Gravity Models For Commuting Flows in France

ÉCOLE NATIONALE DE LA STATISTIQUE ET DE L’ANALYSE
DE L’INFORMATION
Modélisation économétrique des flux

internes à la région Hauts-de-France et des
flux entre la région et les autres régions
métropolitaines
par
Olivier Pucher
Mémoire de stage pour l’obtention du

Master de Statistique Publique
réalisé au
Service Études et Diffusion
Insee, Direction Régionale des Hauts de France
Tuteur
Sébastien Terra
14 septembre 2017
“I can calculate the motion of heavenly bodies but not the madness of people.”
“Je sais calculer le mouvement des corps célestes, mais pas la folie des foules.”
- Sir Isaac Newton

ÉCOLE NATIONALE DE LA STATISTIQUE ET DE L’ANALYSE DE
L’INFORMATION
Abstract
Service Études et Diffusion
Insee, Direction Régionale des Hauts de France
Master de Statistique Publique
by Olivier Pucher
Gravity models are models of spatial interaction. Similar to Newton’s law of universal
gravitation, they aim to explain the interactions between two territories with their res-
pective masses and the distance separarating them. The main parameters of the model
are the elascticties of masses and distance, but it can also include other explanatory
variables.
Using working force and working positions as masses for the place of residence and
the place of work, gravity models are helpful in describing flows of commuters. The
best estimation strategy for that purpose appears to be the Pseudo-Poisson Maximum of
Likelihood estimator, which provides a convergent, unbiased estimator of the parameters.
Gravity models applied to the flows of commuters in metropolitan France stress out the
effects of distance decay and region borders, and the relative co-integration or separation
of pairs of urban areas.
Focusing on the Urban Community of Lille from 1990 to 2013, we aim to describe the
evolution of commuters flows, the effects of the development of metropolitan public
transports and the behaviour of different categories of commuters.
Remerciements
Merci à mon tuteur de stage Sébastien Terra, pour son soutien, ses encouragements et
ses réponses à mes questions tout au long de ce travail.
Tous les agents de la direction régionale des Hauts-de-France, et en particulier ceux du

Service Études et Diffusion, m’ont offert un accueil chaleureux pour ce premier poste
d’attaché de l’Insee et d’excellentes conditions de travail.
Merci à ceux qui ont nourri de leurs échanges ce travail : M. Nicolas Lepage-Saucier,
enseignant-chercheur en économie à l’Ensai ; M. Wouter Torfs, chercheur à l’université
de Louvain ; le pôle recensement de la population de l’Insee, et en particulier M. François
Dubujet et Mme Mireille Bel.
Grand merci à M. Khaled Larbi, chargé d’investissements au PSAR de Lille, pour sa

relecture attentive de ce mémoire, ses conseils de programmation et ses suggestions.
Je tiens enfin à remercier les utilisateurs anonymes des forums en ligne Stack Exchange,
Cross Validated et Stack Overflow, prompts à apporter des solutions à tout problème
mathématique, statistique ou de programmation qui leur est soumis.
iii
Table des matières
Abstract ii
Remerciements iii
Table des Graphiques viii
Liste des Tableaux ix
Abréviations x
1 Introduction 1
2 Environnement professionnel 2
2.1 La Direction régionale des Hauts-de-France . . . . . . . . . . . . . . . . . 2
2.2 Le Service Études et Diffusion . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2.1 Missions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2.2 Partenaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.3 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.4 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Tâches réalisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3.1 Bilan de la filière ferroviaire dans les Hauts-de-France . . . . . . . 4
2.3.2 Cohésion sociale dans les Hauts-de-France . . . . . . . . . . . . . . 4
2.3.3 Étude sur l’impact du Louvre Lens . . . . . . . . . . . . . . . . . . 5
2.3.4 Étude sur la mobilité dans la Métropole Européenne de Lille . . . 5
3 Les modèles gravitaires 6

3.1 Histoire des modèles gravitaires . . . . . . . . . . . . . . . . . . . . . . . . 6
3.1.1 Généralisation du modèle de Newton . . . . . . . . . . . . . . . . . 6
3.1.2 Influence des unités tierces . . . . . . . . . . . . . . . . . . . . . . . 8
3.1.3 Modèle stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.4 Log-modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.5 Variables explicatives . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Adaptation des modèles gravitaires à l’étude des migrations . . . . . . . . 11
3.2.1 Niveau agrégé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
iv
Contents v
3.2.2 Fondements microéconomiques . . . . . . . . . . . . . . . . . . . . 11
4 Stratégie d’estimation 15
4.1 Moindres Carrés Ordinaires . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.1 Modèle de Reilly . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.2 Critique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.3 Facteurs MR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Pseudo-Maximum de Vraisemblance de Poisson . . . . . . . . . . . . . . . 17
4.2.1 Stratégie d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.2 Critique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.2.1 Fondement théorique . . . . . . . . . . . . . . . . . . . . 19
4.2.2.2 Avantages pratiques . . . . . . . . . . . . . . . . . . . . . 19
4.3 Package gravity de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 Modélisation des migrations alternantes entre les aires urbaines de

France métropolitaine 21
5.1 Sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.1.1 Extraction du recensement . . . . . . . . . . . . . . . . . . . . . . 21
5.1.2 Anomalies dans le codage lieu de travail ? . . . . . . . . . . . . . . 22
5.1.3 Distancier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 Migrations alternantes entre les aires urbaines . . . . . . . . . . . . . . . . 23
5.3 Données utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.4 Modélisation des frontières régionales . . . . . . . . . . . . . . . . . . . . . 26
5.5 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.6 Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.6.1 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.6.2 Paramètres estimés . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.6.3 Ajustement du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.6.4 Adding-up problem . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.7 Analyse des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.7.1 Facteurs de résistance multilatérale (MR) . . . . . . . . . . . . . . 29
5.7.1.1 Aires Urbaines faiblement émettrices . . . . . . . . . . . . 30
5.7.1.2 Forts facteurs MR liés à l’origine . . . . . . . . . . . . . . 32
5.7.1.3 Facteurs MR liés à la destination . . . . . . . . . . . . . . 32
5.7.1.4 Aires urbaines les plus isolées . . . . . . . . . . . . . . . . 33
5.7.1.5 Aires urbaines avec de faibles facteurs MR . . . . . . . . 33
5.7.2 Résidus positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.7.3 Résidus négatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6 Modélisation des migrations alternantes dans la métropole européenne

de Lille 40
6.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.2 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.2.1 Description des migrations domicile-travail . . . . . . . . . . . . . . 41
6.2.2 Distance kilométrique . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2.3 Imputation d’une distance pour les navettes intra-communales . . . 43
6.2.3.1 Métro et tramway . . . . . . . . . . . . . . . . . . . . . . 44
6.2.4 Navettes des habitants de la MEL . . . . . . . . . . . . . . . . . . 44
Contents vi
6.2.4.1 Coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2.4.2 Ajustement . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2.4.3 Facteurs MR . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2.4.4 Résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.3 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.1 Comportements selon les populations . . . . . . . . . . . . . . . . . 52
6.3.2 Futurs développements . . . . . . . . . . . . . . . . . . . . . . . . . 52
7 Conclusion 53
A Organigramme du Sed de Lille 54
B Résultats de Micro-économie 55
B.1 Minimisation du coût des facteurs pour une fonction de production CES . 55
C Modèle de Poisson 57
D Moindres Carrés Pondérés avec Variance estimée 59
E Bulletin individuel de recensement 62
F Anomalies détectées dans le RP 2013 65

F.1 Relevé des anomalies adressé au Pôle recensement . . . . . . . . . . . . . . 65
F.1.1 Problème de codage de la commune de travail . . . . . . . . . . . . 65
F.1.1.1 Évron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
F.1.1.2 Faverolles . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
F.1.2 Problème de codage de la commune de résidence . . . . . . . . . . 66
F.1.2.1 Beausoleil . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
F.1.2.2 Le Brudou . . . . . . . . . . . . . . . . . . . . . . . . . . 66
F.1.3 Cas inexpliqués . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
F.1.4 Cas qui ne correspondent pas à un problème de codage : . . . . . . 67
F.1.4.1 Sarrebourg . . . . . . . . . . . . . . . . . . . . . . . . . . 67
F.1.4.2 Haneycourt . . . . . . . . . . . . . . . . . . . . . . . . . . 67
F.2 Retours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
F.3 Traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
G Définitions et zonages Insee 69
H Carte des Aires Urbaines de France 70
I Flux de navetteurs entre les Aires Urbaines françaises : modèle sans

frontières régionales 71
I.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
I.2 Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
I.2.1 Paramètres estimés . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
I.2.2 Ajustement du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 72
I.2.3 Adding-up problem . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
I.3 Analyse des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Contents vii
I.3.1 Termes MR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
I.3.2 Résidus positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
I.3.3 Résidus négatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
J Convention de l’étude en partenariat sur le stationnement et les mobi-

lités au sein de la MEL 79
K Métro et Tramway dans la métropole de Lille 88
L Migrations alternantes au sein de la MEL en 2013 - modèle avec une

distance routière 89
L.1 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
L.1.1 Fichier détail des mobilités professionnelles . . . . . . . . . . . . . 89
L.1.2 Imputation d’une distance infra-communale . . . . . . . . . . . . . 90
L.2 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
L.3 Ajustement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
L.4 Résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
M Exemples de rapports générés sur les navettes au sein de la MEL 96

M.1 Rapport généré pour les étudiants en 2013 . . . . . . . . . . . . . . . . . . 98
M.2 Rapport généré pour l’ensemble des travailleurs en 2006 . . . . . . . . . . 106
M.3 Rapport généré pour les ouvriers en 1999 . . . . . . . . . . . . . . . . . . . 114
Bibliographie 122
Table des figures
5.1 Visualisation des flux de navetteurs entre Aires Urbaines . . . . . . . . . . 24

5.2 Ajustement des estimations du modèle par rapport aux flux réels . . . . . 29
5.3 Boxplot des facteurs MR liés à l’AU d’origine . . . . . . . . . . . . . . . . 30
5.4 Boxplot des facteurs MR liés à l’AU de destination . . . . . . . . . . . . . 30
5.5 Flux observés se distinguant de l’estimation du modèle . . . . . . . . . . . 36
6.1 Visualisation des flux de travailleurs au sein de la MEL . . . . . . . . . . . 41

6.2 Caractérisation des communes de la MEL par leurs flux de navetteurs . . 42
6.3 Distribution des distances infra-communales imputées . . . . . . . . . . . 44
6.4 Ajustement des estimations du modèle par rapport aux flux réels . . . . . 46
6.5 Termes MR liés à la commune de résidence . . . . . . . . . . . . . . . . . 47
6.6 Termes MR liés à la Commune de Travail . . . . . . . . . . . . . . . . . . 48
6.7 Résidus positifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.8 Résidus négatifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
H.1 Les Aires Urbaines de France - Zonage 2010 . . . . . . . . . . . . . . . . . 70
I.1 Ajustement des estimations du modèle par rapport aux flux réels . . . . . 73
I.2 Flux observés se distinguant de l’estimation du modèle . . . . . . . . . . . 77
K.1 Plan du métro et du tramway dans la MEL . . . . . . . . . . . . . . . . . 88
L.1 Ajustement du modèle : les flux infra-communaux se distinguent. . . . . . 90

L.2 Ajustement du modèle : les flux infra-communaux ne se distinguent plus. . 92
L.3 Ajustement du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
L.4 Flux observés supérieurs à l’estimation du modèle . . . . . . . . . . . . . . 94
L.5 Flux observés inférieurs à l’estimation du modèle . . . . . . . . . . . . . . 95
viii
Liste des tableaux
5.1 Mobilités professionnelles par Aires Urbaines . . . . . . . . . . . . . . . . 23

5.2 Répartition des flux de migrations alternantes entre aires urbaines . . . . 25
5.3 Plus forts flux de migrations alternantes entre par Aires Urbaines . . . . . 26
5.4 Migrations alternantes entre Aires Urbaines de France : coefficients estimés 28
5.5 Facteurs MR des AU d’origine . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.6 Facteurs MR des AU de destination . . . . . . . . . . . . . . . . . . . . . . 30
5.7 Facteurs MR des AU d’origine des flux les plus faibles . . . . . . . . . . . 31
5.8 Facteurs MR des AU d’origine des flux les plus forts . . . . . . . . . . . . 32
5.9 Facteurs MR des AU de destination les plus faibles . . . . . . . . . . . . . 33
5.10 Facteurs MR des AU de destination les plus forts . . . . . . . . . . . . . . 33
5.11 Facteurs MR des AU isolées . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.12 Facteurs MR faibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
6.1 Emploi au lieu de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

6.2 Distances infra-communales imputées . . . . . . . . . . . . . . . . . . . . . 44
6.3 Modèle gravitaire des navettes intra-MEL . . . . . . . . . . . . . . . . . . 45
6.4 Facteurs MR liés à l’origine . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.5 Facteurs MR liés à la destination . . . . . . . . . . . . . . . . . . . . . . . 47
I.1 Migrations alternantes entre Aires Urbaines de France sans frontières ré-
gionales : coefficients estimés . . . . . . . . . . . . . . . . . . . . . . . . . 72
I.2 Termes MR des AU d’origine des flux les plus faibles . . . . . . . . . . . . 74
I.3 Termes MR des AU mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . 75
I.4 Termes MR des AU moins mobiles . . . . . . . . . . . . . . . . . . . . . . 76
ix
Abréviations
AAR Appui à l’Action Régionale

AU Aire Urbaine
BLUE Best Linear Unbiased Estimator :
Meilleur Estimateur Sans Biais Linéaire
CES Constant Elasticity of Substitution :
Élasticité Constante de Substitution.
CPO Conditions de Premier Ordre
CRAN The Comprehensive R Archive Network :
Réseau de mise en commun et de partage de code et de documentation R
DEC Division Études et Conseil
DR Direction Régionale
DDAR Direction de la Diffusion et de l’Action Régionale
EDL Entrepôt de Données Locales :
Plate-forme d’accès aux données issues du recensement de la population
EPCI Établissement Public de Coopération Intercommunale
INSEE Institut National de la Statistique et des Études Économiques
MEL Métropole Européenne de Lille
MCO Moindres Carrés Ordinaires
MCP Moindres Carrés Pondérés
MR Multilateral Resistance terms : facteurs de Résistance Multilatérale
OLS Ordinary Least Squares :
Acronyme anglophone des Moindres Carrés Ordinaires
PF Partie Française
PIB Produit Intérieur Brut
PPML Poisson Pseudo Maximum of Likelihood :
x
Abbreviations xi
Pseudo Maximum de Vraisemblance de Poisson

PSAR Pôle de Services de l’Action Régionale
RP Recensement de la Population
SED Service Études et Diffusion
SGAR Secrétariat Général aux Affaires Régionales
À Serina pour son soutien
À Naomi & Matthias qui aimeront tant lire ce mémoire
xii
Chapitre 1
Introduction
Le Service Études et Diffusion de la Direction Régionale des Hauts-de-France a pour mis-

sion la mise en oeuvre de l’Action Régionale de l’Insee à l’échelon régional. Afin d’éclairer
les problématiques sociales relatives aux transports, à l’aménagement du territoire ou à
l’emploi, nous y analysons dans le cadre d’un stage de mastère les migrations alternantes,
trajets effectués par les personnes en emploi entre leur domicile et leur lieu de travail.
Le chapitre 2 est consacré à l’environnement de travail dans lequel ce stage a été réalisé,
en lien avec mes missions de chargé d’étude de l’action régionale. Le chapitre 3 retrace
les développements des modèles gravitaires, inspirés par la mécanique newtonienne et
précieux pour analyser les flux commerciaux, et justifie micro-économiquement leur em-
ploi pour décrire des flux migratoires. Nous expliquons ensuite dans le chapitre 4 le
choix d’une méthode d’estimation par pseudo-maximum de vraisemblance de Poisson
avec effets fixes.
Enfin, nous mettons en oeuvre ces modèles pour analyser les migrations alternantes, à
l’échelle de la France métropolitaine dans le chapitre 5, puis à l’échelle de la métropole
européenne de Lille dans le chapitre 6.
1
Chapitre 2
Environnement professionnel
Suite à la campagne de mobilité 2016 des cadres A de l’Insee, et après un délai de six
mois correspondant au premier trimestre du Mastère de Statistique Publique de l’Ensai
et de l’Université Rennes 1, j’ai intégré en mars 2017 mon poste de chargé d’études de
l’action régionale au sein du Service Études et Diffusion de la direction régionale des
Hauts-de-France de l’Insee, à Lille.
2.1 La Direction régionale des Hauts-de-France
Née en 2016 du regroupement des directions régionales du Nord-Pas-de-Calais et de

Picardie, la direction régionale des Hauts-de-France de l’Insee comprend deux sites, le
siège à Lille et l’établissement d’Amiens.
2.2 Le Service Études et Diffusion
La mise en oeuvre de la politique d’action régionale est assurée dans chaque direction
régionale de l’Insee par un Service Études et Diffusion (SED). Ce réseau est coordonné
au niveau national par Direction de la diffusion et de l’action régionale (DDAR).
2.2.1 Missions
Trois axes principaux structurent la stratégie de l’action régionale :
— des études et des enquêtes réalisées en partenariat,

— une offre de base de publications réalisées dans toutes les régions,
2
Environnement professionnel 3
— du conseil - assistance - expertise.
Les études en partenariat répondent à des problématiques spécifiques et associent un ou

plusieurs acteurs publics en région à l’Insee dans le cadre d’une convention. Elles abou-
tissent à une ou plusieurs publications dans les diverses collections de l’Insee, notamment
Insee Analyses, Insee Flash.
L’offre de base correspond à des études menées par l’Insee sans partenariat qui apportent
des connaissances générales à même d’éclairer le débat économique et social. Depuis 2015
sont réalisées chaque année une dizaine d’opérations coordonnées (OC), études nationales
déclinées dans chaque région avec publication et communication le même jour.
L’activité de conseil-expertise consiste à apporter une réponse aux partenaires en mobi-

lisant les données et les analyses déjà produites dans un « temps court ». Elle n’aboutit
pas à des publications en général.
2.2.2 Partenaires
Le SED travaille en partenariat avec des acteurs publics en région, qui sont essentielle-
ment des collectivités locales, des administrations déconcentrées de l’État, des organismes
d’observation, d’études et d’évaluation. Plus rarement, nous travaillons aussi avec des
organismes à vocation consultative, des chambres consulaires, des organisme de promo-
tion et prospection, des organismes gestionnaires de services publics par délégations ou
d’autres partenaires (associations, syndicats).
Les acteurs publics en région du "premier cercle" sont ceux avec lesquels le SED de Lille
est amené à collaborer en priorité et le plus régulièrement : la préfecture de région et le
Secrétariat Général aux Affaires Régionales, le Conseil Régional, les services régionaux
de l’État, les conseils départementaux et la Métropole Européenne de Lille (MEL).
2.2.3 Organisation
Le SED est organisé en trois divisions :
Le Pôle de Services de l’Action Régionale Emploi-Population (PSAR EP), service d’appui

ayant une portée nationale installé à Lille, investit dans la méthodologie, les kits et les
études-mères qui nourrissent l’offre de l’Insee et les travaux de l’action régionale.
La Division Études et Conseils (DEC) réalise les études en partenariat et du service

universel. Elle regroupe des chefs de projets, chargés d’études et chargés de valorisation
statistique, ces derniers améliorent la mise à disposition de la production statistique en

accompagnant et en conseillant les utilisateurs.
La division Appui à l’Action Régionale assure la communication externe, la cartographie,

la rédaction en chef et le maquettage des publications.
L’organigramme du service figure en Annexe [A].
2.2.4 Perspectives
À partir de septembre 2017, l’ensemble des ressources du SED seront réunies à Lille et le
service d’Amiens cessera d’exister. Suite à cette restructuration et conformément à une
démarche engagée tout au long de l’année 2017, l’organisation du SED va évoluer vers un
dispositif plus en adéquation avec ses missions, avec notamment deux divisions distinctes
dédiées respectivement aux études en partenariat et au conseil aux acteurs publics en
région.
2.3 Tâches réalisées
Une moitié de mon temps de travail a été allouée aux réflexions sur les modèles gravitaires
présentées dans ce rapport. Pour le reste, je me suis consacré à mes missions de chargé
d’études et j’ai donc participé durant ce semestre à deux études en partenariat et à deux
missions de conseil et expertise.
2.3.1 Bilan de la filière ferroviaire dans les Hauts-de-France
Suite à une demande du SGAR, j’ai produit une note sur les entreprises participant à la
filière ferroviaire dans les Hauts-de-France.
2.3.2 Cohésion sociale dans les Hauts-de-France
En préparation d’un comité de l’administration régionale qui réunit la Préfecture et les

administrations, nous avons construit une synthèse des productions de l’Insee et des
données mobilisables à même de nourrir la réflexion de l’État sur la cohésion sociale
dans la région.
2.3.3 Étude sur l’impact du Louvre Lens
En décembre 2017 seront célébrés les cinq ans de l’implantation du musée du Louvre
à Lens. Dans le cadre d’un partenariat avec la région Hauts-de-France, l’agence d’ur-
banisme de l’Artois et le pôle métropolitain de l’Artois, nous dressons un bilan des
territoires possiblement impactés et de leurs évolutions depuis 2009. Ce projet aboutira
à deux études :
— une observation fine de l’emploi, pour tous les secteurs, notamment sous les angles
de l’économie touristique et culturelle,
— une approche des transformations sociales sur les territoires d’études.
2.3.4 Étude sur la mobilité dans la Métropole Européenne de Lille
L’Insee et la Métropole Européenne de Lille (MEL) réalisent en partenariat une étude

sur le stationnement et la mobilité. Je travaille plus spécifiquement sur la mobilité, en
vue d’analyser les déplacements domicile-travail et domicile-études entre communes selon
les profils de navetteurs et le mode de transport. Les travaux méthodologiques sur les
modèles gravitaires réalisés au cours du stage ont pu être mobilisés dans le cadre de
cette étude. J’emploie en particulier une partie des travaux présentés dans le chapitre 6
pour caractériser de manière descriptive les flux de navetteurs de 1990 à 2013 et analyser
des réseaux de déplacements interne et externe de la MEL, en apportant des éléments
explicatifs tels que les infrastructures de transport ou l’évolution de la population résidant
sur une partie du territoire.
Chapitre 3
Les modèles gravitaires
Les modèles gravitaires sont des modèles d’interaction spatiale inspirés par la théorie de
la gravitation de Newton. Ils sont utilisés en macroéconomie, en gestion commerciale et
en sciences sociales.
3.1 Histoire des modèles gravitaires
Isaac Newton, dans ses «Principes mathématiques de la Philosophie naturelle» publiés

en 1687, établit que la force d’attraction entre deux corps A et B de masses respectives
MA et MB , situés à distance dAB l’un de l’autre, vaut :
MA .MB
FA/B = G (3.1)
d2AB
où G est la constante universelle de gravitation, dont la valeur est aujourd’hui connue

avec précision :
G = 6, 67384 × 10−11 N · m2 · kg−2 (3.2)
3.1.1 Généralisation du modèle de Newton
Les modèles gravitaires s’inspirent de cette formule pour représenter toute interaction
IAB entre deux entités géographiques A et B à l’aide de leur "masses" respectives MA
et MB et de leur distance dAB . L’analogie immédiate donne le modèle :
MA .MB
IAB = K (3.3)
d2AB
6
Les modèles gravitaires 7
avec K une constante.

