Navigation – Plan du site
2004
281

Localisation optimale d’unités de soins dans un pays en voie de développement : analyse de sensibilité

Optimal location of healthcare facilities in developing countries : an example in Rwanda

Xavier Querriau, Mohamed Kissiyar, Dominique Peeters et Isabelle Thomas

Résumés

Cet article vise à montrer l’utilité des modèles de localisation-affectation dans le cas de la planification des soins de santé dans un pays en voie de développement.  Partant de l’exemple de la province de Kibungo (Rwanda), des conclusions sont tirées en matière de planification mais également en termes d’opérationalité du modèle : plusieurs analyses de sensibilité sont conduites afin de voir comment les déplacements massifs de population et les améliorations du réseau de transport modifient les prises de décision.

Haut de page

Entrées d’index

Haut de page

Texte intégral

1Un des problèmes préoccupants au sein des pays en voie de développement concerne l’accessibilité aux services de soins de santé [Hodgson et Oppong, 1994, Rushton, 1984]. Certes, cette problématique ne leur est pas spécifique, mais elle y prend une dimension particulière. D’un point de vue sanitaire d’abord, les besoins de soins de santé sont beaucoup plus importants dans les pays en voie de développement alors que les ressources humaines et financières y sont beaucoup plus limitées. La distribution des unités de soins y est également beaucoup plus inégalitaire. Ces dernières sont généralement concentrées dans les centres urbains importants. Paradoxalement, dans les régions rurales, où vivent la majorité des habitants de ces pays, ces unités sont pratiquement inexistantes [Benyoussef et Christian, 1977].  En ce qui concerne l’accessibilité, il convient de distinguer deux aspects importants. Le premier a trait à l’accessibilité géographique, définie comme la distance maximale à parcourir pour atteindre une unité de soin. Malgré une augmentation de la densité du réseau routier, cet aspect reste un problème majeur en région rurale. Le second aspect concerne l’accessibilité économique aux unités sanitaires, regroupant les barrières économiques qui limite l’accès aux soins tels que les coûts des prestations, le revenu, etc.  Pour bon nombre de patients, il s’agit là d’un obstacle infranchissable [Stock, 1983; Airey, 1992 ; Field et Briggs, 2001]. Enfin, l’accessibilité culturelle n’est pas négligeable dans bien des régions du monde : certaines populations continuent à se diriger vers des médecines traditionnelles.  

2Face à une telle situation, le géographe a un rôle important à jouer. Il possède en effet une série d’outils, parmi lesquels les modèles de localisation-affectation optimale. Ceux-ci lui permettent d’améliorer l’organisation spatiale du service considéré en optimisant les distances à parcourir par les usagers. Plusieurs applications de ces modèles existent pour les pays en voie de développement [voir par ex. Okafor, 1990; Hodgson et Oppong, 1994; Tanser et al, 2001  ou Ayeni et al, 1987].  Toutes démontrent l’efficacité de leur utilisation dans de telles situations [Fisher et Rushton, 1979; Rushton, 1984; Oppong, 1996  ou Thomas, 2002, pp. 215-234].  Dans cet article, un modèle va être utilisé afin d’évaluer la situation actuelle en matière de centres de santé et d’hôpitaux au Rwanda et de suggérer des pistes pour l’avenir dans la province de Kibungo.

3Plusieurs analyses de sensibilité du modèle sont conduites.  Tout d’abord, nous avons voulu vérifier si la configuration proposée par le modèle était stable face à des variations importantes de la demande. Cette situation est tout à fait réaliste suite aux incertitudes démographiques (naturelles et migratoires) dans la région.  Ensuite, nous avons testé l’hypothèse selon laquelle les distances euclidiennes approximent les distances réelles de façon réaliste.  Enfin, nous avons apporté plusieurs modifications au réseau routier existant afin de mesurer l’impact sur l’accessibilité aux unités de soins et sur leur organisation optimale.  C’est donc principalement l’accessibilité géographique qui nous préoccupe ici.

Choix méthodologiques 

Le milieu d’étude 

4Cette étude de cas concerne la province de Kibungo, située au Sud-ouest du Rwanda. Elle fait partie des 12 provinces que compte le pays. Entourée des provinces de Kigali-rural et Umutara, elle possède également une frontière commune avec la Tanzanie (à l’Est) et le Burundi (au Sud). Sa superficie est d’environ 3 250 km². Son relief est vallonné, parsemé de zones marécageuses et de collines dont l’altitude oscille entre 1000 et 2000 mètres.  D’un point de vue administratif, la province se divise en 8 districts (anciennement dénommés communes) : Rusumo, Rukira, Nyarubuye, Mirenge, Kigarama, Muhazi, Kayonza, Cyarubare, et comporte deux villes : Kibungo et Rwamagana. Ces districts se subdivisent à leur tour en secteurs (Figure 1).

Figure 1 : Carte administrative de la province de Kibungo

5Les conflits et les guerres dans la région des Grands Lacs, ont provoqué d’importantes modifications démographiques au Rwanda. On estime qu’environ 800.000 personnes ont été tuées et que plus de trois millions ont été déplacées à l’intérieur et à l’extérieur du pays. Ces événements ont également précipité 60 % de la population dans la pauvreté.  Suite au rapatriement des réfugiés ayant fui les événements d’avril 1994, la province de Kibungo est passée, en deux mois (novembre à décembre 1996) de 363.000 à 678.000 habitants, soit une augmentation de 86%. De plus, comme la province possède une frontière commune avec le Burundi et la Tanzanie, ces deux pays ont accueilli bon nombre de réfugiés rwandais, fuyant les massacres. Depuis lors, une bonne partie d’entre eux ont regagné le pays. Kibungo est donc une province sujette à des changements démographiques importants.

