cist-dossier_6-le_projet_grandes_metropoles

les

dossiers du

n°

cist

6 || mars 2018

Le projet Grandes métropoles Un « bac à sable » commun pour partager questionnements et apprentissages autour des données locales Marianne Guérois**, Malika Madelin***, Hugues Pécout*, Jean-François Valette****, Renaud Le Goix**, Florence Nussbaum**, Claude Grasland** Ce texte reprend et prolonge les éléments d’un chapitre de Demande(s) territoriale(s) (dirigé par L. Cailly, R. Lajarge, A. Ruas et G. Saez, à paraître chez Karthala dans la « Collection du CIST »), suite à une communication présentée au 3e colloque international du CIST.

La profusion de données urbaines locales et le déploiement de systèmes d’information et de visualisation de plus en plus sophistiqués semblent de prime abord apporter une réponse adaptée à la demande croissante d’informations émanant des acteurs privés ou publics, des décideurs politiques, des citoyens et des chercheurs.

Que ce soit à partir de classements produits à l’aide d’indicateurs synthétiques ou de tableaux de bord complexes mis à jour en temps réel et censés permettre une nouvelle gouvernance de la ville intelligente, il est désormais possible de visualiser et de comparer les différenciations internes des grandes métropoles et de s’interroger sur les modes d’organisation urbaine, au regard des formulations éprouvées dans les modèles classiques de l’École de Chicago, de Los Angeles (Judd & Simpson, 2011) comme dans les écarts à ces modèles de référence.

Mais ces flux de données massifs et hétérogènes soulèvent aussi de nombreux questionnements conceptuels et méthodologiques en ce qui concerne la manipulation d’informations géographiques qui portent à la fois sur l’espace, le temps et la thématique (Mathian & Sanders, 2014). Si l’on veut dépasser une approche naïve des faits bruts et offrir aux acteurs une information utile en termes d’analyse territoriale, deux hypothèses délicates doivent être levées : 1. L’interopérabilité des thématiques : beaucoup de croisements d’indicateurs habituellement disponibles « en silos » sont complexes à mener en raison de l’hétérogénéité de la géométrie des objets, ce qui peut conduire à un déficit de gouvernance territoriale intégrée et transversale.

2. La comparabilité spatiale et temporelle au niveau local : la pauvreté des comparaisons entre métropoles est souvent liée à une difficulté d’harmonisation des données dans l’espace et le temps.

Figure 1. Zones d’étude, périmètres et maillages de référence retenus pour les trois premières métropoles du « bac à sable »

* Collège international des sciences territoriales (FR2007 CIST) ** Géographie-cités (UMR8504) *** Pôle de recherche pour l’organisation et la diffusion de l’information géographique (UMR8586 Prodig) **** Laboratoire dynamiques sociales et recomposition des espaces (UMR7533 Ladyss)

L’axe Information territoriale locale du CIST anime depuis trois ans une réflexion sur ces deux sujets dans le cadre du projet « Grandes métropoles » et des ateliers qui l’accompagnent (encadré). Cette réflexion a pour objectif de renforcer la dimension transversale de ces problématiques, notamment par la mise en place de terrains d’apprentissage communs ou de partage de méthodologies. Ce document retrace brièvement les principaux travaux menés jusqu’à présent dans le cadre de ce projet et cherche à inciter d’autres membres de la fédération de recherche CIST à y participer.

Après avoir présenté les terrains d’apprentissage communs constitués et les premiers enjeux méthodologiques rencontrés lors de la construction de la base de données (1), nous aborderons plusieurs aspects fondamentaux qui sont au cœur de la démarche comparative et qui se situent à différentes échelles. D’abord, dans une perspective interurbaine, nous évoquerons les questions relatives à l’harmonisation des données au travers de l’exemple de l’utilisation et de l’occupation du sol (2). Puis, nous évoquerons les problématiques liées à la représentation comparative à partir de données démographiques (3). Enfin, des travaux sur l’articulation de données territoriales locales variées dans leur granulométrie, leur géométrie et leur thématique (données Airbnb et prix fonciers), qui prennent sens à l’échelle intra-urbaine seront présentés (4).

