers de Schuler et al. (2005). Il y a 21% d’étrangers dans les agglomérations suisses mais ils sont 11.6% hors agglomérations.

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

En 2000, la situation n’a pas foncièrement changé. La carte 7.1 montre que la localisation des étrangers n’est pas uniforme : certains cantons, certaines communes concentrent davantage de populations étrangères. Ce sont dans les agglomérations de la région zurichoise et bâloise, de l’arc lémanique et du Tessin que les étrangers sont le plus surreprésentés car les opportunités d’emplois y sont favorables. Des proportions élevées s’observent également dans quelques localités de Suisse centrale ou des régions alpines des Grisons ou du Valais. Ce type de localisation correspond à des travailleurs dans le domaine du tourisme mais aussi à des riches étrangers à la recherche d’un cadre de vie favorable et à des conditions fiscales optimales. ← 268 | 269 →

Afin d’offrir une vision un peu plus fine de la localisation des étrangers selon l’origine, nous proposons diverses cartes à l’échelle du quartier. Le recensement de 2000 offre en effet d’énormes opportunités pour définir le lieu de vie à petite échelle (voir notamment les intéressants travaux de Panczak et al. (2012)) puisque chaque édifice se trouvant sur le territoire suisse a dûment été géocodé. Ainsi, pour chaque bâtiment se situant dans une agglomération, nous avons calculé un quotient de localisation de la distribution des étrangers1. Comme il ne s’agit que de points dans un vaste espace, nous avons adopté une méthode d’interpolation spatiale, le krigeage2, pour distribuer ces quotients de localisation. Nous avons procédé en quatre étapes à l’aide de la librairie gstat de R (Pebesma 2004) : le calcul d’un variogramme sur l’échantillon, le choix d’une distribution qui corresponde à la corrélation spatiale, le fit du modèle sur le variogramme de l’échantillon et enfin le kriegeage sur le territoire suisse à partir des points relevés.

Au final, les figures 7.2 à 7.9 illustrent la distribution spatiale des étrangers bien plus finement qu’une carte des pourcentages comme la 7.1 puisque nous ouvrons ici la porte de l’intra-urbain. Une première différenciation entre les agglomérations ressort avec une prépondérance de tous les groupes de migrants dans les trois plus importants centres économiques de la Suisse : Zurich, Genève et Bâle. En résulte une plus forte diversité dans les grandes agglomérations. A contrario, les agglomérations secondaires abritent moins d’étrangers qu’il y en a en proportion dans toute la Suisse3. Berne fait office de notable exception ; la ville fédérale, quatrième agglomération du pays, n’est que bien peu multiculturelle. Elle le doit à ses spécificités de capitale, avec des institutions (et un marché du travail) tournés sur la Confédération. En deuxième lieu, nous pouvons relever que la nationalité influence fortement le lieu d’habitation puisque nos huit groupes d’origine ne sont pas répartis de la même façon entre les villes. ← 269 | 270 →

Figure 7.2 – Quotient de localisation des étrangers d’Europe du Sud (traditionnel) dans les agglomérations suisses, 2000

images

Figure 7.3 – Quotient de localisation des étrangers d’Europe du Sud (récent) dans les agglomérations suisses, 2000

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 270 | 271 →

Figure 7.4 – Quotient de localisation des étrangers d’Europe occidentale et du Nord dans les agglomérations suisses, 2000

images

Figure 7.5 – Quotient de localisation des étrangers d’Europe de l’Est dans les agglomérations Suisses, 2000

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 271 | 272 →

Figure 7.6 – Quotient de localisation des étrangers des pays de l’OCDE dans les agglomérations suisses, 2000

images

Figure 7.7 – Quotient de localisation des étrangers d’Amérique latine dans les agglomérations suisses, 2000

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 272 | 273 →

Figure 7.8 – Quotient de localisation des étrangers des pays d’Afrique dans les agglomérations suisses, 2000

images

Figure 7.9 – Quotient de localisation des étrangers d’Asie dans les agglomérations suisses, 2000

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 273 | 274 →

Les migrations peu qualifiées d’Europe du Sud sont plutôt bien distribuées entre les agglomérations mais se concentrent néanmoins dans les centres des villes et dans certaines zones périphériques. La migration d’Europe occidentale est quant à elle davantage répartie sur l’ensemble des agglomérations et semble nettement moins ségréguée dans les villes. Les autres pays de l’OCDE se concentrent presque exclusivement sur les régions lémanique, zurichoise et bâloise et occupent densément les périphéries proches des centres. Elles ne correspondent pas aux territoires privilégiés par la migration du Sud de l’Europe ; il s’agit plutôt des quartiers aisés, comme au bord du lac à Genève ou à Zurich. Enfin, les étrangers provenant des pays du Sud (Amérique du Sud, Afrique, Asie) se trouvent principalement dans les larges agglomérations où ils occupent des zones proches du centre.

Mais quel sens donner à la répartition des étrangers sur le territoire de la Confédération et comment appréhender cette différenciation spatiale ? La distribution des étrangers n’est de loin pas uniforme, mais peut-on pour autant parler de ségrégation ? Comme le relèvent Huissoud et al. (1999, p. 7), la ségrégation sous-tend une notion d’imposition que peut subir un groupe d’individus (en général il s’agit des plus vulnérables). Or la différenciation spatiale peut aussi résulter d’une accumulation de choix individuels sans forcément dénoter d’une logique d’exclusion, comme le démontrent les intéressants travaux de Thomas Schelling (voir par exemple Schelling 1971).

La localisation des étrangers, à un niveau régional, est très probablement marquée par les choix et les opportunités. Il y a la composante du marché du travail. Le moteur de la migration vers la Suisse est l’emploi : certaines catégories de migrants – et donc d’origines – correspondent mieux à l’offre de travail d’une région et choisissent de s’y implanter pour cette raison. Il y a ensuite des paramètres historiques et culturels ainsi que l’existence de réseaux qui influencent le choix d’une destination plutôt que d’une autre. A une granularité plus fine, nous nous situons davantage dans l’ordre des contraintes. Le marché de l’immobilier étant très tendu dans les grandes agglomérations suisses, les possibilités de logement sont limitées et dépendent des ressources économiques et sociales. Les migrants subissent en moyenne des déficits dans ces capitaux et se retrouvent davantage dans les centres abandonnés par les aisés et dans les périphéries mois quotées. Huissoud et al. (1999, pp. 79-97) montrent en effet qu’il y a une véritable imbrication entre le socioéconomique et l’ori ← 274 | 275 → gine. Schaerer et Baranzini (2009) reprennent ce constat : certains migrants peuvent se trouver particulièrement discriminés et ne pas avoir d’autres solutions que des conditions de logement et d’environnement difficiles. La situation helvétique reste cependant très loin des niveaux de ségrégation américains ou français par exemple ; la ségrégation dans les grandes villes du pays est aujourd’hui faible (Schaerer et Baranzini 2009), bien qu’elle aie connue une constante augmentation entre les années 1970 et 2000 (Wanner 2004).

7.2  L’impact des variables contextuelles

Cette section a pour ambition de tester l’impact des variables environnementales sur la mortalité des étrangers et des Suisses. Pour cette partie nous nous baserons uniquement sur les populations urbaines, soit les individus qui peuplent les 17 plus grandes villes (communes) de Suisse.

7.2.1  Méthodes

Une fois encore, c’est à partir des données de la Swiss National Cohort (voir chapitre 2) que nous évaluons les différentiels de mortalité. Lors du recensement de 2000, chaque bâtiment a été géocodé4 si bien que nous connaissons la position géographique exacte des habitants. Cela permet d’abord de définir finement l’environnement social mais aussi d’appréhender la relation entre le lieu de vie et la mortalité.