6Quant à la politique sanitaire de l’après-guerre, elle se compose de différents volets. Tous les centres de santé doivent assurer un minimum  de soins de santé primaires permanents, intégrés et complets. Ces derniers sont assurés par trois types d’agents : publics, agréés, privés; le recours à la médecine traditionnelle étant devenu marginal [De Keersmaeker et  Peart, 1996].

Le modèle

7De nombreux modèles de localisation ont été proposés dans la littérature. Le choix d’un modèle dépend du contexte auquel on est confronté. Peeters et Thomas (2001) esquissent une méthodologie applicable au cas des services publics.  Ils proposent tout d’abord une typologie de ces services et montrent comment cette typologie oriente la sélection d’un modèle.

8Dans notre cas, l’étude porte sur le service de soins de santé. Il s’agit d’un service public qui a la particularité d’être fixe, libre et pouvant être soumis à congestion.  De plus, la localisation des unités de soin confère au problème un caractère discret.  Notre objectif est de proposer une organisation spatiale optimale du service de soins de santé et d’évaluer celle qui existe actuellement. Ceci se fait naturellement en maximisant l’accessibilité des unités sous diverses contraintes, telles que l’existence d’unités déjà implantées.  D'après ces critères, le modèle de la  p-médiane est le plus approprié parmi les différents modèles discrets de localisation-affectation existants [Labbé et al., 1995]. En effet, non seulement il satisfait aux conditions énoncées plus haut, mais il présente également l’avantage d’être facilement adapté aux spécificités du problème et d’être résolu par des méthodes efficaces, rapides et simples [Peeters et Thomas, 2001].  

9Le problème de la p-médiane consiste à choisir la configuration géographique des unités d’offre de manière à minimiser la somme des distances parcourues sous une série de contraintes énoncées par les décideurs, soit :

10La demande est supposée émaner de points repérés par l’indice i=1,…,I, tandis que les sites où une unité de service peut s’implanter sont représentés par les indices j=1,…,J. Soit ni la population (demande) du centre i et dij la distance séparant ce centre du site j. On introduit les variables de décision suivantes : Yj vaut 1 si on ouvre une unité en  j et 0 si non; xij vaut 1 si le centre i est desservi par une unité localisée en j et 0 si non.

11La contrainte [1] assure que chaque point de demande est affecté à un et un seul site d’offre; ceci garantit que toute demande pour le service est satisfaite et, accessoirement, implique que les aires de service des unités implantées ne se recouvrent pas. La contrainte [2] impose que la variable xij soit nécessairement égale à 0 lorsque yj prend la valeur 0, autrement dit, on empêche toute affectation à un site dans lequel une unité n’aurait pas été préalablement ouverte. La contrainte [3] restreint le nombre de sites ouverts à p. Les contraintes [4] et [5] limitent l’ensemble des valeurs que peuvent prendre les variables introduites plus haut [Peeters et Thomas, 2001].  Pratiquement, le programme FIXMED est utilisé; celui-ci est basé sur un algorithme décrit par Hanjoul et Peeters  en 1985.

YXCmax i,j dij xij

12Les données
Le modèle nécessite plusieurs données en entrée telles la demande, l’offre et une matrice des distances séparant les points de demande et d’offre [Peeters et Thomas, 2001].

13La demande est une quantité estimée pour chacun des 115 secteurs constituant la province de Kibungo.  Il s’agit de la demande en soins préventifs et curatifs.  Faute de bases de données récentes et précises, la demande est supposée égale à la population totale résidant en chaque secteur et ramenée au centroïde de celui-ci.  La population prise en compte ici est celle projetée pour 2012.  Ceci permet d’utiliser les résultats dans un contexte prospectif.

14L’offre est constituée des unités de soins de santé existantes et fonctionnelles. Ces unités sont de deux natures différentes : les unités de soin de rang 2 ou centres de santé, et les unités de soins de rang 1 ou hôpitaux de district. Ces unités sont localisées aux centroïdes de chaque secteur. Aucune distinction n’est faite entre les secteurs possédant une ou plusieurs unités.  Chaque centroïde de secteur constitue une localisation potentielle.

15Le réseau de transport est constitué d’un graphe topologique valué et défini par l’ensemble des 115 localisations des utilisateurs (I), par l’ensemble des 115 sites pouvant potentiellement accueillir une unité de soins (J), par les croisements importants des voies de communication et les arcs reliant ces sommets. A chaque arc est attribuée une valeur correspondant à la longueur du tronçon qu’il représente.

16Au cours de ce travail, deux types de réseaux ont été utilisés. Le premier est un réseau où la longueur de chaque arc est estimée par la distance euclidienne pondérée par la pente moyenne.  Nous avons fait l’hypothèse que le graphe possède une connectivité parfaite. Pour le second réseau, les distances séparant les points de demande et d’offre ont été calculées sur base du réseau routier. Il a été numérisé à partir de cartes au 1 : 50 000 datant de 1989. Une comparaison avec une carte, à plus grande échelle, datant de 2002, permet d’affirmer que les axes principaux n’ont pas été modifiés (Figure 2).

17Les arêtes du second réseau ont ensuite été classées en deux catégories. La première reprend l’ensemble des routes nationales asphaltées et non asphaltées, ainsi que les routes communales. La seconde catégorie est composée des pistes carrossables et sentiers. Ces deux catégories ont été dénommées respectivement « réseau primaire » et « réseau secondaire ». Afin de traduire cette hétérogénéité au sein du modèle, un coefficient a été introduit; il permet de pondérer les distances en fonction de la catégorie de l’arête empruntée.  Dans ce cas-ci, cette pondération vaut 0,5, ce qui revient à dire que l’on se déplace deux fois plus vite sur le réseau primaire que sur le réseau secondaire. Cette différence peut paraître importante mais nous avons voulu également prendre en compte l’accessibilité saisonnière des sentiers et pistes carrossables par rapport aux routes nationales et communales [Amoud, 1999 ou Thomas, 2002, pp. 215-234].  Nous partons ici de l’hypothèse que les routes communales sont accessibles même en saison des pluies (6 mois par an dans la région). L’introduction d’un tel coefficient diminue, fictivement, la longueur réelle du réseau routier. Ceci ne permet donc plus de considérer les distances comme étant des distances dites « kilométriques » mais plutôt comme des « distances-coût », au sens large. Il s’agira de garder cette information à l’esprit lors de l’analyse des résultats.  Ces choix ont été guidés par une enquête sur le terrain.

