2002
Espace géographique
Analyse urbaine
La mobilité résidentielle en ville. Modélisation par automates cellulaires et système multi-agents à Bogota
Dominique Badariotti
Christiane Weber
Laboratoire Image et Ville (UMR 7011 CNRS), Faculté de Géographie,Université Louis Pasteur, 3 rue de l’Argonne, 67083 Strasbourg cedex
La mobilité apparaît comme un élément essentiel de la compréhension du fonctionnement des villes. Les dynamiques socio-spatiales qu’elle induit ne sont pas aisément analysables en raison de la complexité des processus comportementaux, qui obligent à associer aux formes de mobilité les modes de vie, les parcours individuels et les critères de choix de résidence, ou des processus d’affectation des lieux, qui singularisent les espaces en accentuant les tendances centrifuges de l’habitat et des activités. Pour tenter d’aborder ces interactions, nous avons cherché à modéliser la mobilité résidentielle et ses effets sur la structure urbaine selon des approches liées à l’intelligence artificielle distribuée (automates cellulaires et système multi-agents). Le site d’étude de Bogota a été retenu pour diverses raisons liées au dynamisme des villes en développement, aux données disponibles et à la composition des équipes travaillant sur le projet.Mots-clés :
AUTOMATE CELLULAIRE, COLOMBIE, INTÉLLIGENCE ARTIFICIELLE DISTRIBUÉE, MOBILITÉ RÉSIDENTIELLE, STRUCTURE URBAINE, SYSTÈME MULTI-AGENTS.
An analysis of the interactions between different forms of mobility and urban change is key to understanding an urban system. A number of complex processes are involved in these interactions, including behavioural trends, residence choice criteria, individual patterns and economic change affecting the urban fabric, such as the emergence of shanty-towns or the concentration of economic activities. These interactions lead to changes in transport behaviour and infrastructure and influence planning decisions. To approach this topic, we intend to use artificial intelligence applications (cellular automata and multi-agent systems) to model residential mobility and its impact on the urban structure. We have chosen Bogota (Colombia) as our research site because it offers the characteristics of a developing country, a large quantity of high-quality data and the desired project team composition (PSIG98).Keywords :
CELLULAR AUTOMATA, COLOMBIA, DISTRIBUTED ARTIFICIAL INTELLIGENCE, MULTI-AGENT SYSTEM, RESIDENTIAL MOBILITY, URBAN STRUCTURE.
Les formes de mobilité représentent un élément essentiel de la ville et du fonctionnement urbain. Elles constituent le lien entre un système de lieux et un système de flux (Santos, 1997). Les mouvements induits entraînent des modifications de configurations
[1] spatiales qui accompagnent des redéfinitions de relations territoriales
[2] avec une superposition ou une atonie des liens sociaux (Dubois-Taine et Chalas, 1997 ; Tarrius, 1993). Mobilité et modification de l’organisation spatiale sont ainsi appariées, chacune ayant ses propres modalités d’évolution, ses éléments caractéristiques, ses temporalités. À ce titre, elles correspondent à une autre vision de la ville et renvoient à des modes d’habiter et de transformer la ville qu’il faut analyser. Dans la littérature, on distingue généralement quatre catégories de mobilité : mobilité de la vie courante, changement de résidence, migration, voyage (Thumerelle, 1985 ; Courgeau, 1988 ; Enaux, 1997). Bien que les liens entre ces différentes formes de mobilité soient réels et complexes, comme le soulignent Brulhard et Bassand (1981), seule la seconde catégorie nous intéresse ici.
Nous nous plaçons donc dans une perspective de la ville dans laquelle les formes de mobilité sont un élément majeur de la construction urbaine. De fait, elles participent à une complexification des usages de l’espace par leurs diversités. Le couple « mobilités et usages de l’espace » est un thème utile à l’appréhension des dynamiques urbaines. Il s’agit de repérer, d’identifier et d’expliquer les liens qui existent au sein de ce couple ; d’isoler les situations, les moments et les paramètres qui vont en renforcer les effets (spécialisations spatiales, fragmentations sociales, hypermobilités ou isolements contraints) ; d’analyser ces relations, en tentant de considérer non pas uniquement les mouvements et leurs effets spatiaux mais bien la multiplicité des lieux en question, des continuités historiques, des modes de vie, des périmètres d’action, des trajectoires sociales, au travers de l’imbrication des niveaux d’organisation et des diverses temporalités identifiées.
Cependant la richesse de ces interactions demande une approche adaptée qui permette de concevoir ces articulations, ces temporalités, ces effets. Pour aborder une telle complexité, la modélisation apparaît comme une démarche intéressante, car elle nécessite un effort de formalisation, de schématisation (Haggett, 1973 ; Durand-Dastès, 1992), qui contraint à préciser les éléments et les processus jugés nécessaires à la compréhension des dynamiques étudiées. La simulation, parce qu’elle permet la « réduction » de la ville, la répétition des situations avec changement de paramètres et la visualisation des résultats, est un atout incontestable de cette approche.
