Skip to navigation – Site map

HomeSectionsSpace, Society,Territory2004Polycentrisme urbain : une réalit...

2004
268

Polycentrisme urbain : une réalité spatialement mesurable ?

Urban polycentrism : a measurable spatial reality ?
Marc Servais, Isabelle Thomas, Haike Van Dyck and Ann Verhetsel

Abstracts

It has already widely been shown that the extension of the urban space takes a polycentric shape: suburban employment sub-centres emerge. The objective in this study is to measure employment concentrations inside and around urban agglomerations and to determine operational tools (methods and data) that lead to the highlighting of these sub-centers. Advantages and limits of the methods are discussed. Our cases studies are Antwerp and Brussels. The results obtained by several methodologies are compared (shift and share analysis, cluster analysis, kernel interpolation and local autocorrelation) for three different types of employment data (social security, population census and regional development statistics) and at three different scales of analysis (individual postal address, neighbourhood and commune). The main difficulties encountered are: (1) the spatial and temporal heterogeneity of the data, and (2) the non-uniqueness of the methodology for discriminating sub-centers. Our conclusion is that there is an emerging polycentric structure in Brussels and Antwerp, but sub-centers are still difficult to put forward. The combination of several different methods and databases is necessary to get insight in the polycentric structure.

Top of page

Full text

Les auteurs remercient la Politique Scientifique Fédérale qui, dans son programme “La Belgique : une société mondialisée”, a financé ce projet “ Activités économiques et ville européenne : les banlieues ont-elles besoin des centres ? » (contrat n° S3/10/002) ainsi que les lecteurs anonymes pour leurs commentaires constructifs.

Introduction

1Il est, à l’heure actuelle, particulièrement intéressant d’étudier les structures spatiales urbaines car on assiste à des changements importants dans les schémas de croissance des villes. Depuis au moins deux siècles, les villes se sont étendues, tant en ce qui concerne les fonctions résidentielles que les fonctions économiques. Cependant, la littérature scientifique récente tend à montrer que ce processus d’extension spatiale urbaine prend souvent des formes polycentriques, avec l’apparition de centres secondaires d’emploi (voir à titre d’exemple Anas & al. 1998, Garreau 1991, McDonald 1987, McMillen 2001, Mignot 1999 ou Vandermotten 2003). Ces centres restent pour la plupart subsidiaires de l’ancien centre économique (le CBD) et sont par conséquent appelés « sous-centres ». Quelques sous-centres sont d’anciennes villes graduellement incorporées dans un tissu urbain cohérent en expansion, d’autres sont de nouvelles villes développées à des nœuds du réseau de transport, souvent tellement loin du centre urbain qu’elles portent alors le nom de villes-satellites. Il semble aussi que les centres d’emplois à l’intérieur d’une région urbaine donnée forment un système interdépendant avec une distribution de taille et un schéma de spécialisation analogues aux systèmes de villes dans les grandes économies régionales ou nationales (voir par exemple les nombreuses règles avancées par les géographes dans les années 60 et 70). La dispersion galopante des activités économiques a donc continué en dehors des centres et l’extension spatiale est loin d’être homogène. Le fait que de telles irrégularités soient vraiment nouvelles, voire même en croissance, n’est pas très clair dans la littérature. Suite à ces changements, plusieurs questions intéressantes surgissent : le centre-ville et la périphérie sont-ils encore économiquement dépendants ? Le déclin du centre-ville et la croissance suburbaine se compensent-ils ou bien y a-t-il des externalités associées aux villes qui mènent à des rendements croissants de la croissance urbaine au niveau métropolitain ? C’est dans ce contexte général que s’inscrit cet article.

2Si ces questions préoccupent tant les géographes que les économistes, la mesure de ces réalités spatiales constitue un problème en lui-même et ce pour deux raisons : la difficulté de définir le centre secondaire d’emploi et l’hétérogénéité des données. Il existe en effet des définitions différentes dont beaucoup sont vagues et non quantifiables. Citons l’exemple de McMillen (2001) qui définit le centre secondaire d’emplois comme « une augmentation de la densité d’emploi significative ayant une influence sur la structure urbaine », ce qui peut se traduire en termes quantitatifs par 10.000 à plus de 25.000 emplois, associés à une densité de plus de 2.500 à plus de 5.000 emplois par km² (voir aussi Giuliano & Small, 1991 ; McMillen et McDonald, 1998). Cette définition est sujette à caution et est d’autant plus difficilement mesurable que l’environnement macroéconomique subit des changements profonds. Ceux-ci engendrent de nombreux mouvements d’entreprises, aussi bien internes qu’externes à la métropole. La seconde difficulté est de faire face à l’hétérogénéité spatiale et temporelle des données mises à la disposition des chercheurs. Comme dans bien des analyses géographiques, il y a non-constance dans le temps voir dans l’espace des définitions des unités spatiales d’agrégation et/ou des secteurs d’activité rendant les analyses d’autant plus difficiles.

3Afin d’illustrer ces problèmes mais aussi afin de définir une méthode standard d’analyse, nous avons choisi de conduire une analyse spatiale exploratoire sur trois types de données d’emploi et par le biais de plusieurs méthodes d’analyse. La suite de cet article est organisée comme suit. Les données sont présentées dans la Section 2 et la zone d’étude dans la Section 3. La Section 4 résume les méthodologies utilisées. La description et la discussion des résultats les plus significatifs sont repris en Section 5, et les conclusions opérationnelles sont proposées en Section 6.

Les données

4Le problème est de disposer de données relatives aux localisations d’emplois pour deux périodes différentes. Comme dans bien d’autres pays, les sources disponibles en Belgique sont diverses.

Les statistiques décentralisées de l’Office National de Sécurité Sociale (O.N.S.S.)

