L’utilisation du S.I.G nous a permis d’accéder à tous les P _ij de l’équation ci-dessus, ce qui nous permettait de caractériser chaque secteur de tirage à partir du zonage IRIS de l’INSEE. Ce calcul, certes approximatif, permet cependant de rendre compte assez finement des caractéristiques de la forme urbaine au niveau de la zone de résidence du ménage. Concernant le choix des variables de formes urbaines proprement dites, nous avons sélectionné trois jeux de variables reflétant les trois dimensions intégrées dans notre cadre conceptuel : la densité, la diversité et l’accessibilité.

Les variables de densité que nous avons considérées sont la densité brute de population et d’emplois, et la densité humaine. Cet indicateur se définit comme la somme des emplois et de la population au secteur fin rapporté à la surface brute du même secteur. Nous observons ainsi quel est le type de densité le plus significatif. Notons que la densité de population était accessible avec les données de l’E.M.D de Lyon.

Les variables caractérisant la diversité et la proximité des activités économiques contenues dans un secteur fin de tirage donné sont plus nombreuses. Nous avons pour cela utilisé les données du fichier SIRENE (2005) de l’INSEE qui recense le nombre et le type d’établissement par IRIS. L’outil de modélisation FRETURB développé par le Laboratoire d’Economie des Transports (LET) pour le transport de marchandises nous a permis de déduire approximativement du nombre d’établissements, le nombre d’emplois correspondant pour chaque secteur de la classification NES selon 36 activités économiques différentes (Routhier et al. 2005 ; Nicolas et al. 2008). Cette classification, trop fine, a nécessité un regroupement en 7 grandes activités économiques différentes : le secteur de l’industrie, de la construction et de l’énergie, celui du commerce, celui des transports, celui des activités financières et immobilières, celui des services aux entreprises, celui des services aux particuliers et enfin le dernier regroupant les établissements publics administratifs et ceux de l’éducation. Ce processus d’agrégation permet d’isoler des activités économiques répondant à des caractéristiques bien spécifiques en matière de déplacements et de localisation au sein de l’aire urbaine lyonnaise : nous pouvons ainsi mettre en cohérence les motifs de déplacement des ménages avec chacun des secteurs économiques agrégés. Par exemple, la proximité à certaines de ces activités (écoles, commerces) peut conduire à une réduction de la mobilité pour les motifs d’accompagnement et d’achats tandis que la proximité à d’autres secteurs spécialisés (industries) laisse moins de possibilité pour réaliser des déplacements courts car le secteur industriel ne correspond pas à des motifs particuliers de déplacements des ménages (à l’exception de ceux travaillant dans le secteur industriel). Au final, nous avons introduit un ensemble de 9 variables dont, notamment, le pourcentage d’emplois de chaque activité au sein d’un secteur fin de tirage donné (7 variables), la mixité d’occupation du sol, définie comme le rapport du nombre d’emplois sur le nombre d’habitants pour un secteur fin donné, et enfin l’indice d’Herfindahl-Hirschmann de spécialisation sectorielle. Cet indice s’exprime de la manière suivante :

Où S _i est le pourcentage du nombre d’emplois pour une activité économique donnée. Plus cet indice est proche de 1, et plus le secteur est spécialisé. Pour conclure, même si l’ensemble de ces variables caractérise la diversité d’une zone, il mesure aussi la proximité de ces activités par rapport à la localisation du ménage, étant donné que le secteur fin représente un périmètre géographique restreint autour de la zone de résidence.

Nous avons enfin adopté trois variables d’accessibilité. Les deux premières correspondent à l’accessibilité par le réseau de transports collectifs urbains aux emplois et à la population en une demi-heure et en une heure. Cette variable résulte de l’utilisation du logiciel de modélisation des déplacements Davisum© qui fournit des temps de déplacement modélisés zone à zone par l’utilisation du réseau des Transports en Commun Lyonnais (TCL). Ces traitements ont été effectués dans le cadre du projet SIMBAD au LET (rapport final, Nicolas et al. 2009). Généralement, les usagers des transports collectifs consentent à passer environ une demi-heure dans les transports collectifs, notamment pour se rendre à leur travail, ce qui explique le choix du seuil de trente minutes. Néanmoins, nous avons également retenu le seuil de soixante minutes pour tenir compte de la faible accessibilité en une demi-heure dans certaines zones périphériques. En revanche, nous n’avons pas retenu l’accès à la population seule. En effet, les tests que nous avons réalisés montrent que cette dernière est toujours moins significative que la variable d’accès aux emplois et à la population. La troisième variable est d’une nature différente de la première et représente l’appariement spatial entre le domicile et les lieux d’étude et d’emploi. Pour chaque ménage, nous avons calculé la somme des distances du domicile au lieu de travail pour chaque actif et du domicile au lieu d’étude pour chaque enfant scolarisé, le tout rapporté au nombre d’actifs et d’enfants scolarisés du ménage. Cette variable permet de mesurer les conséquences d’un mauvais appariement spatial sur la durabilité du système de transports.