Système urbain et modélisation
La ville est considérée comme un système complexe, spatialement organisé. Sa modélisation doit prendre en compte à la fois les facteurs socio-économiques, politiques ou géographiques agissant à des échelles d’observation variées et selon des temporalités très différentes. Cette complexité peut se percevoir dans l’analyse des processus et des états qui en résultent, des interactions qui évoluent selon des temporalités et des espaces différents. Tous participent au maintien du système urbain en renforçant ses tendances à l’équilibre au niveau macrogéographique et en stimulant ou en laissant émerger les fluctuations, voire les perturbations, à un niveau micro- ou mésogéographique.
De nombreux travaux de modélisation dynamique, comme ceux de Batty (1992), (Batty et Longley, 1994), ont jalonné la recherche dans ce domaine. L’accessibilité (Enaux, 1997) ou la potentialité de développement selon des zonages liés aux caractéristiques spatiales (espacement, hiérarchie) et aux fonctionnalités urbaines ont été développées. Une des difficultés reste cependant l’intégration des approches allant de l’individu, ou du groupe, à une organisation au niveau supérieur, car la nature des variables change et les échelles spatiales et temporelles aussi. Or il est clair que la prise en compte de telles relations est nécessaire pour aborder la complexité urbaine. Des approches mathématiques et simulatoires, des modèles à base d’équations différentielles, les unes fondées sur la théorie des structures dissipatives (Allen, 1982 ; Allen et al., 1986) et les autres sur la théorie de la synergétique (Haken, 1977 ; Weidlich, 1991 ; Sanders, 1992), ont abordé cette question. Cependant, plusieurs catégories de problèmes persistent, comme la prise en compte de l’espace et de ses interactions, ou celle du comportement des acteurs.
D’autres techniques de modélisation dynamique, issues de l’informatique (intelligence artificielle distribuée, vie artificielle) ont permis d’aborder cet aspect et de faire intervenir le rôle des fluctuations locales qui sont en fait les éléments d’une dynamique rapide associée aux intrusions de phénomènes d’innovation. Les automates cellulaires (AC) (Couclelis, 1985 ; Phipps, 1989 ; Phipps et Langlois, 1997) ont un intérêt évident pour la modélisation des systèmes dynamiques complexes. La représentation du territoire qu’ils introduisent correspond à un ensemble de cellules de forme identique, en général, ayant chacune des caractéristiques de milieu, d’habitat, de population ; des fonctions d’état permettent de caractériser l’évolution de chaque cellule en fonction de son état et de celui de ses voisines ; les aléas sont introduits par les interactions entre éléments. Des modèles particulièrement élaborés ont été mis au point pour Ottawa (Phipps et Langlois, 1997), Rome (Colonna et al., 1998) ou San-Francisco (Clarke et al., 1997).
Cependant, cette formalisation ne permet pas aisément de prendre en compte des entités décisionnelles qui influencent le comportement des automates cellulaires. C’est pourquoi les systèmes multi-agents (SMA) trouvent un réel engouement dans le domaine de la modélisation dynamique appliquée à des problématiques sociales. La conception d’un SMA se fonde sur la formalisation d’interactions locales entre des agents et avec leur environnement. Les agents évoluent dans un espace prédéfini (Bura et al., 1996) ou, au contraire, libre de contrainte a priori sur leur organisation (Schweitzer, 1998 ; Benenson, 1998), et interagissent.
Les recherches précédentes (Ferber
et al., 1997 ; Collectif, 1997) montrent que les SMA favorisent l’émergence de structures complexes, non déductibles par des interactions locales. En effet, le choix d’un SMA (Ferber, 1995) se justifie lorsque le système à simuler est trop complexe pour être modélisé globalement, tout en ayant des comportements locaux à la fois connus
[3] et simples à modéliser. L’avantage des SMA, par rapport aux automates cellulaires, est de prendre en compte explicitement un espace différencié et hiérarchisé, ainsi que les trajectoires de chaque individu ou groupe. Ils permettent de modéliser le comportement d’un ensemble d’entités plus ou moins organisé, selon un ensemble de lois ou de règles. Ces systèmes facilitent l’utilisation conjointe de règles qualitatives, d’équations quantitatives et de propriétés inhérentes aux configurations spatiales. Cette faculté permet de modéliser tout processus ou d’engendrer toute structure, quelle qu’en soit la complexité. Les SMA correspondent donc bien à nos besoins, à savoir un type de modélisation prenant en compte l’espace, les interactions verticales et horizontales, et favorisent l’analyse des phénomènes d’adaptation et d’auto-organisation.
La concomitance de l’espace et du temps dans ces interactions rend séduisante toute tentative de simulation, capable de fournir des clés de compréhension supplémentaires de la réalité. La simulation sur ordinateur est un instrument privilégié de la modélisation dynamique, permettant d’explorer de façon plus systématique les conséquences des hypothèses posées, notamment en mettant en évidence la possibilité d’émergence de phénomènes, l’apparition de formes d’auto-organisation, la présence de dysfonctionnements potentiels. Ainsi l’émergence, sans qu’elle ait été expressément programmée, naît de la résultante des interactions au niveau microscopique entre agents, interactions liées au comportement (actif, passif, apprenant) attribué à l’agent par le modélisateur. Elle constitue à ce titre une structure informatique complexe, issue uniquement d’un formalisme individuel associé aux agents agissant selon leurs propres objectifs. L’apparition d’une structure observable à un niveau macroscopique correspond aussi à un phénomène d’auto-organisation puisqu’elle est une situation induite par le seul jeu des interactions à l’œuvre. La modélisation permet dès lors d’aborder des « futurs possibles » (Pumain et al. 1989, p. 19) du système dynamique complexe étudié.