5Ces statistiques reprennent tous les employés du pays assujettis à la sécurité sociale. Ceux-ci sont classés par secteur d’activité et localisés au lieu d’établissement de leur entreprise. Leur mise à jour annuelle ainsi que la disponibilité rapide permet de disposer toujours de données récentes et une série temporelle relativement complète. Cependant, la précision spatiale à laquelle ces données sont distribuées réduit la possibilité d’analyse de phénomènes peu étendus : si ces données sont récoltées par adresses postales, la commune demeure la plus petite unité pour laquelle les données sont officiellement mises à la disposition du chercheur. Notons également que l’évolution du tissu économique au cours des 20 dernières années a conduit au changement de la définition NACE des secteurs d’activité (passage du NACE73 au NACEBEL, définie par l’I.NS. mais comparable à la nomenclature EU et UN). Ce changement fut appliqué à partir de l’année 1992 rendant donc impossible la comparaison des séries temporelles d’avant et d’après 1992. Enfin, rappelons que l’O.N.S.S. ne reprend que les travailleurs assujettis à la sécurité sociale, et ignore donc les indépendants qui représentent près de 20% des travailleurs en Belgique.

Le Recensement de la population (I.N.S.)

6Les statistiques du recensement sont récoltées tous les dix ans sur l’ensemble de la population du pays. Ces données sont très complètes, très riches et spatialement très précises puisqu’elles sont distribuées jusqu’au niveau des secteurs statistiques (quartiers). Chaque travailleur actif, qu’il soit employé ou indépendant, dans le secteur privé ou public, y est recensé en fonction de son lieu de travail et de son secteur d’activité. Ces données permettent donc, par l’utilisation de techniques d’analyse appropriées, l’analyse de phénomènes spatiaux plus complexes jusqu’à l’échelle du secteur statistique. En effet, par respect de la vie privée ces données ne sont jamais disponibles à l’échelle individuelle. Rappelons aussi que leur mise à jour est très espacée et lente. Ainsi, les dernières données disponibles au moment de cette analyse sont celles du recensement de 1991 (les données relatives à 2001 devraient être disponibles fin 2004). Ajoutons enfin qu’en Belgique, tout comme dans bien d’autres pays européens, la suppression du recensement est largement envisagée.

Statistiques de la société de développement régional

7Les statistiques des entreprises par adresses postales (G.O.M. = Gewestelijke Ontwikkelings-maatschappij) sont les données spatialement les plus précises (adresses postales) et permettent donc les analyses spatiales fines. Elles reprennent toutes les entreprises de plus de 5 employés, leur secteur d’activité et un intervalle d’estimation du nombre d’employés. Etant récoltées localement, ces statistiques sont limitées dans l’espace et, dans notre cas, elles ne sont disponibles que pour la Région flamande. Seule la ville d’Antwerpen fera donc l’objet d’une analyse spatiale détaillée car la périphérie sud de Bruxelles dépend aussi de la Région wallonne. Chaque adresse d’entreprise a fait l’objet d’un géocodage par nos soins.

8Malheureusement, il n’existe – à notre connaissance – aucune base de données qui pourrait permettre à l’échelle d’une agglomération urbaine telle que Antwerpen ou Bruxelles, d’analyser la délocalisation des activités, de vérifier le lien entre le centre urbain et la périphérie. On ne sait donc pas si une fermeture au centre-ville est due à une relocalisation en périphérie.

Corine Land Cover

9Comme géographes, nous avons également essayé de compléter l’étude par l’analyse spatiale de l’occupation du sol et du lien entre occupation du sol et densité d’emplois. Nous voulons ainsi lier les modèles de structure urbaine basés sur les données d’emploi (McDonald 1987, McMillen 2001) à ceux basés sur l’occupation du sol (Alonso 1964, Hadden et Masotti 1973). Nous avons plus particulièrement souhaité vérifier l’hypothèse que le nombre d’emplois n’est pas synonyme d’emprise au sol d’une activité. Seules les données Corine Land Cover sont utilisables à cet effet : données standardisées au niveau européen et classées selon une légende adaptée à l’ensemble de l’Europe. 44 thèmes sont organisés en trois niveaux hiérarchiques. Cette image est d’une précision de 250 mètres. Pour la Belgique, l’occupation du sol est interprétée à partir d’images satellitaires (Landsat TM) récoltées en 1991et à l’aide d’autres données plus précises telles que d’autres images satellitaires (SPOT), des photographies aériennes et diverses cartes topographiques et thématiques (voir http://www.ngi.be/​FR/​FR1-5-4.shtm). Malheureusement, ces données sont essentiellement destinées aux analyses paysagères de couverture du sol et comprennent énormément d’informations sur les couvertures naturelles et très peu sur l’humain. Extraire l’information sur les terrains industriels relève de la gageure.

La zone d’étude

10Les deux agglomérations urbaines les plus grandes de Belgique sont analysées dans cet article : Bruxelles (un million d’habitants) et Antwerpen (un demi-million d’habitants). Ce sont deux villes dont l’importance et l’aire d’influence sont suffisamment grandes dans le contexte européen pour y voir l’émergence de centres secondaires d’emploi (voir Tableau 1 en annexe). De plus, l’évolution différente de leurs structures d’emplois (fortement secondaire pour Antwerpen et extrêmement tertiarisée pour Bruxelles) rend la comparaison plus riche pour l’analyse du polycentrisme. Nous ne discuterons pas ici la définition des agglomérations morphologiques et fonctionnelles; nous nous basons sur les aires d’influence des deux villes (voir Van der Haegen H. et al. 1996) que nous resituons dans un contexte spatial beaucoup plus vaste : la province. Notre zone d’étude reprend donc toutes les communes de la province d’Antwerpen, du Brabant flamand, du Brabant wallon et de la région de Bruxelles-Capitale. A la province d’Antwerpen, nous avons adjoint le Waasland qui, de part sa proximité et ses fonctions, se retrouve indiscutablement dans l’aire d’influence d’Antwerpen (voir Figure 1). Pour la province d’Antwerpen les données sont disponibles à l’échelle individuelle (GOM), du secteur statistique (Recensement) et de la commune (Recensement et O.N.S.S.). Dans les autres provinces les données individuelles ne sont pas disponibles.

