Introduction

2Dès le début de la pandémie de COVID-19, de nombreuses études ont mis en évidence des disparités sociales et spatiales dans la surmortalité toutes causes confondues [Andersen et al., 2021 ; Bermudi et al., 2020 ; Gibertoni et al., 2021 ; Harris, 2020 ; Krieger et al., 2020 ; Rodriguez-Villamizar et al., 2021 ; Sa, 2020] et les ont expliquées par des événements spécifiques (grands événements de type « super-propagateur ») et/ou des facteurs accélérateurs connus dans la dynamique d’une épidémie de maladie infectieuse (désavantage social et économique, densité urbaine ou morbidités spécifiques). Des liens ont également été mis en évidence avec des facteurs démographiques, sociaux et culturels [Bermudi et al., 2020 ; Harris, 2020 ; Bambra et al., 2020 ; Hawkins et al., 2020 ; Khalatbari-Soltani et al., 2020 ; Seligman et al., 2021], des facteurs environnementaux tels que la densité de population, le logement et l’environnement physique [Drees, 2020 ; Han et al., 2021] mais aussi avec le statut professionnel et les déplacements domicile-travail [Almagro et Orane-Hutchinson, 2020], l’état de santé initial, les comorbidités et l’accessibilité aux soins [Gibertoni et al., 2021 ; Aguiar et Stollenwerk, 2020 ; Hamidi et al., 2020 ; Ji et al., 2020 ; Mansour et al., 2021 ; Perone 2021].

3Ces études cherchaient à étudier les caractéristiques sociales et contextuelles susceptibles d’expliquer les variations spatiales de la surmortalité. Cependant, à notre connaissance, elles n’incluaient généralement qu’un nombre limité de déterminants issus d’une dimension socio-contextuelle donnée et/ou n’étaient réalisées qu’à une échelle géographique assez large (région, département ou comté par exemple).

4Etant donné que les informations consolidées sur les décès dus au COVID-19 étaient alors indisponibles et que les pouvoirs publics avaient néanmoins à organiser la réduction de la propagation de l’infection et de la mortalité, il aurait été souhaitable qu’ils puissent disposer d’informations sur les zones potentiellement les plus à risque. Ainsi, certaines études énonçaient l’utilité d’évaluer l’impact, sur la surmortalité générale en première vague épidémique, des facteurs sociodémographiques et contextuels à des échelles géographiques de plus petite taille que les départements [Nicodemo et al., 2020 ; Sarkar et Chouhan, 2021 ; Snyder et Parks, 2020].

5Dans la présente étude, (i) nous délimitons, en Île-de-France, des groupes d’intercommunalités présentant des profils homogènes relativement à différents facteurs de risque associés à une surmortalité toutes causes en période épidémique ou à une surmortalité potentielle par COVID-19, d’après la littérature disponible au printemps 2020 ; (ii) nous déterminons si ces différents groupes d’intercommunalités ont effectivement connu des niveaux de surmortalité différents. Dans une perspective d’aide à la décision en cas d’épidémie future, notre objectif est d’identifier si les caractéristiques des territoires et des populations qui les habitent peuvent permettre d’identifier les secteurs potentiellement les plus à risque et ce, en l’absence de données épidémiologiques permettant d’identifier les secteurs les plus touchés par la maladie.

Méthode

Région d’étude

6Notre analyse est centrée sur la région Île-de-France. Cette dernière abrite 19 % de la population française, soit 12,3 millions d’habitants en 2020. L’Île-de-France, région capitale et centre économique le plus important de France (environ 31 % du PIB), est l’une des 104 grandes régions socio-économiques telles que définies par le premier niveau de la nomenclature des unités territoriales statistiques (NUTS) d’Eurostat. C’est par ailleurs la région est la plus inégalitaire socialement et économiquement de France [Sagot, 2019]. Elle est également très fortement contrastée dans sa structuration urbaine puisqu’elle contient à la fois une agglomération urbaine centrale particulièrement dense, des espaces périurbains et des espaces ruraux d’habitat dispersé [Sagot, 2019]. C’est également une des régions de France qui fut le plus fortement impactée par la première vague de la pandémie de COVID-19 [Desrivierre et Fabre, 2020].