L’application géographique retenue concerne l’analyse spatio-temporelle des formes de mobilité résidentielle à Bogota et des recompositions territoriales associées. On peut mesurer la complexité des liens entre mobilité résidentielle et territoire selon deux registres associés : d’une part, le système de mobilité et sa dimension spatiale, d’autre part, la réalité matérielle du territoire et le sens que lui donnent les individus. Dans les deux cas, la multiplicité des relations ne peut se concevoir que dans une vision dynamique, les effets des pratiques urbaines influençant les configurations spatiales, qui à leur tour vont provoquer des modifications dans l’organisation socio-spatiale des territoires, et ainsi de suite. Permanence des formes et des contraintes de sites, adaptation des espaces de vie, réalité visible et représentation cognitive, la connaissance de ces éléments et de leurs relations constitue une étape majeure de la compréhension de la systémogenèse urbaine.
Bien que les dynamiques de mobilité d’une capitale de pays en développement puissent à première vue apparaître assez différentes de celle d’un pays développé, les processus en œuvre sont au fond les mêmes, avec simplement des quantités et des formes différentes. Le choix de Bogota a été fait, non pas parce que cette ville nous semblait emblématique du point de vue de la mobilité résidentielle, mais parce qu’elle offrait des conditions locales particulièrement intéressantes pour une telle recherche, notamment du point de vue de la vitalité des processus, des données disponibles et du partenariat scientifique. Il s’agit d’une capitale dont le dynamisme démographique est incontestable et dont les rythmes de modifications sont plus soutenus que ceux des villes du Nord. Le corpus d’information, les connaissances déjà produites par des recherches antérieures et les dynamiques à l’œuvre à Bogota offrent une véritable situation expérimentale pour étudier certaines questions spécifiques et tester des hypothèses
[4].
Les grandes métropoles mondiales partagent certains caractères et les difficultés sont poussées à leur paroxysme dans les pays du Sud. Certaines pratiques citadines, inédites jusqu’à maintenant ou traditionnellement ignorées par la recherche urbaine sur la France, ont fait l’objet de recherches plus abouties dans les pays en développement : citons par exemple l’économie informelle ou les systèmes résidentiels familiaux. Plusieurs rencontres récentes témoignent d’un intérêt partagé pour une confrontation des savoirs construits sur la ville, au nord comme au sud. Le choix de Bogota s’inscrit directement dans cette démarche impliquant, autour de questions partagées, des chercheurs français travaillant sur les villes françaises et d’autres chercheurs dont l’expérience s’est nourrie au Sud.
Les liens entre les formes de mobilité résidentielle et les recompositions territoriales ont été abordés via le processus de croissance de la ville, avec pour cibles particulières : l’expansion urbaine, établie parfois au détriment de zones de production maraîchère (Madrid à l’ouest de Bogota, zone de production florale) ; le processus de construction illégale (Alto de Cazuca) ; le processus de gentrification (centre de Bogota) ; le processus de densification extrême de certains quartiers. Le schéma global de ségrégation socio-spatiale, hérité d’une dynamique continue pendant plusieurs décennies, se complexifie alors que les terres urbanisables se raréfient. De nouvelles proximités entre groupes sociaux sont appréhendées, avec la mise en place de relations de réseaux plutôt que de voisinage ou tout au moins une combinaison des deux.
Pour être en mesure d’aborder une telle analyse, plusieurs sous-objectifs ont été définis : la formalisation des connaissances thématiques et des questionnements permettant une modélisation des processus de mobilité spatiale et de recomposition territoriale (expansion périphérique, redistribution des densités et répartition des groupes sociaux) ; la détermination des solutions informatiques les plus adaptées à cette problématique, la réalisation d’une interface
[5] permettant de tester des hypothèses par des exercices de simulation, d’affiner leur questionnement, de fournir des considérations généralisables et de mener des comparaisons avec d’autres situations (Vanbergue, 1999).
Choix techniques et implémentation des modèles
Formalisation de la modélisation
Établir un modèle de la réalité observée afin de construire un outil de simulation ne peut se faire sans un effort de formalisation de cette réalité. Ont été retenus le système de mobilité et les sphères d’activités, en prenant en compte l’autoconstruction, mode majoritaire de production de logements à Bogota ; la segmentation sociale, plus ou moins discriminatoire, qui influence le processus décisionnel en le diversifiant. En revanche, nous manquions trop d’informations sur le système de transport pour pouvoir le considérer
[6].
Le résultat des interactions entre résidants et territoires se traduit par un paysage tantôt homogène tantôt hétérogène, selon que l’on s’attache à l’unité ou à un ensemble d’unités. Sa production est affectée par une série de données : situation physique initiale plus ou moins contraignante (occupation ou utilisation du sol) ; finalité de la réalisation, compte tenu de la concurrence entre les zones et des modes de production ; seuil d’attractivité du lieu ; existence et nature des réglementations ; environnement politico-financier local.