Pour ces analyses, les effets de contexte sont définis à l’échelle des quartiers. Pour ce faire, nous avons choisi de nous appuyer sur les 295 quartiers créés par Schuler et al. (2005) à partir du recensement de 2000 dans les 17 plus grandes villes de Suisse. Ainsi, notre population d’intérêt comprend 904 593 individus entre 25 et 64 ans habitant dans l’une des 17 plus grandes villes de Suisse. Ils représentent quelques 6.2 millions de personnes-années et 16 600 décès. ← 275 | 276 →

Les définitions de la différenciation spatiale

Pour mesurer la ségrégation spatiale, l’indice le plus communément utilisé dans des recherches antérieures, mais aussi les plus actuelles, est l’indice de dissimilarité. D’abord défini par Duncan et Duncan (1955) pour appréhender la ségrégation entre les communautés américaines blanches et noires, cet indice se base sur la courbe de Lorenz et évalue la distance maximale entre la courbe et la diagonale d’égalité. Il peut aussi être interprété comme la proportion d’individus d’une communauté qui devraient se déplacer pour atteindre une distribution égalitaire (Massey et Denton 1988). Pour comparer différentes communautés (plus de deux), on peut définir la dissimilarité de la façon suivante :

images

avec xi la population du groupe X dans la surface i , X la population dans la ville, ti la population totale dans la surface i et T la population totale dans la ville. Cet indice oscille entre 0, distribution parfaitement égalitaire, et 1, ségrégation absolue.

L’indice de dissimilarité informe des inégalités dans la ville, dans la globalité de l’espace urbain, et n’exprime pas les différentiels au niveau micro. Pour approcher les rapports spatiaux à une plus fine granularité, nous nous baserons sur le quotient de localisation proposé par Isard en 1960. Il représente simplement le rapport entre la distribution du groupe X dans le quartier i et sa distribution dans la ville.

images

avec xi la population du groupe X dans le quartier i et X celle dans la ville, ti la population totale dans le quartier et T la population totale dans la ville.

Pour différents indicateurs, nous avons calculé des quotients de localisation de chaque quartier par rapport à la distribution dans toutes les villes. Une valeur supérieure à 1 informe d’une surreprésentation du ← 276 | 277 → groupe dans le quartier et une valeur inférieure à 1 d’une sous-représentation. Les variables contextuelles ainsi définies seront traitées dans la section à venir comme des variables quantitatives. La figure 7.10 illustre la distribution, pour les populations Suisse et étrangères, des quotients de localisation de l’éducation obligatoire, du bénévolat et d’une nationalité étrangère.

Figure 7.10 – Distribution des quotients de localisation (éducation obligatoire, bénévolat et nationalité étrangère) parmi le Suisses et les étrangers vivant dans les 17 plus grandes villes

images

Sources OFS/SNC : SNC

Les variables contextuelles que nous allons exploiter sont en réalité un agrégat des caractéristiques individuelles. Nous n’avons en effet pas la possibilité des mesurer de véritables effets de contexte en appréhendant directement les attributs de l’environnement. Nous nous approchons de fait d’une mesure compositionnelle, en posant l’hypothèse raisonnable que l’ensemble des attributs des individus qui composent un lieu de vie dénote de l’environnement social. ← 277 | 278 →

Une approche contextuelle

Pour modéliser l’impact des variables contextuelles sur la mortalité, nous modifions quelque peu le cadre méthodologique présenté à la section 5.1.2 et quittons la loi de poisson pour une binomiale (avec un logit comme fonction de lien). La raison principale est l’ambition de passer à un modèle hiérarchique permettant d’évaluer les effets des niveaux individuels et contextuels. Ce modèle qui inclut des effets fixes et aléatoires est aussi appelé régression logistique multiniveau. Il permet d’expliquer le logit de la probabilité de la survenance d’un événement (pij) pour un individu i dans un espace j en fonction de k variables explicatives. Ici, l’effet aléatoire θj, qui représente l’effet des quartiers, est distribué selon une loi normale.

images

Cette modélisation implique une base de données individuelle, un fichier personne-année, avec une variable dépendante binaire (la survenance ou non du décès). Les données ont ainsi été formatées. Par rapport aux analyses du chapitre 5, cette approche est certes moins précise quant à l’exposition annuelle – il n’y a plus d’offset – mais elle a l’avantage d’être beaucoup plus fiable dans l’estimation5 (Zuur et al. 2009).

En réglant le focus à l’échelle des quartiers, cette section se penche sur deux aspects de l’impact du lieu de vie sur la mortalité : l’influence du contexte socioéconomique et l’influence contexte socioculturel. Nous cherchons en particulier à déterminer si certaines variables environnementales ont un effet plus prononcé sur les étrangers que sur les Suisses ou inversement. Ceci démontrera si oui ou non le quartier est une clé de lecture indispensable à l’étude des inégalités de longévité des populations étrangères et suisse, ou encore s’il s’agit d’une explication du paradoxe de la sous-mortalité des migrants.

Nous construisons ici une approche multiniveau avec un intérêt porté sur l’environnement. La variance de l’effet aléatoire (var(θ)) informe de la ← 278 | 279 → variabilité spatiale entre les quartiers. Plus cette variance est élevée, plus les spécificités spatiales sont importantes. C’est par des modèles emboités que nous analyserons la valeur prise par la variance : nous descellerons ainsi si la variabilité inter-quartier est explicable par des effets de composition et/ou par des dimensions contextuelles.

Ces données spatiales ont quelques limites car on ne peut, comme le suggèrent Robert et al. (2010), offrir une véritable approche longitudinale. De même que les caractéristiques individuelles dans le chapitre précédent, les attributs géographiques considérés demeurent figés dans le temps et représentent l’état au début de l’observation (le 5 décembre 2000). Nous ne pourrons donc pas suivre le parcours de vie des individus et comment leur environnement évolue avec eux. Nous devons supposer que l’environnement n’a pas changé jusqu’à la fin de l’étude, le 31 décembre 2008. La seconde limite de ces analyses provient de la mesure des concepts que nous souhaitons approcher. Elles sont issues d’agrégation de caractéristiques individuelles ; ce ne sont, à ce titre, pas des indicateurs parfaits de l’environnement social qui incluraient, par exemple, des mesures du climat collectif.

7.2.2  L’inscription du contexte socioéconomique

Cette première partie traite de l’inscription du contexte socioéconomique. Selon Robert (1999), un quartier précaire renvoie aux faibles ressources économiques communautaires (service de soins de moins bonne qualité), à de l’insécurité (trafic, violence) et à un terne environnement physique (pollution, absence d’espace verts). La relation entre ces attributs et la mortalité a été passée en revue6 par Pickett et Pearl (2001) qui doivent constater que le lien devient modeste lorsque l’on contrôle pour les caractéristiques individuelles.

Avant de présenter les résultats, nous devons préciser que nous avons testé plusieurs façons de mesurer l’environnement socioéconomique (à travers les modalités des variables niveau d’éducation ou catégories socio ← 279 | 280 → professionnelles) et que nous avons finalement choisi de travailler avec des quotients de localisation d’éducation obligatoire, c’est-à-dire la sur- ou sous-représentation d’individus d’éducation obligatoire dans le quartier.

En plus de l’effet aléatoire, le modèle 1 ne comprend que les variables de contrôle démographiques que sont le sexe et les classes d’âge quinquennales. Le modèle 2 a pour objectif de tenir compte des principaux déterminants individuels de la mortalité que nous avons observés précédemment (voir chapitre 5). Ces variables de contrôle sociales, économiques et migratoires sont les suivantes : statut matrimonial, niveau d’éducation, catégorie socioprofessionnelle, nationalité, pays de naissance et année d’arrivée en Suisse. Enfin, le modèle 3 ajoute l’impact du contexte socioéconomique avec le quotient de localisation de l’éducation obligatoire. Avec cette construction progressive des effets, nous serons à même de dissocier les influences individuelles et contextuelles.