11Dans la suite de cet article, les analyses sont réalisées pour chaque type de données (Sécurité sociale, Recensement et GOM), pour trois niveaux d’agrégation spatiale (commune, secteur statistique et adresse postale) et éventuellement pour deux périodes de temps (1981-1992, 1992-2001). Plusieurs techniques d’analyse sont testées et leurs avantages/inconvénients analysés à la lumière des changements d’échelle.

Figure 1 : Zone d’étude : communes retenues

Les méthodes

12Cette étude est purement exploratoire : elle essaie plusieurs méthodes traditionnelles d’analyse des données géographiques afin de mesurer l’émergence de centres secondaires d’emplois autour de deux agglomérations urbaines sur base des données officiellement disponibles en Belgique. Nous avons ainsi commencé par des méthodes traditionnelles d’analyse spatiale : les cartes symboles pour les nombres absolus d’emplois et les cartes choroplèthes pour les nombres relatifs, les indices de spécialisation et de concentration. Ces indices sont traditionnellement basés sur l’emploi, la densité d’emploi et le rapport entre emploi et population active ; leur construction est inspirée de la littérature existante (voir par exemple Beguin, 1979 ; Decrop, 2002 ; Holmes & Stevens, 2000 ; Legallo 2003 ; MacMillen, 2001 ou Mérenne-Schoumaker, 2002). Leur cartographie permet d’appréhender de manière globale la situation de l’emploi dans notre zone d’étude. Conformément à l’attente, plusieurs indices sont redondants, d’autres sont complémentaires. Chacun est fortement lié au découpage statistique sur lequel il se base et est donc biaisé par les effets de forme et taille des unités spatiales. Ces nombreuses cartographies univariées ne sont pas reprises dans cet article. Nous renvoyons le lecteur intéressé au rapport final de contrat (Thomas et Verhetsel et al., 2004). Nous en présentons simplement une synthèse à l’aide d’une analyse en composantes principales suivie d’une analyse de groupement (voir Section 5 ci-dessous). Cette synthèse rend compte de la structure sans discuter de la redondance de certains indices.

13Ensuite, afin de profiter de notre série temporelle pour les données de la sécurité sociale par communes, nous avons utilisé un autre méthode faisant partie de la boîte à outil du géographe : l’analyse de « Shift and Share » (Fisher, 1973; De Brabander, 1992; Mérenne-Schoumaker, 2002). Pour rappel, « cette méthode tente au départ de statistiques d’emplois par branche établies à deux dates différentes de dégager la croissance relative de chaque région par rapport à la croissance nationale et de déterminer, en outre, dans cette croissance la part due à l’existence d’une structure originelle favorable et celle due aux avantages de localisation existant dans la région » (Mérenne-Schoumaker, 2002, p. 28). Cette méthode permet de décortiquer l’évolution d’une variable en trois composantes :

14(1) la part régionale (PR) qui représente la variation d’emplois qui devrait être enregistrée dans une région i si au cours de la période T0-T1 l’emploi régional avait eu un taux de croissance identique à celui de l’emploi national

15(2) la composante structurelle (CS) qui décrit l’influence d’une « bonne » structure au temps T0 en un lieu, c’est-à-dire la présence en T0 d’une plus forte proportion d’emplois dans les secteurs dynamiques.

16Où :

17Xri = emploi local dans un secteur d’activité i au temps T0

18Yi = emploi régional dans un secteur d’activité i au temps T1

19Xi = Emploi régional dans un secteur d’activité i au temps T0

20(3) la composante de localisation (CL) qui compare le comportement des secteurs d’activité en un lieu et durant la période T0-T1 avec celui de ces secteurs au niveau régional. Elle est calculée comme suit :

21Où :

22Yri = emploi local dans un secteur d’activité i au temps T1

23Cette méthode permet d’analyser la variation dans le temps et dans l’espace et de caractériser chaque lieu (commune) par son type d’évolution.

24Enfin, les données désagrégées à l’échelle infracommunale (Recensement, G.O.M.), permettent l’utilisation de méthodes spatiales plus adaptées à la définition de « hot-spots » . Nous avons choisi ici l’utiliser l’indicateur d’autocorrélation spatiale local de Moran et l’interpolation par noyaux., que nous avons ensuite cartographiés. L’autocorrélation spatiale mesure l’intensité de la relation entre la proximité des lieux et leur degré de ressemblance (voir Anselin, 1995 ou Bailey et Gatrell, 1995). Si la présence d’un attribut dans un lieu rend sa présence dans les lieux voisins plus – ou moins – probable, on dira que l’attribut manifeste une autocorrélation spatiale. L’indice global donne une idée de l’organisation générale des valeurs de l’attribut sur la zone étudiée, l’indice local permet d’attribuer à chaque lieu i une valeur d’autocorrélation. L’autocorrélation est positive si les lieux proches ont tendance à se ressembler davantage que les lieux éloignés, elle est négative si les lieux proches ont tendance à être plus différents que les lieux plus éloignés. L’autocorrélation est nulle quand aucune relation n’existe entre la proximité des lieux et leur degré de ressemblance. Le coefficient I de Moran est utilisé ici. Pour rappel, il se construit comme un rapport entre la covariation des valeurs de Z dans les unités spatiales contiguës et la variance de Z :

25Où :

26N = nombre d’observations

27Wij = pondération fonction de la distance entre les points i et j

28Zi ou j = valeur de la variable Z en i ou j

29= moyenne de la variable Z

30= variance de la variable

31La méthode d’interpolation par noyaux calcule la densité d’une variable en s’affranchissant des frontières induites par le découpage des zones de collecte des données (voir par exemple Silverman, 1986 ou Bailey & Gatrell, 1995). Elle se calcule en faisant passer une gaussienne proportionnelle à l’intensité de la variable par chaque point de mesure. En chaque point, la densité calculée est la somme des valeurs de toutes les courbes en ce point. Elle se définit par :

32Où :

33dij = distance entre le point de calcul et un autre point de référence de la région

34h = déviation standard de la distribution normale

35Wi = poids au point de calcul

36Ii = intensité de la variable au point de calcul

37Les résultats les plus significatifs sont présentés dans la suite de cet article. Ils sont présentés par type de données en commençant par les données communales, pour terminer par les données individuelles, par adresse postale (localisations les plus précises).