La modélisation des configurations socio-spatiales doit pouvoir représenter la réalité matérielle, qui dépend de l’organisation urbaine dont elle est le reflet (morphologie), et l’image dont elle est porteuse auprès des individus ou des groupes. Or, le phénomène d’appropriation et de territorialisation qui en résulte n’est pas défini à une échelle donnée ; il va de pair avec d’autres concepts plus délicats à appréhender comme la cognition des lieux (départ-arrivée), la cohésion des groupes, l’existence de relations de voisinage et de réseaux. L’espace résidentiel
[7] ne peut donc être totalement pris en compte dans la simulation, car il n’est pas simple de localiser un ensemble de lieux fréquentés ou non par un individu.
L’organisation finale et son fonctionnement doivent pouvoir émerger d’une modélisation des interactions identifiées et simulées au niveau microscopique, tout en essayant de conserver la richesse et la complexité de la situation. La difficulté majeure est de tenir compte à la fois des intentions au niveau individuel, des actions associées (replacées dans la structure temporelle et spatiale dans laquelle évoluent les individus), et de leurs résultats, constatables et analysables à un niveau méso- ou macroscopique au travers des phénomènes socio-spatiaux visibles. L’ordre observable pose la question de la compréhension de ces phénomènes issus d’une multitude d’actions individuelles non programmées. Les relations analysées sont beaucoup plus complexes qu’un simple appariement entre un individu (ou un groupe) et un logement (ou une zone), auquel s’associent des processus globalisants, contraignant l’évolution d’un système urbain. Elles se doivent de refléter les événements qui contribuent à l’évolution de la structure urbaine, tant au niveau micro (multiplicité des décisions), qu’au niveau macro (organisation socio-spatiale observable).
La simulation et le choix des paramètres
Pour pouvoir définir au mieux la formalisation nécessaire à la simulation, nous avons focalisé nos réflexions sur des granularités
[8] réalistes, nécessaires à la prise en compte des interactions mobilité-territoire, sachant que l’introduction de temporalités propres à chaque entité et à chaque niveau d’observation en modifie les caractéristiques. Il a fallu réfléchir à la granularité à retenir au niveau décisionnel (individu, ménage, ou groupe) et au niveau de la localisation résidentielle (logement, parc de logements, zones résidentielles : secteur de recensement, quartier, ou groupe de quartiers).
Au niveau décisionnel, les individus ne sont pas une granularité réaliste, surtout dans le cas de Bogota. L’unité décisionnelle
[9], c’est-à-dire l’ensemble des personnes impliquées dans un mouvement, est à considérer selon les étapes du cycle familial (dépendance par rapport à la cellule, décohabitation par création d’un ménage, indépendance avec séparation de lieux), du cycle et du statut professionnel, du statut d’occupation du logement. Pour simplifier cette segmentation démographique, ce sont les ménages qui sont retenus, caractérisés par une série de variables démographiques (classes d’âge), économiques (statut professionnel) et par le statut (propriétaire, locataire). En matière de localisation résidentielle, il apparaît très vite que l’aspect décisionnel ne fait pas intervenir que le logement et ses caractéristiques, mais bien une adéquation entre une motivation et une localisation (zone + logement). Cependant, selon que les décisions sont prises en compte en fonction des critères de choix ou des modifications du stock de logements, on a affaire à un modèle dynamique plus ou moins adaptatif. Les zones d’habitation retenues correspondent aux secteurs de recensement, unités spatiales pour lesquelles des données existent.
La modélisation se fonde alors sur l’articulation entre deux catégories de l’organisation urbaine :
- les individus ou les groupes qui décident de se déplacer, sachant que cette action correspond à un ensemble d’actes désincarnés (prise de décision, classification des choix, représentation des lieux) ; cette décision s’accompagne d’un choix de localisation et d’une appréciation sur l’utilité ou la nécessité du déménagement ;
- les espaces résidentiels forment la deuxième catégorie, réduite, pour des raisons de commodité de modélisation, à deux composantes : le logement et la zone d’habitation. La situation du logement et de la zone d’habitation a son importance, tout comme les effets de proximité : l’accessibilité au travail, aux biens ou autres et les distances réelles ou relatives à un lieu. Les capacités d’accueil
[10] de chaque secteur sont à évaluer et peuvent apparaître comme des éléments déterminants dans le choix résidentiel.
Les modèles
Devant la complexité des interactions existant entre ces catégories, deux modèles sont développés. Le premier est un automate cellulaire basé sur des stocks de logements, à pas de temps non uniforme. Le principe repose sur la similarité des comportements de groupes sociaux (on table sur une homogénéité des modalités de choix pour des groupes similaires du point de vue démographique et économique). Les zones où l’état d’occupation du stock de logements est inférieur à un moment donné à son optimum agissent comme des attracteurs ; parallèlement, les groupes d’individus (cohortes) issus des cellules denses s’adaptent à cette situation par un mouvement de mobilité qui se reporte sur ces zones. Le déplacement s’établit par contiguïté (voisinage). Le deuxième modèle est un modèle multi-agents qui introduit les individus (ou groupe d’individus) caractérisés par des comportements particuliers et des critères de choix résidentiels différents. Plusieurs règles de fonctionnement cognitifs et de préférence individuelle sont introduites dans la simulation ; il en est de même pour les lieux, à savoir les logements et les zones d’habitation. Le critère de choix se fonde sur une évaluation des descripteurs offerts par chaque zone et sur une confrontation avec les critères dégagés par chaque individu.