Le tableau 7.1 montre l’évolution de la variance de l’effet aléatoire du quartier ainsi que l’AIC permettant d’évaluer la qualité de la modélisation. Une tendance très nette apparaît avec une réduction drastique de la variabilité des quartiers entre les modèles 1 et 2, puis 2 et 3, alors que parallèlement la qualité des modèles s’améliore fortement.

Tableau 7.1 – Variance de l’effet aléatoire quartier et AIC pour 3 modélisations multiniveaux de la mortalité

images

Ces résultats signifient d’une part que la variabilité inter-quartier qui s’observe dans le premier modèle peut dans une large mesure être expliquée par des composantes sociales, économiques et migratoires individuelles (effet de composition) et, d’autre part, que la variabilité résiduelle est à son tour largement expliquée par un effet socioéconomique du quartier (effet environnemental).

Les coefficients des variables individuelles ne sont ici pas discutés mais ils sont tous, sans exception, extrêmement proches des analyses pro ← 280 | 281 → duites précédemment (voir annexe H.1). Concernant les effets du quartier, le modèle 3 montre une relation hautement significative et positive entre le gradient socioéconomique mesuré par le quotient de localisation de l’éducation obligatoire et les risques de mortalité (voir tableau 7.2) et ce, malgré la prise en compte de variables individuelles dont le niveau d’éducation et la catégorie socioprofessionnelle. L’inscription dans un quartier riche ou pauvre demeure extrêmement déterminante : toute augmentation de 10 points de pourcent du quotient de localisation multiplie le risque de mortalité par 1.02. Ainsi entre un quartier du premier décile d’éducation (QL 0.49) et un autre du dernier décile (QL de 1.54), on aurait un rapport de cote de 1.25.

Tableau 7.2 – Paramètres estimés pour des quotients de localisation d’éducation obligatoire, modèles multiniveaux de mortalité

images

Résultats significatifs au seuil de : *** 0.1%, ** 1%, * 5%, . 10%

Note : Les modèles 4 et 5 montrent des effets d’interaction. Par conséquent les lignes étranger du modèle 4 et éduc obligatoire du modèle 5 indiquent la variation de l’influence du quotient de localisation par rapport aux catégories Suisses et éduc secondaire ou sup. respectivement.

Après avoir démontré l’importance du contexte socioéconomique dans la population, nous réalisons de nouveaux modèles qui s’évertuent à prendre les effets de l’inscription socioéconomique parmi des sous-populations. Par des interactions, nous comparons alternativement l’impact du quotient de localisation d’éducation obligatoire pour les Suisses versus les étrangers, les individus d’éducation secondaire ou supérieur versus les obligatoires. Le modèle 4 comprend ainsi une interaction entre la nationalité ← 281 | 282 → (variable binaire qui comprend les catégories Suisses et étrangers). Bien que nous ayons développé un cadre théorique sur l’inscription des caractéristiques sociales dans un environnement socioéconomique, nous ne posons pas d’hypothèse concernant le sens de la relation entre ces deux variables. Les étrangers ont un niveau de mortalité plus bas, mais peu d’indications permettent de supposer qu’ils soient plus sensibles à un environnement précaire que les Suisses. Mais si tel est le cas, cela démontrerait l’importance du contexte dans la sous-mortalité des migrants.

Le modèle 5 teste l’interaction entre le niveau d’éducation individuel (avec une variable binaire éducation obligatoire et autre niveau d’éducation) et le quotient d’éducation obligatoire du quartier. Les travaux de Veugelers et al. (2001) aux Etats-Unis ainsi que de Turrell et al. (2007) en Australie ont relevé que la position socioéconomique des individus étaient plus déterminante dans les quartiers pauvres ; il y aurait ainsi plus d’inégalités dans les lotissements défavorisés.

Les résultats, pour les coefficients des quotients de localisations, des modèles 4 et 5 montrent que ces deux interactions sont tout juste significatives et d’une ampleur réduite (voir le tableau 7.2 ou l’annexe H.1 pour l’ensemble des coefficients). Il apparaît d’une part que les étrangers sont davantage affectés que les Suisses par un quartier à bas niveau socioéconomique. Nous devons par conséquent rejeter l’idée que la sous-mortalité des migrants trouve sa source dans une meilleure inscription dans un contexte socioéconomique défavorable. D’autre part, et contrairement aux recherches évoquées plus haut, les personnes à bas niveau d’éducation sont moins affectées par un lieu de vie précaire. Il n’apparaît ainsi pas d’effet cumulatif d’une position défavorable dans un environnement défavorable. Le niveau d’éducation que nous avons pris comme mesure du socioéconomique n’exprime certes pas uniquement cette dimension mais est relié avec d’autres variables sociales que nous tentons d’approcher dans la section suivante.

7.2.3  L’interaction du contexte socioculturel

Dans le premier chapitre, nous avons évoqué l’importance de l’environnement socioculturel, la transmission de normes et de comportements qui touchent les déterminants proches. Ces attitudes se développent au sein de l’environnement, en interaction entre l’individu et le contexte. Mais le ← 282 | 283 → contexte socioculturel, c’est également le capital social du quartier. Pour Ichiro Kawachi qui a fortement contribué à la définition théorique ainsi qu’à la littérature empirique de la relation entre la santé et le capital social, les actions collectives sécurisent les ressources et les services communautaires, transmettent efficacement de l’information et diffusent un bien être psychosocial valorisable (Kawachi 2010). Dans une autre recherche, Kawachi et al. (1997) font le lien entre les ressources économiques et sociales et affirment que les inégalités de revenus ont un impact fort sur la mortalité principalement car elles affectent le capital social.

Les différentes dimensions qu’englobe le contexte socioculturel sont extrêmement délicates à opérationnaliser. Lochner et al. (1999) approchent par exemple la structure sociale à travers quatre mesures : l’efficacité collective, le sens psychologique de la communauté, la cohésion dans le quartier et les compétences communautaires. Il s’agit de données d’enquêtes réalisées dans des voisinages. Pour nous, à l’échelle de la Confédération, nous devrons nous cantonner à des proxys, des mesures agrégées issues du recensement de la population de 2000. Nous choisissons d’approcher l’environnement socioculturel en termes de capital social à travers l’importance des activités de bénévolat (Schön-Bühlmann 2008).

Les bénévoles offrent leur temps à travers une activité qui bénéficie à un autre individu, groupe ou cause. A l’unanimité, les théoriciens s’accordent à dire que le bénévolat apporte du soutien social. Des effets bénéfiques du bénévolat, tant pour le donneur que le receveur, ont été observés pour la satisfaction dans la vie, l’estime de soi, la réussite scolaire et professionnelle, la santé auto-évaluée et la mortalité (Wilson 2000). A un niveau collectif, il peut donc s’apparenter à un indicateur du tissu social et influence, à ce titre, les risques de décès. Kawachi (1999) estime que les individus qui sont prêts à en aider d’autres vont davantage intervenir lorsque des comportements nocifs ont lieu dans leur quartier tels que des abus d’alcool, une consommation de drogues ou de cigarettes chez les jeunes. Weitzman et Chen (2005) montrent, par exemple, que les étudiants qui effectuent des activités bénévoles ont largement moins tendance à avoir une consommation excessive d’alcool. L’étude de Blakely et al. (2006) met toutefois un peu de nuance dans ces constatations puisque les chercheurs néozélandais n’ont pas relevé d’association entre la mortalité et un capital social mesuré par le bénévolat.