Trois espaces d’étude comparables et des thématiques susceptibles d’être croisées Les métropoles et plus particulièrement les villes mondiales qui sont affectées par des dynamiques accélérées de recompositions sociales, économiques ou environnementales, sont des terrains d’études riches.

Elles offrent des champs d’investigation multiples, autant sur le plan des thématiques que des types de données exploitables. Plusieurs critères ont permis d’établir un échantillon d’apprentissage pour ce projet : l’intérêt des chercheurs membres du CIST pour des terrains situés dans des contextes géographiques différents, mais comparables tant sur le plan social que spatial, et le potentiel élevé d’accès à des données locales hétérogènes ont permis de constituer un échantillon de départ de trois métropoles.

Les trois espaces d’étude choisis sont Paris, Chicago et Mexico. Les emprises retenues (Fig. 1) ne recoupent pas toujours parfaitement les périmètres d’aires fonctionnelles de ces métropoles, définies selon l’intensité de la polarisation de la ville centrale sur les travailleurs résidant en périphérie. L’Île-de-France ne correspond pas à l’aire urbaine parisienne définie par l’INSEE en 2010, mais au périmètre de la base de données générale de l’IAU ÎdF (Institut d’aménagement et d’urbanisme d’Île-deFrance), récupérée dans le cadre du projet. Ensuite, la métropole de Chicago affiche trois délimitations officielles, mais nous avons préféré retenir un quatrième périmètre, informel, reconnu depuis près d’un siècle, le Chicagoland (Chicago Tribune, juillet 1926). Le périmètre d’étude de la métropole américaine affiche ainsi une surface et une population équivalentes à l’Île-de-France. Enfin, bien qu’elle s’étende sur trois États, il n’existe qu’une seule délimitation officielle de l’entité urbaine fonctionnelle de Mexico reconnue par les instituts publics comme le SEDESOL (Secreteria de desarrollo social), le CONAPO (Consejo nacional de población) et l’INEGI (Instituto nacional de estadística y geografía). Ainsi, la zona metropolitana del valle de México (ZMVM), moins étendue, mais plus densément peuplée que les deux autres métropoles, s’impose naturellement comme périmètre d’étude.

Le degré de comparaison de ces trois métropoles repose également sur les similitudes entre différents maillages statistiques de références utilisés. À partir de leur superficie, de leurs populations et de leurs

2

les

dossiers du cist || mars 2018

Les ateliers « Grandes métropoles » Le projet Grandes métropoles s’appuie sur des ateliers organisés sur une journée, une à deux fois par an, et dont l’objectif est à la fois…

––Expérimental : ces journées sont organisées en deux temps.

Elles partent de deux ou trois études de cas qui permettent d’exposer des problèmes théoriques et méthodologiques associés à l’analyse d’un jeu de données locales. Elles se poursuivent par la manipulation des données dans le cadre d’un atelier informatique.

Les exemples proposés vont d’extraits de traitements issus de travaux aboutis (données Twitter, mobilités résidentielles…) à des explorations amorçant la découverte d’un jeu de données (locations Airbnb, vélos en libre-service…).

––Transversal : ce « bac à sable » commun vise à faire circuler questionnements et innovations (en matière de concepts, méthodes et/ou outils) entre chercheurs, enseignants-chercheurs, doctorants et ingénieurs des différentes équipes du CIST. Il s’agit également de donner une opportunité aux différents axes thématiques du CIST de croiser leurs approches sur des terrains communs.

––Contributif : l’objectif n’est pas tant de constituer une base de données locales transversale aux axes du CIST que de construire progressivement des jeux de données tests, de présenter des chaînes de traitements utilisées, de proposer des démarches génériques (« how to ») pour résoudre les problèmes présentés, qu’ils soient d’ordres théoriques ou méthodologiques.

