Modélisation multi-agents de l’effet de la ségrégation du quotidien sur les comportements de santé : le modèle H24
Clémentine COTTINEAU, CNRS & Delft University
Julien PERRET, IGN, ENSG / Institut des Systèmes Complexes
Romain REUILLON, CNRS, Institut des Systèmes Complexes / Géographie-cités
Sébastien REY-COYREHOURCQ, Université de Rouen, IDEES
Julie VALLÉE, CNRS, Géographie-cités
EIGHTIES
Séance Modélisation, Académie des Technologies, 14 avril 2021
Le sujet :
L'impact de la ségrégation
sur les comportements de santé
Par exemple:
> La consommation de 5 fruits & légumes
Résultats convergents sur les disparités sociales de consommation
J Am Diet Assoc. (2008)
J Am Diet Assoc (2010)
Campagnes nationales de sensibilisation
exemple. Programme National Nutrition Santé (PNNS) en France depuis 2001
Au moins 5 fruits et légumes par jour
Les plus éduqués, les femmes et les plus âgés plus proches des recommandations
Concentration spatiale des populations avec les mêmes comportements de santé
Par exemple:
> Le taux d'obésité, de fumeurs...
Quel lien entre ségrégation et santé?
L'espace comme producteur de disparités dans les comportements de santés
Par exemple:
> Accessibilité des services, normes
Et au cours de la journée?
Vallée J, 2017. Challenges in targeting areas for public action. Target areas at the right place and at the right time. Journal of Epidemiology and Community Health. Vol 71 No 10, 945-946. {10.1136/jech-2017-209197}.
Des modifications dans les liens entre ségrégation et santé
> En termes de représentation des différents groupes
> Relativement aux caractéristiques des quartiers eux-mêmes (eg., normes sociales, offre de service)
> Relativement aux multiples expositions des présents et des mobiles (socialement différenciées)
Concentration inégale des groupes sociaux dans la ville
Au lieu de travail,
au lieu de résidence,
durant les activités de loisirs...
En quoi la ségrégation spatiale des urbains
au cours de la journée modifie-t-elle les phénomènes de diffusion
de comportements de santé?
La question :
Explorer les effets de la ségrégation spatio-temporelle sur les inégalités sociales dans les comportements alimentaires
Les inégalités sociales dans le fait de manger 5 fruits/légumes par jour sont-elles plus importantes ...
Objectifs
... lorsque les lieux de résidences sont spatialement ségrégés selon le groupe social plutôt que répartis aléatoirement ?
... lorsque les lieux d'activité sont considérés en plus des lieux de résidence ?
Quel lien entre ségrégation, santé et temps?
> Variations spatio-temporelles
> Scénarios multiples (hypothèses + action publique)
Modèle dynamique de population
> Hétérogénéité des acteurs et des échelles
Simulation multi-agents
> Travaux sur les modèles agents dans la simulation des effets de la ségrégation sur les disparités sociales de nutrition (scenarios "jouets")
SSM - Population Health (2016)
Am J Prev Med (2011)
Modèle multi-agents et alimentation
> Travaux sur les modèles agents dans la simulation des effets spatiaux sur les disparités sociales de santé en général
Agents localisés, dotés de règles d'action individuelles, capables de percevoir leur environnement et d'agir en conséquence
Keep it Simple
[Auchincloss et al., 2011]
[Nagel, Auxhausen et al.]
Modèle de comportements, Modèle d'environnement
Keep it Descriptive
Explorer les effets de la ségrégation spatio-temporelle (et de sa représentation dans le modèle) sur les inégalités sociales d'alimentation simulées
Les inégalités sociales sont-elles plus importantes...
Objectifs
Lorsque les lieux de résidences sont spatialement ségrégés selon le groupe social plutôt que répartis aléatoirement ?
Lorsque les lieux d'activité sont considérés en plus des lieux de résidence ?
