PARTIE III : RESULTATS ET DISCUSSION 64
Chapitre 8 : Discussion 85
0.2 Extrait du fichier descriptif du processus ETL implémenté100
1
<!--2 R a l i s e par : Hola Florentio Ulrich de SOUZA
3 Date : 10 Juillet 2013
4 Description : Processus ETL du s y s t m e
12 <trans_version/>
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
81 <name>Fichier source de d o n n e s </name>
82 <type>TextFileInput</type>
97 <escapechar/>
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
153 <remotesteps> <input> </input> <output> </output> </remotesteps>
<GUI>
0.3 Exemple d’utilisation de la librairie Olap4j
1 /*
2 R a l i s e par : Hola Florentio Ulrich de SOUZA
3 Date : 20 Juillet 2013
4 Description : Client OLAP du systeme
5 */
6
7 // Execute a statement.
8 OlapStatement statement = olapConnection.createStatement();
9 CellSet result = statement.executeOlapQuery(mdxRequest);
10 List<CellSetAxis> cellSetAxes = result.getAxes();
11 ArrayList<Double> listeValeur = new ArrayList <Double> ();
12 CellSetAxis columnsAxis = cellSetAxes.get(Axis.COLUMNS.ordinal()-1);
13 CellSetAxis rowsAxis = cellSetAxes.get(Axis.ROWS.axisOrdinal()-1);
14 int cellOrdinal = 0;
15 for (Position rowPosition : rowsAxis.getPositions()) {
16 for (Position columnPosition : columnsAxis.getPositions()) {
17 // Access the cell via its ordinal. The ordinal is kept in step
18 // because we increment the ordinal once for each row and
19 // column.
20 Cell cell = result.getCell(cellOrdinal);
21 List<Integer> coordList = result.ordinalToCoordinates(cellOrdinal);
22 assert coordList.get(0) == rowPosition.getOrdinal();
23 assert coordList.get(1) == columnPosition.getOrdinal();
24 ++cellOrdinal;
25 // pour chacune des mesures
26 for (Member member : columnPosition.getMembers()) {
27 for(Property prop : member.getProperties()){
28 if(prop.getName().trim().equals("geometrie")){
29 PGgeometry geom = (PGgeometry)member.
getPropertyValue(prop);
30 if(geom != null){
31 String insertLayer = " Insert into spatialuser.
usergeom ( "
32 + " sessionid, nom_geom, resultat,
codecouleur, the_geom ) "
33 + " values (’" + sessionID + "’, "
34 + " ’" + member.getName().trim().replace(
"’", "’’") + "’, "
35 + " " + cell.getValue() + ", "
36 + " ’000’, "
37 + " ’" + geom.toString() + "’) ";
38 Statement stm = maConnection.createStatement();
39 stm.executeUpdate(insertLayer);
Annexe C : Présentation du lieu d’etude
C.1 Carte de Porto-Novo
FIGUREC.1 – Carte de l’Afrique (gauche), carte du Bénin (droite)
FIGURE C.2 – Carte de Porto-Novo (Fond RFU-Porto-Novo, 2005)
l’interface de visualisation OLAP web du système
FIGURED.1 – Interface de visualisation OLAP du système
– Le Menu Panel: il propose à l’utilisateur différentes actions telles que la création d’une nouvelle analyse, l’ouverture d’une analyse existante, ainsi que la consultation du guide d’utilisation de l’in-terface.
– L’Option Panel : Il s’agit d’une barre permettant de définir des propriétés et des opérations supplémentaires lors de l’analyse. Il est composé de 5 sections : la première section fait les mêmes actions que le menu, la seconde section permet de définir les critères d’affichage de différents éléments de l’analyse (affichage des parents pour les hiérarchies, affichage des entêtes, pivot des axes d’analyse, etc.), la troisième quant à elle, définit les
para-Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
mètres de forage (drill-down, roll-up, etc.) et la quatrième section permet de définir des paramètres d’agrégation supplémentaires au résultat et aussi la propriété de la grille de résultat. Enfin, la cinquième section offre des actions utiles telles que l’exportation d’une analyse en un des formats suivants (Microsoft Excel .xls, Microsoft Excel .xlsx et PDF) , l’impression d’un résultat d’ana-lyse.
