4.1 Modèles sur l’échantillon global

Tableau VI-5 : modèle explicatif du taux d'effort sur l’échantillon global des ménages
Test de l'hypothèse nulle globale : β=0 Statistiques d'ajustement du modèle
Test Khi 2 DF Pr > Khi 2
Likelihood Ratio 2008,3 16,000 <,0001 AIC 9272,8
Score 1675,6 16,000 <,0001 SC 9393,3
Wald 1376,3 16,000 <,0001 -2 Log L 9238,8
Variables retenues Estimation Khi-deux de Wald P-value Rapports de côtes
constante du modèle 1,2 45,569 <,0001
âge du chef de ménage -0,006 7,772 0,005 0,994
type de ménage
couple avec deux actifs 0,735 35,83 <,0001 2,085
couple avec un seul actif 0,889 42,050 <,0001 2,432
couple d’inactifs sans enfant 0,325 6,524 0,011 1,384
famille avec deux actifs 0,589 35,031 <,0001 1,802
famille avec un seul actif 0,442 13,469 0,000 1,556
famille monoparentale 0,017 0,019 0,892 1,017
inactifs vivant seuls -0,559 19,527 <,0001 0,572
autres types de ménage 0,671 32,813 <,0001 1,956
revenu par UC -0,179 561,364 <,0001 0,836
appariement spatial 0,159 425,497 <,0001 1,173
densité humaine -0,020 9,059 0,003 0,981
présence de services aux entreprises -0,115 14,325 0,000 0,891
présence d'administrations, d'écoles et de services de santé -0,113 32,678 <,0001 0,893
présence de commerces -0,072 4,527 0,033 0,930
accessibilité en transports collectifs -0,023 11,942 0,001 0,977
Test d'adéquation d'Hosmer et de Lemeshow R² Cox et Snell R² de Nagelkerke
Khi 2 DF Pr > Khi 2
42,639 8,000 <,0001 0,203 0,282

Source : traitement auteur avec le logiciel SAS©sur les données de l’E.M.D de Lyon (2006), périmètre géographique : aire urbaine de Lyon (1999). Les modalités en italique n’induisent pas de différence significative par rapport à la modalité de référence

Tableau VI-6 : modèle explicatif des dépenses annuelles de transports par unité de consommation sur l’échantillon global des ménages
Test de l'hypothèse nulle globale : β=0 Statistiques d'ajustement du modèle
Test Khi 2 DF Pr > Khi 2
Likelihood Ratio 2485,8 14,000 <,0001 AIC 8791,3
Score 2212,6 14,000 <,0001 SC 8897,6
Wald 1580,1 14,000 <,0001 -2 Log L 8761,3
Variables retenues Estimation Khi-deux de Wald P-value Rapports de côtes
constante du modèle -2,098 236,315 <,0001
type de ménage
couple avec deux actifs 0,615 27,404 <,0001 1,850
couple avec un seul actif 0,507 14,943 0,000 1,660
couple d’inactifs sans enfant 0,135 1,482 0,224 1,144
famille avec deux actifs 0,325 11,617 0,001 1,385
famille avec un seul actif 0,230 3,514 0,061 1,259
famille monoparentale -0,229 3,213 0,073 0,795
inactifs vivant seuls -0,607 23,699 <,0001 0,545
autres types de ménage 0,434 13,566 0,000 1,543
revenu par UC 0,125 419,248 <,0001 1,133
appariement spatial 0,188 465,271 <,0001 1,207
densité humaine -0,029 16,236 <,0001 0,971
présence de services aux entreprises -0,092 8,816 0,003 0,912
présence d'administrations, d'écoles et de services de santé -0,115 34,720 <,0001 0,891
accessibilité en transports collectifs -0,027 15,072 0,000 0,973
Test d'adéquation d'Hosmer et de Lemeshow R² Cox et Snell R² de Nagelkerke
Khi 2 DF Pr > Khi 2
29,616 8,000 0,000 0,245 0,341

Source : traitement auteur avec le logiciel SAS©sur les données de l’E.M.D de Lyon (2006), périmètre géographique : aire urbaine de Lyon (1999). Les modalités en italique n’induisent pas de différence significative par rapport à la modalité de référence