Pour l’instant, trois ateliers ont été organisés par l’axe Information territoriale locale en partenariat avec d’autres axes thématiques du CIST : ––Atelier introductif (mai 2016) : présentation des premières analyses menées sur l’« échantillon d’apprentissage » (Paris, Chicago, Mexico) pour questionner les enjeux d’harmonisation (à partir de l’évolution des modes d’occupation/d’utilisation du sol), de représentation (cartographies anamorphosées des données démographiques), de croisement des données (exemple des prix immobiliers). www.gis-cist.fr/informations-territoriales-locales-et-analyse-comparative-desdynamiques-metropolitaines-le-projet-grandes-metropoles ––Médias sociaux numériques et données locales (novembre 2016) organisé avec l’axe Médias et territoires : à partir d’un focus sur l’objet « tweet », retours d’expériences sur l’accès aux données et leur qualité, la construction d’information géographique (catégories de localisations identifiables par les tweets, lien avec autres informations sémantiques), l’apport original de ces données pour l’analyse des dynamiques métropolitaines (détection d’événements urbains, analyse lexicale relative à des projets d’aménagement…). www.gis-cist.fr/medias-sociaux-et-territoires ––Mobilités métropolitaines : sources officielles, sources alternatives (octobre 2017), organisé avec l’axe Mobilités, identités et territoires : échanges autour de plusieurs catégories d’observation (l’immobilité, la marche), des limites de leur description dans les recensements et les enquêtes officielles de mobilité.

Exemple d’analyse des données de mobilités résidentielles à Mexico pour mettre en évidence des processus de recomposition socio-spatiale dans la métropole. www.gis-cist.fr/eclairages-sur-les-donnees-locales-pour-lanalyse-des-mobilitesmetropolitaines Les prochaines thématiques porteront a priori sur des questions environnementales (qualité de l’air, biodiversité…). Ce « bac à sable » initial a vocation à s’ouvrir à de nouvelles thématiques et à de nouveaux terrains métropolitains, à partir de vos idées de contributions. Et les ateliers informatiques pourraient aussi être imaginés sous d’autres formats (type Hackathon)…

À vos propositions !

méthodes de construction, un travail de comparaison a été réalisé, en se basant dans les trois cas sur les maillages résultant d’une agrégation d’îlots urbains contigus. Pour Paris et Chicago, ces regroupements d’îlots sont principalement basés sur des seuils démographiques : les IRIS (d’habitats) abritent généralement une population de 1 800 à 5 000 habitants, alors que les block groups recouvrent une population oscillant entre 600 et 3 000 personnes. Pour Mexico, le regroupement d’îlots contigus (de 1 à 50 îlots) repose surtout sur les démarcations physiques et l’occupation du sol. Ainsi, les AGEB urbaines (Áreas Geoestadísticas Básicas) révèlent une amplitude de population plus importante que les IRIS et les block groups, mais présentent des superficies plus homogènes ; leur population oscille généralement entre 1 000 et 9 000 habitants. Bien que les méthodes de construction et les définitions soient différentes, ces découpages comportent des problématiques similaires liées à la représentation. La disparité de superficie des entités entre le centre et la périphérie complique la lecture et la comparaison visuelle. Dans le cas de Mexico, la disproportion surfacique des entités statistiques n’est même pas observable : seule une localisation ponctuelle des localités rurales est mise à disposition par l’INEGI. Cette absence d’information géographique indispensable à la représentation de données intra-urbaines est aussi problématique pour les analyses comparatives interurbaines. Des travaux exploratoires de recomposition d’un maillage permettant de considérer l’ensemble du territoire métropolitain de Mexico ont été menés.

Afin de se confronter aux enjeux liés à l’interopérabilité de données conceptuellement différentes, le choix des trois terrains d’études est logiquement associé à une sélection de différentes thématiques, susceptibles d’être croisées : la démographie, l’utilisation et l’occupation du sol, et le marché de l’immobilier. L’intérêt croissant des acteurs pour les nouvelles données numériques issues du web 2.0 nous a également amenés à nous intéresser à cette nouvelle génération d’informations territoriales locales, comme les données issues de la plateforme « communautaire » Airbnb ou du média social Twitter, de plus en plus utilisées dans l’analyse des dynamiques urbaines, des mobilités et des structures spatiales (Louail et al., 2014).

Une fois les espaces d’étude et les thématiques d’apprentissage arrêtés, trois aspects ont pu commencer à être discutés : l’harmonisation des données, leur représentation comparative et la manière de les interfacer.