Hypothèses de travail.— Afin de faciliter la comparaison des résultats, des hypothèses identiques pour les deux modèles sont adoptées :
- une unité décisionnelle est identifiée par un chef de ménage — la définition du ménage n’étant pas forcément légale ou familiale ;
- il existe un ménage par logement, même si la surpopulation peut faire apparaître plusieurs ménages-occupants ;
- la mobilité se fait ménage par ménage, sans que celui-ci soit désagrégé par ce changement de résidence ; cette hypothèse est certes assez éloignée des pratiques réelles de mobilité résidentielle : nous la conservons toutefois car elle permet de réduire les 5 500 000 comportements individuels à 1 000 000 de ménages tout en restant cohérente avec le choix de l’unité décisionnelle comme granularité minimale ;
- la croissance de la population est une boîte noire ; les nouveaux ménages « apparaissent » à 18 ans et s’évacuent au-delà de 70 ans ;
- les systèmes de référence sont spécifiques à chaque groupe d’unités décisionnelles, ceci pour laisser les disparités sociales s’exprimer ;
- le système n’est pas perturbé par une crise du logement : le nombre de logements global est supposé toujours adapté à la population d’ensemble, seuls des excédents ou des déficits locaux peuvent apparaître.
Données de base.— Il a fallu définir une résolution temporelle et une durée de modélisation. Le pas de temps fixé correspond à un an, afin d’assurer une bonne prise en compte de la rotation au sein du marché immobilier et foncier. La durée est paramétrable par l’utilisateur, bien que l’on conseille d’effectuer des simulations sur une période de l’ordre de 30 ans environ, soit une génération, afin d’obtenir des modifications significatives de la structure urbaine. Résolution temporelle et durées significatives pour l’analyse du phénomène restent cependant des points à approfondir. En outre, les informations suivantes sont sélectionnées et intégrées dans le modèle :
- les ménages sont retenus selon les secteurs de recensement, soit environ 600 unités à Bogota-Soacha, regroupées en 36 comunas ;
- les ménages sont définis selon 6 catégories sociales (de très riche à très pauvre), 4 classes d’âge (de jeune à vieux) et 2 statuts d’occupant (propriétaire et locataire), ce qui forme au total 40 groupes différents
[11] ;
- l’état du stock de logements est connu dans les zones considérées (les secteurs de recensement), de même que leur capacité maximale d’accueil (assimilée à la densité d’occupation du sol) ainsi que leur voisinage, pour prendre en compte les effets de propagation entre les zones ;
- la croissance nette de la population (naissances et immigration, mortalité et émigration) est paramétrable par l’utilisateur : elle est de l’ordre de 3% par an.
Implémentation des comportements des ménages et paramètres.— Les comportements des ménages en matière de mobilité résidentielle ont été implémentés dans le modèle selon les critères suivants, avec la possibilité de paramétrer les différents éléments pris en compte, ce qui permet de tester des situations types, chaque ménage étant crédité d’un comportement rationnel qui fonctionne en trois étapes. Dans un premier temps, chaque ménage évalue son bien-être actuel ; le confort est estimé par le degré d’affinité synthétique calculé entre le groupe G, auquel appartient le chef de ménage, et les autres groupes présents dans le secteur ; ce degré d’affinité est élaboré à partir des préférences intergroupes individuelles, paramétrées par l’utilisateur et variant de -1 (degré de répulsion) à 1 (degré d’affinité maximale), 0 étant le niveau d’indifférence (fig. 1) ; si le degré d’affinité synthétique est élevé, le groupe G marquera une préférence ? pour ce lieu. Puis, il cherche dans le voisinage un lieu plus confortable, c’est-à-dire un lieu ou le degré d’affinité synthétique sera plus grand et qui aura donc une préférence ? plus élevée. Enfin, il émet le souhait de déménager s’il trouve un lieu pour lequel sa préférence ? est supérieure à celle de son actuelle localisation.
Fig. 1
Écran des préférences selon les catégories sociales
En fournissant des appréciations entre -1 et 1 en ce qui concerne les préférences des ménages ou des cohortes, l’utilisateur renforce ou non les aspirations à l’agrégation ou à la ségrégation sociale.
Parallèlement, chaque groupe G a une propension ? à bouger qui lui est propre, et qui est paramétrable. Cette propension à bouger varie de 0 à 1 selon les groupes sociaux : par exemple, les groupes de propriétaires ou de personnes âgées auront une propension moindre (plus proche de 0) à bouger que les jeunes ou que les locataires (plus proches de 1). Enfin, chaque groupe peut également être conduit à bouger, non pas parce qu’il est attiré ailleurs, mais tout simplement parce qu’il est mécontent de sa localisation actuelle. Pour rendre compte de cet aspect, nous avons défini un seuil de satisfaction minimal ?, également paramétrable, qui lorsqu’il est atteint, déclenche l’envie de trouver une meilleure localisation. Par défaut, ce seuil est fixé à 100 %, ce qui signifie que chaque ménage souhaitera déménager s’il n’est pas satisfait à 100 % de son domicile actuel.