Pour tester ces effets, nous réalisons le modèle 6 qui comprend les mêmes variables que le modèle 2, mais avec en sus, le coefficient de loca ← 283 | 284 → lisation du bénévolat. Cet indice mesure la représentation des bénévoles dans le quartier par rapport à sa distribution dans l’agglomération : une valeur supérieure à 1 indique une surreprésentation des bénévoles alors qu’une valeur inférieure à 1 signifie une sous-représentation. Les résultats de ce modèle et des modèles à venir sont consultables à l’annexe H.2, alors que les coefficients essentiels sont présentés dans le tableau 7.3. La régression 6 illustre les effets positifs d’un environnement qui s’engage dans le bénévolat puisque le risque mortalité diminue avec la montée des activités bénévoles. Même si les études sur cette question sont encore assez limitées, ces résultats sont cohérents avec la littérature internationale (Murayama et al. 2012).

Tableau 7.3 – Paramètres estimés pour des quotients de localisation du bénévolat et de la nationalité étrangère, modèles multiniveaux de mortalité

images

Résultats significatifs au seuil de : *** 0.1%, ** 1%, * 5%, . 10%

Note : Les modèles 7 et 9 montrent des effets d’interaction. Par conséquent les lignes étranger indiquent la variation de l’influence du quotient de localisation par rapport à la catégorie Suisses.

Le modèle 7 ajoute une interaction entre l’importance des activités bénévoles dans la communauté et la nationalité étrangère. Des études américaines (Lochner et al. 2003 ; Kawachi 2010) ont relevé une plus forte association entre le capital social et la force de la mortalité parmi les communautés blanches que parmi les noires. Dans la situation suisse, on ← 284 | 285 → observe (tableau 7.3) une forte diminution de l’effet du bénévolat pour les étrangers. Ce résultat est révélateur ; le tissu social, une communauté forte et qui s’entraide, bénéficie aux Suisses mais laisse les étrangers quasiment absents de ce schème. Les solidarités tendent donc à être orientées vers la communauté « locale » : les activités bénévoles sont essentiellement données par des Suisses7 pour des Suisses.

Si les étrangers participent moins à des activités de bénévolat et qu’ils ne bénéficient presque pas du capital social communautaire qui en est dégagé, d’autres logiques de solidarité doivent s’exprimer. Un moyen de mesurer le soutien et le capital social pour les étrangers est d’appréhender l’importance de la communauté étrangère. Dans un article provocateur intitulé « Why not ghettos ? », Cattacin (2006) se demande si une ghettoïsation8 ne serait pas favorable à la régulation et la stabilisation des villes. Zhu et al. (2013) montrent aussi que des solidarités se développent dans les communautés et que cela favorise une insertion dans le marché du travail en temps de récession. On pourrait pousser cette réflexion et se demander si une densité d’étrangers est positive face à la mort. La revue de la littérature de Oris et Lerch (2012) démontre notamment que les communautés locales se régulent de façon très différenciée face à des crises, comme les vagues de chaleur.

L’étude d’un contexte multiculturel n’est pas une nouveauté et est très présente dans les travaux américains qui préfèrent néanmoins les termes d’ethnie (parfois) et de race (souvent). Il est vrai que le terme de race, pour différencier les noirs des blancs (et des fois encore les hispaniques), renvoie à des conditions de vie, une organisation structurelle : un fait social. La tendance est qu’une densité ethnique a un effet protecteur sur la santé grâce aux effets tampons de la cohésion et du soutien social, d’un sens plus fort de la communauté et d’une moindre stigmatisation et discrimination des minorités (Pickett et Wilkinson 2008 ; Bécares et al. 2009). Pour Berkman et Glass (2000), une forte communauté d’immigrés permet non seulement de développer le support social des migrants mais aussi d’améliorer leur intégration.

Bécares et al. (2012) proposent une revue systématique de 57 articles sur la relation entre densité ethnique et santé. Ils renvoient une image ← 285 | 286 → assez nuancée, même si une tendance à un effet protecteur ressort. Les chercheurs signalent tout d’abord de gros problèmes d’ajustement en fonction de la deprivation du quartier, si bien que les résultats sont très variables d’un article à l’autre. Pour Bécares et al., les avantages de la densité ethnique touchent davantage les communautés hispaniques que noires américaines. Pour ces dernières, la relation avec la mortalité n’est pas évidente mais on relève néanmoins des comportements de santé plus favorables dans les quartiers à forte densité ethnique.

L’étude de synthèse de Bécares et al. se focalise sur la situation américaine en considérant quelques papiers au Royaume-Uni car c’est essentiellement dans le monde anglo-saxon que ce type de recherche a été conduit. Il s’intéresse à des groupes ethniques qui subissent une forte différentiation spatiale et se retrouve piégé au bas de la stratification sociale. Les recherches qui concernent le vieux continent comme les travaux spécifiquement sur les migrants sont bien plus rares. La revue Social science & medicine fait exception puisqu’elle propose en 2012 un numéro spécial qui a pour objectif de concilier lieu, migration et santé (Acevedo-Garcia et Almeida 2012). Mais à nouveau, le focus est porté sur les États-Unis – un article compare certes les situations américaine et anglaise – si bien qu’il est difficile d’anticiper l’impact d’une densité de migrants en Suisse. Mais ayant pris connaissances des mécanismes causaux, nous posons toutefois l’hypothèse qu’une concentration d’étrangers va avoir non seulement des effets positifs sur le groupe, avec davantage de soutien et de cohésion, mais aussi sur les Suisses, avec la diffusion de la sous-mortalité des migrants.

Nous réalisons le modèle 8 qui comprend les mêmes variables de contrôle que le modèle 2 mais tient également compte de la surreprésentation des étrangers. Les résultats sont en fait assez surprenants (voir tableau 7.3) et montrent l’existence d’un fort gradient : plus la présence environnementale des étrangers est élevée, plus le taux de mortalité est fort. Paradoxalement et parallèlement à cette constatation – et comme nous l’avons martelé tout au long de ce travail-, les étrangers ont des risques de décès sensiblement plus bas que ceux des Confédérés.

Dans le modèle 9 est ajoutée une interaction entre la nationalité (en variable binaire) et le quotient de localisation. Cette interaction, tout juste significative, démontre que l’effet est plus accentué parmi les Suisses que les étrangers. Cela signifie que l’influence d’un environnement multiculturel est plus prononcée chez les Suisses que chez les étrangers. Comment ← 286 | 287 → l’expliquer alors que les apports théoriques que nous avons énoncés plus haut vont dans le sens opposé ?

Nous trouvons quelques pistes de réflexion dans le champ politique. Leigh (2006) soutient qu’en Australie, la confiance est plus basse dans les communautés hétérogènes ethniquement et linguistiquement. Putnam (2007) va plus loin dans une contribution qui a fait polémique lorsqu’il affirme que la diversité érode le capital social. Selon lui, la confiance interpersonnelle ainsi que les interactions formelles et informelles se disloquent dans les communautés hétérogènes : « diversity, at least in the short run, seems to bring out the turtle in all of us » (Putnam 2007, p. 151). Il concède toutefois que sur le long terme, la mixité a des vertus positives pour la société9.

Cette grille de lecture a évidemment fait grincer des dents, notamment en sociologie. Letki (2008) montre que c’est avant tout la position socioéconomique du quartier qui influence le capital social plutôt que la diversité ethnique. A leur tour, Gesthuizen et al. (2009) ont testé la thèse de Putnam sur 28 États européens10 et ne peuvent valider son hypothèse ; ils relèvent une fois encore l’importance des inégalités dans la constitution du capital social. Portes et Vickstrom (2011) reprennent le contexte américain et soutiennent que la diversité en tant que telle n’est pas négative pour le capital social. C’est seulement lorsqu’elle est accompagnée d’inégalités et d’une ségrégation spatiale que la mixité l’affecte.

