5.2.2. Obtention et analyse d’une typologie des IRIS selon leurs caractéristiques physiques (de localisation)

Dans un deuxième temps, on a mené une autre classification pour essayer cette fois de déterminer une typologie des IRIS en fonction de leurs caractéristiques (accessibilités et types d’utilisation du sol).

Source : Traitement SPSS

On a obtenu 6 classes (avec l’inconvénient que les effectifs de ces classes sont très inégaux) (tableau n° 40).

A partir de cette typologie, on a utilisé l’analyse discriminante pour estimer la classe d’appartenance de chaque IRIS en fonction de ses caractéristiques.

Source : Traitement SPSS

La première fonction discriminante est celle qu’on doit utiliser pour interpréter les résultats, le pourcentage de la variance expliquée par celle-ci étant de 97,8% (tableau n° 41).

Note : TPSCTRVP – temps au centre (VP) ; MEMCOMRE/INSCRITS – taux d’élèves inscrits dont l’école est dans la même commune ; DENSPOP – densité de population ; DENSCOMMERCES – densité des commerces ; TSHABITAT – taux de surface d’habitat ; ACCTRAVAIL – % de population active dont la commune de résidence coïncide avec la commune de travail ; TSACTECON – taux de surface des activités économiques ; TSINFRATR – taux de surface des infrastructures de transport ; TSEQSPLOISIR – taux de surface des équipements sportifs et de loisir ; TSESPVERTS – taux de surface des espaces verts ; TSEQUIPEMENTS – taux de surface des grands équipements.

Source : Traitement SPSS

Les variables retenues dans l’analyse sont : la densité de la population, le taux de surface d’habitat, l’accessibilité au centre, l’accessibilité aux études, la densité des commerces et le taux de surface des grands équipements (tableau n° 42).

La densité de la population est la variable qui a la contribution décisive à la répartition des IRIS dans les 6 classes (la corrélation avec la première fonction discriminante est 0,962).

Les 6 classes d’IRIS, dans l’ordre croissant de leur densité de population, sont : 1, 2, 3, 4, 5, 6 (tableau n° 43).

Plus la densité d’un IRIS est élevée, plus la probabilité que l’accessibilité aux études, aux commerces, aux grands équipements et à la population soit grande et le temps de parcours au centre soit réduit (l’accessibilité au centre grande) augmente (et réciproquement).

Source : Traitement SPSS

Source : Traitement SPSS

La précision des estimations du modèle est extrêmement élevée (97,7% des cas correctement classés) (tableau n° 44).

Pour vérifier la validité des résultats qu’on a obtenus, on a utilisé plusieurs méthodes.

D’abord, on a effectué une analyse des correspondances entre les deux typologies de classes obtenues par la classification ascendante hiérarchique (tableaux n° 45 et 46 et graphique n° 10).

Source : Traitement SPSS

Source : Traitement SPSS

Source : Traitement SPSS

Même s’il existe une relation statistiquement significative entre ces deux typologies, cette correspondance reste assez ambiguë, dans le sens où on ne peut pas établir une relation précise entre les caractéristiques des ménages et celles des IRIS.

Une autre méthode consiste dans l’application d’une analyse cluster non pas aux unités statistiques, mais aux variables.

Ce qu’on obtient c’est que les variables revenu et densité de la population sont les deux caractéristiques qui discriminent le plus entre les IRIS, ce qui confirme les résultats des modèles discriminants qu’on a utilisés auparavant.

Dans ces conditions, le degré de correspondance entre les deux types de classes sera donné par le niveau de la corrélation entre le revenu et la densité de la population.

Source : Traitement SPSS

On voit que ce coefficient de corrélation, même s’il est statistiquement significatif, n’est pas élevé (-0,122), ce qui est en concordance avec les autres résultats (tableau n° 47).