Le modèle automate cellulaire comprend 617 secteurs, où il est possible d’appréhender une représentation des phénomènes de mobilité fondée sur le suivi des effectifs de chaque secteur. La fonction de transition du modèle, présentée dans la figure 2, permet de définir l’état de chaque secteur s à chaque pas de temps t, en fonction du solde migratoire de t-1 à t, originaire du voisinage v. Le nombre de migrants est proportionnel à la propension P de chaque groupe G de déménager, au nombre n de ménages de ce groupe et à la différence de satisfaction globale pondérée entre s et v. Cette fonction de transition a permis de poser les premières hypothèses et de construire les interfaces, mais il était nécessaire de compléter ce modèle en intégrant les capacités d’accueil et le décalage entre mobilité désirée et mobilité effective, grâce au modèle multi-agents.
Fig. 2
La fonction de transition
Dans le modèle multi-agents, le mécanisme de mobilité obéit aux mêmes règles de satisfaction que pour l’automate cellulaire. Le modèle est axé sur un protocole de discussion collective, représenté figure 3, entre les deux agents du système : d’une part les 36
comunas qui régulent la mobilité en fonction de leurs capacités d’accueil et, d’autre part, les cohortes
[12] de ménages. Il s’agit en fait d’un processus de demande et d’offre, dans lequel les
comunas donnent ou non l’autorisation de mobilité. La régulation s’établit selon l’analyse des cohortes (bien-être) et celle des
comunas (capacité d’accueil). Une fois le taux de satisfaction de chaque cohorte apprécié par rapport à sa
comuna, une demande d’autorisation de mobilité est émise. Les demandes émises par les cohortes sont prises en considération (après tri) par les
comunas selon l’ordre d’arrivée de la demande et aussi longtemps que la capacité d’accueil n’est pas atteinte. Une fois toutes les autorisations données, les cohortes se déplacent et le cycle recommence.
Fig. 3
Le schéma de décision
Les deux modèles ont été testé dans le cadre d’un scénario identique : le scénario de l’agrégation sociale, où chaque groupe G cherche essentiellement à se relocaliser auprès de groupes identiques.
Dans le cas de l’automate cellulaire, la simulation met rapidement en mouvement une grande partie de la population. On observe en effet un pic de mobilité les premières années, qui tend vers 0 au bout d’une dizaine d’années (fig. 4). À la fin de la génération, chaque secteur s est occupé par des groupes similaires très satisfaits d’être entre pairs. D’un point de vue technique, cette simulation nous conduit à constater que le modèle d’automate cellulaire possède une bonne fonction de transition, puisqu’il conserve globalement la population qu’il manipule et qu’il lui est impossible d’obtenir des résultats absurdes comme des effectifs négatifs dans un secteur. Ceci étant, les résultats thématiques auxquels nous parvenons laissent rêveur : la disparition quasi totale de toute mobilité au bout de 30 ans, et donc le verrouillage de la configuration socio-spatiale de la ville, est digne d’un roman de science-fiction où tout le monde serait heureux dans le meilleur des mondes, avec les meilleurs des voisins !
Fig. 4
Simulation de la mobilité résidentielle par AC : scénario de l’agrégation sociale
Dans le cas du système multi-agents, la mobilité connaît également un pic en début de simulation (fig. 5) ; mais elle se stabilise rapidement à un niveau moyen, oscillant autour de 18 % par an sans jamais tendre vers 0 au cours d’une génération de simulation. Les secteurs d’habitat tendent également à s’homogénéiser, mais n’y parviennent pas totalement compte tenu du frein constitué par les capacités d’accueil des comunas. Le modèle multi-agents donne donc des résultats thématiques relativement réalistes au terme d’une génération. Il permet surtout de prendre en compte de façon plus explicite l’espace et sa capacité d’accueil, et de montrer ses effets régulateurs. Néanmoins, des biais liés aux comunas (nombre et hétérogénéité) gênent l’appréciation de l’utilisateur. Le regroupement des ménages en cohortes indissociables n’est pas réaliste, une cohorte pouvant se dissocier au cours d’une génération. De plus, il n’y a pas de possibilités d’ascension sociale (ou l’inverse) ce qui va à l’encontre des connaissances sur le sujet : il serait sans doute intéressant d’introduire des lois de variation des effectifs, en fonction de l’âge par exemple.
Fig. 5
Simulation de la mobilité résidentielle par SMA : scénario de l’agrégation sociale
L’intérêt de notre démarche modélisatrice a été de mettre au point, dans un contexte interdisciplinaire
[13], deux modèles de type
bottom-up pour simuler une situation particulièrement complexe, à savoir l’évolution dans le temps de la répartition socio-spatiale des ménages. Les deux modèles proposés ont montré que cela était possible, bien qu’il ne s’agisse que de prototypes qui posent autant de questions qu’ils en résolvent et qui doivent bien sûr encore être éprouvés et améliorés : par le test de la stabilité de leurs résultats, deux simulations identiques en tout point devant conduire à des situations simulées identiques ; par la mesure de la validité de ces résultats, ce qui peut se faire en les expérimentant entre deux bornes connues (par exemple entre deux recensements).
D’un point de vue thématique, les modèles proposés peuvent servir d’outil de réflexion et d’aide aux décideurs dans des débats aussi controversés que l’introduction de la mixité dans la planification urbaine. Avec ces prototypes, on pourrait entre autres simuler l’effet des politiques publiques de mixité en testant différents scénarios d’affinité entre les groupes de ménages et en observant leurs effets d’une part sur les comportements migratoires, d’autre part sur l’ensemble de la structure urbaine.
