Estimer des flux de navetteurs avec un modèle gravitaire : application géomatique en région Provence-Alpes-Côte d’Azur (France)¹

Cet article réinvestit la modélisation des flux de déplacement domicile–travail au moyen des modèles gravitaires de flux. À partir d’une demande émanant de la région Provence-Alpes-Côte d’Azur, un modèle répondant au principe de parcimonie, basé sur des données publiques ouvertes et facilement mobilisables, a été établi afin de répondre au besoin de prévision tout en assurant la transparence et la réplicabilité de la démarche. À partir de ce modèle, différentes hypothèses (type de variable sur les masses des entités géographiques, variations des calculs des courtes distances à vol d’oiseau, contrainte de portée spatiale due au budget-temps de déplacement, ré-échantillonnage aléatoire) ont été modélisées dans une optique de prospective et d’aide à la décision. Les résultats montrent qu’il est possible d’obtenir un modèle assez robuste avec les données disponibles de l’Institut national de la statistique et des études économiques (INSEE) et un modèle gravitaire log-linéaire, tout en réduisant sensiblement la taille de l’échantillon traité.

This paper investigates the modeling of work commuting flows using gravity models. Based on a study for the Provence-Alpes-Côte d’Azur region, a model that meets the principle of parsimony, based on publicly available data, was designed to meet the need for forecasting, while ensuring transparency and reproducibility of the method. Different models are processed, tuning several input variables such as the masses of geographical entities, the way to compute short distances as the crow flies, the time budget constraint from Zahavi and Talvitie (1980. Regularities in travel time and money expenditures. Trans. Res. Rec. 750: 13–19), and successive resampling. The results show that it is possible to build a robust model of correct quality to estimate the commuting flows, using National Institute of Statistics and Economic Studies (INSEE) data and a log-linear gravity computation, while reducing the sample size.