Pour mieux saisir ces effets et afin de ne pas approcher par erreur le socioéconomique à la place de contexte culturel11, nous ajoutons le niveau d’éducation du quartier (modèle 10 annexe H.2). L’impact négatif de la surreprésentation des étrangers a disparu pour les étrangers mais demeure pour les Suisses. Si la concentration des étrangers peut être expliquée par le socioéconomique mais qu’un effet résiduel demeure, nous n’acceptons pas pour autant le raisonnement de Putnam.

Nous pensons que la mortalité est plus forte dans les contextes où il y a une surreprésentation d’étrangers, non pas en raison de la désagrégation des liens sociaux, mais plutôt car la diversité est un révélateur d’inégalités. Les étrangers subissent tendanciellement une différentiation spatiale due ← 287 | 288 →à leur basse condition économique. Ils résident en plus grand nombre dans les quartiers les plus défavorisés : plus de 95 % des quartiers avec une importante sous-représentation de Suisses (QL supérieur à 1.5) abritent davantage d’individus d’éducation obligatoire que la moyenne. L’inverse est également vrai avec une sous-représentation d’un bas niveau d’éducation parmi 75 % des quartiers où il y a plus de Suisses que la moyenne. Les deux caractéristiques sont ainsi éminemment liée, une concentration des étrangers va de pair avec un bas niveau d’éducation du quartier et s’appréhende ainsi comme un symptôme d’un environnement précaire. Peut-être nous trouvons-nous face à une déprivisation, sorte de gentrification à l’envers avec les départs des individus qui peuvent se le permettre. Eggerickx et al. (2002) constatent un tel phénomène à Namur où les nationaux et les statuts professionnels élevés ont plus tendances à effectuer une mobilité ascendante. Pour Norman et al. (2005), la sélectivité de la mobilité dans la ville est en outre extrêmement liée avec l’état de santé.

7.3  La géographie de la mortalité

Cette dernière section a pour objectif d’estimer la géographie de la mortalité et visualiser la structure spatiale des risques de décès. La distribution des décès pour de petites unités géographiques étant très variable, il est délicat d’en interpréter les contours. La présente analyse a par conséquent plus pour ambition de dégager des tendances et proposer une vision descriptive que de conclure sur une réalité objective. En effet entre 2001 et 2008, il y a 164 espaces sur 3174 qui n’enregistrent strictement aucun décès, 988 en ont moins de 5. Par conséquent, la cartographie de la mortalité brute à une fine échelle est difficilement analysable : elle ressemble davantage à une jolie mosaïque (figure 7.11) qu’à des régimes de mortalité clairement définis. C’est pourquoi nous faisons appel à la statistique bayésienne pour modéliser, en fait lisser, le risque relatif, c’est-à-dire la sur- ou sous-mortalité, par unité géographique. ← 288 | 289 →

Figure 7.11 – Risques relatifs de mortalité, individus âgés entre 25 et 64 ans, les prédictions tiennent compte de l’âge et du sexe des individus

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

7.3.1  Méthodes

Nos données proviennent une fois encore de la Swiss National Cohort (voir chapitre 2) et, pour cette partie spatiale, nous ambitionnons de couvrir l’ensemble du territoire. Mais, seuls les 6 828 680 individus du recensement de 2000 qui ont pu être géocodés ont été pris en compte. Nous appréhendons les analyses à une granularité fine : pour les 17 plus grandes villes de Suisses, nous nous appuyons sur les quartiers administratifs définis par Schuler et al. (2005) alors que pour le reste de l’espace nous travaillons avec les communes. Au final, 3174 unités spatiales parsèment le territoire helvétique dont 2896 communes et 312 quartiers de 17 villes.

L’approche choisie consiste à mesurer, pour chaque surface, un gradient spatial à travers le rapport entre le nombre de décès attendus – pré ← 289 | 290 → diction effectuée selon un modèle de régression tenant compte de différentes variables individuelles – et les décès observés. Cette mesure, passablement utilisée en épidémiologie, est le taux de mortalité standardisé (SMR). Elle a l’avantage d’être facilement interprétable et représentable. Afin d’éviter une trop importante volatilité pour les petits effectifs, il convient de lisser les taux de mortalité standardisés. Moyennant quelques détails techniques, nous serons aussi capable de tenir compte de la corrélation spatiale entre les aires géographiques ; l’hypothèse d’indépendance des processus sociaux entre des espaces contigus n’étant simplement pas plausible (Savitz et Raudenbush 2009). Les solutions développées par des statisticiens et couramment utilisées par les épidémiologues sont des méthodes de modélisation bayésienne dont nous avons tenté d’approcher les subtilités en lisant beaucoup (Lawson et al. 2003 ; Wakefield 2007 ; Lawson 2009 ; Cowles 2013).

Les bases du bayesien

Pour estimer les effets spatiaux, nous nous appuierons sur des modèles multiniveaux de type bayesien. Ils trouvent leur origine dans le théorème de Bayes publié en 1763. La statistique inférentielle bayésienne se distingue des méthodes fréquentistes et prend de l’importance dans les applications de statistiques modernes. Bien que souvent lents à estimer, ils offrent en particulier une grande flexibilité dans la spécification de structures complexes. Le bayesien se base sur une connaissance a priori des paramètres d’étude et utilise la vraisemblance des données en vue d’obtenir une distribution a posteriori du phénomène.

Soit la vraisemblance de nos données yi, i = 1,…,m,

images

avec θ un vecteur de paramètres et f () une fonction de densité.

Définissons également g(θ) comme la distribution a priori des paramètres θ. Cette distribution peut être définie par le chercheur et exprimer des connaissances a priori de la distribution mais peut aussi être non informative c’est-à-dire sans postulat sur sa forme12. ← 290 | 291 →

La distribution postérieure est alors le produit de la distribution a priori et de la vraisemblance :

images

C est une constante de normalisation afin que la somme des probabilités, donc l’aire de la distribution, soit égale à 1. Souvent, on définit la postérieure comme proportionnelle à la distribution a priori multipliée par la vraisemblance car la constante de normalisation peut être extrêmement complexe à calculer. D’ailleurs les méthodes que nous allons utiliser permettent de l’éviter.

p(θ | y) ∝ L(y | θ) · g(θ)

Les modèles bayesiens hiérarchiques définissent encore des hyperpriors ayant des hyperparamètres qui ont pour mission d’approcher les paramètres de la distribution a priori dont on ne connaît pas forcément la forme.

On parle de conjugué lorsque la multiplication d’une distribution a priori avec la vraisemblance donne une distribution postérieure connue – donc facile à calculer. Par exemple, une vraisemblance suivant une loi de Poisson avec une Gamma comme connaissance a priori donne une postérieure suivant également une loi de Gamma. Mais lorsque les choses ne sont pas aussi évidentes, les distributions postérieures sont en général estimées par des simulations itératives des valeurs des paramètres dans des chaînes de Markov. Les Markov Chain Monte Carlo (MCMC) permettent d’estimer des distributions parfois très complexes à plusieurs niveaux hiérarchiques. Lorsque les chaînes convergent vers une distribution stationnaire, on estime qu’il s’agit de la distribution que l’on cherchait à caractériser13. ← 291 | 292 →

Convergence du modèle

La question de la convergence des MCMC est souvent délicate. Il est important de s’assurer que plusieurs chaînes (avec des valeurs initiales différentes) convergent vers une même direction et décrivent une même distribution postérieure. Un critère de convergence consiste à visualiser, pour chaque paramètre, la trace ; le parcours des différentes chaînes doit en effet tourner autour d’une valeur relativement stable tout en visitant largement la distribution postérieure. La statistique de Gelman-Rubin est un second outil qui est en fait assez intuitif. Soit une estimation du modèle avec n itérations pour m paramètres avec W la variance dans la chaîne

images

B la variance entre les chaînes

images

et images l’estimation de la variance

images

Avant un état de convergence, W sous-estime la variance postérieure de θ car toute la distribution n’a pas encore été explorée. En revanche V(θ) surestime la variance de θ car les points de départs sont surdispersés par rapport à la distribution que l’on recherche14. Ainsi la statistique Gelman-Rubin se définit par :

images

← 292 | 293 →

avec, lors de la convergence, une valeur R proche de 1 puisque W et V(θ) devraient être à peu près semblables.