Néanmoins, pour effectuer ce type de simulation, il nous faudrait aussi progresser dans l’interprétation des résultats thématiques des modèles afin de mieux comprendre leur comportement. Il conviendrait par exemple de voir si le pic de mobilité observé au début de chaque simulation correspond à une réponse du système urbain confronté à une modification brutale des comportements, ou s’il s’agit simplement d’un artefact lié à l’initialisation du modèle. Il faudrait également pouvoir mieux interpréter les représentations cartographiques issues des modèles afin d’établir un véritable diagnostic géographique des configurations socio-spatiales émergentes du modèle. Ce point exigerait le développement d’une interface graphique plus performante que celle dont nous disposons et qui faciliterait ce type de diagnostic.
Enfin, nous pouvons citer deux avancées méthodologiques, autorisées par ces prototypes et qui nous paraissent fondamentales. D’une part, la conception du paramétrage de ces prototypes est conçue de façon à autoriser sans trop de problèmes leur transposition des villes des pays en développement vers les villes des pays industrialisés : ceci devrait nous permettre, à terme, de mieux comparer ces villes et leur fonctionnement et de progresser dans la compréhension des aspects universels de la ville. D’autre part, il serait également possible de comparer deux types de modélisation à partir de paramètres identiques et sur la base d’une logique similaire, ce qui ouvrirait un vaste champ de recherches méthodologiques, portant sur les critères et les conséquences du choix du type de modèle pour représenter ces phénomènes.
·
Allen P.M. (1982). « Evolution, modeling and design in a complex world ». Environnement and Planning B, n° 9, p. 95-111.
·
Allen P.M., Engelen G., Sanglier M. (1986). « Self Organizing System and the Laws of socio-economics geography ». European Journal of Operational Research, n° 25, p. 127-140.
·
Batty M. (1992). « Urban modelling in computer-graphic and geographic information system environnements ». Environment and Planning B, n° 19, p. 663-688.
·
Batty M., Longley P. (1994). Fractal Cities: A Geometry of Form and Function. San Diego : Academic Press.
·
Benenson I. (1998). « Multi-Agent Simulations of residential dynamics in the City ». Comput. Envir. and Urban Systems, n° 22, p. 25-42.
·
Brulhard M.-C., Bassand M. (1981). « La mobilité spatiale en tant que système ». Revue suisse d’économie politique et statistique, n° 3, p. 505-519.
·
Bura S., Guérin-Pace F., Mathian H., Pumain D., Sanders L. (1996). « Multi-agents systems and the dynamics of a settlement system ». Geographical Analysis, vol. 28, n° 2.
·
Clarke, Hoppen, Gaydos, White R., Engelen G., et Uljee I. (1997). « The Use of constrained Cellular automata for high resolution modelling of urban land-use patterns ». Environnement and Planning B, n° 24, p. 23-343.
·
Collectif (1997). Émergence et SMA. Journées IAD/SMA. La Colle-sur-Loup.
·
Colonna A., Di Stefano V., Lombardo S., Papini L., Rabino G.A. (1998). « Learning cellular automata : modelling urban modelling », in Proceedings of the 3rd International Conference on GeoComputation, University of Bristol (17-19 September 1998).
·
Couclelis H. (1985). « Cellular Worlds, a framework for modelling micro-macro dynamics ». Environnement and Planning B, n° 17, p. 585-596.
·
Courgeau D. (1988). « Méthodes de mesure de la mobilité spatiale : migrations internes, mobilité temporaire et navettes ». Population, n° 4-5, p. 877-880.
·
Dubois-Taine G., Chalas Y., dir. (1997). La Ville émergente. La Tour d’Aigues : Éditions de l’Aube.
·
Durand-Dastès F. (1992). « Questions sur les modèles ». Géopoint, p. 9-19.
·
Dureau F. (1999). « Les mobilités à géométrie variable des habitants de Bogota ». Espace, Population et Sociétés, vol. 2, p. 329-344.
·
Enaux C. (1997). « Essai de modélisation spatio-temporelle des flux de déplacements de travail. L’exemple de la région urbaine strasbourgeoise de 1975 à 1990 ». Strasbourg : université Louis-Pasteur, thèse de Doctorat, 2 volumes, 3 disquettes, 372 p.
·
Ferber J. (1995). Les Systèmes multi-agents. Vers une intelligence collective. Paris : Inter éditions, 522 p.
·
Ferber J., Labbani O., Müller J.-P., Bourjault A. (1997). « Formalizing emergent collective behaviours : preliminary report ». DAIMAS’97, Saint-Petersbourg.
·
Haggett P. (1973). L’Analyse spatiale en géographie humaine. Paris : Armand Colin, 360 p.
·
Haken H. (1977). Synergetics, an introduction. Berlin : Springer.
·
Kaufmann V. (1999). « Quelques éléments conceptuels pour aborder la mobilité », in Mobilité et vie quotidienne. Paris : Ministère de la Recherche, coll. « 2001 plus », synthèse et recherche, n° 48, p. 7-14.