MA et MB peuvent être toutes grandeurs d’importance des entités pour le phénomène
étudié : taille, population, chiffre d’affaire, etc. Les grandeurs utilisées peuvent différer
entre A et B : population de la ville A et chiffre d’affaire agrégé des commerces de la
ville B par exemple.
De même, la distance dAB peut être généralisée à toute fonction de coût ou d’obstacle à
l’interaction entre A et B.
Ce modèle (3.3) a été développé par Reilly[1] dans les années 1930 pour étudier les aires
d’influence commerciale de différentes villes. Il a le mérite de pouvoir être décliné dans
de nombreux champs d’application et d’être intuitivement cohérent. Dans le domaine
du commerce, par exemple, il est raisonnable de penser que les échanges entre deux
pays A et B seront d’autant plus forts que leurs PIB seront grands et d’autant moins
forts qu’ils seront éloignés ; ainsi (3.3) assure que IAB croît avec MA et MB et diminue
quand dAB augmente. Notons que le modèle (3.3) peut décrire aussi bien une interaction
unidirectionnelle (l’utilisation d’un équipement situé en B par la population située en A,
l’aide au développement adressée par le pays A au pays B) ou bidirectionnelle (la gravité
au sens physique, des flux réciproques de marchandises ou de devises). Ceci est vrai pour
tous les modèles gravitaires que nous allons décrire dans cette section. Afin de distinguer
les rôles de l’unité émettrice A et de l’unité réceptrice B, nous ne noterons plus les masses
MA et MB mais EA le potentiel d’émission de A et AB le potentiel d’attractivité de B.
Alors que la formule (3.1) traduit une loi de la physique, la formule (3.3) est un modèle
qui peut être soumis à paramétrage et nécessite d’être justifié théoriquement ou empi-
riquement. Ainsi, chez Newton, le choix des exposants 1 pour les masses et −2 pour la
distance s’explique par besoin de cohérence avec les lois de Képler et il valide ce choix
empiriquement à l’aide de la trajectoire de la Lune. Hors du domaine de la physique,
cependant, ce cadre est vite apparu trop rigide. Par exemple, le doublement des masses
de A et de B engendre un quadruplement des interactions entre A et B, ce qui n’est
pas forcément légitime ; par ailleurs, l’utilisation du carré de la distance peut sur- ou
sous-estimer son effet. Le modèle (3.3) est donc généralisé par le modèle (3.4) :
α .Aβ
EA
IAB =K γ B (3.4)
dAB
Où K, α , β et γ sont des paramètres à estimer. α , β et γ sont les élasticités de

l’interaction par rapport à, respectivement, la masse d’origine, la masse de destination
et la distance.
Ce modèle de Reilly généralisé a connu un grand succès et a été appliqué à de nombreux

domaines de l’économie et des sciences sociales. Pour le généraliser encore plus, on peut
également passer des fonctions puissances MAα , MBβ et dγAB à des fonctions plus générales
X(A), Y (B), φ(A, B), voire renoncer à la structure multiplicative de l’équation, mais
nous nous restreindrons à des formes multiplicatives de fonctions puissances dans ce
travail.
3.1.2 Influence des unités tierces
Dans les modèles considérés jusqu’à présent, l’interaction entre chaque couple d’unités
géographiques (i; j) ∈ I × J est calculée à l’aide uniquement des propriétés de i et j, sans
tenir compte de l’influence des autres unités géographiques, possiblement concurrentes.
Ceci est peu vraisemblable dans le monde réel : le nombre de clients issus de A fréquentant
un cinéma situé en B risque d’être fortement impacté en cas d’ouverture d’un cinéma
concurrent en C, à proximité de A, qui va capter une partie de la clientèle. Le modèle
(3.4) ignore totalement cet effet. On l’enrichit donc avec l’introduction de deux facteurs
qui prennent en compte l’influence de l’ensemble des autres unités sources {i, i ∈ I} et
des autres unités d’attraction {j, j ∈ J} :
β
Eiα Aj γ
Iij = K . .d (3.5)
Ωi Θj ij
où
X Aβ
Ωi = l
dγil (3.6)
Θl
l∈J
traduit l’attraction de tous les territoires de J sur l’unité i, et

X Eα
Θj = k
dγkj (3.7)
Ωk
k∈I
traduit l’apport de tous les territoires de I vers l’unité j.
Ici α et β sont positifs et γ est négatif. Les facteurs Ωi et Θj sont souvent appelés "termes
de résistance multilatérale" (ou MR pour "Multilateral Resistance terms").
Dans le domaine commercial, les paramètres Ωi et Θj ont été introduits dès 1962 par
Huff[2]. Ce n’est cependant qu’après un article de Anderson et Van Wincoop paru en
2003[3] que leur utilisation est devenue systématique dans les sciences économiques et
sociales.
Les paramètres Ωi et Θj sont définis conjointement et dépendent des autres unités géogra-
phiques que i et j : en pratique, il est donc nécessaire de les estimer ensemble. Anderson
et Van Wincoop proposent une méthode d’estimation à l’aide d’un algorithme récursif.
Par la suite, Fally [4] a prouvé que l’on peut aboutir aux mêmes résultats à l’aide d’effets
fixes ; c’est la méthode que nous emploierons dans les parties 4 et 5.
3.1.3 Modèle stochastique
Tous les modèles étudiés jusqu’à présent étaient déterministes. Puisqu’il est illusoire de
déterminer le niveau exact de l’interaction Iij , il est plus raisonnable de considérer celle-ci
comme une variable aléatoire dont l’espérance répond à un modèle gravitaire :
β
Eiα Aj γ
E(Iij ) = K . .dij (3.8)
Ωi Θj
Plus spécifiquement, si Iij représente le niveau mesuré de l’interaction entre i et j, alors

pour chaque couple (i; j) ∈ I ×J on peut regrouper dans un terme d’erreur ηij l’ensemble
de la composante aléatoire de Iij : erreurs de mesure et variabilité non expliquée par les
variables prises en compte dans le modèle.
β
Eiα Aj γ
Iij = K . .dij .ηij (3.9)
Ωi Θj
Où les varaibles aléatoires ηij , (i, j) ∈ I × J sont des facteurs d’erreurs d’espérance 1 au
comportement standard ; typiquement, des fonctions log-normales indépendantes entre
elles.
3.1.4 Log-modèle
Pour passer à une notation additive, il est naturel de réécrire le modèle (3.9) avec une
transformation logarithmique :
log(Iij ) = log(K)+α.log(Ei )−log(Ωi )+β.log(Aj )−log(Θj )+γ.log(dij )+log(ηij ) (3.10)
soit :
Eij = k + αXi + βYj + γφij − ωi − θj + ij (3.11)
avec
Eij = log(Iij );
k = log(K);
Xi = log(Ei );
Yj = log(Aj );
ωi = log(Ωi );
θj = log(Θj );
φij = log(dij );
ij = log(ηij )
Si les fonctions ηij suivent des lois log-normales alors les termes stochastiques ij sont
2 ). Cette écriture permet d’estimer les paramètres k, α, β, γ,
gaussiens : ij ∼ N (0, σij
ωi , i ∈ I, θj , j ∈ J et σij , (i, j) ∈ I × J, par régression linéaire, par exemple à l’aide des
moindres carrés ordinaires (MCO), puis de réaliser des tests sur l’adéquation du modèle
et sur la forme des résidus.
Cette transformation n’est possible que si toutes les grandeurs qui interviennent sont
strictement positives : en particulier, les observations pour lesquelles l’interaction Iij est
nulle doivent être écartées ou traitées au préalable.
3.1.5 Variables explicatives
Dans le monde réel, d’autres variables que la distance, le volume d’émission de l’unité i et
le volume de réception de l’unité j peut avoir une influence sur le niveau de l’interaction
entre i et j. Typiquement, une variable explicative peut traduire l’appartenance ou non
des unités i et j à un même ensemble : par exemple, l’appartenance de deux pays à une
union douanière.
Le modèle gravitaire permet d’intégrer de façon très naturelle ces variables explicatives,
qu’elles soient qualitatives ou quantitatives. On peut l’enrichir avec les variables Explk .
β2 n
E β1 Aj γ Y λk
Iij = K i . .d . Explk,ij .ηij (3.12)
Ωi Θj ij
k=1
ou plus simplement :
Iij = eXij β+ij (3.13)
avec β = (α, β1 , β2 , γ, ω1 , ..., ωI , θ1 , ..., θJ , λ1 , ..., λK ) le vecteur des paramètres du modèle.

Les variables qualitatives doivent préalablement être décomposées en indicatrices selon
chaque modalité.
3.2 Adaptation des modèles gravitaires à l’étude des migra-

tions
Les migrations alternantes, aussi appelées navettes, sont les trajets effectués quotidien-
nement par les habitants d’un territoire pour se rendre à leur lieu de travail ou d’études.
3.2.1 Niveau agrégé
L’utilisation d’un modèle gravitaire pour modéliser les flux de navetteurs semble cohé-
rent : en effet il est plus que raisonnable de penser que le nombre de personnes résidant en
i et travaillant en j croît avec la population active de i et avec les emplois de j, et décroît
avec la distance dij entre i et j. À partir d’un jeu de données volumineux d’échanges
entre de nombreux territoires, il est donc raisonnable d’essayer de décrire ses flux à partir
de ces trois variables et de résumer ainsi l’information à l’aide de quelques paramètres.
Le modèle associé devient ainsi :
β2 n
Eiβ1 Aj γ Y λk
Fij = K . .d . Explk,ij .ηij (3.14)
Ωi Θj ij
k=1
où Fij est le flux entre i et j, Ei la population en emploi de i, Aj la population employée

en j, Ωi et Θj les facteurs MR, et Explk,ij d’éventuelles variables explicatives.
3.2.2 Fondements microéconomiques
Pour les modèles gravitaires comme pour beaucoup de modèles macroéconomiques, s’est
développée dans les années 1980 une remise en cause de leur validité nécessitant de les
appuyer sur une approche microéconomique. Plutôt que d’utiliser les territoires comme
unités statistiques, peut-on partir des décisions individuelles des acteurs pour agréger
leur comportements et les représenter à l’aide d’un modèle gravitaire ?
Persyn et Torfs[5] ont construit un modèle économique du marché du travail qui justifie
l’utilisation d’un modèle gravitaire pour représenter les migrations alternantes.
Notant Cij le nombre de navetteurs de i vers j et wij leur salaire, ils partent des hypo-
thèses suivantes :
• La demande de travail C·j et la production Yj dans une localité j sont agrégées
en une firme représentative.
• Toutes les firmes représentatives ont la même fonction de production agrégée.
Cette fonction de production présente une élasticité de substitution des facteurs
constante (Constant Elasticity of Subtitution, CES). Les firmes ne se distinguent
que par leur niveau de production Yj , exogène.
• L’offre de travail Ci· d’une localité i est fixe : les travailleurs ne peuvent pas
déménager ou le coût d’un déménagement est dissuasif.
• Tous les habitants d’une localité i ont le même profil et la même productivité Ai .
• Le coût d’une navette de i vers j s’exprime comme une proportion 1 − 1/τij du
salaire wij perçu, avec τij > 1. En notant wi le salaire qu’un travailleur de i peut
obtenir sans quitter sa localité, l’équilibre des prix veut que : wij = τij wi .
• Les entreprises minimisent leur coût de revient Wj = Ii=1 wij Cij (pour le niveau
P
donné de production Yj ) et les travailleurs maximisent leur gain net (salaire - coût
de transport) τij wi .
• On se place dans le cadre d’une économie fermée, donc la somme des salaires versés
par les firmes j ∈ 1, ..., J égale la somme des salaires perçus par les travailleurs
des localités i ∈ 1, ..., I : Y T = Jj=1 C·j = Ii=1 Ci·
P P
Considérons que les seuls facteurs de production sont la main d’oeuvre issue des diffé-
rentes localités i ∈ 1, ..., I. La fonction de production CES s’écrit :
I
X σ−1 σ
Yd = ( (Ai Cij ) σ ) σ−1 (3.15)
i=1
Si Yd est exogène, la firme j détermine les niveaux de main d’oeuvre Ci j qu’elle emploie
en minimisant son coût total Wj = Ii=1 wij Cij . Un raisonnement typique de micro-
P
économie [B] détermine la demande de j en main d’oeuvre issue de i :
I
−σ 1 1−σ X −σ 1 1−σ
Cij = wij ( ) woj Coj = wij ( ) Wj (3.16)
Ai Θj Ai Θj
o=1
où
I
X wij 1−σ 1−σ
1
Θj = ( ( ) ) (3.17)
Ai
i=1
PJ
représente le prix de marché de la main d’oeuvre en j. Soit Ei = j=1 wij Cij le salaire
total perçu par les habitants de i. Avec l’expression de Cij obtenu en (4.2), pour l’équilibre
wij = τij wi , on obtient :
J
X
1−σ 1 1−σ
Ei = wij ( ) Wj (3.18)
Ai Θj
j=1
J
X τij wi 1−σ
Ei = ( ) Wj (3.19)
Ai Θj
j=1
wi 1−σ Ei
( ) = PJ τij (3.20)
Ai j=1 ( )1−σ Wj
Θj
En multipliant (4.2) par wij , en utilisant wij = τij wi puis en substituant (4.6) dans
l’expression, on obtient :
wij 1−σ 1 1−σ

Cij wij =( ) ( ) Wj (3.21)
Ai Θj
wi τij
=( )1−σ ( )1−σ Wj (3.22)
Ai Θj
Ei τij
= PJ τid 1−σ
( )1−σ Wj (3.23)
d=1 ( Θd ) Wd Θj
On se ramène au flux de navetteurs Cij en notant que

Ei = Jj=1 wij Cij = wi Jj=1 τij Cij = wij τij−1 Jj=1 τij Cij :
P P P
PJ
d=1 τid Cid 1
Cij = PJ τid 1−σ
τij−σ ( )1−σ Wj (3.24)
d=1 ( Θd ) Wd Θj
Pour aboutir à un modèle gravitaire, il faut écrire ce flux sous la forme d’un produit de
fonctions de masses associées respectivement à i et à j, d’une puissance négative de la
distance entre i et j (exprimée par τij ), et des facteurs de résistance multilatérale (MR)
s’exerçant en i et en j.
PJ
Le numérateur Ēi = d=1 τid Cid est la somme des flux de navetteurs issus de i pondérés
par les coûts de transport : Ēi est proportionnel à la somme des salaires perçus par les
résidents en i et peut-être considéré comme la masse associée à la localité i. De même
Wj , somme des salaires versés par j, est la masse associée à la localité j.
Reste à poser bj = Wj /Y T la part de l’ensemble des salaires payée par j et ei = Ei /Y T

la part de l’ensemble des salaires perçue par les travailleurs résidant en i pour faire
apparaître les facteurs de résistance multilatérale (MR). Le dénominateur s’écrit :
J J
X τid X τid
( )1−σ Wd = Y T ( )1−σ bd = Y T Ωi (3.25)
Θd Θd
d=1 d=1
PJ τid 1−σ
avec Ωi = d=1 ( Θd )le terme MR dû à l’attractivité de l’ensemble des destinations
τ 1−σ
pour les navetteurs habitant i. De même, Θ̄j = Θj1−σ = Ii=1 ijΩi ei est le terme MR dû
P
à l’offre de main d’oeuvre de l’ensemble des localités vers j. Notre équation (4.10) s’écrit
finalement :
Ēi Wj −σ 1
Cij = τ ( ) (3.26)
Y T ij Θ̄j Ωi
qui est bien une équation gravitaire.
1/Y T est un facteur constant.
τij étant le rapport du salaire total sur le salaire déduit des frais de navette, il s’agit bien
d’une fonction croissante de ces frais de navette : c’est l’expression de la distance dans
ce modèle. La structure de l’équation gravitaire est préservée si la distance utilisée dans
un modèle empirique est une fonction monôme de τij : Distij = λτijα .
La masse Wj , ensemble des salaires versés en j, peut être directement mesurée ou bien
approchée à une constante près par C· j la somme des flux vers j.
La masse Ēi , somme des flux issus de i pondérés par la distance, n’est pas directement
observable. En pratique, elle peut être remplacé par la somme des salaires perçus Ei ou
la somme des flux issus de i Ci· .
Notons que dans cette construction les termes de masses Wj et Ēi apparaissent avec
un exposant égal à 1. Dans la mise en oeuvre pratique des chapitres 4 et 5, nous al-
lons néanmoins estimer leurs élasticités : d’une part, les masses utilisées ne seront pas
exactement Ēi et Wj puisque nous utilisons un décompte de travailleurs et non les sa-
laires ; d’autres part, les hypothèses nécessaires à cette modélisation micro-économique
ne peuvent correspondre parfaitement à la réalité et invitent à la souplesse.
Enfin les termes MR Θ̄j et Ωi doivent être estimés lors de la résolution du modèle. Leur
présence garantit le respect des contraintes de sommes des flux à partir ou vers une
destination données : Cî· = Ci· et Cˆ·j = C·j .
Chapitre 4
Stratégie d’estimation
Ce chapitre décrit les méthodes d’estimation proposées par la littérature dédiée aux
modèles gravitaires.
4.1 Moindres Carrés Ordinaires
Jusqu’en 2003 et la parution d’un article important d’Anderson et Van Wincoop [3],
l’estimation par les moindres carrés ordinaires était utilisée quasi-systématiquement pour
ajuster des modèles gravitaires.
4.1.1 Modèle de Reilly
À partir du modèle de Reilly stochastique :
Eiα Aβj
Iij = K ηij (4.1)
dγij
Si on se restreint aux interactions non nulles Iij > 0, on peut passer à une écriture
additive par transformation logarithmique (tout en inversant le signe de γ par souci de
lisibilité) :
Eij = k + αXi + βYj + γφij + ij (4.2)
15
Stratégie d’estimation 16
avec
Eij =log(Iij );
k =log(K);
Xi =log(Ei );
Yj =log(Aj );
φij =log(dij );
ij =log(ηij )
La formule (4.2) correspondant à un modèle de régression linéaire, on peut ensuite utiliser

les MCO pour estimer les paramètres k, α, β, γ, c’est-à-dire que l’on minimise la fonction
objectif O(k, α, β, γ) = ij [Eij − (k + αXi + βYj + γφij )]2 pour (k, α, β, γ) ∈ R4 .
P
4.1.2 Critique
Un premier problème lié à l’utilisation des MCO et à la transformation logarithmique

qu’elle nécessite est l’impossibilité de conserver les interactions nulles du jeu de données.
En les éliminant en amont, on réduit de facto l’information utilisée avant même toute
estimation, or les jeux de données utilisés dans les modèles gravitaires sont souvent
"creux", notamment pour l’étude des migrations alternantes, avec beaucoup de flux nuls
- souvent pour plus de 50% des couples de territoires.
De plus, la transformation logarithmique doit être appliquée avec prudence : en consé-

quence de l’inégalité de Jensen, calculer l’espérance conditionnelle de log(Iij ) ne suffit
pas pour estimer sans biais le niveau de l’interactionIij : en effet, en général et à moins
d’introduire des hypothèses très restrictives, E[log(Iij )] 6= log(E[Iij ]).
4.1.3 Facteurs MR
Afin de déterminer les facteurs de Résistance Multilatérale, Anderson et Van Wincoop[3]

proposent un programme d’optimisation itératif. Fixant les termes liés à l’origine à 1, ils
estiment ceux liés à la destination ; à partir des termes de destination obtenus, ils estiment
ensuite ceux liés à l’origine, et poursuivent ainsi jusqu’à convergence simultanée des deux
vecteurs.
4.2 Pseudo-Maximum de Vraisemblance de Poisson
Devant les insuffisances de l’estimation par les MCO, plusieurs stratégies ont été suc-
cessivement proposées au cours des années 2000 : Bergstrand et Baier[6] proposent de
transformer le modèle avec une approximation de Taylor de sorte à utiliser ensuite les
"Bons Vieux MCO" ("Bonus Vetus OLS") avec des résultats cohérents avec ceux de
Anderson et Van Wincoop.
Head et Mayer[7] proposent également de réduire les calculs liés à l’estimation des facteurs
MR en "démoyennant doublement" ("Double Demeaning") le jeu de données, par rapport
à l’origine et à la destination.
La stratégie que nous allons présenter est toutefois plus simple et s’appuie sur un modèle
de quasi-vraisemblance : c’est la méthode du pseudo-maximum de vraisemblance de
Poisson.
4.2.1 Stratégie d’estimation
La méthode décrite dans cette section a été développée par Santos Silva et Tenreyro en
2006. Le raisonnement qui suit est directement inspiré par leur article[8].
Notons β = (α, β1 , β2 , γ, ω1 , ..., ωI , θ1 , ..., θJ , λ1 , ..., λK ) le vecteur des paramètres à esti-

mer à partir des observations {Iij , Xij = (Ei , Aj , dij , Expl1,ij , ..., ExplH,ij ), (i, j) ∈ I ×J}
dans le modèle
β2 H
Eiβ1 Aj γ Y λk
Iij = K . .d . Explh,ij .ηij = eXij β+ij (4.3)
Ωi Θj ij
h=1
avec H variables instrumentales, où α = log(K) et ij = log(ηij ). Sans passer au loga-

rithme pour éviter les difficultés vues dans les paragraphes précédents, on peut utiliser
les moindres carrés non-linéaires pour estimer β :
X
β̂ = argmin [Iij − exij b ]2 (4.4)
b ij
En dérivant par rapport à b, on obtient cette condition du premier ordre :