Résultats

Analyse à l’échelle communale

38Pour cette échelle d’analyse, nous avons calculé et cartographié de nombreux indices de localisation et de concentration mais aussi des statistiques de base telles que l’évolution absolue et relative de l’emploi mais aussi sa densité. Dès les premiers résultats, il est apparu que l’échelle communale est trop large pour l’étude des centres secondaires d’emplois et ne permet que d’orienter les recherches aux échelles plus fines. Reprenons ici quelques résultats principalement orientés relatifs à l’analyse de l’évolution puisque la base de données ONSS permet une analyse spatio-temporelle à l’échelle nationale.

39À côté du calcul des indices traditionnels, nous avons conduit une analyse Shift and Share pour laquelle les composantes de structure et de localisation ont été cartographiées (Figure 2). Celles-ci soulignent la différence entre les centres urbains et leurs périphéries. Les premiers ont, en effet, une composante de localisation très faible, traduisant les coûts importants liés à l’implantation à cet endroit et une composante de structure très forte, traduisant une proportion d’emplois très importante dans les secteurs dynamiques. C’est l’opposé qui est observé pour la périphérie : une localisation attractive mais une composition d’emplois dominée par des secteurs en déclin. La composante de localisation (Figure 2, symboles rouges, carte de gauche) caractérise des petits centres dans les 2 provinces étudiées. Notons particulièrement que le dynamisme de certaines communes périurbaines sud de Bruxelles pourraient correspondre à l’émergence des centres secondaires d’emploi (edge-cities). Mais l’échelle communale et l’analyse shift-and-share ne suffisent pas à les définir.

Figure 2 : Evolution entre 1992 et 2001 de l’emploi total, par commune
Résultats de l’ "analyse shift and share"

Source : Données O.N.S.S 1992 et 2001

40Poursuivons donc en essayant de synthétiser l’information disponible dans les différents indices calculés (voir Section 4) et d’en retirer des groupes de communes ayant des évolutions similaires. Cette synthèse à été menée par l’application d’une analyse en composantes principales avec rotation Varimax, suivie d’une analyse de groupement selon le critère de Ward. Les variables utilisées reflètent l’ensemble de l’information mise à notre disposition en matière d’emploi et d’évolution de l’emploi (intensité, évolution, structure et spécialisation), soit 8 variables qui ont été standardisées afin d’éviter une influence due aux différences d’échelle (voir liste reprise au Tableau 2, en annexe). Quatre facteurs représentent plus de 80 % de l’information (Tableau 3, en annexe) ; leurs scores sont ensuite utilisés dans plusieurs analyses de groupement ; les résultats sont peu sensibles aux choix méthodologiques. La Figure 3 et le Tableau 4 (annexe) représentent les 6 groupes de communes issus de la classification. Parmi ceux-ci, 3 méritent un commentaire particulier : le groupe 3 associe les deux centres urbains c’est à dire des communes en léger déclin en termes d’emplois. Le groupe 6 (rouge foncé) reprend les communes les plus dynamiques en terme d’emplois (Leuven et autour de l’aéroport de Bruxelles-national (Zaventem)). Enfin, le groupe 2 associe les communes périphériques émergentes, c’est-à-dire centres secondaires d’emplois potentiels (edge-cities).

Figure 3 : Classification des communes en fonction de l’emploi et de son évolution
Classification hiérarchique selon le critère de Ward sur base de scores factoriels résumant l’information relative à 8 variables initiales

Source : Données O.N.S.S 1981, 1992 et 2001

41Ces données communales, mises à jour régulièrement, facilement accessibles et peu coûteuses permettent donc d’obtenir un premier aperçu de la structure et de l’évolution de l’emploi de la région, de la dynamique urbaine. Elles montrent que les quelques communes les plus actives reprennent la majorité des mouvements d’emploi et que les communes qui suivent (potentiels centres secondaires) ont une augmentation marginale par comparaison. Cependant cette analyse au niveau communal manque de précision spatiale pour l’objectif que nous nous sommes fixé (voir par exemple la taille de la commune d’Antwerpen par rapport à la taille de l’agglomération).

Analyse à l’échelle des secteurs statistiques

42Deux techniques d’analyse sont présentées dans cette partie consacrée aux données par secteurs statistiques : l’interpolation par noyaux de densité et l’autocorrélation spatiale locale. Elles sont appliquées à l’emploi total et à l’emploi secondaire et tertiaire pris séparément.