– L’Indicateur Panel : Ce panneau permet de définir les axes de l’analyse (dimensions), les mesures à évaluer (mesures de la table de faits) et tout ceci à travers le choix d’indicateur. Il pré-sente un formulaire à l’utilisateur, d’abord l’utilisateur choisir le domaine de l’indicateur à analyser (santé, éducation, etc.). Une fois le domaine choisi, il présente la liste des différents indica-teurs de ce domaine ainsi que les autres axes concernés (liste des arrondissements, liste des quartiers, année pour filtrage).
L’utilisateur fait ses différents choix, il définit l’indicateur, les diffé-rentes régions dans lesquelles il veut évaluer cet indicateur (un ensemble de quartiers, un arrondissement ou toute la commune par exemple).
– Le Résultat Panel : Le Resultat Panel constitue le panel qui af-fiche les rapports d’analyse de l’utilisateur sous diverses formes : affichage cartographique, affichage tabulaire et affichage gra-phique.
– Le Mode de Vue Panel: Ce panel permet de basculer d’un type d’affichage de résultat à un autre. Il permet d’activer le mode tabulaire, le mode graphique, le mode carte.
GLOSSAIRE
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
A
Acteur de la ville
Un acteur de la ville désigne toute personne qui de près ou de loin in-fluence la vie de la commune. Nous pouvons citer les élus locaux, les services techniques municipaux, les associations, les organisations non gouvernementales, les investisseurs. Lorsque ces acteurs ont la charge, la planification et la gestion des différentes ressources de la ville, ils sont qualifiés de gestionnaires de la ville.
Aide à la décision
On appelle « aide à la décision » ou « informatique décisionnelle » ou encore « business intelligence » ou « aide à la décision » un en-semble de solutions informatiques permettant l’analyse des données de l’entreprise, afin d’en dégager des informations qualitatives nou-velles, de déceler des informations macroscopiques cachées dans de gros volumes de données pour une bonne prise de décision (Kimball, 2001).
Analyse spatiale
Le terme d’analyse spatiale fait référence à l’analyse d’un phénomène distribué dans l’espace qui possède également des dimensions phy-siques (la localisation, la proximité, l’orientation, etc.). Elle vise à l’es-timation, la prédiction, l’interprétation et la compréhension des phé-nomènes du monde réel, en mettant en évidence des structures et des formes d’organisation spatiale récurrentes. Le processus d’ana-lyse spatiale est souvent associé à une simple séquence d’opérations de la spécification du problème au résultat. Dans la réalité, cette dé-finition simplifie énormément le processus d’analyse, car comme il a été montré par différents travaux, il est beaucoup plus complexe et ité-ratif. Ce processus est formulé comme un processus itératif (Mitchell, 2005) et consiste à :
– Identifier le problème et les buts de l’analyse ;
– identifier les problématiques spatiales et les outils pour les résoudre ; – identifier les données et leur préparation pour les opérations
spa-tiales ;
– créer un plan d’analyse (les fonctions et les opérations spatiales peuvent être appliquées séquentiellement, en d’autres termes leur résultat peut être l’entrée d’une ou plusieurs fonctions et/ou opéra-tions spatiales) ;
– visualiser les résultats.
Approche HOLAP :
L’Hybrid OLAP est la solution à mi-chemin entre le ROLAP et le MO-LAP, prenant à son compte les avantages de chacune : il a été conçu pour combiner les grandes capacités de stockage de ROLAP et la supériorité de MOLAP en terme d’exécution. Cette approche stocke, d’une part, les données granulaires dans une base relationnelle, s’ap-puyant ainsi sur les avantages de la standardisation et les capacités de gestion de stockage de grands volumes d’informations de ROLAP.
D’autre part, elle construit (logiquement et physiquement) un système multidimensionnel répondant aux requêtes les plus fréquentes, en les précalculant, profitant de cette façon de la rapidité de réponse offerte par MOLAP. Le système bascule sur le fonctionnement relationnel de manière transparente dès qu’il ne lui est pas possible de répondre à la demande grâce au modèle multidimensionnel. Cette approche per-met d’avoir accès à des données bien plus fines (dont la granularité est plus grande).