X
(Iij − exij β̂ )exij β̂ xij = 0 (4.5)
ij
L’estimateur non-linéaire des moindres carrés ainsi obtenu est consistant. En revanche, il
peut être non efficace. En effet, dans l’expression (4.5), on voit qu’une observation (i, j)
pèsera d’autant plus dans l’estimation que Iîj = exij bβ̂ est grand. Or les données utilisées
dans les modèles gravitaires présentent souvent de l’hétéroscédasticité : plus l’interaction
Iij est forte, plus la variance, due notamment à l’erreur de mesure, est importante. En
accordant un poids dans l’estimation proportionnel à Iîj , donc fort pour les observations
pour lesquelles la variance est importante, l’estimateur Non-Linéaire des Moindres Carrés
est particulièrement sensible à cette hétéroscédasticité.
Pour corriger cet effet indésirable, la méthode des moindres carrés pondérés (MCP)
développée par Alexander Aitken[9] consiste à obtenir un estimateur BLUE en appliquant
à chaque observation un poids inverse à sa variance. Supposons à présent que dans notre
modèle gravitaire, la variance conditionnelle V [Iij |Xij ] est connue et proportionnelle
à l’espérance conditionnelle E[Iij |Xij ] = exij bβ . Nous pouvons alors construire notre
estimateur MCP en pondérant la fonction objectif par V [Iij |Xij ]−1 :
X [Iij − exij b ]2
β̂ = argmin (4.6)
b V [Iij |Xij ]
ij
On en dérive la CPO :
X (Iij − exij β̂ )exij β̂ xij
=0 (4.7)
V [Iij |Xij ]
ij
Puisque V [Iij |Xij ]−1 est connue et proportionnelle à E[Iij |Xij ]−1 = exij β , on simplifie
ce facteur avec exij β̂ , et la CPO devient alors :
X
(Iij − exij β̂ )xij = 0 (4.8)
ij
où toutes les observations (i,j) ont désormais le même poids.
L’estimateur β̂ estimé à partir de (4.8) est donc efficace si V [Iij |Xij ] est bien proportion-
nelle à E[Iij |Xij ] mais il reste consistant même si cette condition n’est pas remplie.
Or, il se trouve que la formule (4.8) est exactement l’expression des conditions du premier
ordre pour estimer un modèle de Poisson I∼P(exij β ) par maximum de vraisemblance
[C]. Il est donc possible de calculer cet estimateur β̂ à l’aide du pseudo maximum de
vraisemblance de Poisson : c’est la stratégie recommandée par Santos Silva et Tenreyro[8]
en 2006 et souvent employée depuis lors.
Enfin, tout comme nous avons pondéré les observations par E[Iij |Xij ]−1 en considérant
que la variance conditionnelle est proportionnelle à l’espérance conditionnelle, nous pour-
rions les pondérer par d’autres puissances de E[Iij |Xij ] s’il y avait des raisons de penser
que la variance conditionnelle serait liée au carré où à d’autres puissances de l’espérance
conditionnelle.
4.2.2 Critique
4.2.2.1 Fondement théorique
Il est essentiel de noter que cette méthode ne suppose pas que E[Iij |Xij ] suive une loi
de Poisson : le modèle considéré est toujours le modèle gravitaire (3.14). L’utilisation
de l’estimateur du maximum de vraisemblance de Poisson est seulement due à la coïnci-
dence des conditions du premier ordre. En particulier, nous n’avons pas besoin de faire
l’hypothèse que V [Iij |Xij ] = E[Iij |Xij ] ni même d’imposer que Iij ne prenne que des
valeurs entières.
Présupposer que la variance de la variable réponse est connue pour pouvoir appliquer
les MCP soulève plus de difficultés conceptuelles : dans le raisonnement de Santos Silva
et Tenreyro, on démontre que si la variance conditionnelle est connue, alors la CPO
aura une certaine forme, à partir de laquelle on peut désormais estimer les paramètres β
sans avoir besoin de connaître la variance conditionnelle. Formellement, pour simplifier
l’expression de la CPO (4.7), nous avons identifié exij β et exij β̂ , où β̂ n’est pas encore
calculé.
En annexe [D], nous essayons de résoudre le problème des MCP dans le cas où la variance
conditionnelle est estimée conjointement aux paramètres à l’intérieur du modèle. Nous
aboutissons à une CPO susceptible de donner des résultats similaires à la CPO (4.7),
mais avec un risque d’instabilité en cas d’observations atypiques parmi les interactions
faibles. Cette méthode complexe d’estimation n’est donc pas avantageuse par rapport au
pseudo-maximum de vraisemblance de Poisson.
4.2.2.2 Avantages pratiques
Comme cette méthode d’estimation n’utilise pas de passage au logarithme, il n’est pas
nécessaire d’exclure les observations (i, j) pour lesquelles Iij = 0. Ceci permet de conser-
ver toute l’information contenue dans un jeu de données, les modèles gravitaires étant
souvent appliqués à des données avec beaucoup de zéros.
Effets fixes
Thibault Fally a démontré en 2015[4] que l’utilisation du pseudo maximum de vraisem-

blance de Poisson avec des effets fixes ωi et θj permet de calculer les facteurs de résistance
multilatérale Ωi et Θj , solutions uniques des équations (2.6) et (2.7).
"Adding-up" problem
Autre avantage, cette méthode permet d’obtenir des totaux estimés égaux aux totaux
P P
observés, non seulement pour les flux issus de i (Ii· = j Iij ) ou allant vers j (I·j = i Iij )
- comme démontré par Arvis et Ben Shepherd dès 2011[10], mais aussi pour tout sous-
domaine A ⊂ I × J identifié parmi les observations par une indicatrice 1A - résultat
prouvé par Fally.
4.3 Package gravity de R
Le 31 janvier 2017, à point nommé pour ce travail, le CRAN a mis à disposition un

package R développé par Anna-Lena Woelwer, Jan Pablo Burgard et Martin Bresslein et
destiné à l’estimation de modèles gravitaires[11]. Il propose, parmi d’autres, des fonctions
ad hoc pour chacune des méthodes d’estimation ci-dessus.
L’usage a toutefois montré que ce package ne permettait pas d’exploiter entièrement les
modèles gravitaires utilisés dans ce travail, et les résultats des parties 4 et 5 ont donc
été obtenus avec la méthode glm avec les paramètres adéquats, notamment l’instruction
family=quasipoisson.
Chapitre 5
Modélisation des migrations

alternantes entre les aires urbaines
de France métropolitaine
Les migrations alternantes, aussi appelées "navettes" ou "migrations pendulaires", sont

les trajets effectués par les travailleurs entre leur lieu de résidence et leur lieu de travail.
Leur analyse permet non seulement d’appréhender les dynamiques et les pressions en
termes d’emploi, de logement, d’interdépendances entre territoires, mais aussi de guider
les politiques d’urbanisme et de transport.
5.1 Sources
5.1.1 Extraction du recensement
Le Recensement de la Population est le produit phare de l’Insee. La compilation de 5

enquêtes annuelles de recensement, de l’année n − 2 à l’année n + 2, permet d’obtenir
des informations détaillées sur la population du territoire français à l’année n.
Chaque personne enquêtée renseigne un bulletin individuel [Annexe E] de recensement

avec notamment des informations sur sa situation par rapport à l’emploi, et si elle est
en emploi, sur la profession exercée, le lieu de travail et le mode de transport principal.
L’Entrepôt de Données Locales (EDL) est un serveur de l’Insee qui permet aux chargés
d’études d’accéder à des extractions des fichiers issus des principales enquêtes de l’Insee,
et en premier lieu du Recensement de la Population. Le tuteur de ce stage a ainsi pu
21
Migrations alternantes entre les aires urbaines de France métropolitaine 22
préparer, en amont des travaux, un fichier détail de toutes les personnes en emploi en
2013, comprenant les communes de résidence et de travail, pour l’ensemble du territoire
français.
5.1.2 Anomalies dans le codage lieu de travail ?
Les premières exploitations de modèles gravitaires ont fait apparaître quelques flux sur-
prenants entre des aires urbaines très éloignées. Une expertise des données et des échanges
avec le Pôle Recensement de l’Insee [Annexe F] ont permis d’expliquer une partie de ces
flux ; ceux qui étaient réellement dus à une erreur de traitement des données collec-
tées pendant le recensement ont été corrigés avant toute exploitation, les autres ont été
conservés tels quels.
Ces incohérences dans l’encodage du recensement ont été révélées par sérendipité en
analysant les plus forts résidus de modèles gravitaires. Inversement, il pourrait être in-
téressant d’utiliser des modèles gravitaires lors du contrôle qualité des futures enquêtes
de recensement pour détecter d’autres erreurs d’encodage qui pourraient s’y glisser.
5.1.3 Distancier
Le Pôle de Services de l’Action Régionale - Analyses Territoriales (PSAR-AT) de l’Insee

a mis à disposition des SED l’outil Metric[12], un distancier qui permet, à partir d’un
couple de communes ou d’un couple de points à l’échelon infra-communal, d’utiliser
le réseau routier pour calculer le temps de parcours entre ces deux points. Il permet
d’obtenir, au choix, une distance kilométrique par la route, un temps de parcours aux
heures creuses ou un temps de parcours aux heures de pointe.
Bien que les trajets domicile-travail correspondent essentiellement aux heures de pointe,
nous avons choisi pour cette modélisation le temps de parcours calculé aux heures
creuses : d’une part, Metric semble fournir des résultats plus robustes pour les heures
creuses ; d’autre part, comme les trajets entre aires urbaines sont relativement longs, il
est vraisemblable de penser que ces navettes ne se déroulent pas entièrement durant les
heures de pointe.
5.2 Migrations alternantes entre les aires urbaines
La notion d’aire urbaine se rapporte à un zonage défini par l’Insee qui permet l’étude
d’agglomérations et de territoires cohérents du point de vue de l’emploi.
Définition
Une aire urbaine ou « grande aire urbaine » est un ensemble de communes, d’un
seul tenant et sans enclave, constitué par un pôle urbain (unité urbaine) de plus
de 10 000 emplois, et par des communes rurales ou unités urbaines (couronne
périurbaine) dont au moins 40% de la population résidente ayant un emploi
travaille dans le pôle ou dans des communes attirées par celui-ci. [Annexe G]
Le zonage en aires urbaines a été défini à partir des données du recensement de 2010.
Pour la France métropolitaine, 768 AU ont ainsi été identifiées. La carte obtenue figure
en Annexe [H].
Au niveau de la France métropolitaine, les trajets domicile-travail entre aires urbaines

permettent d’appréhender la structure du tissu économique, l’intégration des différentes
aires urbaines et l’influence de la distance sur l’emploi.
5.3 Données utilisées
Par définition, l’essentiel des navettes domicile-travail ont lieu au sein d’une même aire
urbaine. Cependant, 2,5 millions de travailleurs, soit 11,5% de ceux habitant dans une
aire urbaine, réalisent des navettes inter-AU [Table 5.1]. Ce sont ces flux que nous allons
analyser à l’aide de modèles gravitaires.
mobilité vers la vers une vers une vers une

Lieu de résidence même AU autre AU com. isolée com. mult. Total
aire urbaine 18 997 736 2 544 507 198 779 525 974 22 266 996
commune isolée 0 358 256 694 328 71 471 1 124 055
com. multipolarisée 0 1 607 838 116 932 1 049 096 2 773 866
Total 18 997 736 4 510 601 1 010 039 1 646 540 26 164 917
Table 5.1 – Mobilités professionnelles par Aires Urbaines

champ : personnes en emploi qui résident et travaillent en France métropolitaine
source : Insee, Recensement de la population 2013, exploitation complémentaire
Pour être en mesure de calculer une distance, nous avons écarté les travailleurs qui
résident ou qui travaillent dans une commune isolée hors influence des pôles, dans une
commune multipolarisée des grands pôles ou dans une autre commune multipolarisée : le
champ d’étude porte donc sur les personnes vivant dans une aire urbaine et travaillant
dans une autre aire urbaine, en bleu dans la table 5.1.
Figure 5.1 – Visualisation des flux de navetteurs entre Aires Urbaines

Flux de plus de 50 navetteurs, France métropolitaine, 2013
Théoriquement, rien n’interdit d’intégrer les flux intra-AU (en marron dans la Table 5.1)
au modèle : pour cela, il suffit d’estimer une distance moyenne pour les déplacements
au sein de chaque aire urbaine. Il y a toutefois deux inconvénients pratiques à cette
approche :
• Comme 85% des flux de navetteurs sont des flux à l’intérieur d’une même aire
urbaine, le choix d’une distance moyenne des navettes intra-AU risque d’avoir
une forte influence sur les résultats. Comme toute méthode d’estimation de cette
distance des navettes intra-AU est nécessairement approximative et arbitraire,
cela pénalise la fiabilité des résultats.
• Les flux intéressants pour l’interprétation sont les flux inter-AU. Il est donc à
éviter que ceux-ci jouent un rôle marginal dans l’estimation.
Notre travail se concentre donc sur un modèle des flux inter-AU sans intégrer les flux
intra-AU.
Nous avons affecté une masse à chaque AU de résidence (resp. de travail) selon son
importance dans les migrations alternantes comme force émettrice (resp. attractive) :
— Masse de l’AU de résidence = Ei = ensemble des personnes en emploi vivant dans
l’AU et travaillant dans une autre AU
— Masse de l’AU de destination = Aj = ensemble des personnes en emploi travaillant
dans l’AU et résidant dans une autre AU
Pour estimer les distances entre aires urbaines, nous avons utilisé le distancier Metric
[12] développé par l’Insee pour établir les temps de trajet par la route en heures creuses.
À cette fin, nous avons utilisé pour chaque aire urbaine un chef-lieu défini comme la
commune où se rendent le plus de travailleurs. Les distances entre aires urbaines sont en-
suite approchées par les distances entre chefs-lieux. L’utilisation d’une distance terrestre
implique de restreindre le champ en excluant les navettes Corse-continent ainsi que celles
à destination ou en provenance d’autres îles. En revanche, nous pouvons conserver les
navettes entre les différentes aires urbaines de Corse.
On aboutit ainsi à un jeu de données comportant 768 aires urbaines et 578 432 flux entre
aires urbaines distinctes et connectées par voie terrestre. 92% de ces flux sont nuls [Table
5.2]. L’utilisation d’un pseudo-modèle de Poisson pour l’estimation a donc le mérite de
préserver cette information.
Intensité Nombre de flux

flux nul 532 515
1à5 navetteurs 30 865
6 à 10 navetteurs 4 892
1001 à 10000 navetteurs 398
plus de 10000 navetteurs 11
Total 578432
Table 5.2 – Répartition des flux de migrations alternantes entre aires urbaines
Inversement, 11 flux entre aires urbaines mobilisent plus de 10000 navetteurs [Table 5.3].
Ce sont des flux à destination des métropoles de Lille, Lyon, Paris et Marseille - Aix-
en-Provence mais aussi de Douai - Lens, et en provenance d’Aires Urbaines proches, à
moins de 50 minutes en heures creuses pour les trajets en Province.
Flux Distance HC (min) Navetteurs

1 Douai - Lens -> Lille (pf) 35 31 132
2 Béthune -> Lille (pf) 45 22 034
3 Creil -> Paris 60 18 223
4 Béthune -> Douai - Lens 40 15 669
5 Saint-Étienne -> Lyon 54 14 713
6 Vienne -> Lyon 27 14 619
7 Toulon -> Marseille - Aix-en-Provence 50 14 576
8 Armentières (pf) -> Lille (pf) 24 12 717
9 Lille (pf) -> Douai - Lens 35 12 004
10 Valenciennes (pf) -> Lille (pf) 43 10 969
11 Chartres -> Paris 76 10 498
Table 5.3 – Plus forts flux de migrations alternantes entre par Aires Urbaines
(pf ) : partie française d’une aire urbaine transfrontalière
5.4 Modélisation des frontières régionales
Une variable indicatrice Regij est intégrée au modèle, qui vaut 1 si les pôles d’emploi
principaux des AU i et j se trouvent dans la même région administrative. Comme nos
données sont issues du recensement 2013, ce sont les "anciennes" régions, antérieures à
la réforme territoriale de 2016, qui ont été utilisées.
La significativité et la valeur du coefficient associé à cette variable permettra d’analyser

si, au delà des distances, les frontières régionales sont un frein aux migrations alternantes
inter-AU.
À titre de comparaison, une modélisation sans effet frontière figure en Annexe [I].
5.5 Hypothèses
Nous cherchons à estimer le flux de navetteurs entre deux aires urbaines i et j par
β2
Eiβ1 Aj γ λ
Fij = K . .d .Regij .ηij = eXij β+ij (5.1)
Ωi Θj ij
où Ei est le nombre total de travailleurs habitant en i, Aj est le nombre total de personnes

travaillant en j, dij est la distance entre les chefs-lieux de i et de j et Regij est la
variable indicatrice d’appartenance à une même région. D’autres variables explicatives
Hij pourraient être intégrées au modèle pour traduire, par exemple, l’existence ou non
d’une liaison TGV entre i et j.
5.6 Validation
5.6.1 Estimation
Le modèle (4.1) est estimé par PPML à l’aide de la commande glm avec l’option fa-
mily=quasipoisson du logiciel R.
Commande R
M odeleRegions<-glm(f ormula = nbN avetteurs ∼ lresi + ltrav + logDist +
memReg + AU LR + AU LT, f amily = quasipoisson(link = ”log”), data =
T ableAU )
Il serait possible d’utiliser un modèle de Poisson et d’obtenir des estimateurs convergents,

avec de fait des coefficients estimés égaux à ceux obtenus avec le modèle quasi-Poisson.
Cependant, comme le modèle de Poisson impose que variance et espérance conditionnelles
soient égales, ce qui n’est pas exact pour le modèle gravitaire, les tests de significativité
des coefficients ainsi calculés ne seraient pas valides.
Les masses associées aux AU d’origine et de destination et la distance sont transformées

au préalable à l’aide de la fonction de lien, le logarithme népérien.
Tel n’est pas le cas de la variable explicative Regij qui peut prendre la valeur 0. L’inter-
prétation du coefficient estimé nécessitera donc un passage à l’exponentielle.
Les termes MR sont obtenus en intégrant des effets fixes liés aux AU d’origine et de
destination du modèle.
5.6.2 Paramètres estimés
L’estimation du modèle par PPML avec termes MR permet d’obtenir les coefficients de
la Table 5.4.
On constate un effet région significatif et positif : R = e0.88 ≈ 2.403. Toutes choses égales
par ailleurs, deux AU d’une même région échangent des flux 2.4 fois plus intenses que
Paramètre Variable Valeur estimée std.error statistic p.value

K (Intercept) -5.82 0.59 -9.90 0.00
β1 lresi 1.40 0.04 33.26 0.00
β2 ltrav 1.44 0.03 53.27 0.00
γ logDist -3.49 0.01 -660.59 0.00
λ memReg 0.88 0.01 113.14 0.00
Table 5.4 – Migrations alternantes entre Aires Urbaines de France : coefficients estimés
si elles appartenaient à des régions différentes. Ceci signifie que les frontières régionales
traduisent une véritable barrière entre les AU ou, inversement, que les marchés de l’emploi
sont plus intégrés au sein d’une même région.
Comme de plus K = e−5.82 ≈ 0.00296, le modèle estimé s’écrit :
Ei1.40 A1.44
j
F̂ij ≈ 0.00296 . .d−3.49 .e0.88.Regij (5.2)
Ωi Θj ij
Ainsi le flux de navetteurs entre i et j dépend pour une part similaire de la main d’oeuvre
mobile de i Ei et de l’attractivité de j Aj . Le paramètre γ = −3.49, fortement inférieur
à −2, prouve que les flux se tarissent rapidement quand la distance dij augmente.
5.6.3 Ajustement du modèle
Le modèle obtenu offre une bonne description des flux de navetteurs réellement observés :
ainsi le R2 , défini comme le carré de la corrélation entre les valeurs réelles et les valeurs
prédites, atteint 0.93 [Figure 5.2]. Pour comparaison, une estimation du modèle avec la
méthode des moindres carrés ordinaires (sans effets fixes et en excluant les flux nuls)
aboutissait à un R2 de 0.50.
5.6.4 Adding-up problem
Les paramètres estimés vérifient la propriété de l’estimateur PPML démontrée par Ar-
vis et Ben Shepherd[10] : pour chaque aire urbaine, la somme des flux sortants (resp.
entrants) estimés est égale à la somme des flux sortants (resp. entrants) réels.
Figure 5.2 – Ajustement des estimations du modèle par rapport aux flux réels
Flux de navetteurs entre aires urbaines, France métropolitaine, 2013
Ei1.40 Aj1.44 −3.49 0.88.Regij
Modèle : F̂ij ≈ 0.00296 Ωi . Θj .dij .e
5.7 Analyse des résultats
5.7.1 Facteurs de résistance multilatérale (MR)
L’influence sur une AU des autres territoires est prise en compte dans le modèle à l’aide
des facteurs Ωi et Θj , et leurs logarithmes ωi et θj , introduits dans la section 3.1. Ces
facteurs estimés peuvent donc être utilisés pour décrire la situation géographique de
chaque AU.
Pour que le modèle soit identifiable, un facteur de résistance multilatérale a été fixé à 0 : il
s’agit du terme d’attractivité de l’Aire Urbaine de Paris θ001 . L’algorithme a donc estimé
768 facteurs MR de zones émettrices et 767 facteurs MR de zones réceptrices. Environ
un quart des effets fixes associés à une aire urbaine de résidence ou de destination ne
sont pas significativement différents de zéro à 5%. Néanmoins, il convient de maintenir

tous ces facteurs dans le modèle afin de préserver sa cohérence.
La valeur absolue et le signe d’un facteur MR ne peuvent pas être interprétés per ipse
car ils sont dépendants du choix arbitraire d’avoir fixé θ001 = 0. Cependant les fac-
teurs MR peuvent être comparés entre eux pour caractériser les Aires Urbaines avec des
comportement spécifiques et leur situation dans le tissu économique.
MRorig
Min. -3.43
1st Qu. -0.59
Median 0.04
Mean 0.06
3rd Qu. 0.59
Max. 4.59
Table 5.5 – Quantiles des facteurs

MR des AU d’origine
Figure 5.3 – Boxplot des facteurs

MR liés à l’AU d’origine
MRdest
Min. -3.91
1st Qu. -1.25
Median -0.71
Mean -0.71
3rd Qu. -0.14
Max. 2.64
Table 5.6 – Quantiles des facteurs

