Résumé
Un point. Deux points. Trois points. Une multitude de points. Un portrait entier construit de points, petits et gros, semblables ou non, éparpillés ça et là autour de quelques agrégats.
Des points en modélisation des transports? Il en existe plusieurs. Il existe toute une panoplie dentités urbaines dont lexpression spatiale la plus simple est le point: les ménages échantillonnés lors des enquêtes Origine-Destination : 65 000 points; les secteurs de dénombrement, plus petite entité statistique pour laquelle des données de recensement sont disséminées (1996 et précédents) : 4 500 points, les stations de métro : 65 points, le centre-ville : 1 point, les extrémités de déplacements, les résidants du Grand Montréal, les lieux demplois, les espaces de stationnement, la trace dun véhicule équipé dun GPS.
Dabord perçus comme des fatras de données, pêle-mêle, ces nuages de points deviennent des révélateurs de comportements et tendances lorsque disciplinés selon des méthodes statistiques et géostatiques appropriées. Lidentification et lapplication de ces méthodes ainsi que le choix et la structuration des données requises résument quelques uns des défis méthodologiques dune approche informationnelle.
Cet article sintéresse donc aux données spatiales urbaines, conceptuellement représentées par des points, plus précisément aux méthodes permettant de les synthétiser et de révéler certaines similarités, tendances, contrastes et connaissances. Suivant une approche pédagogique, cet article discute des enjeux relatifs à lexploitation de gros ensembles de données, notamment les données issues des enquêtes Origine-Destination montréalaises et des recensements canadiens. La fusion de ces données, au meilleur niveau de résolution possible, assiste la modélisation des interactions entre dynamiques spatiales (étalement urbain, localisation résidentielle, lieux dactivités) et mobilité urbaine (usage du transport en commun, multimodalité, distances de déplacement), étant données certaines tendances socio-démographiques (vieillissement de la population, célibatairisation, motorisation et activité des femmes). Différentes méthodes statistiques et géostatistiques sont ensuite expérimentées pour construire une connaissance spatialisée plus approfondie de ces phénomènes. De façon générale, ces méthodes permettent dapprécier lincidence de l'espace (localisation spatiale absolue, proximité locale, effet de voisinage) sur la nature et l'intensité des comportements et attributs urbains.
Spécifiquement, larticle discute et expérimente les méthodes suivantes:
--Les mesures de centralité (centre moyen) et dispersion (écart type de la distance, ellipse de déviation standard) qui synthétisent le plus simplement possible des nuages de points;
--Les mesures dautocorrélation spatiale (indices de Moran et Geary) qui évaluent le degré de similarité entre observations en fonction de leur éloignement;
--Les mesures de classification automatique qui permettent didentifier des points chauds à savoir des agrégats de points répondant à certains critères de proximité, révélant par conséquent certaines structures locales;
--Les variogrammes et autres mesures de variance spatiale qui mesurent la covariance dun phénomène selon différents vecteurs de séparation (distance).
Ces démonstrations permettent dillustrer le potentiel analytique de ces méthodes lorsque adaptées au contexte particulier de la modélisation du couple transport-urbanisme, contribuant ainsi à amplifier la valeur cognitive des données disponibles. |