18D’un point de vue quantitatif, le réseau routier est long de 1245 km. Le réseau primaire a une longueur 442 km (35,5 %) et le réseau secondaire de 803 km (65,5 %).

Figure 2 : Réseau routier existant dans la province de Kibungo

19Notre analyse commence par l’optimisation du choix d’implantation des unités de rang 2. Pour chaque simulation, le nombre de centres de santé varie de 37 à 43, par pas de 1. Cette évolution est bornée par les 37 centres de santé existants et une restriction budgétaire imposée par le Ministère de la Santé rwandais, limitant l’offre maximale à 43 unités de soins. Pour les hôpitaux, le même protocole a été appliqué.  Le nombre d’hôpitaux augmente de 3 à 7 unités, par pas de 1. La seule différence concerne la limitation des nouveaux sites d’implantation aux unités de rang 2 sélectionnées précédemment. Cette hiérarchie se justifie par la prise en considération des économies d’échelles. En effet, il est plus avantageux de transformer un nouveau centre de santé directement en hôpital.

Plan des simulations 

20Sur base du réseau euclidien, le modèle a été utilisé pour plusieurs mesures de la demande. Cette dernière a été estimée par la population totale à l’horizon 2012. Cette estimation est basée sur un taux de croissance constant. Il n’est pas improbable qu’elle s’avère différente de la réalité suite à des faits extérieurs (guerre civile dans un pays voisin, famine, maladie,…). Il est donc facile d’imaginer l’inadéquation de la configuration optimale si cette dernière est sensible à la moindre variation de la demande. Nous avons donc fait varier cette estimation et analysé l’impact sur les résultats.

21Pour y parvenir, nous avons tout d’abord simulé des diminutions de populations.  A la vue de l’instabilité qui règne encore dans la région des Grands Lacs, un tel scénario nous semble réaliste. La population des secteurs urbains a été diminuée respectivement de 50% et 75%, soit une réduction respective de 5,3% et 8,0% de la population totale de la province. Ensuite, nous avons voulu étendre les secteurs touchés par une baisse de population.  Nous avons donc réduit de 50% la population des secteurs urbains et périurbains, soit une diminution de la demande totale de 13,6% (Figure 3). Ces trois simulations seront respectivement dénommées « Demande 1 », « Demande 2 » et « Demande 3 ».

22Des augmentations de la population ont également été envisagées. En effet, entre novembre 1996 et septembre 1997, plus de 1 350 000 réfugiés rwandais sont rentrés dans leur pays.  Plus de 850 000 réfugiés sont revenus de l'ex-Zaïre et 500 000 de la Tanzanie. Au total, ces réfugiés ont provoqué un accroissement de 22% de la population qui s’est inégalement réparti dans l’espace. Pour rendre compte au mieux de cette réalité, la population des secteurs limitrophes à ces deux pays a été augmentée de respectivement 25, 50 et 75 % (Figure 4). Ces variations provoquent une augmentation respective de 6,1%, 12,2% et 18,4% de la population totale de l’a province. Elles seront ici dénommées Demande 4,  Demande 5  et Demande 6.

23Enfin, l’effet que peut avoir le phénomène d’exode rural fréquent au sein des pays en voie de développement [Bucagu, 2000] a également été envisagé. Pour ce faire, la population des secteurs ruraux a été réduite respectivement de 25 et 50 %, pour ensuite être répartie au sein des secteurs urbains, et ce pour chacune des deux villes de la province (Figure 3). Ces deux simulations seront dénommées Exode 1  et  Exode 2.  Il est évident que de telles variations de la demande totale peuvent être induites par une multitude d’autres variations de population au sein de la province. Toutefois, le but de cette analyse est d’évaluer la stabilité des résultats obtenus suite à des variations spatiales de la demande et de la structure du réseau de communications.

24Dans un  second temps, nous nous sommes basés sur le réseau routier existant (et non plus sur la distance euclidienne) pour évaluer le redéploiement des unités de soins dans la province. Ceci va permettre non seulement de voir en quoi la simplification par la distance euclidienne peut biaiser les résultats, mais également de voir si la charge de travail nécessaire à l’estimation des distances réelles est utile. En premier lieu, nous avons envisagé une amélioration de la qualité du réseau secondaire, le rendant tout aussi praticable que le réseau primaire. Cette première simulation sera dénommée « Réso 1 ». Ensuite, nous avons simulé l’agrandissement du réseau actuel en construisant plusieurs nouveaux tronçons à travers la province. Ces nouveaux tronçons élargiraient le réseau existant de 78 km, soit 6 %. Nous avons considéré que ces nouvelles routes appartiendraient directement au réseau primaire (Figure 5). Cette seconde simulation sera dénommée « Réso 2 ». Nous avons également divisé ces nouveaux tronçons en deux zones géographiques afin d’en évaluer l’impact respectif. C’est ainsi que nous obtenons le réseau complémentaire couvrant l’Est de la province, long de 43 km, et le réseau périphérique aux deux villes de la province, long de 35 km. Ils seront dénommés « Réso 2a » et « Réso 2b ».  Enfin, nous avons examiné à la fois l’amélioration du réseau et son agrandissement. Cette dernière modification portera le nom de « Réso 3 ».