Tableau VI-7 : modèle explicatif des émissions annuelles de CO2 par unité de consommation sur l’échantillon global des ménages
Test de l'hypothèse nulle globale : β=0 Statistiques d'ajustement du modèle
Test Khi 2 DF Pr > Khi 2
Likelihood Ratio 2417,3 15,000 <,0001 AIC 8861,8
Score 2162,1 15,000 <,0001 SC 8975,2
Wald 1571,0 15,000 <,0001 -2 Log L 8829,8
Variables retenues Estimation Khi-deux de Wald P-value Rapports de côtes
constante du modèle -1,155 54,178 <,0001
âge du chef de ménage -0,008 11,108 0,001 0,992
types de ménages
couple avec deux actifs 0,320 7,539 0,006 1,377
couple avec un seul actif 0,459 11,993 0,001 1,582
couple d’inactifs sans enfant 0,048 0,142 0,706 1,049
famille avec deux actifs 0,445 22,141 <,0001 1,561
famille avec un seul actif 0,152 1,612 0,204 1,164
famille monoparentale -0,149 1,463 0,227 0,862
inactifs vivant seuls -0,737 28,701 <,0001 0,479
autres types de ménage 0,261 4,957 0,026 1,298
revenu par UC 0,068 163,490 <,0001 1,070
appariement spatial 0,190 479,651 <,0001 1,209
densité humaine -0,058 50,557 <,0001 0,944
présence d'administrations, d'écoles et de services de santé -0,073 14,678 0,000 0,929
mixité d'usage du sol -0,088 3,949 0,047 0,915
accessibilité en transports collectifs -0,030 16,799 <,0001 0,970
Test d'adéquation d'Hosmer et de Lemeshow R² Cox et Snell R² de Nagelkerke
Khi 2 DF Pr > Khi 2
31,147 8,000 0,000 0,239 0,333

Source : traitement auteur avec le logiciel SAS©sur les données de l’E.M.D de Lyon (2006), périmètre géographique : aire urbaine de Lyon (1999). Les modalités en italique n’induisent pas de différence significative par rapport à la modalité de référence

Comme pour tous les modèles nous utilisons la méthode de régression pas-à-pas, les variables continues sont systématiquement significatives. Pour la variable de typologie des ménages, elle est toujours globalement significative (le logiciel ne fait que la tester « collectivement ») mais parfois, certaines de ses modalités ne le sont pas par rapport à la modalité de référence (actifs vivant seuls). C’est notamment le cas pour le modèle expliquant les émissions de CO2 des ménages. L’hypothèse nulle globale est rejetée pour chaque modèle et les coefficients de détermination montrent que les variables retenues apportent une grande quantité d’informations par rapport au modèle constant. Néanmoins, la statistique d’Hosmer et Lemeshow indique dans les trois cas un mauvais ajustement des modèles à l’échantillon observé. Ce résultat est cependant à relativiser car la confrontation des résultats prévus pour chaque décile de ménages et leurs valeurs observées sont assez proches (les écarts sont en moyenne de 2 à 3 %). En réalité, ce test pénalise rapidement les modèles s’écartant un peu des valeurs observées de l’échantillon. Or nous avons mentionné précédemment que nos calculs pouvaient présenter de légères imprécisions, entraînant ici et là des valeurs plus ou moins réalistes. De plus, comme tous les types de ménages sont intégrés dans un même modèle, il semble difficile de modéliser ces différences en « aplatissant » l’ensemble de nos données dans le cadre d’un modèle linéaire et c’est pourquoi, dans la suite de notre travail, nous effectuons des modèles catégoriels pour chaque type de ménage. Ces considérations ne remettent pas en doute la validité de nos modèles et les effets significatifs observés. Nous nous penchons à présent sur ces derniers.