43Lors de l’étude des cartes de noyaux de densité, nous avons testé la méthodologie en faisant varier la zone d’influence (déviation standard) de chaque gaussienne afin de s’assurer de la stabilité des résultats. La Figure 4 présente les résultats obtenus pour une déviation standard de 2.500 mètres : conformément à l’attente, l’emploi total est principalement concentré dans les deux grandes agglomérations de notre zone d’étude. Des petits centres secondaires d’emplois se retrouvent en périphérie. La même méthodologie a été appliquée respectivement à l’emploi du secteur secondaire (Figure 10, en annexe) et tertiaire (Figure 11, en annexe). Les cartographies des résultats indiquent clairement que la décentralisation et l’émergence des centres d’emplois périurbains affectent principalement l’emploi secondaire ; l’emploi tertiaire reste central et/ou proportionnel à la population. Outre l’effet centre-périphérie, on voit aussi apparaître des axes de développement : axe du SO-NE au sud-ouest et au nord-est de Bruxelles correspondant au canal ; axe de Sint-Niklaas à Mechelen qui correspond à la RN16 et une région en déclin (Région du Rupel) qui a bénéficié au cours des années 1970-90 de très nombreux subsides ; axe de Antwerpen vers Lier et Geel correspondant à l’E313 vers Liège et Aachen et au canal Albert ; axe vers Turnhout (E34 en direction d’Eindhoven) ; les deux axes routiers entre Bruxelles et Antwerpen. On retrouve ici les grands principes de géographie économique : l’industrie (Figure 10, en annexe) est localisée là où il y a de l’espace et là où cet espace est accessible pour le transport de marchandises, c’est à dire en périphérie urbaine et le long des axes tels les canaux et les autoroutes. Les activités tertiaires (Figure 11, en annexe) privilégient essentiellement les centres urbains, proches de la population et du marché, et accessibles en termes de transport de personnes. Ceci rejoint les principes de localisation des services et des commerces (Mérenne-Schoumaker, 2003).

Figure 4 : Densité d’emploi (total) par interpolation (méthode des noyaux)

Source de données : Recensement, INS 1991

44On voit que les analyses par communes et par secteurs statistiques sont complémentaires. Les données de la sécurité sociale apportent des informations récentes sur l’évolution de l’emploi tandis que les données du recensement permettent, par leur précision, de mieux délimiter les structures spatiales (voir l’exemple d’Antwerpen).

45Le calcul de l’autocorrélation spatiale locale permet de compléter l’analyse de la structure spatiale de l’emploi. Pour rappel, une autocorrélation fortement positive signifie un groupement de mesures similaires, une structure spatialement fortement concentrée. A l’inverse, une autocorrélation fortement négative signifie un lieu dissemblable à ses voisins. L’interprétation n’est pas aisée puisqu’elle doit prendre en compte, non seulement, l’ensemble des mesures d’autocorrélation spatiale mais également la valeur, en ces points, de la variable étudiée. Dans notre zone d’étude, la cartographie de l’indice local d’autocorrélation spatiale divise les secteurs statistiques en groupes géographiques distincts. Le premier (en rouge sur la Figure 5) caractérise les centres urbains structurellement très forts puisque l’autocorrélation très élevée associée à une densité d’emploi également élevée y reflète une structure similaire de centre d’emploi. On y retrouve aussi les grands axes de développement des centres urbains. Cette zone est communément appelée CBD (Central Business District). En rouge, on a donc des zones de forte concentration d’emploi total, où les facteurs de localisation sont fortement attractifs. Autour de ces centres urbains se trouve une zone d’autocorrélation très négative (en bleu, Figure 5) marquant l’opposition avec le centre mais également indice de la structure disparate de cette zone où entreprises et résidences sont fortement mélangées (périurbain). On voit aussi apparaître ici et là des petites zones bleues isolées dans la zone blanche : il s’agit pour la plupart de zones d’activités industrielles planifiées, de parcs d’activités planifiés. Enfin, la troisième région d’analyse (en blanc, Figure 5) reprend une grande zone de densité d’emploi faible et désorganisé spatialement (dispersion).

Figure 5 : Structure spatiale de l’emploi mesuré par l’indice local de Moran
Emploi total 1991 mesuré à l’échelle du secteur statistique

Source : Données du recensement (INS, 1991)

46Le cheminement que l’on utilise ici montre l’intérêt d’une analyse par des données variées avec des méthodes différentes, chacune observant le phénomène sous un angle légèrement différent. Ainsi, les données communales permettent d’approcher la situation récente et l’évolution, les données par secteurs statistiques donnent une idée fine et précise de l’intensité et de la structure spatiale du phénomène. Ces dernières rendent compte soit de l’intensité du phénomène via l’interpolation par noyaux, soit de sa structure via l’analyse de l’autocorrélation.

Analyse par adresses postales

47Ces données présentent l’avantage d’être récentes et très précises en terme spatial mais rappelons qu’elles sont disponibles uniquement pour la Région Flamande. Elles sont ici analysées à l’aide de la méthode des noyaux et ce pour la seule région d’Antwerpen. C’est, en effet, cette partie de notre zone d’étude qui souffre le plus d’un découpage communal critiquable. Conformément à l’attente, on remarque que l’emploi en 2001 est principalement concentré dans le centre ville (Figure 6). Deux concentrations secondaires sont également observées dans la zone portuaire (Nord-Est de la figure).

Figure 6 : Densité d’emploi dans la province d’Antwerpen
Interpolation par la méthode des noyaux

Source : Données G.O.M. 2001

48Pour aller plus en profondeur, deux secteurs économiques particuliers ont été mis en évidence. Le premier secteur est celui de l’industrie (Figure 7), que l’on associe souvent au port d’Antwerpen. On remarque que, si la plus haute densité d’emploi se trouve bien dans le port d’Antwerpen et principalement dans la région portuaire Zandvliet, c’est la forte dispersion de ce secteur économique qu’il faut relever. On retrouve, en effet, des densités importantes non seulement dans le port mais également dans la ville même et dans la banlieue sud de la ville. Cela confirme les observations faites avec les données du recensement d’une dispersion importante du secteur secondaire (Figure 10, en annexe). Remarquons que la concentration de l’extrême nord-ouest correspond à l’implantation de BASF qui, par une raison statistique et/ou administrative, n’apparaît pas dans les données du recensement présentées plus haut dans l’article.