Figure 3 : Secteurs urbains (villes) et périurbains (secteurs directement  contigus aux secteurs dits urbains) de la province de Kibungo

Figure 3 : Secteurs urbains (villes) et périurbains (secteurs directement  contigus aux secteurs dits urbains) de la province de Kibungo

Figure 4 : Secteurs limitrophes à la Tanzanie et au Burundi

Figure 4 : Secteurs limitrophes à la Tanzanie et au Burundi

Figure 5 : Réseau de transport existant complété par de nouveaux tronçons

Résultats 

Configuration initiale 

25La province de Kibungo compte actuellement 37 centres de santé et 3 hôpitaux
(Figure 6). Cette configuration n’est apparemment plus adéquate : « L’examen de la configuration actuelle nous montre que l’accessibilité aux soins est relativement faible et que les charges de travail sont disproportionnées et ce en raison de l’insuffisance de l’offre et de sa mauvaise répartition » [Kissiyar, 2002, p.25].  Il semble donc indispensable de procéder à l’implantation de nouvelles unités de soins afin d’assurer une meilleure adéquation de l’offre à la demande.  

26La configuration retenue pour les centres de santé optimaux se compose des 37 unités existantes et de 3 nouvelles implantations. Le choix de trois unités supplémentaires s’explique par le fait qu’au-delà de ce nombre, la distance maximale ne varie plus. Elle reste fixée à 12,3 km, soit une amélioration de 23,6% par rapport à la situation existante. A ce stade, la construction d’une unité supplémentaire n’améliore en rien l’équité. Conformément à l’attente, la distance moyenne diminue à chaque ajout d’une unité supplémentaire : cela signifie que l’efficacité des configurations est continuellement améliorée. Au niveau de 40 unités implantées, la distance moyenne est de 3,4 km, ce qui  représente une amélioration de 21,6%.  En ce qui concerne la localisation des centres de santé, les nouvelles unités sont situées dans le sud de la province, plus précisément au sein des secteurs de Kigarama (97), Kigina (98) et Birenga (28) (Figure 7).

27L’évolution des distances maximales d’affectation aux hôpitauximplique, quant à elle, la construction de 4 nouveaux sites, ce qui correspond au nombre maximum d’unités potentielles. Cette nouvelle configuration apporte une nette amélioration du point de vue de l’accessibilité en réduisant la distance maximale de 50%. En effet, cette dernière passe de 56,5 à 27,4 km.  Quant à la distance moyenne, nous observons, à nouveau, qu’elle diminue à chaque augmentation du nombre de nouvelles unités. L’amélioration engendrée par l’implantation de 4 nouveaux hôpitaux est de l’ordre de 49,0%.  Les nouveaux hôpitaux se localisent au sein des secteurs de Gatore (95), Sangaza (56), Gashiru (83) et Kigina (98). L’unité située dans ce dernier secteur, passe directement du statut de centre de santé à celui d’hôpital de district (Figure 7).

28De cette première analyse, il apparaît que la situation spatiale actuelle de l’offre médicale mérite une optimisation tant en matière de centres de santé que des hôpitaux, et que les différences surviendraient surtout en milieu rural et au Sud de la province.

Figure 6 : Répartition actuelle des unités de soins de santé,par secteurs, pour la province de Kibungo

Figure 6 : Répartition actuelle des unités de soins de santé,par secteurs, pour la province de Kibungo

Figure 7 : Configuration optimale des centres de santé et des hôpitaux

Figure 7 : Configuration optimale des centres de santé et des hôpitaux

Figure 8 : Changement de localisation d’un centre de santé lié aux simulations Exode 1 et Exode 2.

Sensibilité à  la mesure de la demande

29Le nombre de centres de santé considéré comme idéal initialement reste inchangé pour les simulations Demande 1, Demande 2, Demande 4, Exode 1 et Exode 2 (Figures 9 et 10). Dans le cas de la simulation Demande 3, seules 38 unités sont nécessaires pour satisfaire, de manière optimale, la demande. Enfin, les simulations Demande 5 et Demande 6 provoquent, respectivement, une augmentation du nombre idéal de centres de santé de 1 à 2 unités (Figure 9 et 10).  Pour ces trois dernières situations, les variations de la demande totale sont suffisantes pour provoquer un meilleur ajustement de l’offre par rapport la demande.  En termes de localisations des centres de santé, la configuration optimale initiale est stable face aux augmentations et diminutions extrémales de population envisagées. En d’autres mots, la localisation des nouvelles unités restera inchangée malgré une diminution de 50% de la population des secteurs urbains et périurbains ou une augmentation de 75% de la population des secteurs limitrophes à la Tanzanie et au Burundi. Si par contre, on assiste à un exode rural massif, la sélection de Birenga (n°28) s’avérera sub-optimale par rapport à la sélection de Gahurire (n°102) (Figure 8).

Figure 9 : Evolution de la distance maximale en fonction de p pour toutes les diminutions de la demande

Figure 9 : Evolution de la distance maximale en fonction de p pour toutes les diminutions de la demande

Figure 10 : Evolution de la distance maximale en fonction de p pour toutes les augmentations de la demande

30Au niveau des hôpitaux, le nombre optimal d’unités à implanter reste fixé à 7. En termes de localisations, la configuration optimale d’origine est beaucoup plus sensible aux augmentations qu’aux diminutions de population. Elle reste inchangée pour une diminution de 50% de la population des secteurs urbains alors que la moindre augmentation de population envisagée provoque un changement de localisation. Toutefois, les nouveaux sites sélectionnés sont toujours contigus aux originaux et ne provoquent donc pas de changement majeur quant à la répartition des hôpitaux au sein de la province. De plus, ces modifications n’ont qu’un très faible impact sur les distances maximales et moyennes d’affectation. Les unités potentielles se localisent principalement dans la partie sud, témoignant d’un clivage sanitaire entre le Nord et le Sud de la province. Cependant, la présence de deux hôpitaux existants dans le Nord influence l’importance relative de secteurs septentrionaux.