Estimation du taux de mortalité standardisé par unité spatiale

Dans un travail prospectif antérieur, nous avons expérimenté plusieurs méthodes de lissage du taux de mortalité standardisé (SMR) dans les communes suisses (Zufferey 2011). Nous retenons ici le modèle le plus abouti qui considère que les décès par unité spatiale sont corrélés avec la mortalité des surfaces adjacentes. C’est Besag, York et Mollié (Besag et al. 1991) qui ont prolongé les bases énoncées par Clayton et Kaldor (1987) en proposant un modèle Log-normal (BYM) avec 2 composantes. La première gère des effets qui varient de façon structurée dans l’espace (hétérogénéité corrélée) et la deuxième prend en compte les effets qui n’ont pas de structure entre les régions (hétérogénéité non corrélée).

Définissons tout d’abord le nombre de décès par unité spatiale yi. Ces décès se distribuent selon une loi de poisson dont l’espérance est exprimée par la multiplication des décès attendus (ei) et d’un paramètre de risque relatif (θi ). Ce second paramètre n’est autre que le SMR dont nous faisions état plus haut et peut être interprété comme la sur- ou la sous-mortalité dans la surface i.

yi ~ Poisson(θiei)

La distribution a priori du risque relatif θi est une log-normale définie par

log(θi) = α + ui + vi

Avec α le niveau général du risque relatif, ui l’hétérogénéité corrélée et vi l’hétérogénéité non corrélée. Cette seconde se distribue selon une loi normale :

images

Pour la corrélation spatiale, l’estimation du risque de chaque région va dépendre des voisins. On utilise alors un modèle conditionnel autorégressif (CAR) où la composante spatialement corrélée a une distribution a priori CAR ← 293 | 294 →

images

où :

images

Comme tau est inconnu a priori, il convient dans une approche bayésienne totale de fixer des hyperpriors à images et images, les paramètres qui contrôlent la variabilité des v et u. Bernardinelli et al. (1995) suggèrent une distribution Gamma que nous avons spécifiée avec des paramètres de shape = 1 et de rate = 0.01 pour être suffisamment non informative et offrir une large envergure de valeurs possibles.

Nous avons ensuite poussé un peu plus l’analyse en ajoutant, dans la modélisation du risque relatif, des attributs environnementaux du quartier ou de la commune. La distribution du risque relatif peut alors se définir comme

images

xik est une caractéristique du quartier (comme le quotient de localisation de la population d’éducation obligatoire ou le type de commune) et βk le paramètre estimé par le modèle. A tous les β, nous avons attribué comme hyperprior une distribution normale avec µ = 0 et σ2 = 10.

Cette dernière modélisation permet de tenir compte tant des effets environnementaux que nous souhaitons approcher que de la géographie de la Suisse. Nous pourrons en outre décomposer le risque pour chaque surface entre l’apport du géographique, de l’environnement et d’une hétérogénéité non expliquée. ← 294 | 295 →

Ces modèles conditionnels autorégressifs ont été implémentés avec le programme OpenBUGS15 (Lunn et al. 2009) et la librairie R2OpenBUGS de R (Sturtz et al. 2005). Nous avons en préambule dû consciencieusement préparer les données en définissant pour chaque surface l’ensemble des territoires voisins. Or, pour un espace comme la Suisse où les barrières naturelles sont des obstacles physiques, nous ne pouvons pas considérer que deux territoires pourtant frontières mais séparés par une montagne sont adjacents. C’est à l’aide de la carte du territoire des surfaces productives (Office fédéral de la statistique 2010) qui détermine la contiguïté dans les vallées alpines en fonction des particularités physiques du territoire et des bassins versants que nous avons défini, pour chaque commune et chaque quartier administratif, l’ensemble des territoires adjacents.

7.3.2  La mortalité générale

En premier lieu, nous réalisons différents modèles pour toute la population âgée en 25 et 64 ans en définissant θi, le risque relatif, selon l’équation 7.1 (voir page 293). Les prédictions, ei, sont calculées pour chaque surface selon un modèle de régression quasipoisson avec différentes variables explicatives. Nous réalisons des estimations pour les risques individuels captés par les quatre modèles prédictifs suivants :

1.  Age, sexe.

2.  Age, sexe, éducation, statut matrimonial.

3.  Age, sexe, éducation, statut matrimonial, nationalité.

4.  Age, sexe, éducation, statut matrimonial, nationalité, catégorie socioprofessionnelle, année d’arrivée, naturalisation.

Les risques relatifs sont lissés lors de l’estimation des paramètres par du MCMC. Pour trois chaînes distinctes, nous avons lancé 100 000 itérations afin d’obtenir une convergence vers la postérieure et, à partir de là, nous retenons les 10 000 chaînes suivantes pour définir la distribution des para ← 295 | 296 → mètres. Nous avons systématiquement visuellement vérifié la convergence des modèles avec la trace des chaînes, la comparaison des densités des paramètres pour chaque chaîne et la statistique de Gelman-Rubin.

Quatre cartes (figures 7.12 à 7.15) évaluent la géographie de la mortalité selon les modèles évoqués. La structuration spatiale des risques est relativement similaire entre les quatre représentations. Sur la figure 7.12, plusieurs zones de sous-mortalité sont identifiables : les régions genevoise, bernoise, la Suisse du Nord (de Bâle à Kreuzlingen), la Suisse centrale (un large spectre autour du lac des 4 cantons et s’étendant jusqu’au Lac de Zurich), les Grisons et le Tessin. Toutefois les principaux centres urbains qui se trouvent dans ces zones (Genève, Berne, Bâle, Zurich, Winterthur) se caractérisent par une surmortalité qui est d’autant plus contrastée qu’elle se trouve insérée dans des aires à basse mortalité. Le Valais, le Nord Vaudois ainsi que le Jura sont des régions où la mortalité est tendanciellement élevée.

Figure 7.12 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 1, individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 296 | 297 →

Figure 7.13 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 2, individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

Figure 7.14 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 3, individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010 ← 297 | 298 →

Figure 7.15 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 4, individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

La prise en compte dans les prédictions de l’éducation et du statut matrimonial d’abord, de la nationalité16 ensuite et enfin d’autres facteurs individuels réduit l’hétérogénéité spatiale. Les risques relatifs se concentrent vers la moyenne, car une part importante des inégalités spatiales est explicable par des facteurs individuels de composition.

Dans la représentation selon le quatrième modèle de prédiction (7.15), les différentiels observés précédemment perdurent mais ont très fortement diminué. Dans une étude très récente de la Swiss National Cohort, Moser et al. (2014) cartographient l’espérance de vie en Suisse à l’échelle des quartiers flottants17 en tenant compte des attributs individuel ainsi que du niveau socioéconomique du quartier. Nos résultats appuient leur ← 298 | 299 → analyse bien que des différences soient perceptibles18 en raison, d’une part de la méthodologie employée, et d’autre par des populations considérées19 (Moser et al. se sont intéressés aux 30 ans et plus alors que notre étude se focalise sur les individus entre 25 et 64 ans).