MR des AU de destination
Figure 5.4 – Boxplot des facteurs

MR liés à l’AU de destination
5.7.1.1 Aires Urbaines faiblement émettrices
Ainsi, les aires urbaines avec un facteur MR émetteur faible sont celles dont la main
d’oeuvre, toutes choses égales par ailleurs, est moins souvent employée dans les autres
aires urbaines de France [Table 5.7]. Nous y retrouvons des aires urbaines frontalières
abritant une forte population de travailleurs transfrontaliers.
AULR Nom Facteur ωi

037 Genève (SUI) - Annemasse (partie française) -3.43
098 Bâle (SUI) - Saint-Louis (partie française) -3.35
059 Thionville -3.28
111 Armentières (partie française) -2.92
278 Senlis -2.69
463 Bourg-Saint-Andéol -2.65
076 Vienne -2.52
014 Douai - Lens -2.50
115 Longwy (partie française) -2.50
070 Creil -2.44
557 Neuf-Brisach -2.39
133 Haguenau -2.32
184 Saint-Amand-les-Eaux -2.26
024 Metz -2.19
026 Valenciennes (partie française) -2.14
005 Lille (partie française) -2.14
062 Arras -2.13
198 Guebwiller -2.12
192 Thann - Cernay -2.09
112 Menton - Monaco (partie française) -2.08
082 Sarrebruck (ALL) - Forbach (partie française) -2.05
089 Compiègne -2.03
245 Saint-Brevin-les-Pins -2.02
Table 5.7 – Facteurs MR des AU d’origine des flux les plus faibles
(partie française) : partie française d’une aire urbaine transfrontalière
L’observation des données confirme que 50% de la main d’oeuvre de l’aire urbaine de
Genève-Annemasse (partie française) travaille en Suisse et 30% de la main d’oeuvre
de l’aire urbaine de Thionville travaille au Luxembourg. Les mains d’oeuvre de Bâle
(SUI) - Saint-Louis (pf) comme d’Armentières (pf) sont pour une bonne part employées
en Suisse et en Belgique respectivement. Notre modèle ne prenant en compte que les
navettes à destination d’aires urbaines françaises, il ne capte pas ces flux transfrontaliers.
La capacité émettrice de travailleurs de ces zones vers la France est donc moindre que ce
qu’on anticiperait avec les seules masses et distances.
Les aires urbaines non frontalières qui présentent des facteurs MR fortement négatifs
sont celles dont la main-d’oeuvre est fortement attirée par les AU proches : ainsi Senlis
et Creil sont les deux AU les moins éloignées de l’Aire Urbaine de Paris, qui prédomine
avec ses 5,8 millions de personnes employées au lieu de travail.
AULR Nom Facteur ωi

090 Ajaccio 4.59
097 Bastia 3.79
325 Porto-Vecchio 3.72
391 Calvi 3.67
393 Corte 3.42
551 Bagnères-de-Luchon 3.17
736 Lacaune 2.93
676 Saint-Jean-Pied-de-Port 2.88
695 Propriano 2.73
710 Ghisonaccia 2.61
670 Barcelonnette 2.56
527 L’Île-Rousse 2.54
262 Briançon 2.49
401 Le Vigan 2.40
218 Digne-les-Bains 2.35
382 Prades 2.22
669 Langogne 2.20
271 Mende 2.18
125 Aurillac 2.16
398 Mimizan 2.16
577 Mauriac 2.14
537 Die 2.13
573 Gourdon 2.05
471 Mauléon-Licharre 2.03
Table 5.8 – Facteurs MR des AU d’origine des flux les plus forts
5.7.1.2 Forts facteurs MR liés à l’origine
Les facteurs MR d’origine les plus forts correspondent aux AU pour lesquelles l’attraction
exercée par les marchés de l’emploi des autres territoires pris en compte est la plus faible
[Table 5.8] : on y trouve les 9 aires urbaines de Corse et des AU de montagne, éloignées
géographiquement des autres aires urbaines.
5.7.1.3 Facteurs MR liés à la destination
De même, les AU ayant de faibles facteurs MR liés à la destination sont ceux situés à
proximité de grands bassins de main d’oeuvre [Table 5.9] ; ceux ayant de forts facteurs
MR liés à la destination sont relativement isolés [Table 5.10].
AU Nom Facteur θj AU Nom Facteur θj

727 Artix -3.91 090 Ajaccio 2.64
435 Aigues-Mortes -3.06 723 Abondance 2.31
076 Vienne -3.00 406 Givet 2.18
384 Pézenas -2.95 262 Briançon 1.50
177 Libourne -2.88 097 Bastia 1.38
354 Capbreton -2.84 336 Châtillon-sur-Seine 1.32
216 Auray -2.53 103 Thonon-les-Bains 1.22
040 Nîmes -2.53 537 Die 1.17
355 Bourg-Saint-Maurice 1.16
Table 5.9 – Facteurs MR des AU de
destination les plus faibles 393 Corte 1.10
551 Bagnères-de-Luchon 1.02
665 Stenay 1.02
669 Langogne 1.01
Table 5.10 – Facteurs MR des AU

de destination les plus forts
5.7.1.4 Aires urbaines les plus isolées
27 aires urbaines font à la fois partie des 100 plus forts facteurs MR émetteurs et des
100 plus forts facteurs MR récepteurs [Table 5.11]. Ces zones sont donc particulièrement
isolées, leur situation géographique leur permettant peu d’interactions avec les autres
territoires. On y retrouve les aires urbaines de Corse et des massifs montagneux, où les
distances routières sont élevées : les navetteurs inter-AU en provenance ou à destination
de ces territoires réalisent des trajets plus longs du fait de leur situation géographique.
Ainsi, Ajaccio et Bastia étant distantes de 2h34min par la route, et compte-tenu de leurs
masses respectives, le modèle sans effets fixes anticipe moins d’un navetteur d’Ajaccio
vers Bastia. Une fois pris en compte les facteurs MR, en revanche, il en prédit 125. Le
flux mesuré par le Recensement de la Population en 2013 est de 118 navetteurs.
5.7.1.5 Aires urbaines avec de faibles facteurs MR
Inversement, 34 aires urbaines font à la fois partie des 100 plus faibles facteurs MR émet-
teurs et des 100 plus faibles facteurs MR récepteurs [Table 5.12]. Leurs mains d’oeuvre
sont donc relativement moins mobiles que ce qu’on pourrait attendre compte tenu de
leur situation géographique. Outre certaines régions frontalières, cela semble être le cas
de trois types d’aires urbaines :
Code AU Nom Facteur MR Facteur MR Somme

émetteur ωi récepteur θj ωi + θj
090 Ajaccio 4.59 2.64 7.19
097 Bastia 3.79 1.38 5.17
325 Porto-Vecchio 3.72 0.93 4.65
391 Calvi 3.67 0.87 4.54
393 Corte 3.42 1.10 4.52
723 Abondance 1.97 2.31 4.28
551 Bagnères-de-Luchon 3.17 1.02 4.19
262 Briançon 2.49 1.50 3.99
736 Lacaune 2.93 0.72 3.65
670 Barcelonnette 2.56 0.98 3.54
537 Die 2.13 1.17 3.30
669 Langogne 2.20 1.01 3.21
125 Aurillac 2.16 0.86 3.02
577 Mauriac 2.14 0.68 2.81
667 Bourganeuf 1.93 0.81 2.74
271 Mende 2.18 0.54 2.71
218 Digne-les-Bains 2.35 0.29 2.64
336 Châtillon-sur-Seine 1.21 1.32 2.52
438 Embrun 1.93 0.57 2.50
681 Villard-de-Lans 1.56 0.94 2.50
467 La Mure 1.55 0.80 2.35
651 Dieulefit 1.69 0.49 2.18
661 Saint-Georges-de-Mons 1.51 0.63 2.14
314 Bormes-les-Mimosas - Le Lavandou 1.82 0.28 2.10
619 Bort-les-Orgues 1.79 0.30 2.09
600 Quiberon 1.72 0.37 2.09
440 Saint-Yrieix-la-Perche 1.54 0.52 2.07
567 Modane 1.21 0.83 2.04
487 Aubusson 1.61 0.38 1.99
447 Crozon 1.41 0.55 1.96
503 Bourbon-Lancy 1.39 0.49 1.88
571 Bellac 1.33 0.54 1.87
595 Thiviers 1.54 0.30 1.84
628 Ars-en-Ré 1.11 0.62 1.73
540 Hauteville-Lompnes 1.16 0.55 1.71
652 Langeac 1.37 0.27 1.64
408 La Châtre 1.13 0.47 1.60
416 Montmorillon 1.14 0.37 1.50
Table 5.11 – Facteurs MR des AU isolées
— celles échangeant de la main d’oeuvre avec des communes multipolarisées ou isolées

des grands pôles, ces échanges échappant à notre jeu de données.
— les aires urbaines bénéficiant d’un important bassin d’emplois à proximité : ainsi
une part importante des travailleurs de Bourg-Saint-Andéol, Saint-Paul-Trois-
Châteaux, Thionville, sont employés dans les centrales nucléaires du Tricastin
Code AU Nom Facteur MR Facteur MR Somme

émetteur ωi récepteur θj ωi + θ j
727 Artix -1.77 -3.91 -5.68
059 Thionville -3.28 -2.36 -5.64
076 Vienne -2.52 -3.00 -5.52
463 Bourg-Saint-Andéol -2.65 -2.34 -4.99
111 Armentières (partie française) -2.92 -1.92 -4.84
278 Senlis -2.69 -2.15 -4.84
133 Haguenau -2.32 -2.34 -4.66
245 Saint-Brevin-les-Pins -2.02 -2.43 -4.46
014 Douai - Lens -2.50 -1.81 -4.31
062 Arras -2.13 -2.06 -4.20
024 Metz -2.19 -1.97 -4.17
216 Auray -1.51 -2.53 -4.04
435 Aigues-Mortes -0.98 -3.06 -4.03
521 Mortagne-sur-Sèvre -1.86 -2.16 -4.02
005 Lille (partie française) -2.14 -1.88 -4.02
192 Thann - Cernay -2.09 -1.91 -4.00
411 Ugine -1.59 -2.29 -3.87
629 Rouffach -1.73 -1.98 -3.72
708 Noyal-Pontivy -1.62 -2.07 -3.68
329 Montaigu -1.36 -2.18 -3.54
149 Louviers -1.88 -1.66 -3.54
174 Saint-Avold (partie française) -1.54 -1.94 -3.47
179 Beaune -1.39 -1.97 -3.37
351 Lamballe -0.96 -2.40 -3.36
123 Cambrai -1.61 -1.75 -3.36
052 Montbéliard -1.66 -1.68 -3.34
230 Pont-à-Mousson -1.58 -1.66 -3.24
631 Torigny-les-Villes -1.54 -1.65 -3.19
084 Cholet -1.34 -1.84 -3.18
707 La Verrie -1.48 -1.67 -3.15
279 Les Herbiers -1.09 -1.99 -3.08
193 Dinard -1.13 -1.76 -2.89
118 Romans-sur-Isère -0.97 -1.74 -2.72
418 Valognes -1.00 -1.66 -2.66
Table 5.12 – Facteurs MR faibles
ou de Cattenom.
— les aires urbaines sous forte influence d’une autre AU d’importance à proximité :
Vienne près de Lyon, Senlis proche de Paris, Saint-Brevin-les-Pins entre Nantes
et Saint-Nazaire, ou encore Douai - Lens au sud de Lille.
Figure 5.5 – Flux observés se distinguant de l’estimation du modèle

Écarts de plus de 1000 navetteurs représentant au moins 25% du flux
5.7.2 Résidus positifs
On observe des flux beaucoup plus intenses que prévu par le modèle depuis les grandes
aires urbaines de province vers celle de Paris : ainsi, des milliers de personnes déclarent
vivre respectivement à Lyon, Marseille - Aix-en-Provence, Toulouse, Bordeaux, Nantes,
Lille, Nice, Strasbourg, et travailler à Paris [Table 5.13]. Compte tenu de la distance,
notre modèle n’en prévoit que quelques centaines.
De fait, les transports rapides que sont le TGV ou les liaisons aériennes réduisent for-
tement la notion de distance entre métropoles par rapport à la distance routière que
Flux Navetteurs Dist. flux est. résidu err. rel.

1 Béthune -> Douai - Lens 15669 40 10390 5280 0.34
2 Lyon -> Paris 6528 262 1613 4916 0.75
3 Marseille - Aix-en-Provence -> Paris 4111 426 465 3646 0.89
4 Douai - Lens -> Béthune 8958 40 5363 3595 0.40
5 Douai - Lens -> Arras 8465 30 5287 3178 0.38
6 Bordeaux -> Paris 4381 320 1265 3116 0.71
7 Nantes -> Saint-Nazaire 6940 58 3837 3103 0.45
8 Paris -> Lyon 2816 262 300 2516 0.89
9 Toulouse -> Paris 3361 367 905 2456 0.73
10 Saint-Nazaire -> Nantes 6795 58 4391 2404 0.35
11 Nice -> Paris 2345 515 245 2100 0.90
12 Béthune -> Armentières (pf) 4023 36 1987 2036 0.51
13 Lille (pf) -> Paris 5645 139 3638 2007 0.36
14 Montbrison -> Saint-Étienne 3555 40 1660 1895 0.53
15 Nantes -> Paris 3484 224 1856 1627 0.47
16 Montpellier -> Paris 1963 406 378 1585 0.81
17 Saint-Étienne -> Montbrison 3009 40 1651 1358 0.45
18 Strasbourg (pf) -> Paris 1894 268 546 1348 0.71
19 Toulon -> Paris 1418 459 149 1269 0.89
20 Le Havre -> Lillebonne 2288 35 1045 1243 0.54
21 Paris -> Marseille - Aix-en-Provence 1262 426 29 1233 0.98
22 Toulon -> Brignoles 1948 51 725 1223 0.63
23 Lillebonne -> Le Havre 2158 35 1053 1105 0.51
24 Avignon -> Bagnols-sur-Cèze 1571 43 498 1073 0.68
25 Paris -> Nantes 1404 224 331 1073 0.76
26 La Bresse -> Remiremont 1550 34 491 1059 0.68
27 Annecy -> Cluses 1824 45 772 1053 0.58
28 Bayonne (pf) -> Paris 1117 418 147 969 0.87
29 Grenoble -> Paris 1220 316 275 945 0.77
30 Avignon -> Paris 1196 381 294 902 0.75
31 Paris -> Toulouse 918 367 39 879 0.96
32 Montpellier -> Clermont-l’Hérault 1420 44 548 872 0.61
33 Paris -> Bordeaux 848 320 66 782 0.92
34 Toulouse -> Mont-de-Marsan 765 158 28 737 0.96
35 Annonay -> Vienne 826 42 90 736 0.89
36 Sallanches -> Chamonix-Mont-Blanc 975 26 274 701 0.72
37 Paris -> Nice 681 515 13 668 0.98
38 Saint-Brevin-les-Pins -> Nantes 814 58 171 643 0.79
39 Paris -> Rochefort 568 273 8 560 0.99
Table 5.13 – Résidus positifs

(pf ) = partie française d’une AU transfrontalière
nous avons utilisée. Par ailleurs, pour beaucoup de ces travailleurs, il faut relativiser la
notion de "navette" : il est probable que beaucoup des Marseillais travaillant à Paris
ne font pas d’allers-retours quotidiens domicile-travail, mais bénéficient d’une solution
d’hébergement secondaire plus proche de leur lieu de travail.
D’autres flux plus importants que prévu traduisent une forte intégration économique
entre deux aires urbaines voisines : Nantes et Saint-Nazaire d’une part, Douai-Lens et
Béthune d’autre part mais encore Saint-Étienne et Montbrison ou Le Havre et Lillebonne
échangent de forts flux réciproques de main-d’oeuvre. Si ce phénomène s’amplifie, ces
aires urbaines pourraient à terme fusionner.
Enfin, c’est l’étude des résidus fortement positifs là où le modèle n’attend aucun navetteur
qui a permis de repérer les observations anormales dans les données du Recensement de
la Population listées en Annexe [F].
5.7.3 Résidus négatifs
Flux Navetteurs Dist. flux est. résidu err. rel.

1 Béthune -> Paris 1182 136 4601 -3418 -0.74
2 Béthune -> Arras 3545 31 6775 -3231 -0.48
3 Reims -> Paris 3066 103 5920 -2854 -0.48
4 Lyon -> Saint-Étienne 5209 54 7842 -2633 -0.34
5 Lille (pf) -> Armentières (pf) 4833 24 6987 -2154 -0.31
6 Douai - Lens -> Paris 2045 126 4180 -2135 -0.51
7 Paris -> Reims 972 103 2792 -1821 -0.65
8 Amiens -> Paris 3520 105 5266 -1747 -0.33
9 Arras -> Béthune 1109 31 2765 -1657 -0.60
10 Nîmes -> Montpellier 3352 46 4930 -1578 -0.32
11 Nantes -> Angers 1419 58 2987 -1568 -0.52
12 Saint-Brevin-les-Pins -> Saint-Nazaire 2293 17 3786 -1492 -0.39
13 Angers -> Nantes 1744 58 3176 -1431 -0.45
14 Marseille - Aix-en-Provence -> Avignon 1956 67 3329 -1373 -0.41
15 Paris -> Compiègne 1704 71 3020 -1316 -0.44
16 Valence -> Lyon 961 67 2272 -1311 -0.58
17 Lyon -> Valence 522 67 1820 -1298 -0.71
18 Épinal -> Remiremont 1121 22 2307 -1186 -0.51
19 Nantes -> La Roche-sur-Yon 1205 55 2308 -1103 -0.48
20 Valenciennes (pf) -> Paris 1221 131 2303 -1083 -0.47
21 Auxerre -> Paris 689 115 1745 -1056 -0.61
22 La Roche-sur-Yon -> Nantes 1031 55 2077 -1045 -0.50
23 Paris -> Douai - Lens 261 126 1281 -1021 -0.80
24 Béthune -> Valenciennes (pf) 426 61 1447 -1021 -0.71
25 Cluses -> Sallanches 854 16 1812 -957 -0.53
26 Montbrison -> Lyon 202 70 1140 -939 -0.82
27 Béthune -> Calais 193 53 1006 -813 -0.81
28 Saint-Nazaire -> Pornic 303 30 1094 -791 -0.72
29 Tournon-sur-Rhône -> Lyon 284 59 1075 -791 -0.74
30 Paris -> Béthune 110 136 728 -618 -0.85
Table 5.14 – Résidus négatifs

(pf ) = partie française d’une AU transfrontalière
Toutes choses égales par ailleurs, Paris attire des flux moins intenses que prévu de-
puis les autres grands pôles du bassin parisien [Table 5.14] : les mains-d’oeuvre de Bé-
thune, Reims, Douai - Lens, Amiens, Valenciennes, Auxerre, Rouen, Orléans, Compiègne,
Troyes, Blois ou Arras évitent ainsi une dépendance trop forte au marché de l’emploi de
la capitale. Comme l’estimation par PPML assure que la somme des flux estimés à des-
tination d’une aire urbaine donnée est égale à la somme des flux observés, ces résidus
négatifs peuvent également être vus comme une compensation de la sous-estimation des
flux depuis les grandes aires urbaines plus lointaines vers Paris. Les flux réciproques de
Paris vers Reims, Compiègne, Douai-Lens et Béthune sont aussi relativement faibles.
Les aires urbaines de Marseille - Aix-en-Provence et d’Avignon ont également des échanges
de mains-d’oeuvre peu intenses compte tenu de leurs tailles et de leur proximité géogra-
phique. La même séparation relative des marchés du travail est observée pour Nantes
vis-à-vis de La Roche-sur-Yon et d’Angers, pour Béthune et Arras ou pour Pau et Tarbes.
La main d’oeuvre lyonnaise se déplace plus volontiers vers les bassins d’emploi de Bourg-
en-Bresse ou de Grenoble que vers Saint-Étienne, Vienne ou Valence. Enfin, les flux de
Lille vers Armentières et Douai - Lens comme de Nîmes vers Montpellier sont également
plus faibles qu’attendu.
Chapitre 6
Modélisation des migrations

alternantes dans la métropole
européenne de Lille
6.1 Contexte
La Métropole Européenne de Lille est un établissement public de coopération intercom-

munale (EPCI). Elle associe 90 communes du département du Nord et plus d’un million
d’habitants. La direction Mobilité de la MEL mène une réflexion afin d’évaluer l’influence
des infrastructures de transport réalisées depuis 1990 sur les modes de transport urbains,
et d’identifier les besoins éventuels de nouvelles infrastructures. Un partenariat a donc été
noué avec la Direction Régionale Hauts-de-France de l’Insee pour analyser les navettes
domicile-travail et domicile-études des habitants de la MEL.
Ce partenariat aboutira à la publication d’une étude sur les mobilités dans la MEL au
premier trimestre 2018.
6.2 Données
Le Recensement de la Population étant réalisé sur le territoire national, il ne permet pas

d’obtenir de données pour les résidents en Belgique. Ceci peut fausser l’interprétation des
flux, notamment pour les communes qui emploient une part importante de travailleurs
transfrontaliers, par exemple Tourcoing. Dans le cadre du partenariat avec la MEL, nous
espérons compléter ce travail avec l’utilisation de données de l’Enquête Déplacements
40
Migrations alternantes au sein de la Métropole Européenne de Lille 41
Figure 6.1 – Visualisation des flux de travailleurs au sein de la MEL

Flux de plus de 10 navetteurs, 2013
Mobilité réalisée en 2015 sur le territoire de l’Eurométropole Lille-Kortrijk-Tournai, qui

unit les 90 communes de la MEL et 57 communes belges.
6.2.1 Description des migrations domicile-travail
Lille, ainsi que les communes situées sur un axe Sud / Nord-Est allant de Seclin à
Roubaix offrent plus d’emplois que leur population en occupe. [Figure 6.2] Inversement,
Figure 6.2 – Caractérisation des communes de la MEL par leurs flux de navetteurs
Hors flux en provenance de l’étranger, 2013
les communes de la petite couronne lilloise, celles à l’ouest de la MEL ou encore sur la
frontière belge sont plutôt des communes de résidence que de travail.
La commune de Lille joue bien sûr un rôle central dans les mobilités au sein de la MEL,
par sa population et surtout par son attractivité pour la main d’oeuvre environnante.
[Table 6.1] Cette attraction s’étend d’ailleurs au-delà des frontières de la MEL, avec
des flux importants venant du reste du département du Nord, du Pas-de-Calais et de
Belgique.
Trois autres communes constituent des bassins d’emplois importants, avec plus de 25.000
travailleurs : Villeneuve d’Ascq, Roubaix et Tourcoing.
Commune Emplois au lieu de travail

