Variables comportementales de courte durée

Les variables comportementales de courte durée sont des variables dépendantes et sont influencées par les attributs indépendants de la volonté de l’individu et par les variables comportementales de longue durée. Dans le cadre d’une analyse sur la mobilité, la variable comportementale de courte durée se traduira ainsi par un indicateur de mobilité.

Non-mobilité

Le pourcentage de personnes non-mobiles fait état de la proportion des individus ne s’étant pas déplacés lors du jour de déplacement enquêté sur l’ensemble des individus enquêtés. Cet indicateur est intéressant puisque le fait de ne pas se déplacer caractérise tout de même une forme de mobilité. En outre, il pourrait potentiellement laisser transparaître de nouvelles tendances sociales, tel que le travail à la maison, le magasinage en ligne, les études à distance ou le retour au foyer des mères. Pour arriver à cette proportion, il suffit de faire la somme des facteurs d’expansion des individus n’ayant réalisé aucun déplacement sur la somme totale des facteurs d’expansion (de tous les individus).

Nombre moyen de déplacements quotidiens

Le nombre moyen de déplacements quotidiens est également appelé taux de mobilité. Il s’obtient en calculant la somme de déplacements effectués pour une population et en divisant cette somme par le nombre d’individus composant cette population. Dans le projet, la nécessité de prendre en compte les facteurs d’expansion a influencé l’adaptation de la méthode, où finalement chaque déplacement a été multiplié par le facteur d’expansion de l’individu qui le réalisait, avant d’être sommé avec les autres déplacements. La population était également calculée sur la base des poids attribués à chacun.

Nombre moyen de chaînes de déplacements

Le nombre de chaînes de déplacements réfère au nombre de boucles de déplacements où l’individu se déplace d’une origine à une seule ou plusieurs destinations, pour revenir à son origine de départ (le domicile). Les chaînes sont intéressantes à étudier puisqu’elles sont moins soumises aux erreurs de déclarations de la part des répondants. Le nombre de chaînes est issue d’une typologie développée dans des travaux précédents (Valiquette, 2010) et les données ont été traitées pour assigner aux déplacements un type de chaîne d’appartenance dans le cadre d’autres projets menés pour le MTQ. Pour obtenir un nombre moyen de chaînes, il suffit de multiplier, pour chaque individu, son facteur d’expansion avec le nombre de chaînes effectuées, puis de diviser la somme de ces multiplications par la somme des facteurs d’expansion.

Part modale

La part modale indique la proportion ramenée en pourcentage d’un mode de transport sur l’ensemble des déplacements réalisés. On peut donc parler de part modale globale, pour une population pour un certain mode, ou pour une sous-population.

La part modale se calcule à partir de la base de données de déplacements. Il s’agit donc de sommer tous les facteurs d’expansion associés aux déplacements effectués par un mode sur l’ensemble composé de la somme des facteurs d’expansion des déplacements concernés, puis de le multiplier par 100 afin d’avoir une part modale en pourcentage.

Ce type d’indicateur a été utilisé dans le projet afin de vérifier deux tendances annoncées soit la prise en importance du mode auto dans les déplacements études et l’intérêt grandissant alloué au transport en commun pour la réalisation des déplacements travail. L’un des indicateurs sera donc spécifiquement la part modale auto des déplacements études. La proportion est donc celle des déplacements faits en auto pour motif études sur l’ensemble des déplacements faits pour motif

études. L’autre indicateur traduira la proportion des déplacements effectués en transport en

commun (TC)pour motif travail sur l’ensemble des déplacements faits pour ce même motif.

Modélisation

3.3

La modélisation est un processus long et rigoureux et nécessite plusieurs étapes. Nous verrons rapidement quels sont les prérequis concernant les données pour un bon fonctionnement de la modélisation. L’analyse de la performance d’un modèle requiert une certaine connaissance statistique et du processus d’intégration de variables. Cette connaissance a été grandement acquise suite à la lecture des travaux de Grégoire (2011), Pépin (2012) et de Yang (2004).

3.3.1 Manipulations pour le module de STATA

La base de données utilisée pour la phase d’analyse présente quelques différences avec celle utilisée pour la modélisation. D’abord, les facteurs d’expansion originaux, soit le facteur

personne, ne sont pas tolérés dans le module utilisé parce qu’il contient des décimales. Or, le

module admet seulement les nombres entiers relatifs positifs. Les facteurs d’expansion (facteur

personne) ont donc été multipliés par 100 afin de régler le problème, ce qui crée néanmoins une

En second lieu, la plupart des variables ont dû être transformées en variables binaires. En effet, une variable non binaire pourrait porter le module à interpréter incorrectement la variable, puisque certaines valeurs peuvent être deux fois plus grandes que d’autres variables. Par exemple, la valeur 2 attribuée au sexe féminin en comparaison avec la valeur de 1 attribué aux hommes ne signifie pas que le sexe féminin est deux fois plus important. Toutes les variables qui pouvaient être binaires ont donc été transformées en ce sens pour le bon fonctionnement du module (taille, sexe, motorisation, classes de densité, etc.).

Spécificité selon la nature de la variable dépendante

Le module apc_ie de STATA requiert que l’on spécifie le type de variable dépendante modélisée, selon le fait que cette dernière soit continue, discrète ou représente un choix discret, ainsi que la distribution et le lien canonique de cette variable. Selon la possibilité composée par ces trois attributs de la variable, les paramètres d’échelle correspondants doivent être utilisés et déclarés (Grégoire, 2011; Pépin, 2012; Yang et al., 2004). La pondération qui doit être utilisée dépend plutôt de la base de données. Dans le cas de l’utilisation de l’enquête Origine-Destination, il est justifié d’utiliser le poids d’échantillonnage et que la variable utilisée pour indiquer le poids soit le facteur d’expansion individuel (sampling weight).

Un exemple de commande pour la modélisation Âge-Période-Cohorte selon le module apc_ie de Stata est présenté ici :

apc_ie variabledépendante [fweight (type de pondération) = facteur_expansion_individuel], family(distribution) (type de distribution de la variable dépendante) link(lien canonique)(Type de lien canonique impliqué par la variable dépendante) age(variable de groupe d’âge) period(variable de période) cohort(variable de groupe de cohortes) scale(paramètres d’échelle)(paramètre d’échelle correspondant à la variable dépendante) irls(type d’itérations)

Figure 3-7. Correspondance entre variable dépendante, distribution, lien canonique et paramètres d'échelle (inspiré de (Grégoire, 2011; Pépin, 2012)).