Modéliser les inégalités urbaines

Réflexions multiscalaires et 'trans'disciplinaires

 Clémentine COTTINEAU, CNRS, Centre Maurice Halbwachs

EIGHTIES

Séminaire INSERM, Paris, 14 Mars 2019

  Julien PERRET, IGN, LaSTIG

 Romain REUILLON, CNRS, ISCPIF / Géographie-cités

 Sébastien REY-COYREHOURCQ, Université de Rouen, IDEES

 Julie VALLÉE, CNRS, Géographie-cités

avec

   Maarten Vanhoof, UCL, CASA & University of Newcastle

 

Formation

Recherches antérieures

Géographie et Economie à Paris 1

Thèse sur la généricité de l'urbanisation de l'espace post-soviétique depuis 1840

Thèse, 2014, L'évolution des villes dans l'espace post-soviétique. Observation et modélisations. Direction: Denise Pumain.

DARIUS: Base de données sur les agglomérations urbaines de l'espace post-soviétique

Formation

Recherches antérieures

Géographie et Economie à Paris 1

Thèse sur la généricité de l'urbanisation de l'espace post-soviétique depuis 1840

[Cottineau et al., 2015, Systems]

MARIUS: Modèle multi-agents des agglomérations urbaines de l'espace post-soviétique

> Description multiscalaire de clusters d'entreprises à Londres et Manchester

avec UCL, LSE

Recherches antérieures

(et en cours)

Cottineau, Arcaute, Nathan, 2018, En cours d'écriture

> Analyse quantitative des documents stratégiques de décentralisation urbaine en Angleterre

avec UCL Planning

> Méta-analyse de l'inégalité des tailles de ville

> Lois d'échelles et définition de la ville en France

avec UCL

> Analyse de sensibilité et exploration de modèles de simulation

avec ISC-PIF, IGN

Inégalités interpersonnelles

Préoccupations de recherche

 

[CGET, 2017]

Inégalités territoriales

[WID, 2017]

Inégalités interpersonnelles

Préoccupations de recherche

 

[CGET, 2017]

Inégalités territoriales

[WID, 2017]

Concentration de la richesse (dans l'espace)

Y a-t-il un lien entre les deux inégalités?

Entre pays et zones de développement

Effet de l'espace sur l'accumulation et la mobilité économique

Entre métropoles, villes moyennes, espaces ruraux

Entre "quartiers chics" et "territoires prioritaires"

Effets de contexte / neighbourhood effects

Interactions et complémentarité entre lieux

Entre individus

I. Décrire les inégalités économiques à différentes échelles

Projet de recherche CNRS

II. Mesurer la distribution multiscalaire des inégalités

III. Modéliser et simuler la dynamique des inégalités en tenant compte de l'espace

IV. Simuler des politiques publiques et leurs effets à plusieurs échelles d'action

Projet de recherche CNRS

https://www.cmh.ens.fr/Les-echelles-de-l-inegalite-1601

https://www.mdpi.com/2220-9964/8/1/19

Projet n°1: analyse statistique

Questions de recherche

Existe-t-il des relations entre les pratiques socio-spatiales captées par la téléphonie mobile et l'organisation socioéconomique des villes?

 

Ces relations sont-elles uniformément robustes à la délimitation des villes? 

  • ou existe-t-il des différences selon les indicateurs de téléphonie mobile?
  • ou les différentes délimitations sont plus ou moins illustratives des relations statistiques?

 

 

Données sources des indicateurs

Mobiles

Socio

économiques

Tous les abonnés mobiles Orange

du 13 Mai 2007 au 15 Octobre 2007

France Métropolitaine

 

CDR (Call Detailed Records)

- moment de l'appel / SMS

- durée d'appel / longueur SMS

- Antenne / ID de l'envoyeur

- Antenne / ID du récepteur

 

Identification de l'antenne "résidence"

 

Création d'indicateurs individuels de mobilité et de réseau social

 

Librairie Bandicoot / Python

 

Maarten Vanhoof à Orange Labs 2014-2017

 

Données de recensement ou administratives

2008 / 2011

Répartition spatiale des indicateurs

[Cottineau, Vanhoof, 2019]

Mobiles

Socio

économiques

Pauvreté

Inégalité

Ségrégation

Harmonisation spatiale des données

  1. Des usagers individuels aux antennes téléphoniques
  2. Des antennes téléphoniques aux communes françaises

 

Cottineau, Hatna, Arcaute, Batty, 2017, Computer Environment and Urban Systems

Délimitation

systématique

des villes

        39 valeurs de D

     x 21 valeurs de F

     x  6 valeurs de P

 

= 4914 représentations du système de villes

 

     

Résultats

Comment varier les indicateurs d'activité mobile avec les mesures socioéconomiques urbaines ?