8La taille de ces entités territoriales varie de 17 000 habitants pour les EPCI les plus rurales à 2,2 millions d’habitants pour l’EPT de Paris. Les EPCI dans les espaces à dominante urbaine comptent en moyenne 285 000 habitants, tandis que les EPCI dans les espaces à dominante périurbaine et rurale comptent en moyenne 38 000 habitants. En termes de décès ces chiffres se traduisent par un nombre moyen de décès sur la période considérée d’environ 660 décès dans les EPCI à dominante urbaine et 115 décès dans les zones à dominante périurbaine et rurale.

9Cette échelle géographique d’observation est intéressante car elle est plus fine que l’échelle départementale tout en atteignant une taille critique permettant une certaine robustesse des indicateurs de mortalité (non garantie à l’échelle communale du fait du trop faible nombre de décès dans certaines communes de petite taille). Les EPCI/EPT représentent par ailleurs la diversité sociale et spatiale de l’Île-de-France puisque certaines sont constituées de populations en moyenne très aisées (essentiellement à l’ouest de la région) ou très défavorisées (essentiellement au nord et à l’est de Paris).

Principal indicateur de mesure : surmortalité toutes causes (1^er mars — 31 mai 2020)

10Notre principal indicateur d’analyse est le niveau de surmortalité toutes causes, défini par la différence relative (en pourcentage) entre les décès domiciliés survenus entre le 1^er mars et le 31 mai 2020 et les décès domiciliés observés à la même période pour les années 2015 à 2019 pour chaque EPCI/EPT. La comparaison s’est effectuée à partir des taux de mortalité standardisés par âge. Nous avons par ailleurs comparé plus spécifiquement les taux bruts de mortalité par EPCI/EPT pour les 50-74 ans et pour les 75 ans et plus, car une recherche précédente sur la surmortalité toutes causes confondues lors de cette même période avait mise en évidence un excès de mortalité dans ces deux classes d’âge [Pilkington et al., 2021]. Ces groupes d’âge sont ceux fournis par l’Insee et correspondent aux âges les plus vulnérables par rapport à l’infection et au risque de décès de la COVID-19 [Sesé et al., 2020].

11Les données sont issues de l’Agence régionale de santé d’Île-de-France (ARS Île-de-France) et de l’Institut national de la statistique et des études économiques (Insee).

Les données de contexte caractérisant les EPCI/EPT

12Nous avons sélectionné 45 variables représentant 7 dimensions relatives au contexte démographique (structure par âge, composition des ménages), aux conditions de logement (suroccupation), au désavantage social, à la présence de « travailleurs clés » [Telle-Lamberton et Bouscaren, 2020], aux caractéristiques urbaines et environnementales (densité de population, type d’habitat, présence d’espaces verts, qualité de l’air), à l’accès aux soins et à l’état de santé initial des populations. Pour sélectionner ces variables contextuelles, nous sommes partis de l’hypothèse que ces dimensions sont associées à la mortalité toutes causes confondues à cette échelle, comme dans notre recherche précédente déjà mentionnée sur la surmortalité toutes causes confondues à l’échelle de la France métropolitaine à cette même période [Pilkington et al., 2021]. Certaines ont été spécifiquement ciblées pour inclure des éléments liés aux conditions de vie pendant la première période de confinement en France (un confinement national de 55 jours du 17 mars au 11 mai 2020). Ces variables sont décrites en détail en annexe n°1. Aucune variable renseignant les caractéristiques ethniques des populations n’est intégrée au modèle puisque la collecte de ces informations est interdite en France.