Lille 115870
Villeneuve-d’Ascq 38721
Roubaix 35512
Tourcoing 26501
Marcq-en-Barœul 16986
Wasquehal 10542
Wattrelos 7947
La Madeleine 7175
Lesquin 7101
Armentières 6791
Table 6.1 – Emploi au lieu de travail

Les 10 communes de la MEL accueillant le plus d’emplois
6.2.2 Distance kilométrique
Pour les données les plus récentes, deux mesures de la distance inter-communale sont
envisageables : le temps de trajet par la route, calculé à l’aide du distancier Metric, ou
la distance kilométrique entre les chefs-lieux (mairies) de chaque communes.
Afin d’utiliser une méthodologie commune pour tous les millésimes d’études de 1990 à
2013, c’est la distance kilométrique qui a été retenue.
En Annexe [L] figure une analyse similaire pour les flux de travailleurs en 2013 en utilisant
une distance routière (temps de trajet en heures creuses) calculée par l’outil Metric. Les
conclusions sont identiques à celles obtenues ici.
6.2.3 Imputation d’une distance pour les navettes intra-communales
393.000 personnes en emploi résident et travaillent au sein de la MEL. 136.000 d’entre

elles, soit 35%, travaillent dans leur commune de résidence. Une analyse pertinente des
mobilités au sein de la MEL ne saurait exclure ces navetteurs infra-communaux ; par
ailleurs, les modèles gravitaires ne peuvent utiliser une distance nulle. Il convient donc
de conserver ces flux, mais de calculer pour chaque commune une distance moyenne
parcourue par les navetteurs infra-communaux.
Parmi plusieurs méthodes pour estimer les distances moyennes parcourues lors de trajets
intra-communaux, nous utilisons la formule de Persyn & Torfs[5] :
r
2 superf icie
DistIntra = (6.1)
3 π
Commune Superficie Distance

(km2 ) imputée (km)
Lille 34.67 2.21
Villeneuve-d’Ascq 27.38 1.97
Seclin 17.38 1.57
Comines 16.01 1.50
Wambrechies 15.43 1.48
Tourcoing 15.08 1.46
Quesnoy-sur-Deûle 14.37 1.43
Marcq-en-Barœul 13.94 1.40
...
Péronne-en-Mélantois 1.14 0.40
Forest-sur-Marque 1.06 0.39
Lannoy 0.18 0.16
Table 6.2 – Distances infra-

communales imputées Figure 6.3 –
Distribution des distances
infra-communales imputées
Des essais avec d’autres méthodes d’imputation ne modifient que marginalement les
résultats.
6.2.3.1 Métro et tramway
Pour mesurer l’influence des lignes de transports en commun sur les flux de navetteurs
[Annexe K], nous avons créé des variables indicatrices "metro" et "tramway" qui prennent
la valeur 1 quand le mode de transport indiqué permet de joindre deux communes, et 0
sinon.
Pour les flux infra-communaux, ces indicatrices valent 1 si la commune abrite au moins
deux arrêts de tram ou deux stations de métro, pour traduire la possibilité d’effectuer
un trajet au sein de la commune avec le transport en commun correspondant, et 0 sinon.
Les résultats montrent que la variable "tramway" n’est pas significative. Le modèle fina-
lement retenu n’utilise donc que la variable explicative "metro".
6.2.4 Navettes des habitants de la MEL
Comme dans le chapitre 4, nous choisissons une estimation PPML à l’aide de la com-
mande glm et de l’instruction f amily = quasipoisson. La surdispersion, estimée à 8, 006,
est prise en compte dans l’estimation de la variance des paramètres, aussi les tests pro-
posés sont valides [Table 6.3].
6.2.4.1 Coefficients

k (Intercept) 4.277 0.5907 7.241 4.877e-13
β1 lemis 0.608 0.0360 16.871 9.113e-63
β2 lattr 0.924 0.0480 19.245 1.063e-80
γ ldis -1.448 0.0066 -218.565 0.000e+00
λ metro 0.120 0.0226 5.285 1.292e-07
Table 6.3 – Modèle gravitaire des navettes intra-MEL
Le facteur métro est égal à e0.120 = 1.127 : toutes choses égales par ailleurs, deux com-
munes échangent donc des flux 13% plus intenses si elles sont liées par le métro que dans
le cas contraire. Ceci peut être interprété de deux façons :
— Le parcours du métro a été conçu de sorte à décharger les axes routiers les plus
empruntés, et lie donc de facto les communes entre lesquelles les flux sont intenses.
— Une partie au moins des travailleurs s’installent ou cherchent du travail en tenant
compte de la possibilité d’emprunter le métro pour leur navettes, ou une partie
des entreprises s’installent en tenant de la facilité d’accès de leur main d’oeuvre
en métro.
Les deux explications sont réalistes. Le fait que le facteur métro a augmenté entre 2006
(il était alors à 1.04) et 2013 alors que le réseau du métro n’a pas changé sur cette
période semble valider la seconde : l’organisation du réseau de transport a un impact sur
la géographie sociale.
Le modèle estimé s’écrit donc :
Ei0.61 A0.92
j
F̂ij ≈ 72.06 . .d−1.45 .e0.12∗metroij (6.2)
Ωi Θj ij
Plus encore que dans la partie 4, on observe une élasticité du flux par rapport à l’emploi
dans le territoire de destination proche de 1, ce qui est conforme à la modélisation de
Persyn et Torfs présentée dans la section 2.2.
En revanche, l’élasticité par rapport à la distance, −1.45, est cette fois moins forte que
celle du modèle newtonien (−2) et que celle obtenue dans le chapitre 4 (−3.49). Au
niveau de la métropole, les choix de lieux de résidence et de travail sont donc moins
sensibles à la distance qu’à l’échelle de la France.
6.2.4.2 Ajustement
Le modèle obtenu possède cette fois encore un fort pouvoir explicatif des flux observés,
avec un coefficient R2 de 0.989 [Figure 6.4].
Figure 6.4 – Ajustement des estimations du modèle par rapport aux flux réels
Flux de navetteurs au sein de la MEL, 2013
Afin de ne pas écraser les axes, le flux Lille->Lille n’apparaît pas sur le graphique
principal. Il est représenté sur le graphique en médaillon.
Ei0.61 A0.92
j −1.45 0.12∗metroij
Modèle : F̂ij ≈ 72.06 Ωi . Θj .dij .e
6.2.4.3 Facteurs MR
Nom Facteur ωi Nom Facteur θj

Lezennes -1.22 Lannoy -0.86
Englos -1.21 La Madeleine -0.63
Escobecques -1.09 Mons-en-Barœul -0.56
Lannoy -1.05 Saint-André-lez-Lille -0.51
Forest-sur-Marque -0.97 Croix -0.50
... ...
Sainghin-en-Weppes 0.54 Baisieux 0.32
Comines 0.56 Warneton 0.33
Halluin 0.60 Seclin 0.35
Salomé 0.64 Aubers 0.37
La Bassée 0.77 Fretin 0.42
Table 6.4 – Facteurs MR liés à l’ori- Table 6.5 – Facteurs MR liés à la des-
gine tination
Figure 6.5 – Termes MR liés à la commune de résidence

En brun : les 10 plus grands
En bleu : les 10 plus petits
En noir : les 10 communes avec le plus d’emplois
Les facteurs de résistance multilatérale [Tables 6.4 et 6.5] traduisent la situation d’une
commune vis-à-vis de la MEL : une commune possède un fort facteur MR lié à l’origine
si sa main d’oeuvre est relativement éloignée des centres d’emplois, et un facteur négatif
si elle est soumise à une forte attraction.
On observe ainsi que les plus forts facteurs MR liés à l’origine sont ceux des communes
situées à la périphérie de la MEL, notamment à l’Ouest et au sud-Ouest [Figure 6.5].
Inversement, les travailleurs proches de Villeneuve-d’Ascq, Lille, Roubaix ou Lesquin
bénéficient de ces bassins d’emplois à proximité.
De même, les facteurs MR liés à la destination traduisent la situation des entreprises

vis-à-vis des bassins de main d’oeuvre : les communes proches des fortes populations
actives de Lille, Villeneuve-d’Ascq, Roubaix et Tourcoing ont les facteurs MR les plus
faibles, à l’inverse des communes périphériques [Figure 6.6].
Figure 6.6 – Termes MR liés à la Commune de Travail

En brun : les 10 plus grands
En bleu : les 10 plus petits
En noir : les 10 communes où résident la plus forte population en emploi
Flux Navetteurs Flux estimé Résidu Err.Rel.

Frelinghien -> Frelinghien 237 46 190 0.80
Lille -> Armentières 653 230 423 0.65
Lille -> Roubaix 3906 1615 2291 0.59
Quesnoy-sur-Deûle -> Quesnoy-sur-Deûle 537 235 302 0.56
Wavrin -> Wavrin 647 293 354 0.55
Santes -> Santes 420 193 226 0.54
Wambrechies -> Wambrechies 805 367 438 0.54
Marquette-lez-Lille -> Marquette-lez-Lille 700 334 367 0.52
La Madeleine -> Roubaix 458 226 232 0.51
Linselles -> Linselles 660 335 325 0.49
Lille -> Tourcoing 1908 988 920 0.48
Table 6.6 – Résidus positifs
6.2.4.4 Résidus
En valeur absolue, les plus forts résidus [Table 6.6] correspondent aux flux de Lille vers
Roubaix et Tourcoing, ce qui démontre que les voies de communication entre les com-
munes les plus peuplées de la MEL sont utilisées dans les deux sens, et pas seulement
pour des navettes vers la ville-centre.
Figure 6.7 – Résidus positifs

Résidus parmi les 100 résidus intercommunaux les plus forts et correspondant à au
moins 30% du flux
Des communes de l’ouest et du nord lillois comme Frelinghien, Quesnoy-sur-Deûle, Wa-

vrin, Santes, Wambrechies et Marquette-lez-Lille emploient plus leur main d’oeuvre locale
que ce qu’estime le modèle. Ceci peut traduire une moindre dépendance au marché de
l’emploi lillois, ou être lié à la densité de ces communes : avec une superficie relativement
faible, la distance estimée pour les trajets infra-communaux est inférieure au kilomètre,
d’où un flux estimé plus fort.
Flux Navetteurs Flux estimé Résidu Err.Rel.

Wattignies -> Templemars 78 276 -198 -0.72
Marcq-en-Barœul -> Bondues 95 285 -190 -0.67
Houplin-Ancoisne -> Seclin 84 224 -140 -0.62
Marquette-lez-Lille -> Wambrechies 107 258 -151 -0.59
Marcq-en-Barœul -> Wasquehal 507 996 -490 -0.49
Faches-Thumesnil -> Ronchin 217 421 -203 -0.48
Ronchin -> Faches-Thumesnil 182 349 -167 -0.48
Villeneuve-d’Ascq -> Lezennes 287 510 -223 -0.44
Lambersart -> Saint-André-lez-Lille 197 352 -154 -0.44
Lesquin -> Villeneuve-d’Ascq 269 472 -203 -0.43
Haubourdin -> Loos 243 428 -184 -0.43
Wasquehal -> Marcq-en-Barœul 492 842 -350 -0.42
Table 6.7 – Résidus négatifs
Figure 6.8 – Résidus négatifs

Résidus négatifs parmi les 100 résidus intercommunaux les plus petits et correspondant
à au moins 30% du flux
Les résidus négatifs les plus importants [Table 6.7] correspondent aux couples de com-
munes qui échangent moins de navetteurs que ce qu’estime le modèle : ce sont essentielle-
ment des couples de communes limitrophes de la petite couronne lilloise : les travailleurs
y ont plus plus souvent tendance à rester sur leur commune ou à se rendre à Lille ou
Villeneuve d’Ascq pour travailler qu’à se rendre dans les communes voisines. On peut
aussi y voir un effet de la structure étoilée des réseaux routiers et des lignes de bus, qui
favorisent les trajets banlieue - ville centre plutôt que les trajets banlieue - banlieue.
6.3 Perspectives
6.3.1 Comportements selon les populations
Afin de nourrir la réflexion sur la diversité des comportements des populations amenées
à se déplacer au sein de la MEL, le modèle gravitaire global présenté ici pour 2013 est
reproduit à l’aide de fonctions en R pour cinq millésimes (1990, 1999, 2006, 2010, 2013)
et selon des sous-populations : étudiants, travailleurs, et les cinq catégories d’actifs hors
agriculteurs. Quelques exemples de ces rapports figurent en annexe [M].
Il en ressort, par exemple, que les transports en commun ont une plus forte influence
sur les flux d’employés (facteur métro=1.25) que sur les flux d’ouvriers (1.08). Ou que
l’attrition des flux due à la distance, mesurée par son élasticité, est moins importante
chez les cadres (−1.13) que pour l’ensemble des travailleurs (−1.45).
6.3.2 Futurs développements
En incorporant des données collectées par la MEL dans le cadre de l’enquête "mobilités-
déplacements" menée en 2015 sur le territoire de l’eurométropole Lille-Kortrijk-Tournai,
et en France et en Belgique, nous espérons élargir cette étude en incorporant les flux
transfrontaliers vers la MEL.
Par ailleurs, l’étude sur les déplacements au sein de la MEL pourra être enrichie par une
analyse factorielle multiple des communes en prenant comme variables d’analyse, pour
chaque millésime, les parts de trajets infra-communaux, les flux vers l’extérieur de la
MEL (France hors Mel et étranger), la part de chaque mode de transport ou de chaque
catégorie socioprofessionnelle dans les flux entrants et sortants, ainsi que les facteurs de
résistance multilatérale calculés par le modèle gravitaire et qui traduisent la position
géographique d’une commune par rapport aux répartitions de la main d’oeuvre et des
emplois. Nous espérons dégager ainsi plusieurs catégories de communes selon qu’elles sont
plus "résidentielles" ou "actives", sont mieux intégrées au réseau de transport, accueillent
plus d’étudiants ou plus d’ouvriers, etc.
Chapitre 7
Conclusion
Ce stage avait pour objet d’explorer les possibilités offertes par les modèles gravitaires et
leur application aux migrations alternantes. En effet, les modèles gravitaires ont connu
un fort développement théorique ces vingt dernières années. Leurs fondements mathé-
matiques ont gagné en rigueur, leurs méthodes d’estimations sont devenues plus précises
et leur champ d’application, un temps centré sur les flux commerciaux, s’ouvre de plus
en plus aux sciences économiques et sociales.
Après avoir conforté la pertinence des modèles gravitaires pour analyser les navettes
domicile-travail grâce à une modélisation micro-économique, et choisi une méthode d’es-
timation à l’aide de modèles de Poisson, fondée sur la pseudo-vraisemblance, nous avons
appliqué les modèles gravitaires à deux jeux de données issus du recensement de la po-
pulation de 2013.
L’étude des navettes entre aires urbaines en France métropolitaine permet de mesurer
l’effet des frontières régionales, d’analyser la situation de différentes villes au sein du
territoire vis-à-vis des marchés de l’emploi et de faire ressortir des relations privilégiées
entre des couples d’agglomérations.
Une étude partenariale en cours, unissant l’Insee et la métropole européenne de Lille,

appréhende la problématique des mobilités entre les communes de ce territoire. À l’aide
de modèles gravitaires, nous analysons les flux de navetteurs, les spécificités de chaque
commune et chaque sous-population, les effets du développement du réseau de transports
urbains et son adéquation aux besoins.
Ainsi, la théorie initiée par Isaac Newton permet non seulement de calculer les trajectoires
des astres, mais aussi de décrire les déplacements des foules, ce qui n’aurait sans doute
pas manqué de l’étonner...
53
Annexe A
Organigramme du Sed de Lille

Chef de service
CHEVALIER François
Chef adjoint
VILAIN Elisabeth
TERRA Sébastien
Division Division Appui à l’Action

Études et conseils Régionale
-DEC- -AAR-
Pôle PSAR
VILAIN Elisabeth LHUILLIER Nadine FABRE Jérôme

Ouvrages Régionaux de référence BAUDRIN Laetitia
BAEHR Audrey BARBAIX Yamina
CRUSSON Laure
BAILLIEUL Yohan
DELATTRE Nathalie
BELHACKEM Nadia Secrétaire de rédaction
RIEM Benoît DESRIVIERRE David
BOREY Grégoire
FIRLEJ Annie
BREFORT Mickaël
Conseiller éditorial LARBI Khaled
BRUNIAUX Véronique
DE RUYCK Christian MICHEL Stéphanie
CASTILLE Didier
PAWLOWSKI Emilie
CUCHERE Elisabeth
Offre éditoriale régionale SENECHAL Marie-Laure
DUFEUTRELLE Julie
HERBAUT Pascal
EBLE Sophie
FUSILLIER Kevin
Cartographie
GICQUIAUX Cyril
LEMOINE Marie-Thérèse
LEFEVRE Laurent
GAMBLIN Virginie
LEGRAND Marie-Michèle
LERMECHIN Hugues Fabrication
LEROY Laure CEUGNIEZ Annick
PUCHER Olivier MAJCHERCZAK Olivier
WARMOES Jérémy
Relations Extérieures et Médias

CVS CARON Géraldine
FIEVET Amélie Dambre Geneviève
GARBE Lionel
Secrétariat
ONG Annie
SIAME Lise
VAN ASSCHE Antoine
54
Annexe B
Résultats de Micro-économie
B.1 Minimisation du coût des facteurs pour une fonction

de production CES
Considérons une firme dont la fonction de production est CES pour les facteurs i ∈
{1, ..., I} de productivité Ai et employés en quantité Ci :
I
X σ−1 σ
Y =( (Ai Ci ) σ ) σ−1 (B.1)
i=1
I
X 1
Y =( (Ai Ci )ρ ) ρ (B.2)
i=1
σ−1
avec ρ = σ . Si wi est le coût unitaire du facteur i, le coût total de production s’écrit
I
X
C= wi C i (B.3)
i=1
Si le niveau de production Y0 est exogène, maximiser le profit Π = Y − C revient à

minimiser C. Le problème de la firme est donc :
I
X
min wi C i (B.4)
i=1
I
X 1
sous contrainte Y0 = ( (Ai Ci )ρ ) ρ (B.5)
i=1
55
Annexes 56
À partir du Lagrangien
I I
X X 1
L(C1 , ..., CI , λ) = wi Ci + λ[Y0 − ( (Ai Ci )ρ ) ρ ] (B.6)
i=1 i=1
on peut établir les conditions du premier ordre :
I
∂L 1 ρ ρ−1
X 1
−1
=w1 − λ( )(ρA1 C1 )( (Ai Ci )ρ ) ρ = 0 (B.7)
∂C1 ρ
i=1
··· (B.8)
I
∂L 1 ρ ρ−1
X 1
−1
=wI − λ( )(ρAI CI )( (Ai Ci )ρ ) ρ = 0 (B.9)
∂CI ρ
i=1
I
∂L X 1
=Y0 − ( (Ai Ci )ρ ) ρ = 0 (B.10)
∂λ
i=1
Pour tout i ∈ {2, ..., I}, on peut utiliser la première et la i-ème CPO pour établir :
w1 Aρ C ρ−1
= 1ρ 1ρ−1 (B.11)
wi Ai C i
D’où on tire Ci en fonction de C1 .
w1 ρ−1
−1 wi 1
Ci = ( ρ) ( ρ ) ρ−1 C1 (B.12)
A1 Ai
Reste à substituer tous les Ci , i ∈ {2, ..., I} dans la contrainte (D.5) et on obtient la
demande optimale de facteur 1 :
1
w1 ρ−1
Y0 ( A ρ)
C1∗ = P 1
ρ 1 (B.13)
I wi ρ−1 ρ
( i=1 Ai ( A ρ) )
i
Par symétrie, la demande optimale de facteur i est :

1
wi ρ−1
Y0 ( A ρ)
Ci∗ = P i
ρ 1 (B.14)
I wo ρ−1 ρ
( o=1 Ao ( A ρ) )
o
Qui s’écrit aussi en faisant apparaître l’élasticité de substitution des facteurs σ :

wi
Y0 ( σ−1 )−σ
Aiσ
Ci∗ = PI wo
σ (B.15)
( o=1 Ao ( σ−1 )1−σ ) σ−1
Ao σ
Annexe C
Modèle de Poisson
De nombreux éléments de cette présentation du modèle de Poisson sont inspirés d’un

article de C. Gourieroux, A. Monfort et A. Trognon[13].
La loi de Poisson est une loi discrète à valeurs dans N à un paramètre λ > 0 et régie par
les probabilités :
λy −λ
P(Y = y | λ) = e (C.1)
y!
Considérons n observations yi , i ∈ {1, ..., n} de variables indépendantes Yi de lois de

Poisson de paramètres respectifs λi = exi β eux-mêmes fonctions d’une variable explicative
X dont les observations sont notées xi . Pour estimer le paramètre β, la méthode du
maximum de vraisemblance permet de construire un estimateur BLUE.
Par indépendance, la vraisemblance du modèle s’écrit en multipliant les fonctions de

vraisemblance de chaque yi :
n
Y e−λi λyi i
L(b) = (C.2)
yi !
i=1
Par passage au logarithme :
n
X n
X n
X
logL(b) = − λi + yi log(λi ) − yi ! (C.3)
i=1 i=1 i=1
Xn Xn Xn
=− exi b + yi xi b − yi ! (C.4)
i=1 i=1 i=1
57
Annexes 58
∂
Pour maximiser la log-vraisemblance, la condition du premier ordre ∂b logL(b) = 0 s’écrit :
n
X n
X
xi β̂
0=− xi e + yi x i (C.5)
i=1 i=1
n
X
0= xi [yi − exi β̂ ] (C.6)
i=1
Si cette équation a une solution β̂, alors β̂ maximise bien la vraisemblance puisque la
dérivée seconde du système est la matrice hessienne
∂2
H(b) = logL(b) (C.7)
∂b2
n
∂ X
= xi [yi − exi b ] (C.8)
∂b
i=1
Xn
=− x0i xi exi b (C.9)
i=1
Pn 0
qui est définie négative dès lors que Xi = i=1 xi xi est de plein rang.
Résoudre l’équation (A.6) permet donc d’obtenir un estimateur BLUE de β.

