Revisiting the Area Deprivation Index

Cette étude propose une nouvelle version de l'Indice de Déprivation des Quartiers (ADI) recalculée à partir de données récentes du recensement pour corriger les biais de l'index actuel, démontrant ainsi une meilleure corrélation avec l'espérance de vie et la mortalité.

L'essentiel

🏠 Le Problème : La Règle qui ne mesure pas juste

Imaginez que vous voulez mesurer la "pauvreté" d'un quartier pour savoir où envoyer de l'aide. Pour cela, les chercheurs ont créé une règle spéciale appelée l'Indice de Déprivation des Quartiers (ADI). Cette règle est censée prendre en compte 17 choses différentes : le chômage, le niveau d'éducation, l'accès à Internet, le nombre de voitures, etc.

Mais il y a un gros problème avec la version actuelle de cette règle (celle fournie par le "Neighborhood Atlas") : elle est faussée.

C'est comme si vous utilisiez une balance pour peser des pommes, mais que la balance était tellement déséquilibrée qu'elle ne pesait que le poids des pommes les plus grosses (la valeur des maisons et les revenus), et ignorait complètement les autres fruits (le chômage, l'éducation, etc.).

Conséquence : Dans des villes comme New York ou Washington, où il y a des immeubles de luxe très chers à côté de quartiers très pauvres, la règle actuelle dit que tout le quartier est "riche" parce que les maisons coûtent cher. Elle devient aveugle aux vraies difficultés des gens qui y vivent. C'est comme si un médecin regardait seulement la montre en or d'un patient pour juger de sa santé, en ignorant ses symptômes.

🔧 La Solution : Refaire la règle de zéro

Les auteurs de cette étude (Keying Chen et Bradley Hammill) ont dit : "Stop ! Il faut recalibrer cette règle."

Ils ont pris les données les plus récentes (2018-2022) et ont utilisé une méthode mathématique intelligente (l'analyse en composantes principales) pour refaire la règle de zéro.

Voici ce qu'ils ont fait de différent :

1. Ils ont mis tout le monde à égalité : Avant de mesurer, ils ont "normalisé" les données. C'est comme si, avant de courir une course, ils s'assuraient que tout le monde a les mêmes chaussures, pour que la vitesse réelle compte, et pas juste la taille des pieds.
2. Ils ont mis à jour les mesures : Ils ont remplacé des vieilles mesures (comme "les maisons sans téléphone", ce qui n'a plus de sens aujourd'hui) par des mesures modernes (comme "les maisons sans Internet").
3. Ils ont ajusté les seuils : Ils ont changé les chiffres pour le revenu, car 10 000 $ en 1990, ce n'est pas la même chose qu'en 2024.

📊 Les Résultats : Une carte plus vraie

Après avoir recalculé tout cela, ils ont comparé leur nouvelle règle avec l'ancienne.

• L'ancienne règle (Neighborhood Atlas) : Dans des quartiers comme Manhattan, elle voyait tout en gris clair (tout semble riche). Elle ne voyait pas les poches de pauvreté cachées.
• La nouvelle règle (Mise à jour) : Elle voit les couleurs ! Elle montre clairement où sont les vrais problèmes. Elle distingue bien les immeubles de luxe des immeubles dégradés, même s'ils sont côte à côte.

La preuve par la santé :
Pour vérifier si leur nouvelle règle fonctionnait vraiment, ils l'ont comparée à la longévité des gens (l'espérance de vie).

• Résultat : La nouvelle règle correspond parfaitement à la réalité. Les gens vivant dans les quartiers les plus "déprivilégiés" selon leur nouvelle règle vivent 7,6 ans de moins que ceux des quartiers les plus favorisés.
• L'ancienne règle ne montrait pas cette différence aussi clairement.

🎯 En résumé : Pourquoi c'est important ?

Imaginez que vous êtes un capitaine de navire.

• Avec l'ancienne carte, vous voyez une mer calme partout, alors qu'il y a des récifs cachés. Votre bateau risque de couler.
• Avec la nouvelle carte, vous voyez exactement où sont les récifs (les quartiers pauvres) et vous pouvez éviter les dangers ou y envoyer de l'aide.

Ce que cette étude nous dit :
La nouvelle version de l'Indice de Déprivation est plus juste, plus transparente (ils ont publié leur code pour que tout le monde puisse vérifier) et elle reflète vraiment la réalité des inégalités aux États-Unis. Elle permet aux chercheurs et aux décideurs de mieux comprendre où les gens ont besoin d'aide pour la santé, l'éducation et l'emploi.

C'est une mise à jour nécessaire pour s'assurer que la boussole de la justice sociale pointe enfin vers le bon nord ! 🧭✨

Résumé technique

1. Problématique et Contexte

L'Indice de Déprivation de Zone (ADI), initialement développé par Singh en 2003, est un outil largement utilisé pour mesurer la déprivation socio-économique au niveau des zones géographiques (quartiers, tracts de recensement, comtés) aux États-Unis. Il synthétise 17 variables du recensement concernant la pauvreté, le logement, l'emploi et l'éducation.