13Pour réduire la redondance partielle de certaines informations et tenir compte de la structuration des 45 variables en 7 dimensions, nous avons procédé à une analyse factorielle multiple (AFM). En effet, cette méthode est adaptée à l’analyse de bases de données où les individus sont décrits par un ensemble de variables quantitatives et/ou qualitatives structurées en groupes. Elle consiste à appliquer un poids spécifique à chaque groupe de variables et qui sera proportionnel à l’inertie du premier axe de chacun des groupes [Bécue-Bertaut et Pagès, 2008]. Ainsi, si un groupe contient beaucoup de variables mais qu’elles ne contribuent que peu à la variance totale, alors ces variables se verront attribuer un poids faible malgré leur nombre important. Comme dans toutes analyses factorielles, l’AFM permet l’identification de dimensions (composantes principales) qui peuvent être utilisées dans des classifications subséquentes [Feuillet et al., 2016].

La classification des EPCI/EPT en groupes homogènes

14Nous avons procédé à une classification des EPCI/EPT en groupes homogènes en estimant une classification ascendante hiérarchique sur la base des cinq premiers axes factoriels de l’AFM. Ces axes expliquent 73,0 % de la variance totale. Le choix du nombre d’axes retenus s’est appuyé sur les valeurs propres associé à la présence d’un saut dans le diagramme d’inerties entre le cinquième et le sixième axe.

15Le nombre de classes a été déterminé de manière à maximiser la variance entre groupes et à minimiser la variance au sein des groupes. Les classes sont caractérisées et interprétées par des v-tests. Ces derniers sont fondés sur la différence entre la moyenne de la variable au sein du cluster et la moyenne globale de la variable sur l’ensemble des EPCI/EPT. Les statistiques les plus élevées du v-test (en valeur absolue) indiquent une plus grande association entre la variable considérée et le cluster. Finalement, sept clusters ont été utilisés dans les analyses décrites ci-dessous.

Analyses

16Nous décrivons tout d’abord la surmortalité toutes causes par EPCI/EPT pour la période d’étude et pour l’ensemble des populations puis pour certaines classes d’âge (50-74 ans et 75 ans et plus). Nous testons ensuite, pour chaque classe d’âge, les différences de surmortalité moyenne entre les groupes homogènes d’EPCI/EPT à l’aide d’un test de Kruskal-Wallis. Cette méthode non paramétrique est une alternative à l’ANOVA à un facteur lorsque les groupes sont petits et qu’ils ne respectent pas certaines conditions (comme l’homogénéité de la variance), ce qui est notre cas ici. Les différences entre toutes les paires de groupes homogènes d’EPCI/EPT sont évaluées à partir de la méthode du test de Dunn avec ajustement de Bonferroni. Le test compare les rangs moyens entre chaque paire de groupes, l’hypothèse nulle étant l’absence de différence entre les groupes d’une paire. L’ajustement de Bonferroni permet de corriger les valeurs de p obtenues du test de Dunn, en contrôlant l’erreur de type I lorsque plusieurs comparaisons sont effectuées. Par exemple, si α=0,05 et qu’il y a 10 comparaisons, alors le niveau de signification ajusté est α_ajusté=0,05/10=0,005.

17Toutes les analyses ont été réalisées avec les packages FactoMineR et multcomp de R [Hothorn et al., 2008 ; Lê et al., 2008]. Les p-values inférieures à 0,05 ont été considérées comme statistiquement significatives.

Résultats

18Nous décrivons ici les résultats de la classification des EPCI/EPT en sept groupes homogènes (clusters) ainsi que les niveaux de surmortalité toutes causes de chacun d’entre eux.