31Ces premiers résultats confortent d’autres obtenus par ailleurs [voir par exemple Beguin, Thomas et Vandenbussche, 1992 ou Thomas, 1993] : différentes définitions de la demande induisent des différences au niveau des résultats du modèle, même si ceux-ci restent globalement fort proches. Ces études ont également montré que l’affectation était beaucoup plus sensible à la définition de la demande que l’équité ou l’efficacité des configurations. Ces résultats se vérifient également dans ce cas-ci [Querriau, 2003].

Sensibilité aux changements dans le réseau routier

32Dans l’intervalle de valeurs considérées pour le nombre de centres de rang 2, la distance maximale n’est pas sensible au nombre de centres de santé implantés, et ce, quelle que soit la simulation envisagée. Il est donc inutile, en termes d’équité, d’implanter de nouvelles unités potentielles. Cependant, notons l’apparition d’un classement entre les simulations. Le réseau existant possède la distance maximale la plus élevée (17,7 km) alors que les simulations Réso 1 et Réso 3 font chuter cette distance à 8,8 km, soit de 50%. Entre ces 2 extrêmes se trouvent les simulations Réso 2 et Réso 2a, induisant la même amélioration d’équité, correspondant à une diminution de 15,8% de la distance maximum. Enfin la simulation Réso 2b n’améliore en rien la distance maximum d’affectation.  En résumé, nous pouvons dire que la plupart des améliorations du réseau ont une répercussion positive sur la distance maximale. L’ajout de quelques tronçons dans l’Est de la province suffit pour diminuer cette distance de 15%. La réfection du réseau secondaire permet, quant à elle, d’améliorerde moitié l’équité de la couverture sanitaire.

33En ce qui concerne les hôpitaux, la configuration initiale obtenue sur base du réseau routier actuel localise ces unités dans le Sud et l’Est de la province. Trois des quatre secteurs sélectionnés sont situés près des frontières de la Tanzanie et du Burundi. Le quatrième secteur est situé au centre du quart sud-ouest de la province.  Sur base des changements de localisation induits par les simulations, nous pouvons dire que le réseau routier ouest, beaucoup plus dense, induit une meilleure stabilité de la couverture hospitalière dans cette partie de la province. La moitié Est, quant à elle, possède un réseau routier plus rudimentaire. Toute amélioration de ce dernier aura un impact direct sur l’accessibilité et conduira à une localisation différente des unités d’offre.

34Ces résultats corroborent certaines études antérieures.  Citons l’exemple d’une province du Niger [Amoud, 1999, Thomas, 2002] où les variations dans la mesure de la distance ont un impact plus important sur les distances maximale et minimale que sur la localisation-affectation des configurations. Airey (1992) met également en évidence l’importance de la construction d’une nouvelle route sur l’accessibilité et la fréquentation des hôpitaux dans une province du Kenya.  Il importe donc de situer l’utilité des modèles de localisation-affectation dans un contexte de développement et planification plus vaste où réseau de communication et implantations de services sont étroitement liés. A ce stade, notre étude confirme que les modèles de localisation sont plus sensibles aux modifications du réseau de transport qu’à celles de distribution de la demande.

Discussion des résultats 

35De manière générale, un clivage nord-sud apparaît nettement au niveau de la qualité de la couverture sanitaire de la province. En effet, les nouvelles unités se localisent principalement dans le Sud, comblant ainsi les lacunes du réseau sanitaire dans cette partie de la province. Il existe plusieurs raisons à cela. L’une des plus importantes est très certainement la différence de densité de population existant entre le Nord et le Sud. Dans le Sud de la province, la population est beaucoup plus dispersée et la superficie des exploitations agricoles y est plus grande ; ceci est dû à la différence de qualité des terres, les meilleures se situant au nord. A cela vient s’ajouter l’effet polarisant de Kigali sur sa périphérie, influençant la localisation de la population au nord de la province.

36L’étude globale des résultats permet d’évaluer l’effet des changement opérés au niveau du réseau routier. Tout d’abord, toutes les modifications du réseau existant, telles qu’elles ont été envisagées, améliorent, d’une manière ou d’une autre, les résultats. Il n’est donc pas inutile d’envisager la réfection voire la construction de nouveaux tronçons, leurs impacts ne pouvant être que positifs au point de vue de l’accessibilité aux soins de santé. Cette relation n’est pas nouvelle [Hoyle, 1988; Airey, 1992].

37Les différentes modifications du réseau ne sont pourtant pas équivalentes. La simulation Réso 1 induit les plus grandes améliorations, que ce soit au niveau de l’équité ou de l’efficacité du réseau. On constate également que, couplé à cette amélioration, l’ajout de nouveaux tronçons n’améliore pas les résultats. L’amélioration du réseau secondaire est donc suffisante.

38Plusieurs raisons expliquent ces différences d’impact entre les modifications du réseau. En premier lieu, le réseau secondaire représente 64,5% du réseau existant. Une amélioration qualitative de ce dernier induit inévitablement une accessibilité accrue. Ensuite, les nouveaux tronçons envisagés  ne comptent, au total, que pour 6% du réseau actuel. Ces tronçons touchent des secteurs de la province qui ne sont pas densément peuplés. L’impact par habitant est donc plus limité.

39En pratique, la réfection de l’ensemble du réseau secondaire semble utopique. En effet, aux coûts engendrés par de tels travaux viennent s’ajouter les coûts liés à l’entretien de ce réseau routier amélioré. Ces derniers sont particulièrement élevés dans les pays où les précipitations sont abondantes et les sols instables, comme c’est le cas au Rwanda. Il serait toutefois intéressant de prendre en compte les impacts d’une amélioration partielle du réseau secondaire.

40Pour terminer, comparons les résultats obtenus sur base du réseau euclidien à ceux du réseau routier existant afin de vérifier si cette longue mesure des distances réelles est nécessaire.