| Scénario 1 | Scénario 2 | Scénario 3 | Scénario 4 | Scénario 5 | |
|---|---|---|---|---|---|
| Résidence | Aléatoire | Aléatoire | Observée | Observée | Observée |
| Mobilité | / | Aléatoire | / | Aléatoire | Observée |
géographie
réaliste
modèle ordinaire
Alimentation
Mobilité spatio-temporelle
appariées selon 18 groupes sociodémographiques
Nuit (ie. résidence) : recensement 2012
Matin et Après-midi : enquête EGT 2010 (OD)
Baromètres Santé Nutrition
(2002 ; 2008)
Sexe (homme ; femme)
X
Age (15-29 ans ; 30-59 ans ; 60 ans et +)
X
Éducation (< Bac. ; Bac – Bac+2; > Bac+2)
Données empiriques
Ce qu'on observe dans les données
Social Inequality observée
| observée (2002) : 1,41 |
| observée (2008) : 1,89 |
| observée (2002) : 9,5% |
| observée (2008) : 12,0% |
% consommation 5+ observée
SI = \sum_{sex=1}^2{\sum_{age=1}^3{ \frac{ShareHealthy_{sex,age,edu=3}}{ShareHealthy_{sex,age,edu=1}} \times \frac{N_{sex, age}}{N}}}
for each category
of age ( i ) & sex ( j )
ratio between more (3) &
less (1) educated
weighted
by sex & age category
mesure inequality between extreme education groups at equal age and sex category
2008
Les opinions et comportements alimentaires des agents sont définis à l'initialisation en fonction de la distribution statistique dans leur groupe sociodémographique
8,16 millions d'agents
Définition Spatiale
8540 carreaux habités (1km X 1km)
Agents
dans des carreaux jour/aprem/nuit
avec attributs sociodémographiques
68 % carreaux 'jour' ≠ carreau 'nuit'
Ile-de-France
Population synthétique
Scenarios 1 & 3:
1 cellule/IRIS par jour
Scenarios 2, 4 & 5:
3 cellules/IRIS par jour
Interactions spatiales
Modélisation du changement d'opinion
Modélisation du changement de comportement sous contraintes
Le modèle
| Paramètre | Mécanisme | Etendue | si min | si max | Influence supposée |
|---|---|---|---|---|---|
| 1-to- 1 Interaction | Spatial Interaction | [ 0 ; 1 ] | Observation dans l'IRIS uniquement | Influence du partenaire uniquement | |
| Reward | Behaviour-Opinion | [ 0 ; 1 ] | Pas de rétroaction du comportement | Le comportement 'sain' renforce l'opinion | |
| Inertia | Opinion-Behaviour | [ 0 ; 1 ] | Opinion dépend des autres | Opinion stable | |
| Switch Proba | Opinion-Behaviour | [ 0 ; 1 ] | Pas de changement | Le comportement suit l'opinion | |
| Constraint | Opinion-Behaviour | [ 0 ; 1 ] | Changements de comportement sans contrainte | Les contraintes empêchent les changements de comportement |
+
+
?
?
Paramètres et attendus
?
OpenMOLE
en utilisant les algorithmes génétiques et le calcul distribué
Protocole d'exploration
Reproduire la situation finale 2008
> en termes de % consommateurs 'sains'
> en termes d'inégalités sociales de consommation
Calibrage pour minimiser distances aux objectifs
Et comparaison avec les données
Distance aux données
Obs. 1 : Consommation 'saine'
2002
2008
steps
années
3 tranches horaires
simulation
données
\Delta_{health} = \sum_{sex=1}^2{\sum_{age=1}^3{\sum_{edu=1}^3{ | NHealthy_{sex, age, edu, simulated} - NHealthy_{sex, age, edu, observed} | }}}
Obs. 2 : Inégalité sociale de consommation
Caractérisation d'une simulation
\Delta_{SI} = | SI_{simulé} - SI_{données} |
Résultat du calibrage
| Parameter | Mechanism | Jeu de paramètre |
|---|---|---|
| 1-to-1 Interaction | Spatial Interaction | 0.02 |
| Reward | Behaviour-Opinion | 0.19 |
| Inertia | Opinion-Behaviour | 0.80 |
| Max Switch Proba | Opinion-Behaviour | 1 |
| Constraint | Opinion-Behaviour | 0.21 |
Jeu de paramètre à l'issu de l'OSE
Résultats
scénario 5
scénario 1
3
2
4
Distribution des valeurs de Social Inequality par scénario
géographie
(résid. & mob.) réaliste
| Scénario 1 | Scénario 2 | Scénario 3 | Scénario 4 | Scénario 5 | |
|---|---|---|---|---|---|
| Résidence | Aléatoire | Aléatoire | Observée | Observée | Observée |
| Mobilité | / | Aléatoire | / | Aléatoire | Observée |
10 000 réplications par scénario
Résultats
scénario 5
scénario 1
3
2
4