Annexe D
Moindres Carrés Pondérés avec

Variance estimée
Considérons la fonction objectif des moindres carrés pondérés :
− exij b ]2
P
ij [Iij
φ(b) = (D.1)
V [Iij |Xij ]
Et supposons que l’espérance conditionnelle V [Iij |Xij ] est proportionnelle à l’espérance

conditionnelle E[Iij |Xij ] = exij β mais inconnue, et que l’on va donc l’estimer par exij β̂ en
même temps que l’on estime β par β̂. Nous avons alors (à une constante multiplicative
près) :
xij b ]2
P
ij [Iij − e
φ(b) = (D.2)
exij b
Et l’on cherche :
X
β̂ = argmin φ(b) = argmin [Iij − exij b ]2 e−xij b (D.3)
b b ij
On ne peut pas considérer le facteur de pondération e−xij b comme constant lorsque l’on
dérive par rapport à b pour en déduire la CPO - ce qui aboutirait exactement à (3.).
Toutefois, si on mène le calcul, cette CPO s’écrit :
59
Annexes 60
∂ X
0= [Iij − exij b ]2 ∗ e−xij b
∂b
ij
X
= −2xij exij b [Iij − exij b ]e−xij b − xij e−xij b [Iij − exij b ]2
ij
X
= −xij [Iij − exij b ](2 + e−xij b [Iij − exij b ])
ij
X
= −xij [Iij − exij b ](1 + e−xij b Iij )
ij
(D.4)
−xij [Iij − exij b ] avec un facteur

P
On retrouve la CPO d’un processus de Poisson 0 = ij
perturbateur Fij = 1 + e−xij b Iij . Notons que quand b est proche de β, exij b = Iîj est la
valeur estimée par le modèle de Iij , donc e−xij b Iij est proche de 1 et Fij est proche de
2. Si on note ηij , (i, j) ∈ I × J les résidus de la régression : ηij = Iij − exij b , de variances
2 , on peut comparer les variances des deux facteurs de la CPO :
σij
V ar([Iij − exij b ] = V ar(ηij ) = σij

2
et
V ar(Fij ) =V ar(e−xij b Iij )

=V ar[e−xij b (exij b + ηij )]
=V ar[1 + e−xij b ηij ]
=V ar[e−xij b ηij ]
2
σij
=
e2xij b
en supposant les termes d’erreur ηij orthogonaux aux estimations exij b . Le facteur per-
turbateur Fij a donc une variance en e−2xij b .
Comme dans une estimation par pseudo-maximum de vraisemblance de Poisson nous

conservons les interactions nulles pour la modélisation, il s’ensuit que beaucoup d’esti-
mations exij b sont proches de zéro. Toutefois, pour chaque interaction nulle Iij = 0, on
a par définition ηij = −exij b , d’où Fij = 1 et V ar(Fij ) = 0 .
Inversement, si Iij et donc exij b sont grands, alors ηij << exij b et Fij → 2. Si de plus la
variance des termes d’erreur est proportionnelle aux observations : σij = αIij ∼ αexij b ,
2
σij α
alors V ar(Fij ) = 2xij b ∼ → 0 quand Iij → ∞.
e exij b
Annexes 61
La difficulté survient pour des interactions faibles mais non nulles pour lesquelles l’esti-
mation Iîj = exij b serait très proche de zéro. En ce cas e−xij b devient explosif et le modèle
aura tendance à sur-pondérer ces observations. En conséquence, les paramètres estimés
β̂ risquent de devenir instables s’il y a beaucoup d’observations atypiques parmi les in-
teractions faibles, en particulier si le système estime comme quasi-nulles des interactions
qui ne le sont pas.
En conclusion, par rapport à la CPO (4.7), la CPO (B.4) conduit à doubler le poids des
interactions fortes par rapport aux interactions nulles et à accorder plus d’importance
aux interactions faibles mais non-nulles.
Chercher à estimer la variance conditionnelle conjointement aux paramètres dans un

modèle de moindres carrés pondérés conduira donc en général à des résultats similaires
à ceux obtenus par le pseudo-maximum de vraisemblance de Poisson, avec une influence
moindre des interactions nulles et un risque d’instabilité en cas de valeurs atypiques
parmi les interactions faibles.
Annexe E
Bulletin individuel de recensement
62
Recensement de la population - 2017
Bulletin individuel
Annexes 63
Exemple : DUPAS, épouse MAURIN

Cadre à remplir par l’agent recenseur
Nom :
Imprimé n° 3
Prénom :
commune
Adresse :
dépt commune
1 Sexe Masculin 1 Féminin 2 7 La suite du questionnaire s’adresse

aux personnes de 14 ans ou plus.
2 Date et lieu de naissance
8 Vivez-vous en couple ? Oui 1 Non 2
Né(e) le :
jour mois année
9 Êtes-vous ?
à: • Marié(e) . . . . . . . . . . . . . . . 1 • Pacsé(e) . . . . . . . . . . 2
commune (et arrondissement pour Paris, Lyon, Marseille)
• En concubinage ou union libre. . . . . . . . . . . . . . . . . 3
• Veuf(ve) . . . . . . . . . . . . . . . 4 • Divorcé(e) . . . . . . . . . 5
département n° DOM pays pour l’étranger, territoire pour les COM • Célibataire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Si vous êtes né(e) à l’étranger, en quelle année 10 Quel(s) diplôme(s) avez-vous ?

êtes-vous arrivé(e) en France ? • Vous n’avez jamais été à l’école ou vous l’avez
quittée avant la fin du primaire . . . . . . . . . . . . . . . . . . . . . . 01
année
• Aucun diplôme et scolarité interrompue à la
fin du primaire ou avant la fin du collège . . . . . . . 02
4 Quelle est votre nationalité ?
• Française • Aucun diplôme et scolarité jusqu’à
la fin du collège ou au-delà. . . . . . . . . . . . . . . . . . . . . . . . . . 03
– Vous êtes né(e) français(e). . . . . . . . . . . . . . . . . 1
• CEP (certificat d’études primaires) . . . . . . . . . . . . . 11
– Vous êtes devenu(e) français(e) (par exemple :
par naturalisation, par déclaration, à votre majorité). . . . . . . 2
• BEPC, brevet élémentaire, brevet des
collèges, DNB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Indiquez votre nationalité à la naissance : • CAP, BEP ou diplôme de niveau équivalent . . . . . . 13
• Baccalauréat général ou technologique,
brevet supérieur, capacité en droit, DAEU, ESEU . . . . . . . 14
• Étrangère . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 • Baccalauréat professionnel, brevet professionnel,

de technicien ou d’enseignement,
Indiquez
diplôme équivalent . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
votre nationalité :
• BTS, DUT, Deug, Deust, diplôme de la santé ou
du social de niveau bac+2, diplôme équivalent . . . . . . . . 16
5 Êtes-vous inscrit(e) dans un établissement • Licence, licence pro, maîtrise, diplôme
d’enseignement pour l’année scolaire en cours ? équivalent de niveau bac+3 ou bac+4 . . . . . . . . . . 17
Y compris apprentissage ou études supérieures. • Master, DEA, DESS, diplôme grande école
niveau bac+5, doctorat de santé.. . . . . . . . . . . . . . . . . . . . . 18
Oui 1 Non 2
• Doctorat de recherche (hors santé) . . . . . . . . . . . . 19
Si oui, où est situé cet établissement d’enseignement ?
• Dans la commune où vous résidez (ou dans le 11 Quelle est votre situation principale ?
même arrondissement pour Paris, Lyon, Marseille) . . . . 1
Ne cochez qu’une seule case.
• Dans une autre commune (ou un autre arrondissement) . . 2 • Emploi (salarié ou à votre compte, y compris aide
Indiquez cette autre commune : d’une personne dans son travail)
È cochez puis passez en 18 . . . . . . . . . . . . . . . . . . . . . . . . . . 1
• Apprentissage sous contrat ou stage rémunéré

commune (et arrondissement pour Paris, Lyon, Marseille) département n° DOM È cochez puis passez en 18 . . . . . . . . . . . . . . . . . . . . . 2
• Études (élève, étudiant) ou stage non rémunéré . . . . . 3

6 Où habitiez-vous le 1er janvier 2016 ? • Chômage (inscrit ou non au pôle emploi) . . . . . . . 4
Les enfants nés après cette date ne sont pas concernés.
• Retraite ou préretraite
• Dans le même logement que maintenant . . . . . . . . . . . . 1
(ancien salarié ou ancien indépendant) . . . . . . . . . . . . . . . . 5
• Dans un autre logement de la même commune
• Femme ou homme au foyer. . . . . . . . . . . . . . . . . . 6
(ou du même arrondissement pour Paris, Lyon, Marseille) . . 2
• Autre situation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
• Dans une autre commune
(ou un autre arrondissement pour Paris, Lyon, Marseille) . . . . . . 3
12 Travaillez-vous actuellement ?
Indiquez cette autre commune :
Si vous avez un emploi occasionnel ou de très courte durée, ou si
vous êtes en apprentissage ou en stage rémunéré, cochez « Oui ».
Si vous êtes en congé maladie ou de maternité, cochez « Oui ».
• Oui È cochez puis passez en 18 . . . . . . . . . . . . . . . . . . . . . 1
• Non È cochez puis passez en 13 . . . . . . . . . . . . . . . . 2

département n° DOM pays pour l’étranger, territoire pour les COM
Continuez page suivante et n'oubliez pas de signer ➜
13 Si vous ne travaillez pas actuellement, répondez 23 Occupez-vous votre emploi :
aux questions 14 à 17 . à temps complet ? 1 à temps partiel ? 2
Annexes 64
14 Avez-vous déjà travaillé ? 24 Êtes-vous :
• Oui. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 • indépendant ou à votre compte ? . . . . . . . . . . . . . . . . . . . . 1
• Non È cochez puis passez à la question 17 . . . . . . . 2 • chef d’entreprise salarié, PDG, gérant(e)
minoritaire de SARL ?. . . . . . . . . . . . . . . . . . . . . . . . . . 2
15 Étiez-vous :
• salarié(e) ou stagiaire rémunéré(e) ? . . . . . . . . . . . . . . . . . . 1
• salarié(e) ? È cochez puis passez en 27 . . . . . . . . . . . . . . . 3
• Vous aidez une personne dans son travail

• indépendant ou à votre compte ? . . . . . . . . . . . . . . 2
sans être rémunéré(e) . . . . . . . . . . . . . . . . . . . . . . . . . 4
• Vous aidiez une personne dans son travail
sans être rémunéré(e) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 25 Si vous êtes à votre compte ou chef d'entreprise
16 Quelle était votre profession principale ? combien de salariés employez-vous ?
Aucun 0 1à9 1 10 ou plus 2
26 Si vous n'êtes pas salarié, quelle est votre

17 Cherchez-vous un emploi ? profession ?
• Oui, depuis moins d’un an. . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Soyez précis. Par exemple : « FLEURISTE » (et non « COMMERÇANT »).
• Oui, depuis un an ou plus . . . . . . . . . . . . . . . . . . . . . 2
• Non. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
27 La suite du questionnaire s’adresse aux salariés.

18 La suite du questionnaire s’adresse aux
personnes qui travaillent actuellement.
Si vous exercez plusieurs emplois, décrivez uniquement votre
28 Quel est votre type de contrat ou d'emploi ?
emploi principal aux questions 19 à 31 . • Emploi sans limite de durée, CDI (contrat à durée
indéterminée), titulaire de la fonction publique . . . . . . . . 1
19 Quel est le nom de l’établissement qui vous • Contrat d’apprentissage et de professionnalisation . . . 2

emploie ou que vous dirigez ? • Placé par une agence d’intérim . . . . . . . . . . . . . . . . . . . . . . 3
2016-04-SE010655
Si vous êtes intérimaire, précisez le nom de l’établissement où • Stage rémunéré en entreprise. . . . . . . . . . . . . . . . . . 4
vous faites votre mission. Si vous êtes à votre compte, inscrivez
• Emploi aidé (contrat unique d’insertion, d’initiative
le nom de l’entreprise ou votre nom.
emploi, d’accompagnement dans l’emploi, avenir, etc.). . . . . . . 5
• Autre emploi à durée limitée, CDD (contrat à durée
déterminée), contrat court, saisonnier, vacataire, etc.. . . 6
NATIONALE
20 Quelle est l’activité de cet établissement ?
Soyez très précis (par exemple : « RÉPARATION AUTOMOBILE »).
29 Dans votre emploi, êtes-vous :
S’il s’agit d’une exploitation agricole, précisez également • manœuvre, ouvrier spécialisé ? . . . . . . . . . . . . . . . . . . . . . . 1
l’orientation des productions (vigne, élevage de volailles, etc.). • ouvrier qualifié ou hautement qualifié,
IMPRIMERIE
technicien d’atelier ? . . . . . . . . . . . . . . . . . . . . . . . . . . 2
• technicien (non cadre) ?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

• agent de catégorie B de la fonction publique ? . . . 4
21 Quelle est l’adresse de votre lieu de travail ?
Indiquez l’endroit où vous commencez habituellement votre • agent de maîtrise, maîtrise administrative ou
travail (exemple : 18, boulevard Pasteur). commerciale, VRP ?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Si cet endroit n’est pas fixe, notez « variable ». • agent de catégorie A de la fonction publique ? . . . 6
Si vous travaillez à votre domicile, notez « à domicile ».
Si vous travaillez chez un particulier, notez « particulier ». • ingénieur, cadre d’entreprise ? . . . . . . . . . . . . . . . . . . . . . . . 7
• agent de catégorie C de la fonction publique ? . . . . . 8
• employé (par exemple : de bureau, de commerce,

de la restauration, de maison) ? . . . . . . . . . . . . . . . . . . . . . . 9
Est-ce dans la commune où vous résidez ? 30 Quelle est votre profession principale ?
(ou dans l'arrondissement pour Paris, Lyon, Marseille) Soyez précis. Par exemple : « AGENT D’ENTRETIEN » (et non
Oui 1 Non 2 « EMPLOYÉ »), « RESPONSABLE SERVICE CLIENTÈLE » (et non
Si non, indiquez la commune où vous travaillez : « CADRE »). Si vous êtes agent de la fonction publique d’État,
territoriale ou hospitalière, indiquez votre grade (corps,
catégorie, etc.).
département n° DOM pays pour l’étranger
22 Quel mode de transport principal utilisez-vous

le plus souvent pour aller travailler ? 31 Dans votre emploi, quelle est votre fonction
• Pas de déplacement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
principale ?
• Production, exploitation, chantier . . . . . . . . . . . . . . . . . . . . 1
• Marche à pied (ou rollers, patinette) . . . . . . . . . . . . 2
• Vélo (y compris à assistance électrique) . . . . . . . . . . . . . . 3
• Installation, réparation, maintenance. . . . . . . . . . . . 2
• Deux-roues motorisé . . . . . . . . . . . . . . . . . . . . . . . . . . 4 • Gestion, comptabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
• Voiture, camion ou fourgonnette . . . . . . . . . . . . . . . . . . . . . 5 • Études, recherche. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
• Transports en commun . . . . . . . . . . . . . . . . . . . . . . . . 6 • Autre : commerciale, secrétariat, logistique, etc. . . . . . . 5
Merci pour votre participation

Vu l'avis favorable du Conseil national de l'information statistique, et en application de la loi n° 51-711 du 7 juin 1951 modifiée, cette enquête, reconnue d'intérêt général et
de qualité statistique, est obligatoire. Les réponses sont protégées par le secret statistique et destinées à l'élaboration de statistiques sur la population et les logements.
Visa n° 2015A001EC du Ministre des finances et des comptes publics et du Ministre de l’économie, du redressement productif et du numérique, valable pour les
années 2015 à 2019. Date : ..............................................................................
En application de la loi n° 2002-276 du 27 février 2002, l'enquête de recensement est placée sous la responsabilité de l'Insee et des communes ou des
établissements publics de coopération intercommunale. Signature :
La loi n° 78-17 du 6 janvier 1978 modifiée garantit aux personnes enquêtées un droit d'accès et de rectification pour les données les concernant.
Ce droit peut être exercé auprès des directions régionales de l'Insee.
Annexe F
Anomalies détectées dans le RP

2013
F.1 Relevé des anomalies adressé au Pôle recensement
En étudiant les navettes domicile-travail entre les Aires Urbaines de France, quelques
résultats surprenants ont permis de faire ressortir de possibles erreurs de codage lors de
la saisie du RP.
F.1.1 Problème de codage de la commune de travail
F.1.1.1 Évron
La commune de Martignat (code Insee : 01237) près d’Oyonnax (Ain, 01283) comprend
le lieu-dit « hameau d’Évron » où se trouvent plusieurs entreprises dont une usine d’em-
ballage.
Selon le RP 2013, 34 personnes (soit 21 enquêtés avant pondération) résident dans l’aire
urbaine d’Oyonnax et travaillent à Évron (Mayenne, 53097) à 700km de là.
Je pense que ces personnes travaillent en réalité à Martignat et qu’elle ont renseigné à
tort « Évron » comme lieu de travail lors de l’enquête de recensement en confondant
lieu-dit et commune.
65
Annexes 66
F.1.1.2 Faverolles
21 personnes habitant Montdidier (80561) travailleraient dans le village de Faverolles

(02302), 300 habitants, situé à 1h30 de route.
Ils travaillent très certainement plutôt dans la petite commune de Faverolles (80302),
dans la banlieue de Montdidier, qui abrite deux usines. L’homonymie aura engendré une
erreur de codage.
F.1.2 Problème de codage de la commune de résidence
Ces erreurs éventuelles me semblent potentiellement plus ennuyeuses car la commune de

résidence détermine les populations légales et elle est utilisée dans énormément d’études.
Les métadonnées ou les informations sur les logements permettront peut-être de confirmer
ou de dissiper ces soupçons.
F.1.2.1 Beausoleil
Salon-la-Tour (Corrèze, 19250) contient le lieu-dit « Beausoleil ».
La commune de Beausoleil (Alpes-maritimes, 06012) abrite selon le RP 16 personnes qui

travaillent à Uzerche (19276).
Uzerche étant à 800 km de la commune de Beausoleil et à 10km du lieu-dit Beausoleil,

je pense qu’il s’agit d’habitants de Salon-la-Tour qui ont confondu lieu-dit et commune
en renseignant leur adresse.
F.1.2.2 Le Brudou
Le Brudou est un lieu-dit de Beynac-et-Cazenac (Dordogne, 24040), à 3km de Vézac

(24577) et 12km de Sarlat-la-Canéda (24520).
D’après le RP, 12 personnes habitent Brou (Eure-et-Loir, 28061) et travaillent soit à

Vézac soit à Sarlat-la-Canéda, à plus de 450km.
Je pense que des habitants de Beynac-et-Cazenac ont renseigné le nom de lieu-dit « Bru-
dou » et que l’algorithme d’encodage, ne trouvant pas de commune à ce nom, leur a
attribué la commune dont le nom est le plus proche, « Brou ».
Annexes 67
F.1.3 Cas inexpliqués
78 navetteurs de Morteau (Doubs, 25411) vers la commune de Vedène (Vaucluse, 84141)
37 navetteurs de Hesdin (Pas-de-Calais, 62447, 2200 hab) et du village voisin Huby-Saint-

Leu (62461) vers la commune d’Hermies (62440, 1200 hab) à 1h30’.
13 navetteurs de Dijon et son aire urbaine vers Monclar-sur-Losse (32265), 105 habitants.
(Monclar est le nom d’un entraîneur de basket professionnel à Dijon, peut-on croire à un
canular ?)
25 navetteurs de Prémontré (02619, 700 habitants) vers Origny (02574, 1500 habitants)
à 1h20’.
F.1.4 Cas qui ne correspondent pas à un problème de codage :
F.1.4.1 Sarrebourg
11 navetteurs de Sarrebourg (Moselle, 57630) vers Saint-Étienne-du-Grès (Bouches-du-

Rhône, 13094)
L’entreprise de construction NGE (gros employeur de Saint-Étienne-du-Grès, 200 à 249

salariés) a réalisé le Center Parcs des Trois Forêts Moselle/Lorraine en 2010 (agrandi
ultérieurement), près de Sarrebourg. Des salariés installés à Sarrebourg ont-ils été rapa-
triés au siège de l’entreprise une fois les travaux finis ? (une enquête de recensement a
lieu chaque année à Sarrebourg, commune de plus de 10 000 habitants.)
F.1.4.2 Haneycourt
Suite à la réforme de la carte militaire, la base aérienne 103 de Cambrai-Epinoy a été

fermée en septembre 2013. En conséquence, le recensement de 2013 fait apparaître 137
habitants du village de Haneycourt (Nord, 59294), où était située la base, qui travaillent
en France hors des Hauts-de-France. De toute évidence, il s’agit de militaires ayant changé
d’affectation suite à la fermeture de la BA 103. On observe ainsi des flux importants
de navetteurs entre Haneycourt et des communes abritant des bases militaires comme
Barby(73) ou Castelnaudary(11).
Annexes 68
F.2 Retours
Des échanges avec le Pôle Recensement de l’Insee ont permis d’apporter plusieurs préci-
sions :
— Les problèmes de codage de la commune de travail lorsqu’il y a homonymie sont
très plausibles ;
— Les problèmes de codage de la commune de résidence sont impossibles, et les
populations légales ne sont pas remises en cause ;
— Une explication a été apportée pour le flux de Morteau (25) vers Vedène (84).
Il se trouve qu’à Morteau, 569 personnes ont déclaré travailler à La Chaux de
Fonds (Suisse), juste de l’autre côté de la frontière. 491 ont précisé Suisse dans
la zone "pays du lieu de travail" sur leur bulletin individuel, ils sont tous bien
codés comme travaillant en Suisse ; 78 n’ont pas précisé le pays et sont tous codés
comme travaillant à Vedène. Pourquoi Vedène ? une hypothèse : il existe dans
cette commune un lotissement "Le Four à Chaux" voisin d’une Z.I. "Les Fonds"...
Il y a donc bien une erreur de codage du prestataire ;
— Les problèmes d’homonymie des noms de lieux dans le RP sont connus, les DR
en signalent chaque année et la Dorre (Division Organisation des Recensements
et Relations Extérieures) adapte les consignes données à Jouve pour améliorer le
codage. Un travail sur l’homonymie sera réalisé par la DMTR (Division Méthodes
et Traitements des Recensements) cet été.
F.3 Traitements
Dans le cadre de ce travail, les traitements suivants ont été appliqués :