Caractéristiques des sept groupes homogènes

19Les caractéristiques des sept clusters sont résumées en Figure 2 et détaillées en Table 1. Les clusters diffèrent selon les caractéristiques démographiques et sociales des populations, leur état de santé et les contextes de logement, d’emploi, d’accès aux soins, d’environnement et de densité urbaine, traduisant des combinaisons spécifiques de ces facteurs au sein de la région.  Nous présentons d’abords les caractéristiques des clusters, puis nous présentons les différences de surmortalité observée pour chaque cluster et entre les clusters.

20Une première distinction est visible entre les clusters 1 à 4 (densité de population et taux d’occupation des logements relativement faibles) et les clusters 5 à 7 (densité de population élevée et fort taux d’occupation des logements).

21Le cluster 1 se caractérise par de faibles niveaux de désavantage social et de faibles niveaux d’accessibilité aux soins de santé, mais par aucun autre facteur de risque. Le cluster 2 (aux périphéries ouest et sud de la région) est défini par une prédominance de classes moyennes, de faibles densités de population et aucun autre facteur de risque hormis un plus grand nombre de résidents âgés (75 ans et plus).

22Le cluster 3 (EPCI/EPT de Seine-et-Marne à l’Est de Paris) présente de faibles densités de population, une faible accessibilité aux soins, des populations à risque à la fois en raison de mauvais indicateurs de santé initiaux et en raison de la présence de travailleurs clés (qui étaient, lors du 1^er confinement, plus à risque d’infection car plus exposés puisqu’ils ne travaillaient pas à domicile). Le cluster 4 (les zones les plus méridionales de la région) montre des niveaux plus élevés de caractéristiques désavantageuses (état de santé initial, moindre accessibilité aux soins de santé, population plus âgée) ainsi que la présence de travailleurs clés. Le cluster 3 présente un niveau de désavantage social plus élevé que le cluster 4.

23Le cluster 5 (Paris et l’Ouest parisien) présente des niveaux de densité de population plus élevés mais aussi des niveaux de caractéristiques sociales, d’état de santé initial et d’accessibilité aux soins plus avantageux. Le cluster 6 présente des niveaux moyens dans toutes les dimensions (tendant à être quelque peu désavantageux), mais ceux-ci varient au sein des EPCI/EPT de ce cluster. Il s’agit pour l’essentiel de centres urbains denses entourés de franges périurbaines ou rurales. Le cluster 7 (EPCI/EPT de banlieue nord et sud-est de Paris) se caractérise par des niveaux plus élevés de désavantage dans toutes les dimensions (désavantage social, mauvais état de santé initial, nombre plus élevé de travailleurs clés, dont une part importante qui prennent les transports en commun pour se rendre sur leur lieu de travail cf. tableau 1).

Niveaux de surmortalité toutes causes

24Le taux de surmortalité globale toutes causes confondues pour la région par rapport à la période référence (2015-19) était de + 61,8 % sur la période d’étude. Plus élevé chez les 75 ans et plus (+72,1 %) que chez les 50-74 ans (+49,7 %), il était également variable selon les EPCI/EPT : 8 présentaient des taux supérieurs à +75,0 %. Cinq étaient localisés au nord-est parisien et trois au sud-est parisien. À l’inverse, les EPCI/EPT situés à l’ouest et à l’est de la région présentaient des niveaux de surmortalité toutes causes plus faibles (Figure 3). La figure 4 montre les niveaux et les fourchettes de surmortalité toutes causes confondues, par cluster, globalement et par tranche d’âge. La surmortalité toutes causes confondues variait significativement entre les sept groupes de notre typologie, à la fois globalement (Kruskal-Wallis (KW) Chi² = 30,93, p<0,001) et pour les deux groupes d’âge (50-74 : KW Chi² = 30.22, p<0,001 ; 75+ : KW Chi²=29,19, p<0,001).