Approche MOLAP
L’approche MOLAP extrait les données de l’entrepôt de données et les mémorise en utilisant des structures de données particulières. Ils ap-pliquent des techniques d’indexation et de hachage pour localiser les données lors de l’exécution des requêtes multidimensionnelles. MO-LAP a été créée pour pallier aux manques de ROMO-LAP : il s’exonère
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
donc de la lourdeur des jointures des requêtes relationnelles. Les per-formances en lecture de MOLAP sont généralement bien meilleures que pour ROLAP. De plus, sur toutes les dimensions, les agrégations sont précalculées, améliorant encore les temps d’accès. Les serveurs MOLAP sont plus rapides et nécessitent moins d’espace de stockage, car les données sont stockées par le serveur OLAP de façon à garantir ces aspects.
Approche ROLAP
L’approche ROLAP utilise la technologie des bases de données re-lationnelles pour mémoriser les données. Basée sur un SGBD rela-tionnel, il pourrait s’agir d’un modèle entité/association classique, s’il n’y avait pas un agencement particulier des tables. Les données sont organisées dans les tables suivant les modèles en étoile, en flocon de neige ou en constellation. Pour mesurer les performances d’un tel système, le facteur principal est la génération des requêtes SQL.
Ces systèmes peuvent stocker de grands volumes de données, mais peuvent aussi présenter des temps de réponse élevés. Elle constitue l’approche la plus utilisée (Kimball, 2001).
B
Banque de Données Urbaines
Une banque de données urbaine constitue un système numérique de références spatiales commun à tous les services. Les services tech-niques des villes étaient confrontés à la mise à jour des plans à grande échelle nécessaires aux travaux sur le terrain. Elle assure l’ informa-tiser les tâches techniques répétitives de gestion et de manipulation des fonds de plan (Turki, 2010). Elles ont comme but de renseigner sur un territoire en localisant les informations pour aboutir à un processus de décision. Les applications ayant été développées sont nombreuses et souvent indépendantes les unes des autres (Turki, 2010).
M
Model matriciel
Le modèle matriciel (ou Raster) représente l’espace comme un seul champ continu. Il permet de manipuler et de représenter l’information cartographique à partir d’une matrice de cellules (pixels) de même forme et de même dimension qui possède certains attributs. Ce mo-dèle est le plus adapté pour la modélisation des phénomènes pure-ment spatiaux (température, pollution, etc.).
Model vectoriel
Le modèle vectoriel modélise l’espace à travers ensemble d’objets identifiés grâce à un ensemble de points. Il permet de manipuler et de représenter les données géographiques d’après les coordonnées de points individuels auxquels on peut ajouter des attributs. Dans ce mo-dèle, à chaque forme géométrique (point, ligne, polygone, etc.) sont associées ses informations descriptives en utilisant une autre struc-ture de données. Ce modèle est adéquat pour la représentation de l’information géographique définie par les hommes, par exemple des bâtiments ou les limites administratives d’un pays.
MultiDimensional eXpression (MDX)
MultiDimensional eXpressions est le langage de requête dédié à l’ex-ploration des structures multidimensionnelles. Une requête MDX est organisée autour d’axes, qui définissent les perspectives d’études.
Ces axes sont désignés par leur nom (columns, rows, pages, sec-tions et chapters) ou par leur position («0 » correspond aux colonnes,
« 1 » aux lignes, etc.). Généralement, seuls les deux premiers sont utilisés (Tranchant, 2011). On affecte à ces axes des dimensions, des hiérarchies ou des niveaux, par l’utilisation de membres, de n-uplets ou de sets. Un membre est une instance d’un niveau : « Europe » est un membre du niveau « Continent» de la dimension spatiale. Le type de requête correspond au MDX est la requêtes multidimensionnelles
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
ou requêtes MDX. Un exemple de requête MDX se présente comme suit :
Dans cette requête, on distingue :
– (A) en colonne : la fonction «children » permet de retourner tous les enfants d’un membre, donc, ici les enfants du membre « Afrique » de la dimension spatiale ;
– (B) en ligne : le membre « PIB » de la dimension contenant les mesures ;
– (C) en filtre (slicer) : le membre « 2011 » de la dimension temporelle.
Cette requête permet de répondre à la question multidimensionnelle suivante : « afficher les données du PIB pour tous les pays de l’Afrique, pour l’année 2011 ».
O
Observatoire urbain
Un observatoire urbain constitue un outil répondant de façon concrète aux besoins d’informations organisées. On le perçoit comme une ma-chine ou un appareil assurant tout à la fois c’est-à-dire le stockage, la gestion des données ainsi la production la restitution et la main-tenance de l’information utile (Piron, 2000). Plus concrètement, les
observatoires urbains sont souvent associés à des bases de données urbaines et leur fonctionnement passe également par le calcul pério-dique d’indicateurs. En produisant ces indicateurs, les observatoires urbains permettent de mesurer le degré de réalisation des politiques urbaines (Turki, 2010).