41En ce qui concerne les centres de santé, si nous nous basons sur les distances euclidiennes, il faudrait, idéalement, implanter 3 nouvelles unités afin d’atteindre la distance maximale la plus faible. Par contre, si nous utilisons les distances mesurées sur le réseau routier, il s’avère que la distance maximale ne peut être diminuée par l’implantation de 6 nouvelles unités, nombre maximum lié aux contraintes budgétaires imposées par le Ministère de la Santé rwandais. La configuration actuelle est donc suffisante. Cela signifie que l’approximation par les distances euclidiennes induit la construction de 3 nouveaux centres de santé superflus. De plus, l’équité des configurations est également sous-estimée. La plus faible distance maximale atteinte sur base du réseau euclidien est de 12,3 km alors qu’elle est de 17,7 km en se basant sur le réseau routier, soit une diminution de 30,4% (Tableau 1). Cette sous-estimation s’observe également au niveau des distances moyennes d’affectation.

42Au niveau des hôpitaux, le nombre idéal d’unités à implanter est identique, quelle que soit la matrice de distances utilisée. Cette similitude peut s’expliquer par la très mauvaise équité spatiale de la configuration actuelle des hôpitaux. Tout ajout d’une unité supplémentaire ne peut qu’améliorer la distance maximale d’affectation et ce, indépendamment des mesures de distance.

  

Distance euclidienne

Distance réseau

Variation (%)

Distance maximale (km)

  

  

  

Centres de santé

12,31

17,70

-30,4

Hôpitaux

27,44

36,80

-25,4

Distance moyenne (km)

  

  

  

Centres de santé

3,38

3,83

-11,7

Hôpitaux

12,30

14,00

-12,1

Tableau 1 : Distances maximales et moyennes suivant la matrice des distances utilisées

43D’un point de vue quantitatif, on observe à nouveau une sous-estimation des distances maximales suite à l’utilisation des distances euclidiennes, malgré leur pondération par les pentes moyennes. Une des explications réside dans le fait que l’utilisation de ce type de distances ne permet pas de prendre en compte, entre autres, les barrières naturelles. Dans notre cas, il s’agit d’une province dont le relief vallonné et marécageux contraint le tracé des routes et sentiers. Rappelons que les distances euclidiennes constituent de bonnes approximations de la réalité uniquement en l’absence de barrières importantes [Peeters et Thomas, 1997 et 2000; Rushton, 1984; Thomas, 2002].

44A propos des localisations des nouvelles unités de soins quelques différences sont à noter. Si l’on compare l’implantation de 3 nouveaux centres de santé, seule la sélection du quarantième secteur varie. Cependant, les deux secteurs concernés, Birenga et Sakara, sont proches l’un de l’autre. Au niveau des hôpitaux, seuls deux des quatre sites sélectionnés varient. A nouveau, ces secteurs sont contigus. Sur base des ces observations, nous pouvons donc dire que l’utilisation des distances euclidiennes a un impact modéré sur la localisation des nouvelles unités de soins. Les changements observés ne modifient pas fondamentalement l’organisation spatiale des configurations.

Conclusion

45Plusieurs tendances peuvent être dégagées au terme de ce travail.

461.  La configuration spatiale des services de santé est peu sensible aux variations de la demande. La localisation des nouveaux centres de santé reste inchangée; par contre, les localisations d’hôpitaux sont plus sensibles. Toutefois, il ne s’agit jamais de variations conduisant à une réorganisation spatiale importante des implantations, les nouveaux sites sélectionnés étant tous contigus aux initiaux.  Pratiquement, les résultats sont assez peu sensibles aux variations de la demande, ce qui est rassurant pour des applications où les données sont rares ou de mauvaise qualité.  Ce type de résultat corrobore d’autres études   sur des réseaux théoriques [Peeters, Thomas  et Thisse, 1998] ou empiriques [Beguin, Thomas et Vandenbussche, 1992].

472.  En termes de réseau de transport, deux conclusions peuvent être formulées.  D’une part, la distance euclidienne n’est pas une bonne approximation de la distance réelle dans les pays comme le Rwanda. La comparaison des résultats met en évidence une sous-estimation des distances lorsque l’on se base sur le réseau euclidien. Cette variation induit la construction de 3 nouveaux centres de santé alors que la situation tenant compte des distances réelles ne le préconise pas.  D’autre part, les différentes modifications apportées au réseau routier actuel ont un impact positif sur l’accessibilité aux unités de soins. Ceci permet d’affirmer que le réseau routier n’est pas encore suffisamment développé. Une étude plus poussée devrait être menée afin de le rendre le plus efficace possible. En effet, le transport est l’un des facteurs principaux de développement [Hoyle, 1988]. A l’échelle locale, le réseau de transport est la clef du progrès économique et de la diversification. Il aurait été pertinent de compléter notre analyse par des données relatives aux nombres de véhicules par habitant, au réseau des transport en commun ou bien encore à la capacité des services médicaux mobiles (ambulance,..).  Toutefois, comme c’est bien souvent le cas dans ce genre d’étude, les données disponibles sont rares et de mauvaise qualité.  Néanmoins, il ne faut pas considérer que l’amélioration du réseau n’induit que des répercussions positives sur le développement. Par exemple, une augmentation de l’accessibilité peut favoriser le flux de biens et de personnes au sein de régions enclavées, où régnait avant un certain monopole de l’économie locale. Le développement et la propagation de maladies telles que la malaria sont également favorisés par le désenclavement de ces zones autrefois isolées. A cela vient s’ajouter l’impact sur l’environnement, concrétisé principalement par un déboisement massif et une érosion importante des sols [Simon, 1996 et Airey, 1992]. A nouveau, ceci confirme des résultats obtenus par ailleurs sur d’autres cas africains [Amoud, 1999; Thomas, 2002 ] ainsi que sur des réseaux théoriques : la forme du réseau et la mesure de la distance importent plus que la mesure de la demande [Peeters, Thomas et Thisse, 1998; Thomas, 2002]

48Les programmes de développement du transport doivent être menés avec précaution. Il est important de prendre en compte les spécificités locales et d’identifier les réels besoins.  Malheureusement, dans la plupart des pays en voie de développement, les processus de décision sont contrôlés par des groupes intéressés, appartenant à une certaine élite. L’utilisation des modèles de localisation-affectation permet de rétablir des critères plus objectifs quant à la prise de décision finale.  Il faut toutefois garder à l’esprit qu’il ne s’agit que d’outils permettant de maximiser un (ou plusieurs) objectif(s) sous différentes contraintes. C’est dans cette optique qu’il convient d’interpréter les résultats et les conclusions obtenus dans ce travail. Ils ne s’appliquent qu’aux variations envisagées. Malgré un large éventail de situations prises en compte, il faut rester prudent quant à leur généralisation.