Pour les dépenses annuelles en transport par unité de consommation, le premier résultat que l’on observe est le poids un peu plus prononcé des variables socio-économiques pour expliquer les coûts annuels de transports. La structure du ménage, comme nous l’avons vu précédemment, est un facteur déterminant des coûts et des émissions. Ainsi, des variables telles que le nombre de personnes et le nombre d’actifs conditionnent les coûts de la mobilité des ménages. Dans le tableau VI-6, les couples à un et deux actifs ont entre 1,66 et 1,85 fois plus de chances de dépenser fortement que les actifs vivant seuls. Les familles à un et deux actifs se distinguent également par des dépenses plus importantes (avec des RC de 1,26 et 1,38) bien que l’on soit légèrement au-dessus du seuil de signification pour les familles à un actif (6 %). Ainsi, par rapport à un actif vivant seul, les couples et les familles ne réalisent pas d’économies d’échelle. Par contre, les familles dépensent moins que les couples par unité de consommation et réalisent donc des économies d’échelle avec la présence d’enfants par rapport aux couples sans enfants. On remarque aussi que le nombre d’actifs accroît la probabilité de dépenser plus : il n’y a donc pas d’économie d’échelle réalisée avec le nombre d’actifs. Ce résultat est cohérent. En effet, la biactivité dans le ménage rend plus difficile la localisation simultanée de la résidence du ménage prés des lieux d’emplois des actifs. Dans ce cas, les distances quotidiennes en voiture, ainsi que le taux de motorisation tendent à augmenter avec le nombre d’actifs. Pour les couples, le fait de passer d’un seul à deux actifs augmente le taux de motorisation de 1,5 à 1,7 et les distances quotidiennes parcourues en voiture de 10 km. De plus, la distance moyenne par personne au lieu d’emploi double (de 3,25 km à 6,9 km). Une évolution semblable est observée pour les familles (le taux de motorisation passe de 1,6 à 1,9 et la distance quotidienne en voiture augmente de 11 km). Pour ces dernières, la distance moyenne par personne aux lieux d’emplois et d’études passe de 2,8 km à 5,2 km. Au final, seuls les inactifs vivants seuls et les familles monoparentales ont une moindre propension à se déplacer et donc à dépenser, ce que nous avons déjà souligné au chapitre précédent.

L’autre variable socio-économique retenue dans ce modèle est le revenu annuel du ménage par unité de consommation dont l’influence est plutôt modeste comparée au type de ménage. En effet, une augmentation de 2 000 € du revenu par UC conduit à un RC de 1,13.

Concernant les variables caractérisant la forme urbaine de résidence, elles ont toutes le signe attendu : la densité, la diversité, la proximité et l’accessibilité tendent à amoindrir les dépenses en transports du ménage. Quelques différences peuvent néanmoins être soulignées. On note la faible influence de la densité : si cette dernière augmente de 2 000 (emplois + résidents)/km², cela conduit à un RC de 0,97 (tableau VI-6). Certains travaux ont en effet souligné la faible influence de la densité par rapport à d’autres caractéristiques de forme urbaine lorsque les paramètres socio-économiques sont contrôlés, ce qui est manifestement le cas ici. Le modèle met en revanche plus en avant la proximité de certains services pour limiter la dépendance à la voiture et les déplacements coûteux. Ici, le fait d’avoir des activités de services aux entreprises diminue significativement les dépenses (avec un RC de 0,91). La proximité à ces secteurs est surtout un indicateur de centralité. En effet, ces activités se localisent traditionnellement au centre-ville, qui est un lieu de forte densité et de proximité aux activités. La deuxième variable ayant de l’importance concerne la proximité aux entreprises du service public, aux établissements d’éducation et aux services de santé (RC de 0,89). Comme nous le verrons par la suite, cette variable touche essentiellement les familles souvent contraintes de conduire leurs enfants à l’école mais également les ménages devant effectuer beaucoup de démarches administratives, de santé ou encore ceux travaillant dans la fonction publique. On note l’absence de variables censées représenter la spécialisation sectorielle d’une zone ou sa mixité. En réalité, ces indices caractérisent un certain type d’occupation du sol (diversité ou spécialisation) mais ne rendent pas compte du type d’activités présent dans la zone. Cela montre que ce qui importe, ce n’est pas la diversité mais la nature des activités présentes dans une zone donnée. Concernant les variables d’accessibilité, on note la forte importance de la variable d’appariement spatial. L’éloignement du domicile au lieu d’emploi ou d’études entraîne des contraintes sur la motorisation et les distances parcourues pouvant générer une augmentation des dépenses de mobilité (le RC est de 1,21). On note également la présence de la variable d’accessibilité aux emplois et à la population en transports collectifs, avec toutefois un effet plus faible (le RC étant de 0,97).