Harmonisation et comparaison interurbaine L’étalement urbain autour de Chicago est-il plus marqué qu’à Mexico ? La faible proportion d’espaces vacants à Paris rend-elle compte d’une plus forte pression foncière qu’à Chicago ? Dans quelle métropole la densification du bâti s’est-elle le plus accélérée récemment ? Au-delà des enjeux environnementaux et sociaux, répondre à ces questions suppose d’avoir des données d’occupation et d’utilisation du sol comparables entre les métropoles et dans le temps, ce qui soulève la question de l’harmonisation des bases de données, à la fois spatiale et temporelle.

Deux approches d’harmonisation peuvent être distinguées. Une première démarche, « descendante » (top-down), consiste à décrire l’occupation du sol à partir de critères homogènes et de sources identiques, définis pour l’ensemble du globe ou pour une aire régionale donnée et principalement à partir des produits satellitaires (i.e. les bases du Global Land Cover Facility, Global Land 30 ou encore Corine Land Cover). Leur résolution spatiale (du kilomètre à quelques mètres) et leur répétitivité temporelle permettent d’avoir un premier aperçu des principales occupations du sol des métropoles étudiées et de leurs dynamiques. Cependant les nomenclatures présentent souvent une faible finesse thématique, ne distinguent que l’occupation et non l’utilisation du sol, et s’avèrent ainsi insuffisantes pour décrire les espaces urbains au-delà de la forme globale et de l’extension de la tache urbaine, en deux dimensions (Esch et al., 2013).

Pour améliorer la richesse thématique et descendre à un échelon d’observation local, une autre démarche, « ascendante » (bottom-up), consiste à établir des correspondances a posteriori entre des nomenclatures très détaillées, construites pour des territoires particuliers, à partir d’une résolution adaptée à l’échelon cadastral : en l’occurrence, le MOS (mode d’occupation des sols) de l’IAU ÎdF pour la métropole parisienne (81 postes, au plus fin) et les données ouvertes du CMAP Chicago Metropolitan Agency for Planning pour Chicago (60 postes ; qui ne recouvrent pas l’ensemble du Chicagoland). Ces données ont une précision géométrique dans les deux cas de 1/5 000 et sont disponibles à plusieurs dates, ce qui permet d’analyser l’évolution temporelle des occupations et utilisations des sols. Malheureusement aucune donnée de ce type n’était disponible pour Mexico.

Figure 2. Une démarche « ascendante » pour comparer l’utilisation et l’occupation du sol à Chicago et à Paris

|| les dossiers du cist

mars 2018

3

Les deux nomenclatures, loin d’être identiques terme à terme, témoignent de logiques culturelles, foncières et administratives propres aux deux métropoles. Par exemple, les espaces ouverts sont ainsi décrits dans la base du CMAP en termes de loisirs ou de conservation, alors que la logique du MOS semble reposer plus sur une description des formations végétales que sur les usages. Des particularités locales se remarquent également, comme la classe « jardins familiaux » du MOS qui ne semble pas avoir d’équivalent dans la typologie CMAP. En acceptant une certaine agrégation thématique des données des bases métropolitaines initiales (sur un nombre de postes réduit) et donc une certaine perte d’information, nous proposons une typologie harmonisée de l’occupation et de l’utilisation pour les deux métropoles (Fig. 2), en 11 classes, avec une résolution spatiale et thématique plus fine que les bases mondiales précédemment citées. Il est alors possible, par exemple, de comparer la proportion et la répartition spatiale de l’habitat individuel, qui est dominant dans la métropole de Chicago et occupe 2,7 fois plus d’espace qu’en Île-de-France.

Ce travail d’alignement peut aussi permettre des analyses temporelles si un suivi longitudinal des bases est effectué, comme c’est le cas pour le MOS entre 1982 et 2012, ou si des tables de passage sont mises à disposition, comme pour la base du CMAP entre 2005 et 2013. On peut aussi décider de conserver les postes initiaux, pour effectuer des zooms sur certains types où la correspondance directe est possible (par exemple les terrains vacants, si on s’intéresse à leur évolution, en lien avec une forte pression foncière).

Représentation et comparaison interurbaine Comment s’y prendre lorsque l’on souhaite par exemple représenter et comparer le vieillissement, à Paris, Chicago et Mexico, trois agglomérations pour lesquelles les surfaces, les masses de population et les variables disponibles sont différentes ? Pour la démographie comme pour l’utilisation du sol, le premier problème reste celui de l’harmonisation des données (délimitation des tranches d’âges, précision insuffisante, etc.).

