STRUCTURES COMMERCIALES ET FACTEURS DE LOCALISATION A BRUXELLES:

(1)

PARTIE IV.

STRUCTURES COMMERCIALES ET FACTEURS DE LOCALISATION A BRUXELLES:

APPROCHE "INDUCTIVE"

(2)

(3)

IV.1. RAPPEL: POURQUOI UNE DEMARCHE INDUCTIVE ?

Jusqu'à présent, les analyses, visant à mettre en évidence des facteurs de localisation différentielle et les affinités spatiales entre types de commerces qui y sont associées, ont été essentiellement construites dans un logique déductive. L'effet de distinctions jugées pertinentes par la littérature a pu être confirmé de cette manière mais deux questions liées restent posées:

Des facteurs de localisation différentielle non abordés ne sont-ils pas à l'origine de différenciations majeurs des paysages commerciaux ?

Parmi les facteurs déjà étudiés, ont-ils tous la même importance relative ?

Pour répondre à ces deux questions, une analyse exploratoire des données de la SitEx, dans une optique inductive cette fois-ci s'avère nécessaire (cf. point, II.2.1.2). L'idée est ici de mener une analyse exploratoire des données relatives à la localisation des différents types de commerces dans la ville qui ne se fonde sur aucune différenciation spatiale déterminée a priori. Dans une démarche inverse de l'option déductive menée dans la partie III, l'objectif de l'approche inductive menée dans la partie IV est de dégager des affinités spatiales entre type de commerces. Ce n'est que dans un second temps que l'on vérifie si ces affinités sont associées ou pas à des facteurs de localisation différentielle.

Pour mener à bien l'analyse de la différenciation des paysages commerciaux, ici dans l'optique de la nature des biens vendus, deux méthodes exploratoires ont été choisies: l'analyse de l'équipartition des types de commerces et l'analyse en composantes principales (ACP).

Les mesures de similarité permettent de comparer systématiquement les répartitions spatiales des différents types de commerces. C'est en quelque sorte l'analyse la plus directe des affinités spatiales existant entre eux. Calculés entre paires de types de commerces, un indice d'équipartition permet de bâtir une matrice répertoriant leur degré d'affinité spatiale. Cette mesure de similarité peut alors servir de base à des classifications et aboutir à l'identification de types de commerces ayant une répartition spatiale proche.

La seconde méthode, l'ACP, a été retenue parce qu'elle permet de synthétiser de vastes ensembles de données, en identifiant un petit nombre de facteurs qui décrivent la plupart des oppositions observées dans l'ensemble des variables d'origine. Elle permet donc la simplification de grands tableaux de données en décrivant les observations par un nombre restreint de nouvelles variables synthétiques. Si les observations sont des lieux et les variables expriment l'importance des différents types de commerces en ces lieux, les nouvelles variables synthétiques représentent les principaux axes de différenciation des paysages commerciaux. Ces axes ont le mérite d'être documentés au travers des corrélations qu'ils ont avec le profil de localisation des variables c'est-à-dire des types de commerces. Bien que fondée sur l'analyse de la composition de l'offre des lieux, cette méthode met clairement l'accent dans ses résultats sur le profil de localisation des types de commerces, ce qui rencontre la volonté de caractériser les distributions spatiales plutôt que de documenter les lieux. En outre, l'ACP a été sélectionnée pour son pouvoir de hiérarchiser les oppositions.

Cette technique permet dès lors d'ébaucher une hiérarchisation des facteurs de localisation différentielle.

(4)

IV.2. UNE ANALYSE EXPLORATOIRE DES AFFINITES SPATIALES ENTRE TYPES DE COMMERCES

IV.2.1. QUANTIFIER LES AFFINITES SPATIALES ENTRE TYPES DE COMMERCES

Comparer systématiquement les répartitions spatiales des différents types de commerces permet d'aborder directement la notion d'affinité spatiale. Les méthodologies pouvant être mise en oeuvre varient selon les unités spatiales dans lesquelles sont inventoriés les points de vente (Grimmeau, 1987).