·
Phipps M. (1989). « Dynamics Behavior of cellular automata and the constraint of Neighborhood Coherence ». Geographical analysis, n° 21, p. 197-215.
·
Phipps M., Langlois A. (1997). Automates cellulaires : applications à la simulation urbaine. Paris : Hermès, 197 p.
·
Pumain D., Sanders L., Saint-Julien Th. (1989). Villes et auto-organisation. Paris : Economica, 191 p.
·
Sanders L. (1992). Systèmes de villes et synergétique. Paris : Anthropos, 274 p.
·
Sanders L., Pumain D., Mathian H., Guérin-Pace F., Bura S. (1996). « SIMPOP : a multi-agents system for urbanism », Environment and Planning B, vol. 24, p. 287-305.
·
Santos M. (1997). La Nature de l’espace. Paris : L’Harmattan, 275 p.
·
Schweitzer F. (1998). « Modelling migration and economic agglomeration with active brownian particles ». Advanced Complex Systems, n° 1, p. 11-37.
·
Tarrius A. (1993). « Territoires circulatoires et espaces urbains ». ARU, n° 59-60.
·
Thumerelle J.-P. (1985). « Contribution à la réflexion théorique sur la mobilité spatiale des populations ». Espace, Populations, Sociétés, n° 1, p. 11-17.
·
Vanbergue D. (1999). « Modélisation des migrations intra-urbaines : approche multi-agents. Application à la ville de Bogota ». Université Paris 6, DEA IARFA, 24 p.
·
Weber C., dir., Adolphe L., Badariotti D., Demazeau Y., Dureau F., Ferrand N., Mueller J.-P., Vanbergue D. (1999). Modélisation dynamique des interactions entre formes de mobilité et recompositions territoriales, rapport final PSIG 98, Programme système d’information géographique CNRS-IGN 1998, 36 p.
·
Weidlich W. (1991). « Physics, synergetics and social science-the approach of synergetics ». Physic reports, vol. 204, n° 1, 163 p.
[1]
Configuration : répartition spatiale des objets considérés les uns par rapport aux autres.
[2]
Territoire : espace sur lequel s’exerce une autorité (groupe, collectivité, politique…)
[3]
Notamment lorsque le comportement des différentes entités modélisées s’explique par l’attribution d’une finalité : survie, conditions à atteindre ou à maintenir, etc.
[4]
L’étude des systèmes de peuplement et des recompositions des espaces métropolitains est en effet conditionnée par l’accès aux données individuelles des recensements, si possible sur une période de temps assez longue. Bogota offre des statistiques de cette nature : nous avons accès aux données individuelles de 3 recensements (1973, 1985, 1993), ainsi qu’à des images satellite et à des photographies aériennes qui complètent un jeu de cartes à différentes échelles. L’on y dispose, de plus, d’enquêtes biographiques localisées, réalisées en 1993 et 1994 dans le cadre d’une collaboration entre l’Universidad de los Andes et l’IRD.
[5]
Ceci a été possible dans le cadre du DEA de Diane Vanbergue, IARFA, Paris 6 et Laboratoire d’Informatique Appliquée (LIA-IRD).
[6]
Le système de transport repose entièrement sur l’initiative privée, et nous ne disposons pas de statistiques locales et précises sur la desserte des quartiers et les liens entre les zones. En dehors des véhicules individuels, il n’y a ni train ni métro à Bogota, et les transports publics sont composés d’une myriade de minibus et d’autobus (il y en aurait plus de 10 000, allant de l’ancien Kombi Volkswagen en ruine au bus à air conditionné le plus moderne) qui parcourent la ville dans tous les sens, s’arrêtant à la demande, sauf sur les grands axes où les pouvoirs publics ont fini par imposer des arrêts fixes.
[7]
Espace résidentiel : « configuration spatiale définie par l’ensemble des lieux mobilisés à un moment donné par un individu ». Système résidentiel : « articulation entre les lieux et leurs pratiques par les individus » (Dureau, 1999, p. 333).
[8]
Granularité : ce terme désigne le degré de fragmentation — ou d’individualisation — correspondant à une échelle donnée.
[9]
Unité de décision ou unité décisionnelle : il s'agit de l’unité (individu isolé, chef de ménage ou conseil de famille) qui, dans la réalité, prend la décision de changer de résidence.
[10]
La capacité d’accueil d’un secteur correspond à la quantité de logements disponibles (la migration ne se fait que si c’est possible). Cette capacité évolue au cours du temps (destructions et constructions) de façon différente selon les secteurs (centre-périphérie), en particulier à Bogota où l’autoconstruction est le mode de production d’espace bâti le plus développé.
[11]
Un ménage est décrit par les caractéristiques du chef de ménage : une classe sociale, un âge, un statut, un secteur de résidence. Un groupe G est donc défini par le triplet (So, A, St : catégorie sociale, âge et statut) soit 40 groupes de ménages distincts.
[12]
Le nombre de ménages étant trop élevé par rapport à nos capacités de calcul, 4 500 cohortes ont été déterminées, chacune groupant environ 5 000 ménages.
[13]
En effet, ce projet a été développé dans le cadre d‘un projet de recherche du CNRS (PSIG 1998), en partenariat avec des spécialistes issus de disciplines aussi différentes que complémentaires (sociologie, urbanisme, géographie, informatique, architecture, ingénierie).