Cependant, des critiques récentes ont émergé concernant la version actuelle de l'ADI distribuée par le Neighborhood Atlas. Les études ont montré que cet index est excessivement corrélé aux variables de valeur médiane des logements et au revenu médian. En raison d'une pondération incorrecte (manque de standardisation appropriée des données avant l'analyse), les variables à grande échelle dominent l'index, ce qui conduit à des résultats contre-intuitifs : dans des villes à forte valeur immobilière, aucune zone n'apparaît comme « dépourvue », masquant ainsi les inégalités réelles au sein de ces quartiers. De plus, la méthode de calcul du Neighborhood Atlas manque de transparence (code non disponible) et repose sur des pondérations factorielles obsolètes.

2. Méthodologie

Les auteurs (Chen et Hammill, Duke University) ont recalculé l'ADI en utilisant des données plus récentes et une méthodologie statistique rigoureuse pour corriger les biais identifiés.

• Sources de données : Utilisation des données du American Community Survey (ACS) sur 5 ans (2018–2022) aux niveaux du groupe de blocs de recensement, du tract de recensement et du comté.
• Variables : 17 mesures originales ont été conservées, avec deux modifications majeures :
  1. Remplacement de la variable « ménages sans téléphone » (devenue obsolète) par « ménages sans connexion Internet ».
  2. Mise à jour des seuils de revenu pour la variable « disparité de revenu » (passant de <10k/$50k à <20k/$125k) afin de refléter l'inflation et l'évolution des revenus depuis 1990.
• Traitement des données :
  • Gestion des données manquantes par imputation (niveau comté ou tract).
  • Transformation des variables : Pour corriger les distributions asymétriques (skewness), les auteurs ont appliqué des transformations (logarithme naturel, racine carrée, carré) à de nombreuses variables avant l'analyse.
• Analyse Statistique :
  • Utilisation de l'Analyse en Composantes Principales (ACP) pour réduire la dimensionnalité des 17 variables en un seul facteur dominant.
  • Standardisation des variables (moyenne = 0, écart-type = 1) avant l'ACP, une étape critique absente ou mal gérée dans la version actuelle du Neighborhood Atlas.
  • Calcul des scores de l'ADI comme des percentiles (1 à 100) de la distribution des scores ACP.
• Validation :
  • Validation de face : Cartographie des résultats à Washington D.C. et Manhattan pour vérifier la cohérence géographique avec les connaissances établies sur les inégalités.
  • Validation prédictive : Analyse de la corrélation entre les nouveaux scores ADI et les données de mortalité et d'espérance de vie provenant du projet USALEEP (CDC).

3. Contributions Clés

• Correction méthodologique : Démonstration que la standardisation des variables et l'utilisation de données transformées sont essentielles pour éviter la domination de l'index par les variables de valeur immobilière.
• Mise à jour des données : Passage d'un index basé sur des données de 1990/2010 à des données 2018-2022, avec des définitions de variables modernisées (ex: accès à Internet).
• Transparence et Reproductibilité : Contrairement au Neighborhood Atlas, les auteurs ont rendu publics l'intégralité du code source, les résultats de l'analyse et les valeurs de l'ADI mises à jour.
• Nouveaux poids factoriels : Fourniture de nouvelles charges factorielles (factor loadings) et de coefficients de score pour les niveaux tract, comté et groupe de blocs.

4. Résultats Principaux

• Performance de l'ACP : L'analyse a identifié un facteur unique dominant. À l'échelle du tract de recensement, ce facteur explique 46 % de la variance pour les variables transformées (contre 40 % pour les variables brutes et 52 % pour l'ADI original de 1990). L'amélioration avec les variables transformées confirme l'importance de traiter l'asymétrie des données.
• Changements dans les pondérations :
  • La charge factorielle du taux de chômage a diminué (de 0,71 dans l'original à 0,45 dans la version mise à jour transformée).
  • La charge de la valeur médiane du logement est restée forte mais mieux équilibrée par rapport aux autres variables.
  • L'importance de l'absence de plomberie complète a diminué (de 0,45 à 0,21), suggérant que cette variable est moins pertinente pour la déprivation contemporaine.
• Validité Géographique : Les cartes générées pour Washington D.C. et Manhattan montrent une hétérogénéité claire des niveaux de déprivation, contrairement à l'ADI du Neighborhood Atlas qui présentait une uniformité trompeuse dans ces zones riches.
• Associations avec la Santé :
  • Espérance de vie : Une différence de 7,6 ans a été observée à la naissance entre les tracts les moins dépourvus (quintile 1) et les plus dépourvus (quintile 5).
  • Mortalité : Les taux de mortalité spécifiques à l'âge augmentent de manière constante avec la déprivation. La différence relative est la plus marquée chez les adultes d'âge moyen (45-54 ans), où le taux de décès dans les zones les plus dépourvues est 3,2 fois plus élevé que dans les zones les plus favorisées.

5. Signification et Conclusion

Cette étude démontre que l'ADI actuel du Neighborhood Atlas souffre de défauts de construction qui biaisent ses résultats vers les indicateurs de richesse immobilière, réduisant sa capacité à capturer la déprivation multidimensionnelle.

L'ADI mis à jour proposé par les auteurs offre une mesure plus précise, robuste et équitable de la déprivation socio-économique des quartiers. Il corrèle fortement avec les résultats de santé négatifs (mortalité, espérance de vie réduite), validant son utilité pour la recherche en santé publique et l'équité en santé. Les auteurs recommandent l'adoption de cette nouvelle version par les chercheurs et les décideurs politiques, en soulignant l'importance de la transparence méthodologique et de la mise à jour régulière des indicateurs socio-économiques.