Nous avons en revanche ignoré l’accessibilité aux emplois et à la population pour la voiture particulière. En effet, les travaux de D. Caubel (2006) ont montré qu’un ménage disposant d’une voiture particulière pouvait accéder à l’ensemble des activités économiques en moins d’une heure. Ce qui influe sur la durabilité du système de transports est l’accessibilité en transport en commun. Si cette dernière augmente et parvient à concurrencer celle de la voiture particulière, elle est susceptible de générer un report modal avec des conséquences positives en termes de coûts et de pollution pour l’environnement.

Dans le premier chapitre de notre thèse, nous avons souligné les nombreux travaux théoriques existant sur le lien entre la longueur des déplacements et la présence de pôles secondaires au sein d’une agglomération. La question posée par tous ces travaux est de savoir si la présence de pôles secondaires permet de raccourcir les distances des déplacements domicile-travail. Les résultats sont très disparates et dépendent beaucoup de la méthode adoptée (cf. chapitre I). Les travaux empiriques sont aussi contradictoires (Mignot et al. 2004 ; Schwanen et al. 2001). En fait, les différences s’expliquent surtout par des biais d’ordre méthodologique : en effet, les résultats peuvent différer selon la nature des flux pris en compte (internes et/ou sortants de l’aire d’étude), la taille de l’espace urbain considéré ou encore la forme du polycentrisme considéré (Schwanen et al. 2001). En effet, il n’existe pas une mais des formes polycentriques (Sarzynski et al. 2005) et elles peuvent conduire à des résultats bien différents. Une récente étude théorique sur les relations entre formes urbaines et distance de navettage (Charron, 2007) apporte cependant quelques éclaircissements. L’auteur montre qu’une ville compacte, mixte et centralisée offre des possibilités de migration domicile-travail plus courtes. A l’inverse, une ville non centralisée, mixte et étalée en offre de plus longues. L’auteur suggère même un modèle intermédiaire : la ville polycentrique. Celle-ci peut offrir la possibilité de courtes distances domicile-travail à condition que les pôles soient mixtes et relativement indépendants du centre, de manière à limiter les migrations alternantes entre les pôles. Charron (2007) montre également au travers d’une étude portant sur cinquante métropoles américaines que les possibilités de navettage offertes par une forme urbaine influencent significativement la distance de navettage effectivement réalisée par les travailleurs.

Dans le cadre de notre travail, on sait que l’aire urbaine de Lyon est globalement polycentrique car le nombre d’emplois dans la zone centrale est inférieur au nombre d’emplois situés en périphérie (Mignot et al. 2007). Reste à identifier les pôles d’emplois situés hors du centre. Les principaux travaux en la matière identifient les centres d’emplois en fixant des critères liés au nombre ou à la densité des emplois, à partir d’un zonage donné (McDonald, 1997). D’autres ajoutent des contraintes telles qu’un nombre minimal d’emplois (Guiliano, Small, 1991), une surface minimale de bureaux ou encore un ratio emplois/habitants supérieur à 1 (Garreau, 1991). Cependant, le principal défaut de cette approche est que les pôles identifiés dépendent beaucoup du découpage géographique considéré (Bogart et Ferry, 1999). Conscient de cette limite méthodologique, nous choisissons de reprendre la méthode utilisée par Mignot et al. (p.27, 2007) pour identifier les pôles sur l’aire urbaine lyonnaise de 1999. La méthode consiste, dans chacune des aires urbaines, à déterminer l’ensemble des communes de la périphérie qui concentrent 85 % des emplois situés en périphérie (c’est-à-dire hors du centre : Lyon et Villeurbanne). Le regroupement des communes ainsi trouvées s’effectue par leur proximité les unes par rapport aux autres ainsi que par l’importance des migrations intercommunales au sein d’un même pôle. Ce travail présente l’avantage d’utiliser un découpage relativement fin (environ 300 communes sur l’aire urbaine Lyonnaise de 1999) et de prendre en compte les migrations alternantes dans la définition des pôles. Au final, 13 pôles d’emplois ont été identifiés au sein de 71 communes périphériques regroupant 46 % du total des emplois présents sur l’aire urbaine de Lyon en 1999. La carte ci-après fournit une illustration des pôles trouvés selon cette méthodologie.