49Par comparaison, on observe pour le secteur commercial (Figure 8) une centralisation beaucoup plus forte, notamment autour du Leien et du quartier de la gare. C’est à ces endroits que l’on trouve beaucoup de commerces de détail (Meir), mais aussi de commerces en gros et que le secteur diamantaire et les entreprises parentes sont implantées. Ici aussi les observations faites à l’échelle des secteurs statistiques d’une centralisation très forte du secteur tertiaire sont confortées (Figure 11, en annexe).

Figure 7 : Densité d’emploi dans l’industrie
Interpolation par la méthode des noyaux

Source : Données G.O.M. 2001

Figure 8 : Densité d’emploi dans le secteur des commerces par la méthode des noyaux

Source : Données G.O.M. 2001

50Ces données très détaillées représentent une nouvelle source d’information permettant de compléter notre série temporelle. Leur précision et leur découpage sectoriel permettent des traitements similaires à ceux appliqués avec les données du recensement ; c’est pourquoi leur disponibilité et leur mise à jour rapide les rendent temporellement complémentaires au recensement, pour l’étude des centres secondaires d’emploi. Ces données sont établies indépendamment au recensement et permettent donc aussi des contrôles mutuels ; c’est ainsi que l’on observe une forte différence entre les données par adresse postales et par secteurs statistiques au niveau des industries de la zone portuaire qui ne sont pas reprises dans les données du recensement.

51Ces analyses conduisent cependant à des conclusions similaires aux précédentes analyses faites sur d’autres données et à d’autres échelles.

Conclusion et discussion

52La mesure et la délimitation de centres secondaires d’emploi est un exercice largement contraint par l’échelle à laquelle les données sont disponibles et leur périodicité dans le temps. Il est d’autant plus difficile que la définition même du centre secondaire d’emplois n’est pas fixée théoriquement. Nous avons mené une approche exploratoire basée sur des données officielles et officiellement disponibles d’emploi. Celle-ci a largement modéré nos ardeurs en termes d’analyse structurelle de la ville. Il parait clair qu’aucune méthode peut répondre à elle seule aux questions posées. Il semble par contre que l’association des analyses par autocorrélation, par interpolation et d’une analyse d’évolution permettent de cerner les principales caractéristiques de la structure spatiale de l’emploi : son intensité, son étendue et sa direction d’évolution. Ainsi, dans notre zone d’étude et pour nos données, les deux CBD restent des centres principaux d’emplois et le développement « en banlieue » est comparativement de faible ampleur. Faut-il, par-là, penser que nos résultats corroborent ceux obtenus par exemple par McMillen (2003) sur les villes américaines (en dessous de 2,6 millions d’habitants, aucun centre n’émerge) ou, plus simplement, que dans le cas le la Belgique, le tissu urbain et la structure spatiale ne permettent pas de telles émergences (petit pays très densément bâti). Des bases de données encore plus détaillées (par firmes) sont en cours pour parfaire ces résultats.

53Dans le cas de la Belgique, les données du recensement, agrégées au niveau du secteur statistique, s’avèrent les plus adaptées à l’analyse du phénomène. Les secteurs statistiques, permettent de mettre en évidence les groupes de lieux et leur structure interne menant à l’identification de centres secondaires. Cependant, la mise à jour très lente de ces données nous oblige à utiliser d’autres sources afin de connaître l’évolution récente. Il est à espérer que la nouvelle Banque Carrefour pourra pallier à certaines de ces imperfections (données O.N.S.S. annuelles localisées à l’échelle du secteur statistique), mais oserions-nous rêver aussi d’un recensement des entreprises, afin de disposer d’une banque de données homogène et régulière permettant des analyses plus complètes et plus complexes de l’emploi ?

54Notons que dans cet article, toutes les analyses se basent sur des données officielles et facilement disponibles. L’utilisation des mêmes méthodologies avec les données à venir devrait donc être aisée et permettre de suivre l’évolution de la structure d’Antwerpen et de Bruxelles. Ce suivi est particulièrement important dans la mesure où deux tendances ont été observées : décentralisation du secteur secondaire comme définie par le modèle polycentrique observé aux Etats-Unis, et concentration accrue pour l’emploi du secteur tertiaire, avec des fortes différences entre les deux villes vu leurs fonctions différentes.

55Enfin, de fortes divergences sont observées dans la littérature quant aux interactions, aux liens qui existent ou non entre les centres secondaires et le centre urbain qu’ils entourent. Dans le cas d’Antwerpen et Bruxelles, nous avons démontré qu’il était difficile de prouver l’émergence des centres secondaires d’emplois, qu’ils restent peu nombreux et de faible importance et que leur émergence est principalement liée à la décentralisation du secteur secondaire urbain. Le lien avec le centre-urbain est difficilement démontrable avec les bases de données existantes. Une étude des interactions effectives, par tous les canaux possibles de communications (physiques et numériques), et des changements parallèles dans l’organisation des entreprises permettrait de mieux comprendre les changements observés et donc les liens envisagés. Le manque de données pour ces analyses nous contraint souvent à nous limiter au seul mouvement des personnes (voir Cabus, 2002). Des bases de données adéquates doivent pour cela être développées, telle qu’un recensement des entreprises.

56En résumé, étant données (1) la diversité et l’hétérogénéité des données d’emploi dans les différents pays et régions et la sensibilité des méthodes au degré d’agrégation de ces données, (2) les différences de structure, de masse et de densité des villes, (3) les mouvements d’emplois importants dans un contexte de changements économiques et (4) la difficulté de définir les centres secondaires, il n’existe pas de méthode universelle pour la mise en évidence de ces centres secondaires et il n’existe probablement pas de structure unique des aires métropolitaines. Il est donc juste d’utiliser plusieurs méthodes sur différentes données afin de minimiser la sensibilité des résultats aux méthodes et, s’il y a concordance, comme dans notre cas, de maximiser la significativité de ces résultats.