Les modèles que nous avons présentés lissent les risques relatifs selon la force de la mortalité dans les surfaces attenantes. S’ils laissent une petite place à une hétérogénéité spécifique à chaque espace, ils ne prennent pas en compte les caractéristiques communes qu’auraient deux territoires qui ne sont pas voisins. Par exemple, si un quartier pauvre à forte mortalité jouxte un quartier riche où la mortalité est mince, le modèle va, lorsque les effectifs sont réduits, faire tendre ces régimes vers un même niveau.

C’est pour mieux spécifier les risques tout en appréhendant l’impact de l’environnement social que nous modélisons le SMR en considérant les prédictions de la mortalité individuelle selon le quatrième modèle et des variables explicatives du contexte (voir équation 7.2). Ces variables explicatives sont le type de commune et les trois quotients de localisation20 que nous avons vus plus haut (éducation obligatoire, activité bénévole et nationalité étrangère). En agissant ainsi, nous estimons l’importance de ces variables dans un approche multiniveau et géographique. Précisons encore que pour extraire la composante du territoire, les quotients de localisation sont évalués sur les quartiers administratifs et les communes et que, contrairement à la partie 7.2, les quotients ont été calculés pour l’ensemble du territoire helvétique.

Cette ultime modélisation (figure 7.16) fait apparaître une plus importante variabilité des risques relatifs que précédemment. Le lissage est moins uniforme, moins fort ; il laisse s’exprimer les attributs sociaux de l’environnement. Pour mieux saisir l’origine des différentiels observés, nous décomposons les risques en quatre ensembles : une hétérogénéité spatiale, des risques explicables par la typologie de l’espace urbain, des ← 299 | 300 → risques liés aux variables du contexte social et une hétérogénéité résiduelle21.

Figure 7.16 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 4 et en tenant compte des attributs spatiaux (éducation, bénévolat, étranger et urbain), individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

Ces quatre composantes de la mortalité spatiale sont représentées dans la figure 7.17. Les variables du contexte social apparaissent comme les plus déterminantes dans les différentiels géographiques ; l’hétérogénéité y est effectivement la plus forte et ce, malgré la prise en compte des facteurs individuels de la mortalité.

L’apport du géographique ressort à travers plusieurs régimes : une sous-mortalité dans le Tessin, la Suisse centrale, l’Engadine, Bâle campagne et à Genève. Une surmortalité est visible dans un vaste espace comprenant le canton de Vaud, le bas Valais, Neuchâtel et le Jura, mais d’autres zones de apparaissent également comme le canton de Schaffhouse, autour de Davos, l’est du canton St-Gall et une partie de la ville de Zurich. Dans une étude récente, Wanner et Lerch (2012a) discutent l’origine des différentiels d’espérance de vie selon la géographie de la Suisse. Ils y évoquent 4 facteurs : la structure sociale (nous venons de montrer qu’elle est très importante), l’accès aux services de soins (on s’accorde à dire qu’il y a peu ← 300 | 301 → d’écarts dans la Confédération), des comportements de santé différenciés (il n’existe pas différentiel cantonal ou régional qui soit bien établi) et l’exposition à des atteintes environnementales (hormis l’environnement physique qui peut être plus propice à des accidents de la route ou à des pollutions, nous tenons compte des effets de contexte). Si nous rejoignons les auteurs sur les facteurs évoqués, aucun n’est vraiment à même de clarifier l’origine de ces disparités géographiques. D’autres études sur le temps long sont nécessaires pour pouvoir éclaircir ces résultats.

Figure 7.17 – Décomposition des risques relatifs issus de la carte 7.16 en fonction du contexte social, de la typologie de l’urbain, d’une hétérogénéité spatialement corrélée et d’une hétérogénéité résiduelle, individus âgés entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

La troisième carte illustre spécifiquement le différentiel entre urbain, péri-urbain et rural avec une légère surmortalité dans les centres urbains. Comme l’ont observé Wanner et Lerch (2012a), il y a eu, dès les années ← 301 | 302 →1960, une importante mobilité des classes aisées délaissant les centres pour aller habiter dans les zones péri-urbaines. Les centres se sont précarisés et sont désormais davantage composés des classes populaires. L’environnement social et physique y est moins favorable. Le fait que cette typologie de l’urbain continue à jouer un rôle malgré les variables sociales révèle des spécificités que nous n’avons pas pu capter par la composition ou les facteurs environnementaux mais qui découlent des mêmes logiques.

Enfin l’hétérogénéité résiduelle, ou non expliquée par les trois autres composantes, est extrêmement faible. Peut-être car nos modèles sont extrêmement bons, sans doute aussi car le nombre total de décès n’est pas suffisamment conséquent pour que des différentiels émergent et ne soient pas complètement lissés par les modèles.

7.3.3  La mortalité des étrangers

Cette même procédure a été répétée pour décrire les différentiels chez les populations d’origine étrangère. La cartographie de la mortalité selon le quatrième modèle de prédiction (mais calculé uniquement sur la population étrangère) et pour un modèle bayesien tenant compte des effets de contexte est présenté à la figure 7.18. Les tons apparaissent beaucoup plus rouges, comme si la surmortalité spatiale était davantage la norme chez les étrangers. Mais c’est essentiellement dans les régions rurales, là où la présence des étrangers est la plus faible, que les risques de décès sont les plus élevés.

Comme les migrants n’habitent pas uniformément le territoire, une carte fausse un peu la représentation en donnant plus d’espace à des surfaces beaucoup moins denses. Pour rééquilibrer la représentation, l’aire de chaque surface a été pondérée proportionnellement à l’importance des étrangers. Pour ce faire, nous avons utilisé le logiciel ScapeToad (Andrieu et al. 2008) pour créer une anamorphose en déformant le maillage selon l’algorithme de Gastner et Newman (2004). C’est sur la droite de la figure 7.18 que nous proposons cette représentation qui donne à chaque surface un poids proportionnel aux personnes-années vécues par les étrangers entre 2001 et 2008. Sans surprise, les aires majeures sont les régions zurichoise, genevoise, bâloise et lausannoise.

S’il est plus difficile de se repérer sur cette seconde carte, elle fait presque disparaître les zones à forte surmortalité. Avec l’anamorphose, c’est en Valais, dans le Nord-Est de la Suisse, dans l’arc jurassien mais ← 302 | 303 → aussi dans certains quartiers de Zurich, Genève et Bâle que des vulnérabilités ressortent.

Figure 7.18 – Risques relatifs de mortalité lissés par un modèle Bayesien selon les prédictions individuelles du modèle 4 et en tenant compte des attributs spatiaux (éducation, bénévolat, étranger et urbain), populations étrangères âgées entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

La décomposition des différentiels en quatre sources – contexte social, hétérogénéité spatiale, typologie de l’urbain et hétérogénéité résiduelle – montre à nouveau l’importance du contexte social dans l’explication (figure 7.19). Selon ces critères, les régions de sous-mortalité se situent dans l’arc lémanique ainsi que dans les périphéries bernoise, bâloise et zurichoise22. Or, ces avantage sont atténués pour la région genevoise et la ville de Zurich par une hétérogénéité spatiale qui a une influence négative sur la survie. Malgré des profils plus favorables, les deux plus grandes villes de Suisses font apparaître de fortes inégalités selon les quartiers (revoir la carte 7.18). L’Est de la Suisse et, plus encore, le Valais se caractérisent par un risque relatif géographique plus élevé que la moyenne alors que les dimensions du contexte social leur étaient déjà peu favorables. Il semble que se soit dans ces régions que les étrangers sont les plus vulnérables. La carte de l’urbain fait ressortir la même différenciation que pour toute la population avec un monde rural ou peri-urbain plus favorable que les villes. ← 303 | 304 →