49Comme il a été souligné, l’analyse pourrait être complétée à plusieurs égards. Au cours de notre étude, la demande de soins est estimée par la population totale de chaque secteur. Cette estimation n’est peut-être pas la plus adéquate. En effet, la fréquentation des unités de soins est fonction de nombreux facteurs socio-économiques tels que le revenu, l’éducation ou même les coutumes locales [Airey, 1992]. Sur base de cela, il aurait été plus intéressant d’estimer la demande de soins par tranches de la population les plus susceptibles de se rendre dans un centre de santé ou un hôpital. Une telle analyse aurait nécessité une enquête approfondie au sein de chaque secteur afin d’en obtenir le profil socio-économique, enquête pour laquelle nous n’avions ni les moyens financiers, ni le temps nécessaire.

50Nous aurions également pu envisager une contrainte de capacité minimale et maximale, garantissant un niveau de fonctionnement acceptable pour chaque nouvelle unité. Une telle analyse pourrait s’appliquer à la configuration actuelle afin de déterminer le niveau d’activité des unités. En effet, l’abolition de la contrainte de la prise en compte obligatoire des unités existantes peut s’avérer utile. Certaines études ont noté qu’une meilleure efficacité du service pouvait être atteinte par une simple réorganisation des unités [Hodgson et Oppong, 1994]. Toutefois, une analyse de ce genre nécessite l’estimation la plus exacte possible des coûts de relocalisation des unités. Il aurait aussi été intéressant de distinguer les différentes unités de soins par leur taille et, par conséquent, leur zone d’attraction différente.

51Enfin, il serait utile de mieux exploiter les systèmes d’information géographique afin d’obtenir une analyse intégrée des différents résultats [Church, 2002]. Cela permettrait de mieux prendre en compte l’aspect dynamique des réorganisations du service. En effet, l’analyse faite ici n’est que purement statique. Elle ne tient pas compte des effets induits par une modification de la structure du service.  Mais tel est l’enjeu des simulations et développements méthodologiques des prochaines années !

Haut de page

Bibliographie

AIREY T. (1992). “The impact of road construction on the spatial characteristics of hospital utilization in the Meru district of Kenya”. Soc. Sci. Med., 34, p. 1135-1146.

AMOUD I. (1999). Localisation des dispensaires ruraux dans l’arrondissement de Filigué (Niger). Louvain-la-Neuve, Mémoire inédit de licence UCL en Architecture Urbaine, 127p.

AYENI B., RUSHTON G., & MCNULTY M. (1987) “Improving the geographical accessibility of health care in rural areas: a Nigerian case study”, Soc. Sci. Med, p.1083-1094

BEGUIN, H., THOMAS, I., & VANDENBUSSCHE, D. (1992). Weight variations within a set of demand points, and location-allocation issues: a case study of public libraries.  Environment and Planning, 24A, 1769-1779.

BENYOUSSEF A., & CHRISTIAN B. (1977). “ Health care in developing countries”. Soc. Sci. Med., 11, p.399-408

BUCAGU M. (2000), “ Mouvements de population et changements démographiques au Rwanda depuis 1994”, Montreux. 12 p.

CHURCH R. (2002) “Geographical information systems and location science”. Computers & Operations Research, 29, p. 541-562.

DE KEERSMAEKER F., & PEART G. (1996) “ Enfants et femmes du Rwanda. Une analyse de la situation des secteurs sociaux ”. UNICEF, 120 p.

FIELD K. S., & BRIGGS D. J. (2001). “Socio-economic and locational determinants of accessibility and utilization of primary health-care”. Health and Social Care in the Community, 9(5), p. 294-308.

FISCHER H. B., & RUSHTON G. (1979). “Spatial efficiency of service locations and the regional development process”. Papers of the regional science association, 42, p. 83-96.

HANJOUL, P., &  PEETERS, D. (1985). “A Comparison of Two Dual-based Procedures for Solving the p-Median Problem”.. European Journal of Operations Research, 20, 387-96.

HODGSON M., & OPPONG J. (1994). “Spatial Accessibility to Health Care Facilities in Suhum District, Ghana”, TheProfessional Geographer, 46(2), p. 199-209

HOYLE B. (1988). Transport and Development in Tropical Africa. In Case studies in developing world (ed) BRADNOCK R. & HOLMES R., Londres : John Murray Ltd p. 1 - 25, p. 56

KISSIYAR M. (2002). Restructuration et redéploiement spatial des services de santé : Une étude opérationnelle préalable à l’élaboration de la carte sanitaire du Rwanda : Province de Kibungo. Rapport de contrat inédit.  

LABBE M., D. PEETERS, & J.-F., THISSE (1995). Location on networks, in M. Ball, T. Magnanti, C. Monma et G. Nemhauser (eds.): Handbook on Operations Research and Management Science: Networks, North Holland, 551-624.

OKAFOR F. (1990). “The spatial dimension of accessibility to general hospitals in rural Nigeria”, Socio-Economic Planning Science, 24 (4), p. 295-306.

OPPONG J. R. (1996). “Accommodating the Rainy Season in Third World Location-Allocation Applications”, Socio-Econ. Plann. Sci., 30(2), p. 121-137.