Top of page

Bibliography

Alonso W., 1964, Location and land use, Harvard University Press, Cambridge, MA.

Amos H. Hawley, Human Ecology. University of Chicago Press, 1986 : 1

Anselin L., 1995. Local indicators of spatial association-LISA. Geographical Analysis 27 (2), 93-115.

Anas A., Arnott R. & Small K., 1998, “Urban Spatial Structure”, Journal of Economic Literature, 36, 1426-1464.

Bailey, T. C. & Gatrell, A. C., 1995, Interactive spatial data analysis, Longman Scientific & Technical, J. Wiley, New York, NY.

Beguin, H., 1979, Méthodes d’analyse géographique quantitative, Paris, Librairies techniques.

Beine M. & Docquier F., Eds, , 2000, Croissance et convergence économiques des régions. Théorie, faits et déterminant, Bruxelles, De Boeck Université.

Bennett R., Graham D. & Bratton W., 1999, “The Location and Concentration of Business in Britain: Business Clusters”, Business Services, Market Coverage and Local Economic Development. Transactions Institute British Geographers, 24, 393-420.

Cabus, P. (2002). Ruimtelijke-economische dynamiek in Vlaanderen. Rapport de recherche financée par le Ministère Flamand “Economie, Buitenlandse Beleid, Buitenlandse Handel en Huisvesting”, Bruxelles, 294p.

Cabus P. & Hess M., 2000, « Regional politics and Economic patterns: glocalisation and the network enterprise. » Belgeo, n° 1, 2, 3, 4, 79-101.

Colard, A., Marissal, P., Vandermotten, C. & Van Hamme, G., 1997, Recensement général de la population et des logements au 1er mars 1991: emploi et structures socio-économiques régionales, Monographie No. 6, Institut National de Statistique, Bruxelles, Belgique, 190 p.

Craig, Steven G. & Pin T. Ng, 2001, “Using quantile smoothing splines to identify employment subcentres in a multicentric urban area”, Journal of Urban Economics, 49, 100-120.

De Brabander G., Vervoort L. & Witlox F., 1992, Metropolis. Over mensen, steden en centen, Leuven, Uitgeverij Kritak, 191 p.

De Brabander G. & Verbist G., 1992, Housing and employment in the Antwerp region, Antwerpen, UFSIA.

Decrop J., 2002, Agglomération et dynamique des activités dans les villes belges, sept. 2002, Bruxelles, Bureau Fédéral du plan, 106p.

Duranton G., 1997, “La nouvelle économie géographique : agglomération et dispersion”, Economie et Prévision. 131, 1-24.

Fisher A., 1973, “Recherches sur la croissance industrielle régionale, la Shift and Share Analysis: étude critique”, Analyse de l’Espace, 3, 18-30.

Frankhauser P., 1997, “L’approche fractale. Un nouvel outil de réflexion dans l’analyse spatiale des agglomérations urbaines”, Population, 4, 1005-1040.

Fujita M. & Thisse J.-F., 1996, “Economie géographique. Problèmes anciens et nouvelles perspectives”, Annales d’Economie et de Statistiques, 45, 37-88.

Fujita M., Krugman P. & Venables A., 1999, The Spatial Economy. Cities, Regions and International Trade, MIT Press.

Garreau, J., 1991, Edge cities: Life in the New Frontier , Doubleday, New York.

Giuliano, G. & K.A. Small, 1991, “Subcentres in the Los Angeles Region”, Regional Science and Urban Economics 21, 163-82.

Giuliano G. & Small K., 1993, “Is the Journey to Work Explained by Urban structure ?”, Urban Studies, 30:9, 1485-1500.

Glaeser E. & al. 1992. “Growth in Cities”, J. Polit. Econ. 100:6, 1126-1152.

Hadden J. & Masotti L. , 1973, “Urbanisation of the suburbs”, Sage, Beverly Hills, 431-455.

Hawley, Amos. 1950. Human Ecology: A Theory of Community Structure. New York : Ronald Press.

Henderson J. & Mitra A., 1996, “The New Urban Landscape: Developers and Edge Cities”, Regional Science and Urban Economics, 26, 613-643.

Holmes T. & Stevens J., 2000, “Geographic concentration and establishment scale”, The Review of Economics & Statistics, 84:4, 682-690.

Krugman P. 1991. Geography and Trade, Cambridge, MA: MIT Press.

Le Gallo et al , 2003, “Intra-urban spatial distributions of population and employment : the case of the agglomeration of Dijon”, Latec document de travail – economie, 2003-01.

McDonald, John F., 1987, “The identification of urban employment subcentres”, Journal of Urban Economics, vol 26, 361-385.

McMillen, Daniel P., 2001, “Polycentric Urban Structure : The case of Milwaukee, Central banking and the economics of information”, Economic Perspectives, issue Q II, 15-27.

McMillen, Daniel P., 2002, “Nonparametric employment subcentre identification”, Journal of Urban Economics, 50,. 448-473.

McMillen, Daniel P., 2003, “The number of subcentres in large urban areas”, Journal of Urban Economics, 53, 321-338.

Merenne-Schoumaker B., 2003, La localisation des services et des commerces. Rennes, Presses Universitaires de Rennes, 239 p.

Mérenne-Schoumaker B., 2002, La localisation des industries: enjeux et dynamiques, Rennes, Presse universitaire de Rennes, 243p.

Mignot D. (1999), « Métropolisation et nouvelles polarités. Le cas de l’agglomération lyonnaise. » Les Cahiers Scientifiques du Transport, 36, 87-112.

Ottaviano G. & Thisse J.-F., 2001, “On economic geography in Economic Theory: Increasing returns and pecuniary externalities”, Journal of Economic Geography, 1, 153-179.

Scott A., 1991, “Electronics Assembly Subcontracting in Southern California: Production Processes, Employment and Location”, Growth and Change, 22:1, 22-35.