Mais même ce défi relevé, la comparaison cartographique des structures démographiques met en lumière au moins trois verrous. D’abord, la lisibilité des formes spatiales est difficile pour les zones centrales – pourtant les plus peuplées. Ensuite, la métrique euclidienne montre ses limites quand les géométries, surfaces et densités s’inscrivent dans des modèles urbains distincts : la distance n’a ainsi pas le même sens selon qu’il s’agit d’une ville latino-américaine, nord-américaine ou européenne. Enfin, les différences dans la structure des données peuvent être clairement visibles lorsque les étapes dans le processus de transition démographique diffèrent.

Pour dépasser ces obstacles, nous proposons une série d’options afin de sélectionner des espaces et des variables comparables et de les cartographier. Premièrement, nous proposons d’analyser en priorité les populations comprises dans la limite des 5 premiers millions d’habitants les plus proches du centre1 – que nous proposons d’appeler « cœur » d’agglomération : de cette manière, les référentiels en termes de masses de population deviennent comparables. Deuxièmement, s’affranchir de la métrique euclidienne en optant pour les représentations en anamorphoses permet de mettre en relief les principales structures spatiales qui se dégagent de l’analyse de données démographiques, en minimisant les effets de distance au centre dans des métropoles très étalées : dans 1 Les centres renvoient à des « lieux centraux » historiques (Zócalo à Mexico, City Hall à Chicago, Hôtel de ville à Paris). Nous sommes conscients que l’identification de tels « cœurs » est susceptible de poser problème dans d’autres métropoles.

4

les

dossiers du cist || mars 2018

Figure 3. La cartographie en anamorphose comme outil d’analyse comparative

la continuité des travaux de Stouffer (1940), c’est bien la distance entre deux unités « sociales », non par le nombre de kilomètres (ou le temps d’accès), mais par la masse d’habitants localisés entre deux points, qui permet une approche des interactions internes (Grasland, 2010). Enfin, le calcul d’indices comparables, à partir des données démographiques disponibles, doit permettre tant de souligner les différenciations sociospatiales internes que de confronter les cas d’étude : ainsi un indice de vieillissement, défini par le rapport entre les 60 ans et plus et les moins de 25 ans, standardisé par la moyenne et l’écart-type dans chacune des métropoles, renvoie à une lecture rigoureusement comparable de la division sociale de l’espace selon cette entrée dans les trois cas.

La combinaison de ces trois options (cœur d’agglomération, anamorphoses et indice standardisé) autorise ainsi une lecture comparée, sur un référentiel commun, de la structure démographique dans les trois métropoles, mais aussi une analyse fine de leur structure urbaine interne (Fig. 3).

Les options méthodologiques ici proposées n’annulent pas pour autant l’impact des variations de la taille des unités statistiques (effet de MAUP, Modifiable Area Unit Problem, Madelin et al., 2009). Il serait sans doute nécessaire d’ajouter des méthodes de lissage ou d’agrégation de données, qui permettraient de mieux harmoniser les représentations – mais au prix d’une perte de détails.

L’analyse comparative permise par un travail sur la représentation des données renvoie également d’autres problématiques méthodologiques, comme celle de la lisibilité de l’information. Pour certaines thématiques, comme la mobilité intra-urbaine, la cartographie des données systématiques est un frein à la comparaison visuelle. À Mexico, par exemple, la représentation des mobilités résidentielles entre les 76 municipalités qui composent l’agglomération implique une masse trop importante d’information à représenter (5 700 liens potentiels), obérant toute lecture synthétique des tendances structurant l’agglomération, et a fortiori, la comparaison de schémas de redistribution de la population compréhensibles et comparables avec d’autres métropoles. Afin de simplifier et de rendre comparable la lecture des trajectoires, une solution possible consiste à agréger les municipalités en ensembles cohérents et reconnaissables sous la forme de secteurs, permettant une modélisation schématique des dynamiques observées. Cette agrégation peut reposer

sur des critères sociaux, économiques ou fonctionnels (Duhau, 2003), mais aussi sur des démarches synthétiques inspirées des études urbaines propres à chaque métropole (Valette, 2014). À Mexico, le croisement entre i) la date d’intégration métropolitaine – à l’origine de la classique lecture de la ville en couronnes concentriques (CONAPO, 1998 ; Sobrino & Ibarra, 2008) –, ii) la situation administrative (ville ou État de Mexico) et iii) la situation géographique (points cardinaux et rapport à la centralité géographique – sans référence à l’urbanité) permet un découpage sectoriel reproductible dans d’autres contextes (Fig. 4).