— Si une explication satisfaisante a été trouvée pour un flux surprenant de navet-
teurs, la donnée correspondante est rectifiée en amont de toute modélisation : ainsi
le flux Oyonnax -> Évron a été corrigé en un flux Oyonnax -> Martignat. Pour
la base aérienne de Haneycourt, faute d’information sur les nouveaux lieux de
résidence et de travail des militaires, les flux entre Haneycourt et toute commune
hors des Hauts-de-France ont simplement été retirés du jeu de données.
— En l’absence d’explication satisfaisante, les flux surprenants ont été conservés tels
quels ; c’est le cas par exemple des 16 navetteurs de Beausoleil à Uzerche.
Annexe G
Définitions et zonages Insee
Aire urbaine
Une aire urbaine ou « grande aire urbaine » est un ensemble de communes, d’un seul
tenant et sans enclave, constitué par un pôle urbain (unité urbaine) de plus de 10 000
emplois, et par des communes rurales ou unités urbaines (couronne périurbaine) dont au
moins 40 % de la population résidente ayant un emploi travaille dans le pôle ou dans des
communes attirées par celui-ci.
Le zonage en aires urbaines 2010 distingue également :
- les « moyennes aires », ensemble de communes, d’un seul tenant et sans enclave, consti-
tué par un pôle urbain (unité urbaine) de 5 000 à 10 000 emplois, et par des communes
rurales ou unités urbaines dont au moins 40 % de la population résidente ayant un emploi
travaille dans le pôle ou dans des communes attirées par celui-ci.
- les « petites aires », ensemble de communes, d’un seul tenant et sans enclave, constitué
par un pôle (unité urbaine) de 1 500 à 5 000 emplois, et par des communes rurales ou
unités urbaines dont au moins 40 % de la population résidente ayant un emploi travaille
dans le pôle ou dans des communes attirées par celui-ci.
https ://www.insee.fr/fr/metadonnees/definition/c2070
https ://www.insee.fr/fr/metadonnees/definition/c1435
https ://www.insee.fr/fr/information/2115011
69
Annexe H
Carte des Aires Urbaines de France
Figure H.1 – Les Aires Urbaines de France - Zonage 2010
70
Annexe I
Flux de navetteurs entre les Aires

Urbaines françaises : modèle sans
frontières régionales
I.1 Hypothèses
Nous cherchons à estimer le flux de navetteurs entre deux aires urbaines i et j par
β2
Eiβ1 Aj γ
Fij = K . .d .ηij = eXij β+ij (I.1)
Ωi Θj ij
où Ei est le nombre total de travailleurs habitant en i, Aj est le nombre total de personnes
travaillant en j, dij est le distance entre les chefs-lieux de i et de j.
Ce modèle ne fait intervenir aucune variable instrumentale.
I.2 Validation
I.2.1 Paramètres estimés
L’estimation du modèle par PPML avec termes MR permet d’obtenir les coefficients
suivants :
Comme K = e−3.13 ≈ 0.044, le modèle estimé s’écrit :
Ei1.32 A1.39
j
F̂ij ≈ 0.044 . .d−3.81 (I.2)
Ωi Θj ij
71
Annexes 72
Paramètre Valeur estimée std.error statistic p.value

1 (Intercept) -3.13 0.62 -5.02 0.00
2 lresi 1.32 0.04 29.73 0.00
3 ltrav 1.39 0.03 48.48 0.00
4 logDist -3.81 0.00 -779.34 0.00
Table I.1 – Migrations alternantes entre Aires Urbaines de France sans frontières
régionales : coefficients estimés
Ainsi le flux de navetteurs entre i et j dépend pour une part similaire de la main d’oeuvre
mobile de i Ei et de l’attractivité de j Aj . Le paramètre γ = −3.81, fortement inférieur
à −2, prouve que les flux se tarissent rapidement quand la distance dij augmente.
I.2.2 Ajustement du modèle
Le modèle obtenu offre une bonne prédiction des flux de navetteurs réellement observés :
ainsi le R2 , défini comme le carré de la corrélation entre les valeurs réelles et les valeurs
prédites, atteint 0.92. Pour comparaison, une estimation du modèle avec la méthode des
moindre carrés ordinaires (sans effets fixes et en excluant les flux nuls) aboutissait à un
R2 de 0.50.
I.2.3 Adding-up problem
On vérifie la propriété de l’estimateur PPML démontrée par Arvis et Ben Shepherd[10] :

pour chaque aire urbaine, la somme des flux sortants (resp. entrants) estimés est égale à
la somme des flux sortants (resp. entrants) réels.
Ainsi, on vérifie la propriété "adding-up" de l’estimation PPML : pour chaque commune

de départ comme pour chaque commune de destination, la somme des flux estimés égale
la somme des flux observés.
I.3 Analyse des résultats
I.3.1 Termes MR
Pour le modèle soit identifiable, un terme de résistance multilatérale a été fixé à 0 : il

s’agit du terme d’attractivité de l’Aire Urbaine de Paris Θ001 . L’algorithme a donc estimé
768 termes MR de zones émettrices et 767 termes MR de zones réceptrices. Environ un
quart des effets fixes associés à une aire urbaine de résidence ou de destination ne sont
Annexes 73
Figure I.1 – Ajustement des estimations du modèle par rapport aux flux réels
Flux de navetteurs entre aires urbaines, France métropolitaine, 2013
Ei1.32 A1.39
j −3.81
Modèle : F̂ij ≈ 0.044 Ωi . Θj .dij
pas significativement différents de zéro à 5%. Néanmoins, il convient de maintenir tous

ces termes dans le modèle afin de préserver sa cohérence.
La valeur absolue et le signe d’un terme MR ne peuvent pas être interprétés per ipse car
ils sont dépendants du choix arbitraire d’avoir fixé Θ001 = 0. Cependant les termes MR
Annexes 74
peuvent être comparés entre eux pour caractériser les Aires Urbaines avec des compor-
tement spécifiques et leur situation dans le tissu économique.
Aires Urbaines faiblement émettrices
Ainsi, les aires urbaines avec un terme MR émetteur faible sont celles dont la main
d’oeuvre, toutes choses égales par ailleurs, est moins souvent employée dans les autres
aires urbaines de France. Nous y retrouvons des aires urbaines frontalières abritant une
forte population de travailleurs transfrontaliers :
Code AU Nom terme MR émetteur estimé

3 059 Thionville -3.06
2 037 Genève (SUI) - Annemasse (pf) -2.91
6 098 Bâle (SUI) - Saint-Louis (pf) -2.84
7 111 Armentières (pf) -2.76
10 278 Senlis -2.74
11 463 Bourg-Saint-Andéol -2.67
12 557 Neuf-Brisach -2.47
4 070 Creil -2.34
5 076 Vienne -2.23
13 727 Artix -2.17
1 014 Douai - Lens -2.14
9 184 Saint-Amand-les-Eaux -2.11
8 115 Longwy (pf) -2.10
Table I.2 – Termes MR des AU d’origine des flux les plus faibles
(pf ) : partie française d’une aire urbaine transfrontalière
Ainsi, 30% de la main d’oeuvre de l’aire urbaine de Thionville travaille au Luxembourg

et 50% de la main d’oeuvre de l’aire urbaine de Genève-Annemasse (partie française)
travaille en Suisse. Les mains d’oeuvre de Bâle (SUI) - Saint-Louis (pf) comme d’Ar-
mentière (pf) sont pareillement tournées vers la Suisse et la Belgique respectivement.
Notre modèle ne prenant en compte que les navettes à destination d’aires urbaines fran-
çaises, il ne capte pas ces flux transfrontaliers. La capacité émettrice de travailleurs de
ces zones vers la France est donc moindre que ce qu’on anticiperait avec les seules masses
et distances.
Aires urbaines plus mobiles
Inversement, 36 aires urbaines font à la fois partie des 100 plus forts termes MR émetteurs
et des 100 plus forts termes MR récepteurs. Ces zones sont donc particulièrement mobiles
avec des flux de navetteurs entrant et sortant relativement forts. On y retrouve les aires
urbaines de Corse et des massifs montagneux, où les distances routières sont élevées :
les navetteurs inter-AU en provenance ou à destination de ces territoires réalisent des
trajets plus longs du fait de leur situation géographique. Ainsi, Ajaccio et Bastia étant
distantes de 2h34’ par la route, et compte-tenu de leurs masses respectives, le modèle
Annexes 75
Code AU Nom Terme MR Terme MR Somme

émetteur récepteur
090 Ajaccio 5.18 2.87 8.05
097 Bastia 4.37 1.56 5.93
325 Porto-Vecchio 4.15 1.08 5.24
393 Corte 3.73 1.08 4.81
391 Calvi 3.93 0.73 4.66
551 Bagnères-de-Luchon 3.40 1.22 4.62
723 Abondance 2.14 2.38 4.51
262 Briançon 2.62 1.70 4.32
670 Barcelonnette 2.79 1.26 4.05
736 Lacaune 3.00 0.84 3.84
537 Die 2.44 1.24 3.68
218 Digne-les-Bains 2.64 0.61 3.25
125 Aurillac 2.26 0.75 3.01
667 Bourganeuf 2.06 0.91 2.97
271 Mende 2.26 0.68 2.95
681 Villard-de-Lans 1.84 1.01 2.85
438 Embrun 2.08 0.76 2.84
669 Langogne 2.04 0.79 2.83
577 Mauriac 2.20 0.61 2.80
467 La Mure 1.84 0.89 2.73
136 Gap 2.14 0.45 2.58
661 Saint-Georges-de-Mons 1.72 0.73 2.45
314 Bormes-les-Mimosas - Le Lavandou 1.95 0.43 2.39
447 Crozon 1.62 0.75 2.37
600 Quiberon 1.80 0.50 2.30
567 Modane 1.39 0.91 2.30
651 Dieulefit 1.89 0.41 2.29
440 Saint-Yrieix-la-Perche 1.68 0.59 2.27
007 Nice 1.46 0.66 2.11
540 Hauteville-Lompnes 1.42 0.68 2.09
487 Aubusson 1.66 0.39 2.05
412 Port-Saint-Louis-du-Rhône 1.72 0.31 2.03
571 Bellac 1.38 0.59 1.97
652 Langeac 1.57 0.37 1.94
408 La Châtre 1.34 0.51 1.85
595 Thiviers 1.47 0.34 1.82
Table I.3 – Termes MR des AU mobiles
sans effets fixes anticipe moins d’un navetteur d’Ajaccio vers Bastia. Une fois pris en
compte les termes MR, en revanche, il en prédit 125. Le flux mesuré par le Recensement
de la Population en 2013 est de 118 navetteurs.
Aires urbaines moins mobiles
Inversement, 34 aires urbaines font à la fois partie des 100 plus faibles termes MR émet-
teurs et des 100 plus faibles termes MR récepteurs. Leurs mains d’oeuvre sont donc
Annexes 76
relativement moins mobiles que ce qu’on pourrait attendre compte tenu de leur situa-
tion géographique. Outre certaines régions frontalières, cela semble être le cas de deux
types d’aires urbaines : celles échangeant de la main d’oeuvre avec des communes mul-
tipolarisées ou isolées des grands pôles, ces échanges échappant à notre jeu de données,
et les aires urbaines bénéficiant d’un important bassins d’emplois à proximité : ainsi
une part importante des travailleurs de Bourg-Saint-Andéol, Saint-Paul-Trois-Châteaux,
Thionville, sont employés dans les centrales nucléaires du Tricastin ou de Cattenom.
Code AU Nom Terme MR Terme MR Somme

émetteur récepteur
727 Artix -2.17 -4.40 -6.57
463 Bourg-Saint-Andéol -2.67 -2.71 -5.38
059 Thionville -3.06 -2.21 -5.27
076 Vienne -2.23 -2.98 -5.20
278 Senlis -2.74 -2.07 -4.81
245 Saint-Brevin-les-Pins -1.95 -2.56 -4.52
435 Aigues-Mortes -1.22 -3.28 -4.50
111 Armentières (pf) -2.76 -1.74 -4.49
133 Haguenau -1.99 -2.30 -4.28
411 Ugine -1.68 -2.60 -4.28
521 Mortagne-sur-Sèvre -1.91 -2.31 -4.22
708 Noyal-Pontivy -1.89 -2.17 -4.06
216 Auray -1.41 -2.52 -3.93
629 Rouffach -1.66 -2.14 -3.80
192 Thann - Cernay -1.81 -1.95 -3.76
062 Arras -1.89 -1.81 -3.70
631 Torigny-les-Villes -1.67 -1.85 -3.52
024 Metz -1.83 -1.68 -3.51
198 Guebwiller -1.81 -1.60 -3.41
351 Lamballe -0.97 -2.41 -3.39
707 La Verrie -1.50 -1.78 -3.28
329 Montaigu -1.15 -2.10 -3.25
174 Saint-Avold (pf) -1.37 -1.82 -3.20
317 Pont-l’Abbé -0.93 -2.23 -3.15
688 Le Pouzin -0.89 -2.17 -3.06
545 Montréal-la-Cluse -1.28 -1.74 -3.03
179 Beaune -1.12 -1.89 -3.00
381 Saint-Paul-Trois-Châteaux -1.02 -1.85 -2.87
193 Dinard -1.07 -1.79 -2.86
257 Sélestat -1.25 -1.61 -2.86
418 Valognes -1.04 -1.73 -2.77
084 Cholet -1.06 -1.69 -2.75
693 La Monnerie-le-Montel -1.07 -1.66 -2.73
279 Les Herbiers -0.87 -1.85 -2.72
Table I.4 – Termes MR des AU moins mobiles

Annexes 77
I.3.2 Résidus positifs
Figure I.2 – Flux observés se distinguant de l’estimation du modèle

Écart de plus de 1000 navetteurs représentant au moins 25% du flux
On observe des flux beaucoup plus intenses que prévu par le modèle depuis les grandes
aires urbaines de province vers celle de Paris : ainsi, des milliers de personnes déclarent
vivre respectivement à Lyon, Marseille - Aix-en-Provence, Toulouse, Bordeaux, Nantes,
Lille, Nice, Strasbourg, et travailler à Paris. Compte tenu de la distance, notre modèle
n’en prévoit que quelques centaines.
De fait, les transports rapides que sont le TGV ou les liaisons aériennes réduisent forte-
ment la notion de distance entre métropoles par rapport à la distance routière que nous
Annexes 78
avons utilisée. Par ailleurs, pour beaucoup de ces travailleurs, il faut relativiser la notion
de "navette" : il est probable que beaucoup des Marseillais travaillant à Paris ne font pas
d’aller-retour quotidien domicile-travail, mais bénéficient d’une solution d’hébergement
secondaire plus proche de leur lieu de travail.
D’autres flux plus importants que prévu traduisent une forte co-intégration économique
entre deux aires urbaines voisines : Nantes et Saint-Nazaire d’une part, Douai-Lens et
Béthune d’autre part échangent de forts flux réciproques de main-d’oeuvre. Si ce phéno-
mène s’amplifie, ces aires urbaines pourraient à terme fusionner.
Enfin, c’est l’étude des résidus fortement positifs là où le modèle n’attend aucun navetteur
qui a permis de repérer les observations anormales dans les données du Recensement de
la Population listées en Annexe.F
I.3.3 Résidus négatifs
Toutes choses égales par ailleurs, Paris attire des flux moins intenses que prévu depuis
les autres grands pôles du bassin parisien : les mains-d’oeuvre de Rouen, Reims, Orléans,
Douai - Lens, Béthune, Compiègne, Auxerre, Troyes, Blois évitent ainsi une dépendance
trop forte au marché de l’emploi de la capitale. Comme l’estimation par PPML assure que
la somme des flux estimés à destination d’une aire urbaine donnée est égale à la somme des
flux observés, ces résidus négatifs peuvent également être vus comme une compensation
de la sous-estimation des flux depuis les grandes aires urbaines plus lointaines vers Paris.
Les flux centripètes de Paris vers Reims, Orléans, Compiègne et Douai-Lens sont aussi
relativement faibles.
Les aires urbaines de Marseille - Aix-en-Provence et de Toulon ont également des échanges
de mains-d’oeuvre peu intenses compte tenu de leurs tailles et de leur proximité géogra-
phique. Une même séparation relative des marchés du travail est observée pour Nantes
et Angers, pour Béthune et Arras ou pour Pau et Tarbes.
La main d’oeuvre lyonnaise se déplace plus volontiers vers les bassins d’emploi de Bourg-
en-Bresse ou de Grenoble que vers Saint-Étienne. Enfin, les flux de Lille vers Armentières
et Douai - Lens, comme de Caen vers Le Havre sont également plus faibles qu’attendu.
Annexe J
Convention de l’étude en
partenariat sur le stationnement et
les mobilités au sein de la MEL
79
Annexes 80
Convention de partenariat relative à la réalisation d'une étude partenariale

sur le stationnement et la mobilité au sein du territoire de la
Métropole Européenne de Lille
N° 2017T0049
Entre
Le Ministère de l’Économie, représenté par Monsieur Jean-Christophe FANOUILLET, directeur régional de

l’Institut National de la Statistique et des Études Économiques des Hauts-de-France, 130 avenue Kennedy –
CS 70769 – 59034 Lille Cedex,
Ci-après dénommé « l'Insee »,
d'une part,
et
La Métropole Européenne de Lille représenté par M. Damien CASTELAIN, son Président, 1, rue du Ballon
CS 50749 59034 LILLE CEDEX,
et ci-après dénommée « la MEL »,
d'autre part,
Conjointement désignés les « partenaires ».
Il est convenu ce qui suit :
Préambule
En application de la convention cadre entre l'Insee et la MEL (2015043NF) signée le 30/09/2015, il est
proposé d’engager une étude sur le stationnement et la mobilité au sein du territoire de la Métropole
Européenne de Lille.
Concernant le volet « mobilité », l'objectif est d'analyser les évolutions des déplacements domicile-travail et
domicile-étude au gré des mutations passées du réseau de transport depuis 1990. Les données des
différents millésimes du recensement de la population et des données issues des enquêtes ménages
déplacements 1987, 1998, 2006 et 2016 conduites par la MEL seront mobilisées.
Concernant le volet « stationnement », il s’agira d'élaborer une méthode d’estimation du nombre de places
de stationnement privées à usage résidentiel existant et de comparer les estimations obtenues aux besoins
de la population résidant sur le versant français du territoire de la Métropole Européenne de Lille.
Convention n° 2017T0049 « stationnement et mobilité sur le territoire de la MEL »

Paraphes Insee MEL
1/11
Annexes 81
L'ensemble de ces informations sera ensuite mobilisé dans le cadre de l’évaluation du PDU (Plan de
Déplacement Urbain), de la rénovation du PLU (Plan Local d'Urbanisme) ou encore pour analyser l’influence
des grandes infrastructures mises en œuvre depuis 1990 sur les mobilités de l’agglomération lilloise. Elles
permettront de mieux connaître la dynamique des problématiques de stationnement et de mobilité au sein du
territoire de la Métropole Européenne de Lille.
Par conséquent, la MEL et l'Insee, au vu de l'intérêt partagé, s'engagent dans la réalisation en commun de
cette étude.
Article 1 - Objet de la convention

L’Insee et la MEL s'engagent à réaliser en partenariat une étude sur le stationnement et la mobilité. Chaque
partenaire apporte sa contribution dans le respect de ses missions et de ses compétences. L'Insee publie
l'étude et participe à ce titre à sa mission d'information générale.
La présente convention définit les conditions administratives, juridiques, financières et techniques du

partenariat entre l’Insee et la MEL.
Article 2 - Pilotage des travaux

Les travaux s’inscrivent dans une démarche de projet. À cette fin, un comité de pilotage est mis en place.
Lors de réunions régulières, il examine, oriente et valide la réalisation de chaque étape du projet selon le
calendrier prévisionnel figurant en annexe ; il arrête le contenu de la publication finale.
Le comité de pilotage est constitué de :

- pour l’Insee : du chef de projet et de l'équipe de chargés d’études mobilisée pour ce projet ;
- pour la MEL : du chef de projet mobilité durable, du chef de service Études et plan de déplacements
urbains et du directeur de la Mobilité ;
D’autres experts pourront également être associés aux travaux en tant que de besoin.
Article 3 - Contenu de l’étude

Deux volets seront réalisés, un sur la « mobilité » et l'autre sur le « stationnement » .
Concernant le volet « mobilité », il s’agit d’analyser les déplacements domicile-travail et domicile-études

entre communes selon les profils de navetteurs et le mode de transport. Dans un premier temps, il sera
question de caractériser de manière descriptive les flux de navetteurs. Cette caractérisation sera réalisée
pour différentes années d'observations, choisies depuis 1990 en fonction des données mobilisables, pour
l'ensemble des flux au départ ou à l'arrivée du versant français du territoire de la métropole européenne de
Lille. Dans un deuxième temps, sera effectuée une analyse des réseaux de déplacements interne et externe
de la MEL, en apportant des éléments explicatifs tels que la mise en place d'une nouvelle infrastructure de
transport ou l'évolution du nombre de personnes résidant sur une partie du territoire.
En parallèle, un volet « stationnement » sera réalisé. L'objectif est de construire un indicateur de pression de
stationnement résidentiel au sein des communes françaises de la métropole européenne de Lille. À cette fin,
une estimation du nombre de places de stationnement résidentiel sera réalisée au niveau IRIS. Au vu des
données disponibles, l'Insee ne fournira de données que sur les zones où le tissu résidentiel permettra de
calculer une estimation fiable. Au vu du caractère exploratoire de ce volet, il a été conjointement décidé de
ne pas publier d'étude sur ce volet mais se limiter à un document de travail à usage interne de la MEL.
Le contenu détaillé de ces deux volets d'étude, ainsi que des méthodologies et les sources utilisées sont
décrits dans l’annexe technique.
Article 4 - Livrables et calendrier prévisionnel des travaux

Les travaux donneront lieu à :
1) un document de travail sur le volet « stationnement » remis par l'Insee au deuxième semestre
2017 (non publié);

Paraphes Insee MEL
2/11
Annexes 82
2) une étude de 4 pages sur le volet « mobilité » publiée sur le site de l’Insee au premier trimestre
2018 ;
3) un document de travail contenant les chiffrages non publiés des déplacements domicile-travail et
domicile-étude mobilisés dans le cadre du volet « mobilité » accompagné de consignes
d'utilisation, remis par l'Insee au premier trimestre 2018.
Une réunion technique de présentation des résultats à la MEL sera réalisée pour présenter les résultats.
L'Insee réalisera l'ensemble des travaux en mobilisant des sources internes listées dans l'annexe technique
et des données pré-travaillées issues des enquêtes ménages déplacements réalisées par la MEL. L'Insee
bénéficiera donc de l'expertise de la MEL sur ses données pour pouvoir les exploiter.
Le calendrier prévisionnel détaillé des travaux et la répartition des tâches figurent dans l’annexe technique.
Article 5 - Dispositions éditoriales

L’étude de 4 pages sur le volet « mobilité » sera publiée dans la ligne éditoriale de l’Insee de la région
Hauts-de-France.
La publication portera les logos des partenaires.