Silverman, B. W., 1986, Density estimation for statistics and data analysis, Chapman and Hall, New York.

Thisse J.-F., 1999, “Agglomeration and Regional Imbalance: Why? And is it bad?”, Papers of the European Investment Bank, 5:2, 47-67.

Thisse J.-F., 2001, “On economic geography in Economic Theory: Increasing returns and pecuniary externalities”, Journal of Economic Geography, 1, 153-179.

Thomas I. et Verhetsel A. et al. (2004). Do cities need suburbs ? Projet SSTC dans le cadre des Villes viables, Rapport de contrat (en cours).

Vandermotten Ch., 2003, “Le polycentrisme dans une perspective historique”, dans: Allain R., Baudelle G. & Guy C., 2003, Le polycentrisme, un projet pour l’Europe, Presses Universitaires de Rennes, pp.17-28.

Van der Haegen H., Van Hecke E. & Juchtmans G., 1996, “Les régions urbaines belges en 1991”, Etudes Statistiques, 104.

Verhetsel, A., Witlox F. & Molenberghs K., 2002, “Using Financial statement data as economic indicators for urban goernance : the case of Antwerpen”, Belgeo (Belgian Journal of Geography), 3, 259-275.

Voith R., 1998, “Do suburbs need cities ?”, Journal of Regional Science, 38:3, 445-464.

Waddell P. & Vibhooti S., 1993, “Employment Dynamics, Spatial Restructuring and Business Cycle”, Geographical Analysis, 25, 35-52.

Top of page

Annex

Tableau 1 : Bruxelles et Antwerpen en 1991 : quelques chiffres

Source : Van der Heagen 1996

Tableau 2 : Coefficients de corrélation entre les variables utilisées dans l’analyse en composantes principales

Emploi total : (Tot Emp)
Evolution absolue de l’emploi total : (
Tot Emp Evolution)
Evolution relative de l’emploi total : (
Rel Emp Evolution)
Proportional Shift : (
Proportional Shift)
Differential Shift : (
Differential Shift)
Indice de Hoover de concentration de l’emploi en 2001 : (
Hoover 2001)
Proportion de l’emploi par la population : (
Emp/Pop)
Evolution de l’indice de concentration Hoover entre 1992 et 2001 : (
Hoover Evo)

Facteur 1

Facteur 2

Facteur 3

Facteur 4

Tot Emp

-0,920

0,087

-0,069

0,082

Tot Emp Evo

0,186

0,930

0,167

0,083

Rel Emp Evo

0,063

0,174

0,886

0,055

Proportional Shift

-0,807

0,025

0,031

0,073

Differential Shift

0,840

0,495

0,139

-0,043

Hoover 2001

0,112

0,013

0,141

-0,935

Emp / Pop

-0,585

0,715

-0,042

-0,201

Hoover Evo

0,015

-0,032

0,724

-0,398

Tableau 3 : Résultats de l’analyse en composantes principales suivie d’une rotation Varimax
Saturations

Groupe 1

Groupe 2

Groupe 3

Groupe 4

Groupe 5

Groupe 6

Facteur 1

0,15

-0,07

-8,37

0,19

-0,08

-1,07

Facteur 2

-0,35

0,87

-1,64

-0,19

-0,41

4,75

Facteur 3

0,03

0,02

-0,42

-0,39

4,04

0,14

Facteur 4

0,45

0,53

0,3

-1,07

-1,37

-0,29

Tableau 4 : Score moyen de chaque groupe sur chaque facteur

Tableau 4 : Score moyen de chaque groupe sur chaque facteur

Figure 10 : Densité d’emplois dans le secteur secondaire
Estimation par interpolation, méthode des noyaux

Source : Données du recensement (INS 1991)

Figure 11 : Densité d’emplois dans le secteur tertiaire
Estimation de par interpolation, méthode des noyaux

Source : Données du recensement (INS 1991)

Top of page

List of illustrations

URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-1.png
File image/png, 60k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-2.png
File image/png, 735 octets
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-3.png
File image/png, 685 octets
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-4.png
File image/png, 759 octets
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-5.png
File image/png, 834 octets
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-6.png
File image/png, 97k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-7.png
File image/png, 86k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-8.png
File image/png, 22k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-9.png
File image/png, 25k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-10.png
File image/png, 20k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-11.png
File image/png, 109k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-12.png
File image/png, 61k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-13.png
File image/png, 8.6k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-14.png
File image/png, 13k
Title Tableau 4 : Score moyen de chaque groupe sur chaque facteur
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-15.png
File image/png, 23k
URL http://journals.openedition.org/cybergeo/docannexe/image/3669/img-16.png
File image/png, 21k
Top of page

References

Electronic reference

Marc Servais, Isabelle Thomas, Haike Van Dyck and Ann Verhetsel, « Polycentrisme urbain : une réalité spatialement mesurable ? », Cybergeo: European Journal of Geography [Online], Space, Society,Territory, document 268, Online since 07 April 2004, connection on 28 March 2024. URL : http://journals.openedition.org/cybergeo/3669 ; DOI : https://doi.org/10.4000/cybergeo.3669

Top of page

About the authors

Marc Servais

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

Isabelle Thomas

Département de Géographie, U.C.L, Louvain-la-Neuve, Belgium
F.N.R.S., Bruxelles, Belgium
C.O.R.E, U.C.L., Louvain-la-Neuve, Belgium

By this author

Haike Van Dyck

Universiteit Antwerpen, Belgium

Ann Verhetsel

Universiteit Antwerpen, Belgium

By this author

Top of page

Copyright

CC-BY-4.0

The text only may be used under licence CC BY 4.0. All other elements (illustrations, imported files) are “All rights reserved”, unless otherwise stated.

Top of page
Search OpenEdition Search

You will be redirected to OpenEdition Search