Cette représentation schématique de données agrégées en secteur permet un repérage rapide des dynamiques (centrifuges et centripètes) des mobilités résidentielles dans l’agglomération, et pourrait aisément être comparée à une autre métropole.

Croisement et analyse intra-urbaine Si la comparaison interurbaine implique les difficultés méthodologiques évoquées précédemment, la confrontation de données hétérogènes à l’échelon intra-urbain est également une gageure alors même qu’elle paraît importante pour éclairer la complexité des phénomènes à l’œuvre en interfaçant des thématiques souvent analysées séparément. La comparaison de données zonales (recensements), parcellaires (modes d’occupation du sol) et de données individuelles désagrégées (transactions immobilières) pour un même territoire pourrait, par exemple, permettre de mener des analyses plus fines de la diversité interne d’un tel espace. La question de l’interopérabilité des données se pose aussi de plus en plus avec la profusion des traces numériques (Severo & Romele, 2015), i.e. données des objets connectés (Louail et al., 2014), des réseaux sociaux et des plateformes web de service (traces des coureurs à pied2, locations de courte durée Airbnb3, etc., Guitterez et al., 2016).

2 Where People Run in Major Cities [en ligne : flowingdata.com/2014/02/05/where-people-run].

3 Voir notamment les travaux du groupe Net (h) no-graphies [en ligne : www.mediapart.fr/journal/france/310715/comment-airbnb-squatte-la-france].

Figure 4. Simplification des unités spatiales pour une représentation synthétique comparable : l’exemple des mobilités résidentielles à Mexico

|| les dossiers du cist

mars 2018

5

Figure 5. Les données issues du web et l’analyse intra-urbaine : l’exemple des locations Airbnb

À l’occasion des ateliers du projet, nous avons exploré la thématique immobilière à partir des données de insideairbnb.com, site web qui propose des scrappings des locations Airbnb, à plusieurs dates, pour différentes métropoles (au-delà de celles initialement retenues). En s’affranchissant de la question des périmètres, souvent peu comparables (tantôt à l’échelle municipale comme pour Paris ou Chicago, tantôt à celle des aires métropolitaines comme pour le Grand Londres), une première analyse montre des différences dans la structure de l’offre locative (on propose plus aisément une chambre privée à Barcelone, on loue plutôt un appartement entier à Paris), l’existence d’agences cachées (en regardant le nombre de biens disponibles à la location plus de 6 mois par an, notamment à Chicago), ou même la diffusion du phénomène dans le temps (Fig. 5).

6

les

dossiers du cist || mars 2018

La mise en comparaison de ces données locales décrivant des modalités de marchés immobiliers à partir d’offres locatives Airbnb avec celles des transactions immobilières (achats de biens, appartements) pose ici à nouveau des problèmes relatifs au MAUP et au maillage utilisé. Elle peut se faire par exemple à partir d’un carroyage ou encore d’un modèle d’interpolation reposant sur la probabilité que des biens proches se ressemblent en termes de prix au mètre carré, puisque la détermination des prix sur le marché est une affaire de comparaison entre des biens proches et ressemblants (Guérois & Le Goix, 2009). Cette comparaison des données soulève aussi des questions d’harmonisation temporelle des jeux de données : on peut ici inférer que la comparaison entre marchés immobiliers d’acquisition sur l’ensemble de l’année 2012 et marchés locatifs issus d’un scrapping en 2016 est raisonnable.

Au-delà des questions méthodologiques d’interopérabilité, la comparaison entre données hétérogènes nécessite aussi de déterminer le sens de la question qu’on leur pose. Si les classements entre métropoles sont souvent issus du prix des logements (Fig. 5), d’autres questions paraissent plus pertinentes dans la comparaison de données fines issues du web 2.0, telle que l’influence des transformations des régimes économiques (ici la location temporaire) sur les dynamiques infra-métropolitaines, et ce faisant sur les régimes d’inégalités socio-économiques susceptibles de s’y creuser, par exemple en termes d’accès au logement. Un exemple peut en être donné dans le cas parisien, avec une comparaison des données Airbnb avec les données fines des transactions immobilières4 afin d’analyser les structures spatiales des prix et de la densité des transactions.

