universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
universit´e d'´evry-val-d'essonne ufr sciences fondamentales et ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
32 Chapitre 2 - Simulation informatique <strong>et</strong> géographie urbaine<br />
par les équations couplées non-linéaires de l’écologie des populations (modèle de Lotka <strong>et</strong> Volterra),<br />
puis de la popularisation des découvertes sur le comportement chaotique de systèmes<br />
déterministes simples (l’équation logistique discrète de May (1976) <strong>et</strong> les modèles de Lorenz en<br />
météorologie). Les modèles sont beaucoup plus ✭ p<strong>et</strong>its ✮ : ils contiennent très peu de variables<br />
<strong>et</strong> les processus représentés restent aussi simples que possible à écrire, de façon à pouvoir être<br />
analysés mathématiquement. Pour autant ils peuvent donner naissance à des comportements dynamiques<br />
variés, <strong>et</strong> qui ressemblent à des phénomènes spatiaux réellement observés. Ces modèles<br />
plus agrégés s’inscrivent plutôt dans une approche heuristique <strong>et</strong> explicative de grands principes<br />
qu’opérationnelle <strong>et</strong> prédictive. A l’inverse les modèles d’Allen <strong>et</strong> Wilson recherchaient une<br />
plus grande vraisemblance géographique dans la description. [San84, PSJS89, BT04] proposent<br />
des descriptions de modèles réutilisant les équations différentielles couplées de modèles proiesprédateurs<br />
de Lotka <strong>et</strong> Volterra pour exprimer des dynamiques de compétition spatiale entre<br />
catégories sociales, ou encore de concurrence entre firmes pour l’acquisition d’aires de marché.<br />
3.4 Hägerstrand, la diffusion spatiale des innovations <strong>et</strong> les débuts de la microsimulation<br />
Au tout début des années 1950 en Suède, presque vingt ans avant Forrester <strong>et</strong> trente avant<br />
Allen <strong>et</strong> Wilson, Torsten Hägerstrand avait posé les bases de ce qui allait devenir un courant<br />
important de modélisation en <strong>sciences</strong> sociales : la simulation micro-analytique ou microsimulation.<br />
L’idée directrice d’Hägerstrand était que pour reproduire <strong>et</strong> comprendre l’évolution d’un<br />
phénomène social à un niveau macro (jusqu’à un pays entier), il fallait nécessairement poser le<br />
problème au niveau de ses composantes ✭ atomiques ✮, donc au niveau des individus. Avec une<br />
telle approche, un modèle consiste alors à dérouler des biographies individuelles en parallèle, <strong>et</strong><br />
à effectuer des mesures collectives sur l’ensemble de la population simulée : du comptage (par<br />
exemple pour mesurer la taille de la population), de la classification (pour mesurer l’évolution<br />
des structures familiales, économiques, <strong>et</strong>c.). C’est donc l’idée d’individualisme méthodologique<br />
appliquée à la modélisation dynamique, qu’Orcutt développa sur des questions économiques<br />
(CORSIM, [Orc57]). Ce courant fut par la suite relayé <strong>et</strong> amplifié grâce aux développements<br />
matériels <strong>et</strong> logiciels (langages de plus haut niveau) <strong>et</strong> des approches de calcul pour concevoir<br />
des modèles entité-centrés (parmi lesquelles les systèmes multi-agents).<br />
Hägerstrand s’intéressait à la diffusion spatiale d’innovations dans une population humaine,<br />
en l’occurrence la rotation des cultures. Dans son modèle, il suppose que c<strong>et</strong>te diffusion se fait<br />
de deux façons complémentaires : une diffusion privée, d’individu à individu, <strong>et</strong> une diffusion<br />
publique, de la société à l’individu.<br />
L’espace est discrétisé en une grille 9 × 9 de cellules identiques, chacune peuplée par 30<br />
individus. Chacun d’entre eux est représenté par une variable d’état dont la <strong>val</strong>eur correspond à<br />
son niveau de connaissance de l’innovation. Le temps est également discrétisé <strong>et</strong> la transmission<br />
de l’innovation se fait de façon atomique. Les processus représentés sont essentiellement des<br />
interactions ✭ horizontales ✮, d’individu à individu.<br />
Selon la présentation qui en est faite dans [BT04], trois versions principales du modèle sont<br />
mises au point. Dans une version de base, l’acquisition de l’innovation par un individu se fait<br />
de façon aléatoire, dans l’espace <strong>et</strong> dans le temps. Ce processus aléatoire <strong>et</strong> les configurations<br />
qu’il engendre servent de point de comparaison aux versions améliorées du modèle. Dans une<br />
seconde version sont intégrées des interactions stochastiques d’individu à individu. Seuls ceux qui<br />
maîtrisent déjà l’innovation peuvent la transm<strong>et</strong>tre aux autres individus, qui peuvent l’accepter<br />
ou la refuser. Dès qu’un individu a reçu l’innovation, il peut à son tour <strong>et</strong> sans délai la diffuser aux<br />
autres. Ces processus génèrent des trajectoires plus conformes aux données. Mais les meilleurs