25Les clusters 1 à 4 étaient associés à une surmortalité toutes causes confondues plus faible que les clusters 5 à 7 (plage pour les moyennes : +20,0 à 30,0 % pour la mortalité tous âges). Au sein de ces clusters (notamment 2 et 4), il existait des variations de surmortalité toutes causes confondues entre les EPCI/EPT, mais la valeur absolue dépassait rarement +60,0 %. Au sein des clusters 1 à 4, certains EPCI/EPT périphériques présentaient une surmortalité toutes causes négative, ce qui signifie que les taux de mortalité étaient inférieurs au cours de la période d’étude par rapport aux années précédentes. Pour les clusters 1 à 4, les moyennes de surmortalité toutes causes variaient de +25,0 % à +45,0 % dans la région pour la tranche d’âge de 75 ans et plus, bien en dessous de la surmortalité moyenne régionale. Au sein de ces clusters (notamment 2 et 4), il existait des variations de surmortalité toutes causes entre les EPCI/EPT, mais la valeur absolue dépassait rarement +60,0 %.

26Dans les clusters 5 et 6, les niveaux de surmortalité toutes causes étaient en moyenne de + 50,0 % et différaient selon le groupe d’âge (50-74 ans : + 36,0 et 45,0 % pour les clusters 5 et 6 ; 75 ans et plus : + 70,0 %), mais aucune des deux différences (surmortalité) n’était statistiquement significative. La surmortalité globale toutes causes était de + 88,9 % dans le cluster 7. Tous les EPCI/EPT de ce cluster présentaient des niveaux plus élevés de surmortalité toutes causes pour les deux groupes d’âge (50-74 ans : > +50,0 % ; 75 ans et plus : + 74,0%). Pour le groupe d’âge des 50 à 74 ans, le niveau de surmortalité des EPCI/EPT de ce cluster 7 est supérieur à celui observé dans l’ensemble des autres clusters. Il en va de même pour le groupe d’âge des 75 ans et plus (sauf en ce qui concerne la comparaison avec les clusters 5 et 6).

Discussion

27Nous montrons ici qu’en Ile-de-France, lors de la première vague de la pandémie et du confinement associé, les niveaux de surmortalité toutes causes confondues varient selon les configurations territoriales spécifiques, résultant de la combinaison particulière de déterminants de gravité et de mortalité de la COVID-19 tels qu’identifiés dans la littérature disponible à cette époque : caractéristiques démographiques de la population, état de santé initial, désavantage social, contexte de vie et environnement, conditions de logement, offre de soins et présence de travailleurs clés.

28Nos résultats établissent des disparités territoriales fortes dans la combinaison de ces différents facteurs à l’échelle des EPCI/EPT. Cela montre, d’une part, l’intérêt d’une échelle géographique fine d’observation. D’autre part, cela souligne l’importance d’aborder les spécificités territoriales à partir de la combinaison des différents facteurs plutôt que de cibler chaque facteur individuellement [Bambra et al., 2020].

29La densité urbaine a été largement soulignée comme un facteur de propagation de l’épidémie et de la mortalité dans plusieurs études. Par exemple, Sharifi et al. [2020] montrent que les groupes pauvres, marginalisés et vulnérables sont touchés de manière disproportionnée par les impacts de la COVID-19 dans les zones urbaines denses, et cela a été démontré à Londres [Harris, 2020] mais également dans des pays en développement, comme Oman [Mansour et al., 2021]. Notre recherche met en évidence que le rôle combiné de la densité urbaine et du dénuement social diffère selon les groupes d’âge, avec un impact particulièrement négatif pour les 50 à 74 ans. Cela peut également être lié à la mobilité du travail et au nombre plus élevé de travailleurs clés dans les zones urbaines plus denses et plus socialement défavorisées. En effet, il est possible d’émettre l’hypothèse que la surmortalité n’est pas le seul fait des travailleurs exposés mais que celle-ci se soit également plus élevée dans l’entourage familial (parents, grand-parents) de ces travailleurs plus exposés.