Les éléments relatifs au prix de vente et aux prix Airbnb pour les appartements de 2 à 6 pièces montrent tout d’abord que la corrélation entre les deux systèmes de détermination des prix est extrêmement forte, les premiers permettant de déduire les seconds. Le lien est évidemment celui de la rente foncière, de la rente de site et de situation, mais aussi du crédit immobilier, qui détermine l’un et l’autre5. En revanche, l’analyse des 4 Base BIEN Chambre des Notaires d’Île-de-France, convention d’exploitation LabEx DynamiTe 2014-2017.

5 Relation estimée par un modèle de régression linéaire tel que : PrixAirBnB2016 = 0,004197 x PrixApt2012 - 5,216 ; r2 = 0,87.

densités montre une plus grande variance dans la structure spatiale de ces deux dimensions, pourtant corrélées, de la pression immobilière en métropole (Fig. 6). Si les densités d’offres Airbnb et de transactions portant sur des appartements mettent en évidence les quartiers où ces deux marchés sont les plus dynamiques (N et N-E de Paris), le modèle de régression et l’analyse des résidus révèlent les quartiers sur lesquels l’offre Airbnb exerce une pression particulièrement forte sur les marchés immobiliers, renforçant une pénurie d’appartements destinés au logement des ménages dans le centre de Paris (du 2e au 6e arrondissement), dans le quartier Saint-Lazare Montmartre, ainsi que dans le 8e (Fig. 6c). Dès lors, l’usage de données issues du web permet de révéler des mutations récentes des espaces urbains, parfois peu visibles à travers l’analyse de données plus classiques.

Conclusion Le projet exploratoire Grandes métropoles du CIST vise à apporter des réponses à un enjeu majeur : mettre à profit le « déluge » d’informations spatialisées hétérogènes, dans un souci de construction théorique et méthodologique utile aux acteurs et aux analystes de l’urbain, pour contribuer à résoudre les difficultés d’appariement des données dans le temps et dans l’espace, à construire des catégories d’analyse transversales et à tester de nouvelles hypothèses sur les dynamiques intra-urbaines des métropoles, dans des contextes variés.

Figure 6. Comparaison de l’offre Airbnb en 2016 et des transactions immobilières des appartements de 2 à 6 pièces en 2012

|| les dossiers du cist

mars 2018

7

Les premiers travaux effectués dans le cadre de ce projet ouvrent de nombreuses pistes à partir d’exemples de données classiques : analyse des processus de pression et de relâchement de l’utilisation du sol (étalement, décroissance urbaine), des dynamiques démographiques (densification, vieillissement de la population, structure des ménages, mobilités, etc.), des paramètres d’une géographie économique de la rente (prix, marchés immobiliers, stratification)… Ils mettent aussi en évidence la possibilité d’exploiter des données moins conventionnelles comme Airbnb qui élargissent le champ des possibles en matière de comparaisons intra et interurbaines.

Guérois Marianne, Le Goix Renaud, « La dynamique spatio-temporelle des prix immobiliers à différentes échelles : le cas des appartements anciens à Paris (19902003) », Cybergeo : European Journal of Geography, « Systèmes, Modélisation, Géostatistiques », document 470, 2009, p. 25 [en ligne : www.cybergeo.eu/ index22644.html].

Cette approche comparatiste enrichie par l’interopérabilité croissante des bases de données ne s’inscrit pas dans un objectif de production de classements ou de tableaux de bord normatifs, mais bien dans la volonté d’offrir une meilleure compréhension des dynamiques urbaines à partir d’analyses critiques des données locales. À titre d’exemple, la mesure et les représentations de la pollution de l’air pourraient être abordées dans cet esprit à travers plusieurs questions clés : au-delà de l’état des lieux sur la disponibilité des données d’une métropole à l’autre, quelles sont les agrégations spatiales et temporelles pertinentes des données collectées au niveau des stations ? Comment intégrer les données participatives issues de capteurs citoyens ? Quelles sont la pertinence et les limites d’une mesure globale de pollution pour comparer les villes entre elles ?