Figure 7.19 – Décomposition des risques relatifs issus de la carte 7.18 en fonction du contexte social, de la typologie de l’urbain, d’une hétérogénéité spatialement corrélée et d’une hétérogénéité résiduelle, populations étrangères âgées entre 25 et 64 ans

images

Sources OFS/SNC : SNC

Fond de carte : © OFS, ThemaKart 2010

Même si l’hétérogénéité résiduelle est anecdotique, il faut rester prudent avec les résultats que nous venons de présenter sur les populations étrangères car seuls 9369 décès ont été observés. Les risques relatifs se situent généralement dans des intervalles de crédibilité à 95 % qui comprennent la valeur 1. Il n’est ainsi pas possible d’affirmer que les différentiels soient véritablement significatifs ; cette représentation du territoire suisse relève plus du descriptif que de l’inférentiel. ← 304 | 305 →

7.4  Synthèse

Ce dernier chapitre a permis d’approfondir l’étude des liens entre la mortalité et le contexte. Une attention particulière a été portée à la mesure de l’environnement que nous avons défini à l’échelle du quartier afin de se situer dans le lieu où les habitus culturels de l’individu et ceux de son environnement interagissent.

Nos résultats montrent très clairement une influence du contexte socioéconomique sur les risques de décès des individus qui partagent un même environnement. Il en ressort un impact prépondérant du contexte socioéconomique malgré la prise en compte des caractéristiques individuelles. Nous avons ainsi constaté que la somme des attributs individuels prend un sens collectif ; comme l’a relevé Subramanian (2004, p. 1962) : « people make places and places make people ».

Selon les recherches théoriques antérieures, un environnement à bas niveau socioéconomique implique de faibles ressources communautaires (service de soins de moins bonne qualité), de l’insécurité (trafic, violence) et un terne environnement physique (pollution, absence d’espace verts). En Suisse, ces facteurs sont modestes en raison de la faible différenciation spatiale. Par conséquent, d’autres phénomènes s’inscrivent dans les quartiers déshérités. Macintyre et al. (1993) évoquent des mécanismes qui affectent directement les déterminants proches individuels et touchent aux comportements et aux attitudes envers la santé ou concernent un stress et un manque de support social. La clé des effets de précarité contextuelle se trouve, selon nous, dans ces dernières dimensions. Dans les quartiers les plus défavorisés, nous avons relevé un effet propre environnemental qui touche davantage les étrangers que les Suisses. L’inscription du contexte socioéconomique n’apparait donc par comme une clé d’explication de la sous-mortalité des migrants.

L’influence de l’environnement socioculturel a ensuite été approchée par le bénévolat (à un niveau communautaire) qui peut est considéré comme un bon indicateur du tissu social. S’il affecte la population dans son ensemble, il se répartit inégalitairement entre les communautés. Les étrangers sont ainsi partiellement exclus des effets bénéfiques d’un capital social du quartier (mesuré par le bénévolat). Ces types de solidarité semblent essentiellement se diffuser dans les communautés locales. Pour les étrangers, nous avons alors testé, si au même titre qu’aux États-Unis, ← 305 | 306 → une densité ethnique avait des effets de cohésion et de soutien social pour la communauté qui y réside. Or, c’est tout le contraire qui ressort de nos analyses, les quartiers à fortes populations étrangères se caractérisent par une surmortalité.

Une analyse plus détaillée montre que les fragilités des quartiers multiculturels affectent davantage les personnes de nationalité suisse. Si les Confédérés sont plus vulnérables dans un tel environnement, cela reflète l’expression simultanée de la position sociale et de l’origine dans la ségrégation spatiale. En Suisse, des poches de pauvreté subsistent et se caractérisent par une surreprésentation de la population étrangère et des plus pauvres. Et c’est justement dans ces zones que la mortalité est la plus féroce mais elle affecte surtout les Suisses.

La dernière partie de ce chapitre évalue la géographie de la mortalité. Cela mène à identifier des espaces où les risques de décès sont plus forts indépendamment des caractéristiques individuelles et contextuelles. Cette section fait ressortir à nouveau l’importance des facteurs sociaux contextuels. ← 306 | 307 →


1      Voir la section 7.2.1 pour les détails du calcul.

2      Ce genre de méthode est typiquement utilisé en météorologie ou en écologie lorsque l’on dispose d’une information en quelques lieux précis et que l’on souhaite interpoler ces données à tout un espace.

3      C’est le cas dans les 20 agglomérations suivantes : Aarau, Berne, Bienne, BrigVisp, Bulle, Burgdorf, Chur, Delémont , Fribourg, Interlaken, Lachen, Luzern, Rapperswil-Jona-Rüti, Schwyz, Sion, Solothurn, Stans, Thun, Wetzikon-Pfäffikon, Winterthur.

4      Quelques rares bâtiments et leurs habitants ont certes échappé à ce processus.

5      Des essais sur des modèles hiérarchiques Quasipoisson (ou même Poisson) ne convergent pas face à notre importante base de données.

6      Cette revue de la littérature concerne essentiellement le monde anglo-saxon où cette problématique y est très présente. Sur les 25 papiers retenus par Pickett et Pearl (2001), seulement une recherche concerne la Finlande et une autre les Pays-Bas (mais avec 2 articles) ; toutes les autres ont pour région d’étude les Etats-Unis ou la Grande-Bretagne.

7      Dans la section 3.4.2, nous avons étudié la pratique du bénévolat dans la population.

8      Selon ses termes, les ghettos devraient à la fois concentrer des populations similaires sur les plans ethnique et socioéconomique.

9      Le titre de la présentation de Putnam était en effet E pluribus unum.

10    La Suisse n’est pas comprise dans leurs données.

11    Précédemment, la figure 7.10 avait en effet montré une surreprésentation des étrangers dans les quartiers défavorisés.

12    Avec par exemple une loi uniforme ou une loi normale avec une variance importante.

13    Il existe deux principaux algorithmes MCMC, le Metropolis-Hastings et le Gibbs sampling qui évitent le calcul de la constante de normalité en calculant une probabilité de transition par le rapport des postérieures entre l’état xi et xi+1. Le Gibbs sampling a largement été popularisé par le programme WinBUGS de Lunn et al. (2000).

14    Il convient évidemment de choisir de bonnes valeurs initiales, suffisamment différentes, pour que cela fasse sens.

15    Développé par les mêmes concepteurs, OpenBUGS est la version open source de WinBUGS. Or, c’est uniquement sur cette version ouverte que les développements actuels sont implémentés.

16    L’impact de la nationalité est en fait un peu contrasté car si tendanciellement l’hétérogénéité se réduit, les inégalités s’accroissent dans certaines villes comme Genève et Zurich. La mortalité des migrants semble ainsi plus forte dans ces zones qu’ailleurs. Mais nous aurons l’occasion d’y revenir dans la partie suivante.

17    Pour estimer la géographie de la mortalité, les chercheurs calculent des moyennes mobiles entre les surfaces.

18    Ces différences concernent principalement l’arc lémanique et une vaste aire autour du lac de Zurich qui ressortent plus favorablement dans l’étude de Moser et al.

19    Les dynamiques spatiales et sociales n’affectent pas de la même façon les individus selon leur étape dans le parcours de vie. L’étude de Moser et al. montre d’ailleurs que les gains d’espérance de vie en fonction du quartier se réduisent avec l’augmentation de l’âge.

20    Dans cette section, les quotients de localisation ont été modélisés comme des variables catégorielles et non pas des variables numériques comme dans la section précédente.

21    Chacune de ces dimensions peut être extraite du calcul du SMR, voir équation 7.2.

22    La Goldküste zurichoise présente des risques particulièrement bas.