30Il est intéressant de noter que certains auteurs ont suggéré que ce n’est pas seulement la densité urbaine, mais aussi la combinaison densité/désavantage, qui pourrait être le principal moteur de la surmortalité toutes causes confondues associée à la pandémie de COVID-19 [Sharifi et al., 2020 ; Kulu et Dorey, 2021 ; Sesé et al., 2020]. Ces études suggèrent que les populations issues des groupes les plus défavorisés des zones urbaines ont été les plus touchées par la propagation de la pandémie. Nos résultats élargissent cette affirmation, montrant qu’une large combinaison de facteurs est en jeu, et notamment que la densité et le dénuement, mais aussi les conditions de vie, le contexte environnemental ou l’offre de soins sont des éléments essentiels à prendre en compte.

31Plusieurs EPCI/EPT diffèrent de leur propre cluster, soulignant peut-être le rôle sous-jacent de caractéristiques spatiales et sociales spécifiques. Par exemple, Val d’Europe (dans le cluster 6) se caractérise par des niveaux de surmortalité toutes causes confondues inférieurs à la moyenne de ce cluster (surmortalité de +20,5% pour la tranche d’âge 50-74 ans dans cette EPCI contre 47,2% en moyenne pour cette tranche d’âge pour l’ensemble des EPCI/EPT de ce cluster ; +6,6% vs +60,5% pour tous les âges). Disneyland Paris et ses activités touristiques environnantes (industrie hôtelière) sont les principaux pourvoyeurs d’emplois dans cette zone. Le reste de l’espace urbain est dédié uniquement à l’habitat résidentiel et la mobilité professionnelle se fait principalement avec des véhicules individuels. La fermeture de toutes les activités liées au tourisme en général et au parc d’attractions (à partir du 14 mars) en particulier dans cette zone, entraînant une baisse de la mobilité professionnelle quotidienne, aurait pu avoir un effet protecteur. A l’inverse, Plaine Vallée (également dans le cluster 6) affiche des niveaux supérieurs à la moyenne du cluster pour la tranche d’âge 50-74 ans (+102,4% vs m=+47,2% pour l’ensemble du cluster). Cette zone essentiellement « résidentielle périurbaine » (habitat individuel indépendant) est également fonctionnellement connectée aux EPCI/EPT voisins appartenant au cluster 7 (Plaine Commune, Boucle Nord de Seine et Roissy-Pays-de-France), qui ont connu des taux de mortalité plus élevés pour cette tranche d’âge.

32Ces zones abritant d’importants volumes d’infrastructures logistiques urbaines, on peut émettre l’hypothèse que la surmortalité observée s’explique en partie par la présence de ces grands pôles d’activités. Des études plus approfondies restent à mener pour explorer la relation entre les niveaux plus élevés de surmortalité dans ces EPCI/EPT, la structure socio-économique et fonctionnelle de ces territoires et leur éventuelle connexion avec d’autres zones infectées à différentes échelles (les aéroports présents dans cette région ont par exemple des connexions fortes avec le nord de l’Italie, qui était alors l’épicentre de l’épidémie). Nos méthodes statistiques ne nous permettent pas d’approfondir l’analyse statistique, mais ces configurations locales mettent en évidence la nécessité d’études de cas et/ou de différentes méthodes d’exploration.

33Les points forts de notre étude résident dans notre approche infra-départementale des décès domiciliés. Cette dernière est suffisamment fine pour tenir compte des disparités territoriales. Elle est cependant assez large pour que la globalité des indicateurs susceptibles d’impacter la diffusion et la létalité du virus sur le territoire soit disponible : caractéristiques démographique des populations, conditions de logement, vulnérabilité de la population au développement de cas graves (par exemple, caractéristiques sociales, mauvais accès aux soins et état de santé préalable), exposition accrue au virus (densité urbaine, habitat collectif, densité de travailleurs clés, mobilité liée au travail, etc.). L’adéquation que nous observons entre nos résultats au niveau des EPCI/EPT et les études au niveau individuel valide la méthodologie que nous avons utilisée pour étudier les déterminants contextuels de la surmortalité en période pandémique.