Illustration VI-1 : représentation des pôles d’emplois mis en évidence par Mignot et al. (2007)

Source : L. Proulhac, L.V.M.T, d’après R.G.P de 1999 (dans Mignot et al. 2007, p.30)

La plupart des pôles de la carte précédente sont situés à proximité directe du centre. Ils sont généralement plus importants que les pôles périphériques situés loin du centre. Si l’on se replace dans le cadre de notre problématique, la question est de savoir si le fait d’être dans un pôle atténue ou augmente les dépenses annuelles de mobilité, les émissions annuelles de CO2 ou encore la vulnérabilité des ménages face aux coûts de transports. La première idée venant à l’esprit est de créer une variable binaire indiquant si le ménage réside (=1) ou non (=0) dans un pôle. Cependant, il paraît maladroit de tester l’effet de cette variable sur la globalité de notre échantillon. En effet, outre le fait que nous devons exclure les ménages du centre, les pôles identifiés ne sont pas à égale distance du centre et sont de tailles relativement différentes. Dans la suite de notre travail, nous testons donc l’effet de cette variable selon un découpage géographique en 4 couronnes concentriques, afin de contrôler la distance au centre. Ce découpage a été effectué de manière à avoir dans chacune des couronnes des effectifs redressés de ménages égaux, contrairement au chapitre précédent, où nous avons privilégié l’égalité des effectifs bruts pour des raisons de représentativité statistique des sous-échantillons. Par conséquent, la carte illustrant ces découpages (annexe IX) présente des premières couronnes plus resserrées autour du centre, tandis que la dernière couronne est plus vaste bien que la limite de notre périmètre soit l'aire urbaine de 1999 et non plus l’enquête ménages de 2006. L’intérêt de ce nouveau découpage plus fin autour du centre est de mesurer les différents effets de l’accessibilité TC au centre et dans les deux premières couronnes. L’autre avantage est de constituer en périphérie une vaste couronne qui englobe mieux les vastes pôles constitués en périphérie. Nous faisons figurer en annexe V, en complément de cette carte, les principaux indicateurs de dépenses des ménages au sein de chaque couronne, selon qu’ils soient ou non situés dans un pôle. On remarque qu’en moyenne, dans une couronne donnée, les dépenses moyennes de mobilité urbaine sont moins élevées dans les pôles qu’en dehors de ces derniers.

Il s’agit ici de savoir si la localisation d’un ménage dans un pôle, lorsqu’il réside dans une des quatre couronnes de notre découpage, influe significativement sur sa mobilité. La variable traduisant la présence dans un pôle figure dans le tableau VI-2, et se situe dans la même catégorie que les variables de diversité et de proximité. Nous faisons ici l’hypothèse que les pôles ont un effet modérateur sur les coûts en proposant des services et des emplois à proximité de la zone de résidence du ménage (signe négatif de la variable associée). Cette hypothèse n’est pas forcément valide dans le cas d’un pôle fortement spécialisé dans un certain type d’emplois. Dans ce dernier cas, nos modèles montrent un signe contraire à celui prévu. Le tableau VI-2 présente la répartition des différentes activités économiques selon la localisation dans le territoire. La classification des activités correspond à celle présentée dans le tableau VI-3.

Source : traitement auteur issu des données établissements SIRENE (INSEE, 2005), des données de l’E.M.D (2006) et des pôles identifiés dans Mignot et al. 2007 (p.27)

Les pourcentages de répartition des différentes activités au sein de l’agglomération lyonnaise présents dans le tableau VI-2 sont donnés en fonction de la localisation dans le centre, dans les pôles et dans le reste de l’aire urbaine. On remarque que globalement, les activités dominantes de l’agglomération lyonnaise sont l’industrie, la construction et l’énergie, les services aux entreprises, les administrations publiques et les commerces. Certains pôles présentent un indice de spécialisation d’Herfindahl élevé comme pour Saint-Vulbas, Miribel et Pont-de-Chéruy avec une forte présence des activités industrielles. En revanche, d’autres pôles présentent une bonne diversité de leurs activités économiques. C’est par exemple le cas de Saint-Priest, de Meximieux et de L’Isle-d’Abeau. Pour le reste de l’aire urbaine, on note une forte dominance des activités industrielles. Nous tentons dans la suite de notre travail d’établir un lien entre la nature des activités présentes dans un pôle et les dépenses de mobilité des ménages résidents dans ce pôle. On pourrait objecter que la variable explicative indiquant la présence dans un pôle est redondante avec les autres variables de proximité définies précédemment (problème de colinéarité entre les variables explicatives). Ce n’est pas exactement le cas puisqu’un pôle correspond à une échelle géographique plus large que celle d’un secteur fin de tirage. La présence dans un pôle traduit donc un accès plus étendu à un certain nombre d’activités économiques et culturelles. De plus, même si ces variables décrivent le même type de phénomène, cela ne pose pas de problème car nous utilisons dans nos modèles économétriques une procédure de sélection permettant de ne prendre en compte que des variables peu corrélées entre elles. Ainsi, nous pouvons savoir quelle est la dimension de proximité qui compte le plus : celle décrivant la proximité immédiate à certains services ou bien celle indiquant la présence du ménage dans un pôle secondaire.