Dans le cas où les données sont des points de vente individualisés, la première étape consiste à définir un critère de voisinage entre les observations. Ce critère peut être pris au sens littéral par la définition du premier plus proche voisin, voire du second ou du troisième (Getis &

Getis, 1968; Davies, 1972b; Brown, 1987a; Hallsworth, 1987). Le voisinage peut aussi prendre la forme de zones tampons: dans ce cas, deux points de vente sont considérés comme voisin si la distance qui les sépare ne dépasse pas un seuil déterminé (Tock, 1979). La seconde étape consiste à compter le nombre de voisinages observés entre paires de types de commerces. Ce nombre de voisinages observé peut alors être comparé à un nombre de voisinages attendus en fonction d'une loi de distribution de référence qui varie selon les auteurs et suscite parfois le débat (Getis & Getis, 1968; Shepherd & Rowley, 1978).

Fondamentalement, ce premier type d'analyse correspond à celle de la mesure de l’autocorrélation spatiale (Cliff et al., 1973; Haggett et al., 1977; Cliff et al., 1981).

L’autocorrélation est positive si les types de commerces considérés ont tendance à être voisins et négative lorsque deux fonctions ont tendance à s'éviter. L’autocorrélation est nulle lorsque le nombre de voisinages observé ne diffère pas fondamentalement du nombre théorique fourni par la fonction de probabilité de référence. L'analyse de la matrice des voisinages observés entre types de commerces peut aussi se faire à l'aide de techniques inspirées du positionnement multidimensionnel (Tock, 1979). Cette technique, issue de la psychologie et du marketing, tente de déterminer une structure dans un ensemble de mesures de distance entre objets. Cette distance peut aussi prendre la forme d'une matrice de similarité/dissimilarité, comme par exemple le nombre de voisinages observés entre deux types de commerces. Pour dégager ces structures, l'algorithme de positionnement multidimensionnel affecte les observations à des positions particulières dans un espace conceptuel (à deux ou trois dimensions généralement) de telle sorte que les distances entre les points dans l'espace conceptuel correspondent le mieux possible aux dissimilarités données.

En pratique, il s'agit souvent de reconstruire la position des points (les types de commerces) dans un plan à deux dimensions (un graphique) de manière à ce qu'elle reflète au mieux les distances (dissimilarités) existantes vis-à-vis de tous les autres types de commerces.

Dans le cas d'inventaires commerciaux fournissant des comptages par type et agrégats spatiaux (noyaux commerciaux dans la plupart de cas), c'est l'analyse typologique appliquée aux fonctions qui semble répondre le plus explicitement au problème de l'identification des affinités entre types de commerces. Bien que l'analyse typologique soit fréquemment utilisée pour analyser les structures commerciales, c'est bien plus souvent le regroupement des noyaux que le regroupement des fonctions qui est visé. Les applications orientées sur le regroupement des commerces sont relativement exceptionnelles, bien qu'elles donnent des résultats cohérents (Davies, 1974; Grimmeau, 1987).

Vu la nature des données de la SitEx, qui permettent l'individualisation des points de vente, les techniques inspirées de l'analyse de voisinage et/ou de l'autocorrélation spatiale sont pertinentes et applicables. Néanmoins, fonder l'analyse des proximités sur l'indentification des plus proches voisins implique que l'on aborde la question plutôt à très grande échelle. On peut

(5)

telle distance", mais cela rend les calculs complexes et la détermination de ce seuil n'est pas évidente. En outre, une fois les affinités positives et négatives déterminées, il faut encore traiter la matrice constituée par les autocorrélations positives, négatives ou neutres identifiées.

Sur ce plan, les classifications, surtout hiérarchiques, ont le mérite d'être aisées à mettre en œuvre et de proposer, par définition, directement des regroupements de types de commerces.

Dès lors, une méthode alternative des regroupements des types de commerces a été conçue pour prendre en compte les avantages des deux approches. Pour ce faire, plutôt que d'examiner les voisinages entre cellules commerciales, c'est la distribution des implantations de chacun des types de commerces d'une grille constituées de cellules de 100 m de côté qui est à la base de la constitution de la matrice de similarité/dissimilarité. La similarité des distributions est exprimée au travers d'un indicateur explicitement géographique, un indice d'équirépartition.

C'est l'indice de Hoover qui a été choisi pour comparer systématiquement la distribution de la variable X (un type de commerces) avec celle d’une variable de comparaison Y (un autre type de commerces) dans les différentes mailles.