34Notre étude est soumise à plusieurs limites. Premièrement, la nature écologique de nos résultats ne permet pas de tirer des conclusions au niveau individuel. Cependant, les déterminants contextuels inclus dans notre étude sont par nature environnementaux et peuvent donc éclairer les décisions au niveau macro. Deuxièmement, nous avons inclus des données sur certains éléments de l’offre de soins, mais nous n’avons pas inclus les équipements hospitaliers. Cependant, la capacité hospitalière en général et les lits de soins intensifs en particulier ont évolué de manière très marquée dans les premières semaines de la pandémie (avec des augmentations notamment de lits de soins intensifs qui n’ont pas été identiques d’un territoire à l’autre et des flux de patients qui en ont été très sensiblement bouleversés). Ainsi, les indicateurs relatifs aux capacités hospitalières prépandémiques auraient eu peu de pertinence ici. Troisièmement, nous n’avons pas pu mobiliser de données relatives aux mobilités adaptées à cette période précise, en dehors de la proportion de travailleurs-clés prenant les transports en commun pour se rendre sur leur lieu de travail. Des données de mobilité plus précises sur cette période caractérisée par un confinement auraient pu affiner notre travail.

35La surmortalité toutes causes confondues est évaluée en comparant le nombre de décès par EPCI/EPT pour la période mars-mai 2020 au nombre moyen de décès par EPCI/EPT pour la même période en 2015-2019. Ne disposant pas de données sur l’évolution de la structure par âge sur cette période (les données les plus récentes sur la structure par âge à ce niveau géographique disponibles auprès de l’Insee datent de 2017), nous n’avons pas pu tenir compte des modifications intervenues dans la structure par âge de la population au cours de cette période. De plus, même si nous avons pu mobiliser les décès domiciliés au niveau des EPCI/EPT, cela a conduit à ce que le nombre de décès observés enregistrés sur une période limitée (trois mois) soit parfois relativement faible (moins de 50 décès enregistrés dans certains cas pour la moyenne de 2015 -2019 et 2020), limitant ainsi, pour les EPCI/EPT concernés, la puissance statistique et l’estimation fiable des associations. Dans certaines zones, la mesure de la surmortalité toutes causes confondues peut donc correspondre à des fluctuations statistiques naturelles.

36De plus, notre étude se concentre sur une description fixe des associations entre les déterminants spatiaux et la mortalité toutes causes confondues ; nous n’avons donc pas pu prendre en compte la dynamique de propagation de la maladie dans les différentes zones géographiques. Nos analyses reflètent donc à la fois une propagation plus élevée de la maladie et une plus grande susceptibilité à développer une forme mortelle de la maladie au niveau de la population [Scannell et al., 2020]. Notre analyse se limite à la première vague de la pandémie de COVID-19 en France au printemps 2020 car nous voulions pouvoir estimer le pouvoir d’une typologie spatiale contextuelle pour aider à la décision en début d’épidémie caractérisée par une absence de données épidémiologiques mais par une mise en exergue de quelques faisceaux de facteurs aggravants dans la littérature internationale.

Conclusion

37Nous avons montré qu’au sein des EPCI/EPT franciliennes, la combinaison de nombreux facteurs contextuels est associée à des différences de surmortalité toutes causes confondues au cours de la première vague de la pandémie de COVID-19. Au-delà des facteurs de densité de population ou du désavantage social, l’organisation du système économique et urbain et les flux qui en découlent sont autant d’éléments potentiels que notre étude suggère d’intégrer pour appréhender - en période d’incertitude et d’absence de données épidémiologiques consolidées - les potentiels territoires sur lesquels cibler, en première intention, l’action publique en cas de nouvel épisode épidémique comparable à celui engendré par la COVID-19.