Judd Dennis R., Simpson Dick (dir.), The City, Revisited: Urban Theory from Chicago, Los Angeles, and New York, University of Minnesota Press, Minneapolis, 2011, p. 392.

Reste à savoir comment capitaliser et mettre en partage les petits pas accumulés : les ateliers ont déjà fait l’objet de comptes-rendus sur le site du CIST et des liens vers certains des jeux de données et des programmes de traitement de ces données devraient être prochainement mis en place.

Un carnet Hypothèses doit également voir le jour pour associer à ces comptes rendus diverses informations sur des explorations de jeux de données et leur mise en valeur.

Gutierrez Javier, Garcia-Palomares Juan-Carlos, Romanillos Gustavo, Henar SalasOlmedo Maria, « Airbnb in Tourist Cities: Comparing Spatial Patterns of Hotels and peer-to-peer Accommodation », arXiv e-prints 1606.07138, 2016, p. 1-17 [doi : arXiv:1606.07138v2].

Louail Thomas, Lenormand Maxime, Garcia Cantu Olivia, Picornell Miguel, Herranz Ricardo, Frias-Martinz Enrique, Ramasco José-Javier, Barthelemy Marc, « From Mobile Phone Data to the Spatial Structure of Cities », arXiv, 2016 [doi : arXiv:1401.4540v1].

Madelin Malika, Grasland Claude, Mathian Hélène, Sanders Lena, Vincent Jean-Marc, « Das ‘MAUP’: Modifiable Areal Unit Problem oder Fortschritt? », Informationen zur Raumentwicklung, n° 10/11, 2009 p. 645-660.

Mathian Hélène, Sanders Lena, Objets géographiques et processus de changement, coll. « Systèmes d’information géographique et intelligence territoriale », ISTE Ed., Londres, 2014, 178 p.

Severo Marta, Romele Alberto, « Soft data. Essai d’une nouvelle définition des données pour les études territoriales », Traces numériques et territoires, coll. « Territoires numériques », Paris, Presses des Mines, 2015 [en ligne : www.gis-cist. fr/wp-content/uploads/2015/09/cist-medias-publi-traces-numeriques_et_territoires1-3-pt.pdf].

Sobrino Jaime, Ibarra Valentin, « Movilidad intrametropolitana en la Ciudad de México », in B. Figueroa Campos (coord.), El Dato en Cuestión, un análisis de las cifras sociodemográficas, México D.F., El Colegio de México, 2008, p. 161-205.

Bibliographie Duhau Emilio, « División Social del espacio metropolitano y movilidad residencial », Papeles de Población, n° 36, Universidad Autónoma del Estado de México, 2003, p. 161-210.

Esch Thomas, Marconcini Mattia, Felbier Andras, Roth Achim, Heldens Wieke, Huber Martin, Schwinger Maximilian, Taubenböck Hannes, Müller Andreas, Dech Stephan, « Urban Footprint Processor. Fully Automated Processing Chain Generating Settlement Masks from Global Data of the TanDEM-X Mission », IEEE Geoscience and Remote Sensing Letters, 10(6), 2013, p. 1617-1621.

Stouffer Samuel A., « Intervening Opportunities: a Theory Relating Mobility and Distance », American Sociological Review, V, 1940, p. 845-867.

Valette Jean-François, Mobilités et ancrages dans les quartiers populaires de la périphérie de Mexico : une approche de la maturation urbaine, thèse de géographie, Université Paris 1 Panthéon-Sorbonne, 2014, p. 955 [en ligne : hal. archives-ouvertes.fr/tel-01134072].

Grasland Claude, « Spatial analysis of social facts », in François Bavaud et Christophe Mager, Handbook of Quantitative and Theoretical Geography or Advances in Quantitative and Theoretical Geography, UNIL-FGSE, Workshop Series n° 2, 2010, p. 117-174.

L’équipe du projet Grandes métropoles remercie l’IAU Île-de-France pour la diffusion de sa base de données.

À vos propositions ! malika.madelin@univ-paris-diderot.fr,mguerois@yahoo.fr