Laboratoire - Profils fonciers par classe de population

En classe, cette activité sert à…

Cette activité sert à travailler les notions suivantes : Dictionnaire de variables, Classes de population, Médiane, Visualisation, Interprétation prudente à partir d’une question située dans le contexte suivant : Finances et fiscalité municipales. Elle demande aux étudiantes et étudiants de répondre à la question directrice suivante : Comment la part résidentielle de l’évaluation imposable uniformisée varie-t-elle selon la classe de population?

Élément	Information
Durée	45-60 minutes
Niveau	Introduction à intermédiaire
Usage recommandé	Laboratoire guidé
Préparation enseignant	Préparation requise : exécuter `Rscript datasets/budgets-municipaux-quebec/preparation.R` depuis la racine, puis vérifier que `data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv` existe.
Production attendue	Un tableau ou graphique descriptif accompagné de trois phrases d’interprétation prudente.
Données	`data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv`

Préparation enseignante

Préparation requise : exécuter Rscript datasets/budgets-municipaux-quebec/preparation.R depuis la racine, puis vérifier que data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv existe.
Fichier préparé : data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv.
Script de préparation : datasets/budgets-municipaux-quebec/preparation.R.
Point à surveiller : Faire vérifier le sens de FIALX02005 dans le dictionnaire avant tout graphique.

Questions

Quelle est l’unité statistique utilisée dans cette activité?
Quelle transformation ou agrégation est nécessaire avant de répondre à la question?
Quelle information manque pour aller plus loin?
Quelle conclusion serait trop forte avec ces seules données?
Comment formuler une conclusion prudente à partir du résultat obtenu?

Limites à faire nommer

Faire vérifier le sens de FIALX02005 dans le dictionnaire avant tout graphique.
Si une variable ou un dénominateur nécessaire n’est pas disponible dans les données, l’écrire explicitement plutôt que l’inférer.

Contexte

Le profil financier des municipalités locales contient des indicateurs financiers, fiscaux et fonciers publiés par le MAMH. Dans ce laboratoire, on utilise la ressource 2024-2025, données de 2025, pour comparer les profils selon la taille des municipalités.

La difficulté principale n’est pas le code. Elle consiste à comprendre que les colonnes FIALX doivent être lues avec le dictionnaire officiel des postes.

Objectifs d’apprentissage

Importer une table préparée issue d’une source officielle.
Identifier l’unité statistique.
Utiliser un dictionnaire de variables.
Comparer des groupes avec des statistiques descriptives.
Produire une visualisation claire et interprétable.
Écrire une conclusion prudente.

Question directrice

Comment la part résidentielle de l’évaluation imposable uniformisée varie-t-elle selon la classe de population?

Données à utiliser

Fichier préparé : data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv.

Dictionnaire préparé : data/processed/budgets-municipaux-quebec/dictionnaire_postes_profil_financier_2025.csv.

Si les fichiers ne sont pas présents, exécuter depuis la racine du projet :

source("datasets/budgets-municipaux-quebec/preparation.R")

Code de départ

# Load libraries
library(dplyr)
library(ggplot2)
library(readr)

# Import prepared data
municipalites <- read_csv(
  "data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv",
  show_col_types = FALSE
)

dictionnaire <- read_csv(
  "data/processed/budgets-municipaux-quebec/dictionnaire_postes_profil_financier_2025.csv",
  show_col_types = FALSE
)

# Check the meaning of FIALX02005
dictionnaire |>
  filter(code_poste == "FIALX02005") |>
  select(code_poste, libelle_court, type_indicateur)

# Summarise by population class
resume_classes <- municipalites |>
  filter(!is.na(classe_population), !is.na(FIALX02005)) |>
  group_by(classe_population) |>
  summarise(
    municipalites = n(),
    population_totale = sum(population, na.rm = TRUE),
    part_residentielle_mediane = median(FIALX02005, na.rm = TRUE),
    part_residentielle_q1 = quantile(FIALX02005, 0.25, na.rm = TRUE),
    part_residentielle_q3 = quantile(FIALX02005, 0.75, na.rm = TRUE),
    .groups = "drop"
  )

resume_classes

# Plot distribution by class
ggplot(
  municipalites |> filter(!is.na(classe_population), !is.na(FIALX02005)),
  aes(x = classe_population, y = FIALX02005)
) +
  geom_boxplot(fill = "#8FC7D9", color = "#1F3B57", outlier.alpha = 0.35) +
  coord_flip() +
  labs(
    x = "Classe de population",
    y = "Part résidentielle publiée",
    title = "Part résidentielle par classe de population",
    subtitle = "Profil financier 2024-2025, données de 2025"
  )

Consignes

Lire la fiche du jeu de données.
Expliquer en une phrase ce que représente une ligne.
Identifier le sens de FIALX02005 dans le dictionnaire.
Produire un tableau de résumé par classe de population.
Produire un graphique comparant les classes.
Rédiger une conclusion de 5 à 8 lignes.

Points à discuter

Pourquoi utilise-t-on la médiane plutôt que la moyenne?
Pourquoi faut-il garder les codes géographiques comme du texte?
Pourquoi ne peut-on pas conclure que la taille d’une municipalité cause un profil foncier donné?
Pourquoi ce fichier ne mesure-t-il pas directement les dépenses municipales?

Attendu

Une bonne réponse nomme l’unité statistique, cite le dictionnaire des postes, décrit une différence entre classes de population et formule au moins une limite. Une excellente réponse explique aussi pourquoi la visualisation choisie est adaptée à une distribution de 1 105 municipalités.

Fiche de mise en œuvre

Contrat pédagogique

Le statut pédagogique décrit le degré de préparation de l’activité. Il ne remplace pas la vérification de la source de données.

Objectifs d'apprentissage: Importer une table préparée issue d'une source officielle.

Identifier l'unité statistique.

Utiliser un dictionnaire de variables.

Comparer des groupes avec des statistiques descriptives.

Produire une visualisation claire et interprétable.

Écrire une conclusion prudente.

Pourquoi utilise-t-on la médiane plutôt que la moyenne?

Pourquoi faut-il garder les codes géographiques comme du texte?

Pourquoi ne peut-on pas conclure que la taille d'une municipalité cause un profil foncier donné?

Pourquoi ce fichier ne mesure-t-il pas directement les dépenses municipales?
Prérequis: Vérifier le fichier ou le script de préparation annoncé avant la séance; adapter la mise en route au niveau indiqué.
Préparation enseignante: Préparation requise : exécuter Rscript datasets/budgets-municipaux-quebec/preparation.R depuis la racine, puis vérifier que data/processed/budgets-municipaux-quebec/profil_financier_municipalites_2025.csv existe.
Production attendue: Un tableau ou graphique descriptif accompagné de trois phrases d'interprétation prudente.
Critères de réussite: La production attendue est remise : Un tableau ou graphique descriptif accompagné de trois phrases d'interprétation prudente.

Les résultats sont interprétés sans dépasser les limites de la source.
Adaptations possibles: Fournir une table préparée ou réduire le nombre de variables pour une première utilisation.

Ajouter une comparaison, une justification méthodologique ou une discussion des limites pour approfondir.

Statut pédagogique : Prête à enseigner