Pour les émissions annuelles de CO2 par unité de consommation, le modèle montre également un assez bon pouvoir explicatif de la typologie du ménage (tableau VI-7). Les émissions de CO2 ne reflètent que la « part variable » de la mobilité quotidienne des ménages. Les couples et les familles montrent une propension à émettre plus de CO2 que les actifs vivant seuls tandis que les couples d’inactifs et les familles monoparentales se différencient peu des actifs seuls. Le faible RC (0,47) des inactifs vivant seuls montre que ces derniers se déplacent assez peu en voiture. La faible influence du revenu par unité de consommation se confirme pour les émissions de CO2 avec un RC assez faible (1,07).

Les variables de formes urbaines présentent toujours des signes cohérents. La densité possède un effet significatif sur les émissions de CO2 (RC de 0,94), mais bien plus faible que dans les travaux de Newman et Kenworthy (1989) car nous avons tenu compte d’autres variables explicatives dans notre modèle.La présence de services publics, d’éducation et de santé fait baisser significativement les émissions de CO2 (RC de 0,93). En effet, le fait de résider près d’une école permet, par exemple, aux parents d’éviter l’utilisation de la voiture pour amener leurs enfants à l’école. On remarque en outre la présence de la variable de mixité d’usage du sol, ce qui montre qu’un bon équilibre entre emplois et habitants dans une zone permet de générer des déplacements moins polluants (Peng, 1997).

L’éloignement du domicile au lieu d’emploi augmente fortement la propension à émettre du CO2 (RC de 1,21). Cependant on verra que cette variable à des effets différenciés selon le type de ménage. Enfin, la variable d’accessibilité en transports en commun est significative, mais son effet sur les émissions de CO2 demeure faible avec un RC de 0,97.

Le modèle portant sur le taux d’effort du ménage montre des résultats un peu différents des deux modèles précédents (tableau VI-5). On remarque premièrement que les couples à un et deux actifs ont beaucoup plus de chances d’être vulnérables que les actifs vivant seuls, avec des RC de 2,43 et 2,08. Les familles ont aussi tendance à être plus vulnérables mais réalisent là encore des économies d’échelles et présentent donc des RC moins importants (1,56 et 1,81). Les couples inactifs, qui correspondent le plus souvent à des jeunes retraités, sont assez mobiles et ont aussi tendance à consacrer un taux d’effort plus important pour se déplacer. Les familles monoparentales se situent au même niveau que les actifs vivant seuls tandis que les inactifs vivant seuls, du fait de leur faible mobilité, ne sont pas concernés par la problématique des dépenses de transports. On remarque que le revenu par UC possède une influence plus importante sur le taux d’effort : le RC associé (0,84) est cohérent avec des chances moindres d’être vulnérable si le revenu augmente.

Les variables caractérisant la forme urbaine de résidence ont, comme les modèles précédents, les signes prévus. La densité humaine a un effet relativement faible sur la vulnérabilité (RC de 0,98), montrant ainsi que ce n’est pas la densité en soi qui influe sur la mobilité mais ce qui y est associé (Ewing et Cervero, 2001). Les variables de proximité jouent un rôle certain sur la vulnérabilité des ménages, au travers de la proximité aux commerces (RC de 0,93), aux administrations, aux écoles, aux services de santé (0,89), et aux activités de services aux entreprises (0,89). Selon le type de ménage considéré, la proximité à certains services ne présente pas forcément le même effet. Cela dépend surtout des motifs de déplacement du ménage. Nous y revenons lors de l’étude de nos modèles catégoriels.

Enfin, les variables d’accessibilité apparaissent toutes deux significatives. La présence d’une alternative crédible à la voiture en termes d’accessibilité aux emplois et à la population (ici les transports en commun) tend à baisser le taux d’effort des ménages. Les transports en commun jouent donc un rôle modérateur dans les inégalités de dépenses de transports. Enfin, un mauvais appariement spatial a des conséquences néfastes sur le taux d’effort consenti par les ménages pour se déplacer (avec un RC de 1,17). Cette variable apparaît à trois reprises dans nos modèles ce qui montre qu’elle joue un rôle particulièrement important pour créer les conditions d’un système de transports durable pour les ménages.