PEETERS D., & THOMAS I. (1997) “Distance-lp et localisations optimales. Simulations sur un semis aléatoire de points”. Cahiers Scientifiques du Transport, 31, 55-70

PEETERS D., & THOMAS I. (2000) Choosing a Measure of Distance for Applied Location-Allocation Models: Simulations based on the lp-distance and the k-median Model. Geographical Systems, 2:167-184.

PEETERS D. & THOMAS I. (2001). “ Localisation des services publics : de la théorie aux applications ” p. 105 – 127 in SANDERS L. Modèles en analyse spatiale, Hermes science publications, Paris, 329 p.

PEETERS D., THISSE J.-F., & THOMAS I. (1998) Transportation Networks and the Location of Human Activities. Geographical Analysis, 30:4, 355-371

QUERRIAU X. (2003). “ Etude de la stabilité d’une configuration optimale des unités de soins dans la province de Kibungo (Rwanda) ” Louvain-la-Neuve, Mémoire inédit de licence UCL en science géographique, 97p

RAWLS J. (1971). “ A Theory of Justice ”, Cambridge University Press, Cambridge (MA).

RUSHTON G. (1984). “Use of Location-Allocation Models for Improving the Geographical Accessibility of Rural Services in Developing Countries”. Int. Reg. Sci. Rev., 9(3), p. 217-240.

SIMON D. (1996). Transport and development in the third world. Londres :  Routledge, p 59-92.

STOCK R. (1983). “Distance and the utilization of health facilities in rural Nigeria”. Soc. Sci. Med., 17(9), p. 563-570.

TANSER F., HOSEGOOD V., BENZLER J., & SOLARSH G. (2001). “New approaches to spatially analyse primary health care usage patterns in rural South Africa”. Tropical Medicine and International Health, 6(10), p. 826-838.

THISSE, J.-F. (1994).  L’équité spatiale, in Auray J.-P.,A. Bailly, Derycke P.-H., & Huriot J.M. (eds) Encyclopédie d’Economie Spatiale.  Paris, Economica, Bibliothèque de Science Régionale, pp. 225-231.

THOMAS I. (1993). “Sensibilité du découpage spatial optimal des services d’urgence à la définition de la demande : quelques réflexions sur un exemple mésogéographique”. L’espace Géographique, 4, p. 318-322.

THOMAS I. (2002). “Transportation network and the optimal location of human activities : A numerical geography approach”. Cheltenham, Edward Elgar Publishing ltd, 293 p.

Haut de page

Table des illustrations

URL http://cybergeo.revues.org/docannexe/image/3316/img-1.png
Fichier image/png, 19k
URL http://cybergeo.revues.org/docannexe/image/3316/img-2.png
Fichier image/png, 1,2k
URL http://cybergeo.revues.org/docannexe/image/3316/img-3.png
Fichier image/png, 786 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-4.png
Fichier image/png, 686 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-5.png
Fichier image/png, 543 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-6.png
Fichier image/png, 727 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-7.png
Fichier image/png, 588 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-8.png
Fichier image/png, 370 octets
URL http://cybergeo.revues.org/docannexe/image/3316/img-9.png
Fichier image/png, 35k
URL http://cybergeo.revues.org/docannexe/image/3316/img-10.png
Fichier image/png, 29k
Titre Figure 3 : Secteurs urbains (villes) et périurbains (secteurs directement  contigus aux secteurs dits urbains) de la province de Kibungo
URL http://cybergeo.revues.org/docannexe/image/3316/img-11.png
Fichier image/png, 29k
Titre Figure 4 : Secteurs limitrophes à la Tanzanie et au Burundi
URL http://cybergeo.revues.org/docannexe/image/3316/img-12.png
Fichier image/png, 30k
URL http://cybergeo.revues.org/docannexe/image/3316/img-13.png
Fichier image/png, 22k
Titre Figure 6 : Répartition actuelle des unités de soins de santé,par secteurs, pour la province de Kibungo
URL http://cybergeo.revues.org/docannexe/image/3316/img-14.png
Fichier image/png, 22k
Titre Figure 7 : Configuration optimale des centres de santé et des hôpitaux
URL http://cybergeo.revues.org/docannexe/image/3316/img-15.png
Fichier image/png, 19k
URL http://cybergeo.revues.org/docannexe/image/3316/img-16.png
Fichier image/png, 1,9k
Titre Figure 9 : Evolution de la distance maximale en fonction de p pour toutes les diminutions de la demande
URL http://cybergeo.revues.org/docannexe/image/3316/img-17.png
Fichier image/png, 2,0k
Haut de page

Pour citer cet article

Référence électronique

Xavier Querriau, Mohamed Kissiyar, Dominique Peeters et Isabelle Thomas, « Localisation optimale d’unités de soins dans un pays en voie de développement : analyse de sensibilité », Cybergeo : European Journal of Geography [En ligne], Systèmes, Modélisation, Géostatistiques, document 281, mis en ligne le 24 août 2004, consulté le 16 août 2017. URL : http://cybergeo.revues.org/3316 ; DOI : 10.4000/cybergeo.3316

Haut de page

Auteurs

Xavier Querriau

Département de Géographie, U.C.L, Louvain-la-Neuve, Belgique

Mohamed Kissiyar

Iltis, Gent, Belgique.

Dominique Peeters

Département de Géographie, U.C.L, Louvain-la-Neuve, Belgique. C.O.R.E, U.C.L., Louvain-la-Neuve, Belgique.

Articles du même auteur

Isabelle Thomas

Département de Géographie, U.C.L, Louvain-la-Neuve, Belgique. C.O.R.E, U.C.L., Louvain-la-Neuve, Belgique. F.N.R.S., Bruxelles, Belgique
isabelle@geog.ucl.ac.be

Articles du même auteur

Haut de page

Droits d’auteur

© CNRS-UMR Géographie-cités 8504

Haut de page