Ces relations varient-elles lorsque l'on modifie la définition des villes ?

Résultats

Les différentes définitions

Corrélation négative

Corrélation positive

Les différents indicateurs 

Résultats

Plus les villes sont pauvres en moyenne, moins leurs habitants ont été actifs, plus leurs appels ont été courts, leur mobilité a été de courte distance et peu diversifiée en moyenne

Résultats

Plus les villes sont pauvres en moyenne, plus leurs habitants ont passé d'appels depuis chez eux, et plus intense sont leurs interactions avec leur réseau contacté

Résultats

La corrélation avec le nombre d'appels et la proportion d'appels passés la nuit dépend de la définition des villes

Résultats

Plus les villes sont inégales en moyenne, plus leurs habitants ont passé d'appels, ont été mobiles et diversifiés dans leur réseau social et spatial

Résultats

Les caractéristiques temporelles des appels sont très peu corrélées avec les niveaux moyens d'inégalité

Résultats

La ségrégation des salaires dans les villes va généralement de pair avec une réduction du nombre d'appels et de leur durée, de contacts, et de jours actifs

Résultats

Mais la plupart des corrélations peuvent s'inverser en prenant d'autres manières de délimiter les villes françaises

Conclusions

Inégalités économiques sensibles à l'espace géographique

 

Inégalités économiques sensibles à la taille des villes

 

 

Lien entre niveau de richesse, inégalité et ségrégation reste à faire, en incluant les trajectoires des individus au travers des agrégats urbains

Projet n°2: simulation multi-agents

2015-2018

 

Groupe de "jeunes" chercheurs nés dans les années 80

 

Points communs:

  • l'analyse spatiale quantitative (big data, simulation)
  • l'étude de systèmes urbains complexes
  • l'interdisciplinarité

 

Le Projet EIGHTIES

Thème de recherche

L'impact de la ségrégation

sur les comportements de santé

 

 

Par exemple:

> La consommation de 5 fruits & légumes

> En Ile-de-France avant et après la campagne

de communication de 2001

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 santé

 

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., 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 ?

Méthode

> Effets de quartiers sont difficiles à mesurer car

(1) individus se sélectionnent ex-ante vers des lieux de résidence

(2) ne vivent qu'une fois!

(3) les quartiers changent au cours du temps

 

 

Modèle dynamique de population

basé sur données santé/mobilité

> 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

 

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

2002-2008

Source : Baromètres Santé Nutrition (2002 ; 2008)

Empiriquement: une évolution variable de la consommation selon les groupes

2002

Simulation de l'état initial

% healthy

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 sur 5-a-day
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'

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}}}

2002

2008

steps

années

3 tranches

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

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

Caractérisation d'une simulation

\Delta_{SI} = | SI_{simulé} - SI_{données} |

Résultat du calibrage

Analyse

Parameter Mechanism Duo 1
1-to-1 Interaction Spatial Interaction 0.24
Reward Behaviour-Opinion 0.27
Inertia Opinion-Behaviour 0.67
Max Switch Proba Opinion-Behaviour 1
Constraint Opinion-Behaviour 0.12

duo1

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

Des inégalités sociales de consommations simulées plus faibles avec une localisation résidentielle aléatoire vs. observée

résidence

aléatoire

résidence

observée

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

Des inégalités sociales de consommations simulées plus faibles avec une mobilité aléatoire

et plus fortes sans mobilité

géographie

(résid. & mob.) réaliste

 

 

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

oui

 

non, mais plus qu'en cas de mobilité aléatoire

 

Limites - Discussion

social Inequality simulée diminue alors qu'elle augmente dans les données

observée (2002) : 1,42 initialisation : 1,42
observée (2008) : 1,60 simulée (médiane) : 1,39
observée (2002) : 12,0% initialisation : 12,0%
observée (2008) : 14,3% simulée (médiane) : 13,6%

Retravailler le modèle de changement d'opinion/comportement

- diffusion biaisée selon catégorie sociodémographique

- diffusion généralisée par compagnes publiques de promotion

- récompense socialement différenciée / adhésion au discours public

% consommation 5+ simulé n'augmente pas autant que dans les données

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 (EGT, BST)
  • 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

Mais encore imparfait. A suivre...

Merci

 Clémentine COTTINEAU, CNRS, Centre Maurice Halbwachs

 

 

Twitter: @clementineCttn

Mail: clementine.cottineau@ens.fr

Blog: https://unequalread.hypotheses.org/

Slides : https://slides.com/clementinecottineau/deck-18-8

Bonus 1: Synthetic Population Generation

Bonus 2: 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 3: Switching mechanism

H24 - INSERM 2019

By Clémentine Cottineau

H24 - INSERM 2019

  • 71
Loading comments...

More from Clémentine Cottineau