La première étape a consisté à identifier le degré de similitude des distributions spatiales des différents types de commerces dans la ville. Il se calcule en effectuant la demi-somme des différences de pourcentage (en colonne) de chacun des types de commerces dans les mailles de l’espace considéré. Il s'interprète aisément car il exprime la part des implantations du type de commerces X qu’il faudrait déplacer entre les mailles i pour aboutir à une distribution géographique équivalente à celle du type de commerces Y. Il varie entre 0 (équirépartition parfaite) et 1 (dissimilarité maximale théorique). Le recours au pourcentage fait que l'on compare réellement les distributions spatiales, indépendamment des effectifs respectifs de X et Y.

En calculant systématiquement l'indice de Hoover entre paires de types de commerces, on obtient donc une matrice répertoriant le degré d'équipartition entre types de commerces. Cette mesure de similarité peut alors être soumise à un algorithme de positionnement multidimensionnel mais aussi servir de base à une classification typologique. La seconde technique a été privilégiée pour constituer explicitement des groupes de types de commerces au comportement de localisation similaire. La matrice a toutefois aussi été condensée sur un plan par la technique du positionnement multidimensionnel, de manière à fournir une visualisation des proximités présentes dans la matrice.

IV.2.2. DES FAMILLES DE COMMERCES AUX DISTRIBUTIONS SPATIALES SIMILAIRES

Les résultats de l'analyse des affinités spatiales entre types de commerces à Bruxelles en 1997 prennent la forme de groupes de commerces. Par élagage de l'arbre de la classification hiérarchique, 11 groupes ont été retenus (Fig. IV-01). La composition et l'historique des agrégations peuvent être visualisées sur le graphique. En outre, la géographie associée a chacun des groupes peut être figurée sur les cartes (Fig. IV-02).

(6)

A B C

D E F G H

I J K

opticien; gaufres, glacier, tea-room, crêperie; petit mobilier décoratif; vêtement, lingerie; chaussures;

bijouterie, joaillerie, horlogerie; parfumerie, produits de beauté; photographe; disquaire

articles de jardin; brico-center; luminaires et électricité, appareils de chauffage; carrelages, sanitaires;

alimentation diététique; matériel de construction; quincaillerie, plomberie; articles de sport; cycles et motos;

stations-service et combustible; toilettage des animaux; articles de camping, de scoutisme; matériel pour artistes;

pneumatiques, service minute spécialisé; armurier, articles de chasse et pêche; tissus pour la confection;

mercerie; agence immobilière; car-wash; agence intérimaire; porcelaine, cristaux, articles de ménage de luxe chocolatier et assimilé; vaisselle et articles de table; souvenirs, cadeaux; tabac; jouets, jeux

arts divers; antiquités, brocanteur; peintures, tissus d'ameublement, papier peint; articles de literie, tapis, moquettes; meubles

blanchisserie, nettoyage à sec; agence de voyage; agence de mutuelle, d'assurances; cordonnier, serrurier, graveur, confection; fleuriste; soins de beauté, sauna, centre de bronzage; librairie, papeterie, carterie, bouquinerie, bandes dessinées; agence de banque; fromager, produits laitiers, traiteur

boucherie, charcuterie; cantine, snacks, fast-food; café, taverne, débit de boisson; pharmacie, herboristerie;

restaurant; épicerie, alimentation générale; journaux; salon de coiffure; boulangerie, pâtisserie

peepshow; dame dans la vitrine

combustibles; parapluies, chapeaux et gants; objets de collection; laine et bonneterie; instruments de musique

vente de voitures; réparation véhicules; accessoires auto-moto-vélo

TV, HI-FI; maroquinerie; droguerie; vins et spiritueux; bazar; électro-ménager, appareils de cuisine; animaux de compagnie et biens associés; gibier, volaille, triperie; poissonnier, écailler; produits d'informatique

centre privé de téléphone et de fax; copy-shop, tirages de plans; polyvalent; night-shop; lotto, tiercé;

discothèque, dancing; wasserette; friterie; video-club, lunapark; pompes funèbres

Affinités spatiales entre types de commerces: classification

ULB-IGEAT - B.W. (2005) Source: calculs d’après SitEx 1997