Distribution des valeurs de SocialInequality par scénario
| Scénario 1 | Scénario 2 | Scénario 3 | Scénario 4 | Scénario 5 | |
|---|---|---|---|---|---|
| Résidence | Aléatoire | Aléatoire | Observée | Observée | Observée |
| Mobilité | / | Aléatoire | / | Aléatoire | Observée |
résidence
aléatoire
résidence
observée
Comparativement au scénario réaliste, des inégalités sociales de consommations simulées plus faibles avec une localisation résidentielle aléatoire et/ou une mobilité aléatoire
Résultats
scénario 5
scénario 1
3
2
4
Distribution des valeurs de SocialInequality par scénario
| Scénario 1 | Scénario 2 | Scénario 3 | Scénario 4 | Scénario 5 | |
|---|---|---|---|---|---|
| Résidence | Aléatoire | Aléatoire | Observée | Observée | Observée |
| Mobilité | / | Aléatoire | / | Aléatoire | Observée |
Pour les deux scénarios avec une localisation résidentielle observée, des inégalités sociales de consommations plus fortes sans mobilité
géographie
(résid. & mob.) réaliste
Limites - Discussion
Social Inequality simulée vs. observée
| observée (2002) : 1,41 | initialisation : 1,41 |
| observée (2008) : 1,89 | simulée (médiane) : 1,51 |
| observée (2002) : 9,5% | initialisation : 9,5% |
| observée (2008) : 12,0% | simulée (médiane) : 9,6% |
% consommation 5+ simulée vs. observée
Limites - Discussion
Approche innovante en géographie sociale et de la santé
- Thématiquement : le rôle de l'espace et du temps dans les dynamiques sociales de comportements
- Techniquement : croisement d'enquêtes larges
- Software engineering : ~ 8 millions d'agents mobiles!
- Exploration de modèles : High Performance Computing avec algorithmes évolutionnaires
Conclusion
Estimation du rôle de la ségrégation résidentielle et temporelle dans les vitesses différentiées de diffusions et de production d'inégalités
Merci
Dépôt du code H24 : https://github.com/eighties-cities/h24
Clémentine COTTINEAU, CNRS & Delft University
Julien PERRET, IGN, ENSG / Institut des Systèmes Complexes
Romain REUILLON, CNRS, Institut des Systèmes Complexes / Géographie-cités
Sébastien REY-COYREHOURCQ, Université de Rouen, IDEES
Julie VALLÉE, CNRS, Géographie-cités
Mobiliscope : https://mobiliscope.cnrs.fr/
Bonus 1: La ségrégation H24 en IDF
Une ségrégation qui augmente en journée selon l'âge et le sexe mais qui baisse selon l'éducation
Bonus 2: Synthetic Population Generation
Bonus 3: Formal Model
influence\_partner_{i,j,c} = opinion_{j,c}
influence\_cell_{i,c} = \frac{n\_healthy\_neighbours_c}{n\_all\_neighbours_c}
rewardedOpinion\_o_{i,t}= opinion_{i,t}
min(1, (1 + healthyDietReward) * opinion_{i,t}))
if i is unhealthy at time t
otherwise
newOpinion\_o_{i,t} =
inertiaCoefficient \times rewardedOpinion +
(1 - inertiaCoefficient) \times
( interpersonalInfluence \times influence\_partner_{i,c} +
(1 - interpersonalInfluence) \times influence\_cell_{i,c} )
x_i = f(y_i,o_i)=
max(0, y_i * (2 * newOpinion_i - 1))
max(0, y_i * (-2 * newOpinion_i + 1))
if i is unhealthy at time t
if i is healthy at time t
y_i= maxProbaToSwitch - n_i * constraintStrength
Free parameter
= number of constraints of agent i
n_i
= agent
i
= interacting partner
j
= cell
c
= switch probability
x_i
Bonus 4: Switching mechanism
Obs. 1 : Consommation 'saine'
SocialIneq = \sum_{sexe=1}^2{\sum_{age=1}^3{ \frac{PropConso_{sexe,age,edu=3}}{PropConso_{sexe,age,edu=1}} \times \frac{N_{sexe, age}}{N}}}
\Delta_{Conso_{Simu-2008}} = \sum_{sexe=1}^2{\sum_{age=1}^3{\sum_{educ=1}^3{ | NbConso_{sexe, age, educ, simulé} - NbConso_{sexe, age, educ, observé2008} | }}}
Obs. 2 : Inégalité sociale de consommation
Pour chaque catégorie d'age (i) et de sexe (j)
ratio entre les plus (=3) et les moins (=1) éduqués
pondération selon la distribution par age et sexe
Mesure d'inégalité de consommation entre les groupes extrêmes d'éducation à âge et sexe égal
\Delta_{SocialIneq_{Simu-2008}} = | SocialIneq_{Simulé} - SocialIneq_{Observé2008} |
H24 - AcademieTechnologies 2021
By julie_tlse