S
SGBD spatial
Un SGBD spatial est une base de données dans laquelle les infor-mations peuvent être localisées géographiquement, c’est-à-dire des données relatives aux objets dans l’espace y compris les points, les lignes et les polygones. Malgré leurs spécificités, les SGBD spatiaux peuvent être vus comme des extensions des SGBD relationnels. Ils étendent ainsi les SGBD classiques avec des types de données tiales (exemple point, ligne et polygone) et avec des fonctions spa-tiales. Ils permettent de définir un attribut d’une table de type spatiale, formuler des requêtes qui utilisent de prédicats spatiaux, agréger les données spatiales, améliorer les temps de réponse grâce à des index spatiaux, etc. Toutes ces fonctionnalités sont implémentées d’après des standards existants qui définissent une extension du SQL clas-sique pour les données spatiales. Le modèle vectoriel est le modèle le mieux implémenté dans les SGBD spatiaux existants.
ENGLISH
VERSION
English version
Topic :
URBAN MANAGEMENT DECISION-MAKING
SUPPORT SYSTEM : APPLICATION TO THE MUNICIPALITY OF
PORTO-NOVO, BENIN
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin
INTRODUCTION
Urban management is a complex process that requires a substan-tial database and coordination between the city actors (Repetti and Prelaz-Droux, 2002). These various public actors are on the fringe of information, and being unable to process this information effectively.
They miss opportunities or worse, make bad decisions (Turki, 2010).
Effective, reliable systems have emerged due to the development of Information and Communication Technologies (ICT) to improve their abilities in city planning and management : Urban Information Sys-tems (UIS).
In developing countries, thanks to the advent of decentralization mu-nicipalities, became autonomous in the management of their activities, especially the city of Porto-Novo in Benin. Meanwhile, the lack of finan-cial resources, skilled labor and tools necessary for the management of cities brought significant socio-economic problems : poorly maintai-ned infrastructure, poor monitoring of economic activities in the city, absence of a registry for the inventory of actions on the city (Repetti, 2004).
Faced with all these problems, various studies have contributed to the establishment of urban management support tools for developing cities : the System for Monitoring Urban Functionalities (SMURF) im-plemented in Thiès, etc. (Repetti and Prélaz-Droux, 2002), the Territo-rial Information System (TIS) implemented in N’Dali etc., Benin (DAT 2011), the "Système d’Aide à la Gestion Urbaine" (SAGU) implemen-ted in Porto- Novo, Benin (Adédjouma and Houndji, 2012) etc.
These tools provide better management and better planning of ur-ban processes. They allow differents cities actors to access all data and development indicators of the city.
Developing cities generally have scattered and heterogeneous data.
UISs (Urban Information Systems) mentioned above do not allow the integration of these heterogeneous data sources. A data warehouse addresses all these problems and allows for data analysis on large vo-lumes of data (from general to detailed) as dashboard, multidimensio-nal tables, graphs, and interactive maps. It provides decision-making support, determines monitoring indicators and allows for real-time ana-lysis (Kimball, 2001).
The main objective of this paper is to present a robust, reliable, flexible tool to aid decision-making in urban areas based on data wa-rehouse and OLAP analysis. This tool, as regards actors of the city :
– allows them for a reliable reading of their level of development and of trending dynamics in their territory ;
– aids them to decision-making based on fair and consistent data , providing a true picture of the local area ;
– help them to strengthen their capacities for planning and mana-gement of the city.
1 State of art
Many of Urban Information Systems tools (UIS) exist but are not ne-cessarily adapted to the context of developing countries. Some have been implemented for developing cities which include :
– System for Monitoring Urban Functionalities (SMURF) of Repetti and Prélaz-Droux in 2002 ;
– Territorial Information System (TIS) of «Delegation à l’Aménage-ment du Territoire» of Benin in 2009 ;
– the "Système d’Aide à la Gestion Urbaine" (SAGU) of Adédjouma S.A and Houndji V.R.E in 2012.
Système d’Aide à la Décision pour la gestion urbaine : application à la ville de Porto-Novo, Bénin