La rédaction en chef est assurée par l’Insee.
Le directeur de la publication est le directeur régional de l’Insee.
La publication sera mise en ligne sur le site internet de l’Insee.
Elle est consultable et téléchargeable gratuitement sur insee.fr.
Dans le cadre de cette convention, il n’est pas prévu de prestation d’impression.
Article 6 - Protection juridique des données

Chacun des partenaires s’engage à respecter les obligations résultant de l’application de la loi n° 51-711 du
7 juin 1951 modifiée sur l’obligation, la coordination et le secret en matière de statistiques, et de la loi n° 78-
17 du 6 janvier 1978 modifiée relative à l’informatique, aux fichiers et aux libertés.
Article 7 - Propriété et utilisation des données

Chaque partenaire reste titulaire des droits de propriété intellectuelle qu'il détient sur ses propres données
ainsi que les outils et méthodes originales qu’il crée.
Sous réserve des dispositions des articles L 311-5 et L 311-6 du Code des Relations entre le Public et
l'Administration, avant la publication de l'étude, les données non-publiques provisoires et contribuant à la
réalisation de l'étude, échangées entre les partenaires dans le cadre de ce partenariat, ne peuvent être
diffusées, à moins qu'elles n'aient déjà été publiées auparavant.
Après la publication de l’étude, les données échangées entre les partenaires peuvent être utilisées par
chaque partenaire sous sa propre responsabilité. L’utilisation est toutefois subordonnée au respect de
l’intégrité de l’information et des données, à la mention de la source et aux obligations mentionnées à l’article
« Protection juridique des données ».
Ces dispositions ont une portée d’ordre général et demeurent applicables au-delà de la durée de la présente
convention.
Article 8 - Coûts et financement

Le coût total de l’opération définie dans la présente convention s’élève à 62 136,30 €.
Le détail des coûts et des contributions respectives des partenaires figure dans l’annexe financière.
Compte tenu de la participation de chaque partenaire aux coûts internes (moyens humains) et aux coûts
externes, et afin d’équilibrer les contributions respectives, la MEL versera à l’Insee la somme de 9 190,25 €.
Les coûts de PAO de la publication, estimés à 721,77 €, seront payés directement au prestataire par l'Insee.

Paraphes Insee MEL
3/11
Annexes 83
Article 9 - Modalités de règlement
La somme due à l’Insee par la MEL, soit 9 190,25 €, sera versée en deux fois :
- 4595,12 € à la signature de la convention ;
- 4595,13 € à la livraison de la publication prévue au premier trimestre 2018
Pour chaque versement, la MEL recevra un titre de perception (TP) par courrier. Le règlement se fera par
chèque, par virement ou en numéraire auprès de la Direction régionale (ou départementale) des finances
publiques chargée du recouvrement et à l’aide du talon de paiement joint au TP.
Le règlement devra être effectué dès réception du TP, en respectant la date limite de paiement
indiquée. Faute de quoi, la somme due sera aussitôt majorée de 10% (article 55 III B de la loi n°2010-1658
du 29 décembre 2010).
Partenaire Métropole Européenne de Lille
SIRET 245 900 410 00011

APET 8411Z – administration publique générale
Coordonnées des personnes ou des services assurant le suivi financier de cette convention :
Partenaire Nom de la personne ou Téléphone Adresse mail

désignation du service
la MEL Mathias Fontaine 03 20 21 31 54 mfontaine@lillemetropole.fr
Insee Direction générale de l’Insee 01 41 17 62 18 dg75-recettes-non-fiscales-
Section des recettes non 01 41 17 67 59 insee@insee.fr
fiscales
Article 10 - Durée de la convention

La présente convention entre en vigueur à compter de la date de sa signature par le dernier des partenaires
et est conclue jusqu’au 30/09/2018.
Les sommes dues restent exigibles au-delà de la date de fin de la convention.
Article 11 - Résiliation
Résiliation par déclaration unilatérale de volonté d'un partenaire
La dénonciation de la présente convention doit être notifiée par lettre recommandée électronique ou postale,
avec accusé de réception adressée aux autres partenaires.
La résiliation prendra effet un mois après la date de réception de cette lettre.
Les partenaires conviendront des prestations à réaliser pour la bonne fin de la présente convention.
En cas de dénonciation de la convention, chacun des partenaires s'engage à financer les travaux réalisés
par prorata selon les règles de financement énoncées aux articles « Coût et financement » et « Modalités de
règlement » de la convention et en se référant à l'annexe financière.
Résiliation pour inexécution des obligations
En cas d'inexécution de ses obligations par l'un des partenaires, celui-ci est mis en demeure de le faire dans
un délai maximum de 30 jours à la réception de la lettre recommandée électronique ou postale avec accusé
de réception.

Paraphes Insee MEL
4/11
Annexes 84
De plus, la résiliation intervient sans délai et sans recours de l'un ou l'autre des partenaires dans le cas de
décision administrative plaçant l'un ou l'autre des partenaires dans l'impossibilité de continuer à exécuter les
travaux prévus.
Cas de force majeure
On entend par cas de force majeure tout événement irrésistible, imprévisible et extérieur, rendant impossible
l'exécution de tout ou partie des obligations contractuelles.
Le cas de force majeure suspend les obligations des partenaires pendant le temps où jouera la force
majeure. Les obligations contractuelles reprennent dès que la force majeure cesse.
Les partenaires seront exonérés de toute responsabilité en raison de leurs manquements lorsque ceux-ci
sont dus à un cas de force majeure.
Article 12 - Modifications
Toute modification des dispositions de la présente convention, à l'exception des annexes, fera l'objet d'un
avenant dûment signé par les partenaires.
Article 13 - Litiges
Les partenaires conviennent de rechercher une solution amiable à tout différend qui pourrait survenir dans le
cadre de l'interprétation ou de l'exécution de la présente convention.
A défaut d'un règlement amiable, tout litige sera soumis à la juridiction administrative compétente.
Article 14 - Annexes
Les annexes ci-dessous, jointes à la présente convention, ont valeur contractuelle.
Annexe 1 : annexe technique : volet « mobilité »

Annexe 2 : annexe technique : volet « stationnement »
Annexe 3 : annexe financière
Fait, en 4 exemplaires originaux,
A Lille , le A Lille , le
Pour le Ministre de l'Économie, Le Président de la MEL

le Directeur régional de l’Insee Hauts-de-
France
M. Jean-Christophe Fanouillet M. Damien Castelain

Paraphes Insee MEL
5/11
Annexes 85
Annexe 1 : annexe technique : volet « mobilité »
Contexte et expression des besoins

Le service Études et PDU (Plan de déplacements urbains) de la direction Mobilité, au sein de la MEL, a en
charge la mise en place et le suivi des politiques publiques d’aménagement urbain en termes de mobilité et
d’accessibilité.
Dans le cadre de la réflexion sur les modes de transports urbains et la mise en place éventuelle de nouvelles
infrastructures, le service Étude et PDU a identifié un sujet d'étude sur le thème de la mobilité au sein de la
MEL portant sur la définition et l'évolution depuis 1990 des cadres de mobilités selon les modes pour les
déplacements domicile-travail (et étude). L'objectif est d'analyser les évolutions des déplacements au gré
des évolutions passées du réseau de transport. Le service Études et PDU pourrait ainsi être en mesure
d'anticiper le laps de temps nécessaire pour qu'une nouvelle infrastructure soit pleinement utilisée par les
usagers.
Proposition d’analyse
Il s’agit d’analyser les déplacements domicile-travail et domicile-études entre communes selon les profils de
navetteurs et le mode de transport. La MEL cherche une approche rétrospective ce qui limitera aux seules
variables disponibles sur la période 1990-2013 l'étude des profils des navetteurs.
Partie 1 : connaissance et caractérisation des flux domicile- travail/études depuis 1990
L'objectif est de quantifier les flux de navetteurs au sein de la MEL ainsi que les échanges avec l'extérieur
selon le mode de déplacement principal, mais aussi d'étudier les différences de comportement de mobilité
selon les populations.
Une analyse descriptive des navettes effectuées par période depuis 1990, profil de population et moyen de
transport sera réalisée, ainsi qu'un chiffrage des flux par commune de départ et d'arrivée au sein de la MEL
et avec l'extérieur.
Cette analyse sera complétée avec les résultats de l'enquête ménages-déplacements.

Paraphes Insee MEL
6/11
Annexes 86
Partie 2 : analyse des réseaux de déplacements et de leur évolution depuis 1990
Les flux quantifiés dans la première partie permettront de

caractériser les fonctionnements en réseau des différentes
communes de la métropole lilloise et au sein des déplacements
régionaux.
Une approche, suivant la théorie des graphes, sera proposée de

manière à définir le fonctionnement « en communauté » des
communes entre elles selon les modes de transport et la nature du
flux (domicile-travail ou domicile-études). L'examen de l'extension
progressive du réseau des déplacements et de l'intensité des flux
seront détaillés.
Des éléments explicatifs pourraient être apportés notamment :
- sur le changement de profil des populations de navetteurs analysés en partie 1,
- sur l'évolution du réseau de transports au sein de la MEL, informations qui seraient apportées par la MEL,
- éventuellement sur l'évolution du tissu économique local, notamment l'impact que peut avoir l'implantation
de nouveaux gros établissements au sein de la MEL.
Certaines zones plus délimitées pourraient faire l'objet d'approfondissements afin d'étudier l'évolution des
navettes des personnes résidant dans les IRIS proches d'un nœud modal ( ex : station de métro, de bus)
donnée suite à un changement de l'offre de transport.
On pourra également examiner l'évolution du réseau spécifiquement à certains profils de population (par
exemple les cadres, ou les populations n'ayant pas de voiture à disposition).
Faisabilité statistique et outils
Zonage : communes françaises au sein du périmètre de la MEL au 1er janvier 2017.
Afin de pouvoir confronter les données de l'étude aux résultats de l'enquête ménage-déplacements, certains
regroupements de communes seront opérés. Le zonage sera transmis par la MEL à l'Insee en début de
projet.
Les zones délimitées à quelques IRIS autour d'un nœud modal devant faire l'objet d'approfondissements
seront décidées conjointement en cours de projet.
Les flux internes à la MEL mais aussi avec l'extérieur seront étudiés.
Outils :
Le distancier Metric : distancier routier infra-communal et communal.
Distancier Insee capable de calculer des temps de parcours routiers entre deux points. La congestion du
trafic est estimée à partir d’un modèle (dont les coefficients ne sont pas paramétrables) basé sur la densité
de population et le type de voie. Le distancier communal calcule le temps de parcours du centre de la
commune à l’autre centre de la commune.

Paraphes Insee MEL
7/11
Annexes 87
Sources :
La source recensement de la population (non géolocalisée) : Informations issues du recensement de la

population, bilocalisées à la commune. La source fournie l’ensemble des flux « domicile-travail » (et étude)
(code commune de résidence, code commune de travail ou d’étude) qu’il est possible de ventiler selon de
nombreuses variables socio-démographiques (âge, sexe, fonction, cs, chômage, type de ménage, mode de
transport principal, nombre de voitures…).
Plusieurs millésimes seront utilisés pouvant remonter jusqu'à 1990.
La source Sirene : Informations issues des déclarations d'établissements s'implantant sur le territoire. Cette
source fournit l'état civil des entreprises et établissements ainsi le volume de postes.
Méthode :
La théorie des graphes étudie les graphes, lesquels sont des modèles abstraits de dessins de réseaux
reliant des objets. Ces modèles sont constitués par la donnée de « points »,et de « liens » entre ces points.
Un « 4 pages » (collection « Insee Analyses Hauts-de-France ») publié sur le site de l’Insee ainsi que la
fourniture de données complémentaires à la MEL accompagnées d'une note d’utilisation de ces données
(dessins de fichiers, définition des variables, précautions d’usage).
Une opération de communication est également envisagée pour présenter les résultats à l'occasion d'une
réunion de type « réunion technique ».
Calendrier de réalisation
Expression des besoins et faisabilité Janvier – Mars 2017
Réunion de lancement Mai 2017
fourniture du zonage par la MEL
Comité de pilotage : présentation de premiers Juin- juillet 2017

résultats et analyses de réseaux de villes
Comité de pilotage : présentation de résultats Été 2017

approfondis
Comité de pilotage : présentation de la trame et des Septembre - octobre 2017

messages retenus pour la publication
Rédaction et relectures Novembre - décembre 2017
Livraison fichiers de données et publication du 4 Premier trimestre 2018

pages
Diffusion et communication Premier trimestre 2018

Paraphes Insee MEL
8/11
Annexe K
Métro et Tramway dans la

métropole de Lille
Figure K.1 – Plan du métro et du tramway dans la MEL

Source : Transpole
88
Annexe L
Migrations alternantes au sein de la

MEL en 2013 - modèle avec une
distance routière
Plutôt qu’une distance kilométrique, on peut utiliser en 2013 une distance routière en
minutes, calculée à l’aide du distancier Metric[12]. Comme pour les trajets en France,
nous avons choisi d’utiliser les temps de trajets en heures creuses, considérés comme plus
vraisemblables après exploration des données.
Le choix d’une méthode d’imputation d’un temps de trajet pour les navettes infra-
communales a fait l’objet d’un programme d’optimisation.
Les principaux enseignements du modèles étant similaires à ceux obtenus avec une dis-
tance kilométrique, nous nous contentons d’en présenter les résultats et les points de
divergence.
L.1 Données
L.1.1 Fichier détail des mobilités professionnelles
À partir des données du recensement de la population, l’Insee a mis à la disposition

du public un fichier complet des mobilités professionnelles [14] qui offre des données
bilocalisées domicile-travail à la commune pour tous les individus actifs ayant un emploi
et âgés de 15 ans ou plus, décrivant les caractéristiques de l’individu, de son ménage
et de sa résidence principale. Les communes de travail sont indiquées y compris celles
89
Annexes 90
situées dans les pays frontaliers. Ces données sont disponibles pour 2010 et pour 2013 ;
nous utilisons ce dernier millésime.
L.1.2 Imputation d’une distance infra-communale
La principale difficulté de cette approche est de déterminer une durée moyenne des trajets
infra-communaux pour chaque commune. Notre approche fut de considérer que cette
durée est positivement corrélée avec le nombre de personnes en emploi résidant dans la
commune : cette masse de navetteurs pouvant expliquer un relatif éloignement des lieux
de résidence et de travail au sein de chaque commune, et peser sur la congestion du trafic
routier.
À partir de cette variable, le nombre de personnes en emploi, nous avons donc essayé
plusieurs transformations monotones à l’aide fonctions puissances, linéaires ou logarith-
miques.
Le critère de sélection retenu fut le suivant : on souhaite que le signe du résidu associé à
un flux soit indépendant du fait que ce flux soit infra-communal ou inter-communal. Le
√
graphique [Figure L.1], obtenu avec la distance DistanceInf rai = Ei montre ce que
l’on souhaite éviter : ici tous les flux infra-communaux, représentés par un rond rouge,
sont sous-estimés par rapport au flux réel.
Figure L.1 – Ajustement du modèle : les flux infra-communaux se distinguent.

√
Distance infra-communale = Ei
Le test de corrélation de Pearson confirme que les résidus ne sont pas indépendants du
caractère infra-communal ou inter-communal des trajets.
Annexes 91
Pearson’s product-moment correlation

data : absoluteError[MelToMel$DistHC == 0] and dis[MelToMel$DistHC == 0]
t = 1.9143, df = 88, p-value = 0.05883
alternative hypothesis : true correlation is not equal to 0
95 percent confidence interval :
-0.007455736 0.390851367
sample estimates :
cor
0.1999441
Nous avons donc recherché une distance infra-communale exprimée en minutes sous la
forme d’un monôme :
DistanceInf rai = λ ∗ Ei α (L.1)
à l’aide de l’algorithme de recherche dichotomique suivant :

— Fixer λ
— Fixer α = 0.1, la direction +1 et le pas 0.1
— Estimer le modèle et réaliser un test de corrélation de Pearson
— Si le signe de la corrélation n’est pas égal à la direction, on inverse le signe de la
direction et on divise le pas par 2.
— On calcule un nouvel α avec la formule α ← α + pas ∗ direction
— Jusqu’à ce que le test de Pearson affiche une non-corrélation à 5% entre les résidus
et le caractère infra-communal ou inter-communal des trajets.
On poursuit en sélectionnant le meilleur α au sens du R2 avec un pas dix fois moindre
en contrôlant la non-corrélation, puis en faisant varier λ.
L’algorithme converge et aboutit à : λ = 0.2 et α = 0.35875. On vérifie [Figure L.2] que

le comportement du modèle vis-à-vis des flux infra-communaux est désormais similaire
à celui des flux inter-communaux.
Annexes 92
Figure L.2 – Ajustement du modèle : les flux infra-communaux ne se distinguent plus.

Distance infra-communale = 0.2 ∗ Ei 0.35875
L.2 Modélisation
Le modèle estimé est le même que celui du chapitre 5 :
β2
E β1 Aj γ λ∗metroij
F̂ij = K i . .d .e (L.2)
Ωi Θj ij

K (Intercept) -4.00 0.62 -6.42 0.00
β1 lresi 0.68 0.04 16.93 0.00
β2 ltrav 0.98 0.05 18.96 0.00
γ ldis -2.27 0.01 -209.39 0.00
λ metro 0.17 0.02 7.11 0.00
Par rapport à la modélisation à l’aide des distances kilométriques à vol d’oiseau, nous
observons une plus forte élasticité liée à la distance ; ceci tend à valider l’utilisation
de Metric, puisque les temps de trajets routiers sont plus représentatifs des contraintes
auxquelles les navetteurs sont confrontés, et influent donc plus fortement sur les flux
observés.
L.3 Ajustement
Comme dans le modèle avec distance kilométrique, nous obtenons une très bonne des-
cription des données avec un R2 entre les données réelles et les données observées de
0.990 [Figure L.3].
Annexes 93
Figure L.3 – Ajustement du modèle

Avec Lille -> Lille en médaillon
L.4 Résidus
Les résidus les plus importants sont ceux en provenance de Lille et Villeneuve d’Ascq et
à destination de Roubaix. Les travailleurs sont également plus nombreux qu’attendu par
le modèle à se rendre de communes non limitrophes de la couronne lilloise : Emmerin,
Templemars et Marquette-les-Lille, vers Lille, et de Tourcoing vers sa banlieue ouest :
Bondues, Roncq, Halluin [Table L.4].
Ce modèle confirme que les flux moins intenses qu’attendus sont ceux entre communes
voisines dans les banlieues de Lille ou de Roubaix [Table L.5].
Annexes 94
Figure L.4 – Flux observés supérieurs à l’estimation du modèle

Annexes 95
Figure L.5 – Flux observés inférieurs à l’estimation du modèle

Annexe M
Exemples de rapports générés sur

les navettes au sein de la MEL
Dans le cadre de l’étude en partenariat sur les mobilités dans la MEL et afin de comparer
les comportements de différentes populations ainsi que leurs évolutions dans le temps,
j’ai développé un programme R pour générer automatiquement des rapports d’analyse
pour un millésime donné.
Pour chacune des années 1990,1999,2006,2010,2013, ce programme produit des résultats :

— Concernant l’ensemble des travailleurs.
— Concernant les étudiants, hormis pour l’année 1990.
— Concernant chaque catégorie socio-professionnelle au niveau agrégé.
Est considérée comme "étudiant" dans ce travail, toute personne en études âgée de 18 ans
révolus ou plus. On écarte grâce à cette condition d’âge l’essentiel des écoliers, collégiens
ou lycéens pour lesquels les trajets domicile-études sont fortement déterminés par la carte
scolaire.
Les catégories socio-professionnelles au niveau agrégé considérées sont :
— Les Artisans, commerçants et chefs d’entreprise

— Les Cadres et professions intellectuelles supérieures
— Les Professions Intermédiaires
— Les Employés
— Les Ouvriers
Les Retraités et les Autres personnes sans activité professionnelle n’entrent pas dans le
champ des migrations alternantes. Les Agriculteurs exploitants, peu nombreux dans le
territoire essentiellement urbain de la MEL, ne sont pas non plus l’objet de rapports
indépendants.
96
Annexes 97
Ces différents rapports constituent une base de travail pour nourrir l’analyse qui aboutira
à une étude sur les mobilités dans la MEL publiée au premier trimestre 2018.
Voici à titre d’exemple trois des rapports produits :

Annexes 98
M.1 Rapport généré pour les étudiants en 2013
1 FLUX D'ÉTUDIANTS DANS LA MEL EN 2013
1.1 PARAMÈTRES
Prise en compte du métro : TRUE
Prise en compte des flux intra-communaux : TRUE
1.2 DESCRIPTION DES DONNÉES

Nombre de communes de résidence : 90
Nombre de communes de destination : 66
Nombre total de navetteurs : 90025
Nombre de communes desservies par le métro : 10
1
Annexes 99
2
Annexes 100
1.3 COEFFICIENTS DU MODÈLE

term estimate std.error statistic p.value
(Intercept) 4.1050870 1.03166490 3.979090 7.002578e-05
lemis 0.5412921 0.06791829 7.969754 1.900739e-15
lattr 0.8947653 0.08488785 10.540558 9.602948e-26
ldis -1.3303845 0.01185349 -112.235636 0.000000e+00
metro 0.9574919 0.04949131 19.346668 7.463713e-81
Facteur métro = 2.605
Modèle :
Flux =60.65 * Orig^0.54 * Dest^0.89 * Dist^-1.33 * Facteurs MR * exp(0.96 * metro)
1.4 AJUSTEMENT DU MODÈLE

Coefficient R² = 0.998
Surdispersion = 2.712
Ajustement avec le flux Lille->Lille
3
Annexes 101
Sans Lille->Lille, Coefficient R² = 0.977

Ajustement sans le flux Lille->Lille
4
Annexes 102
Les 5 plus forts flux

lib_LR lib_LD nbNavetteurs distCompl metro fitted residu
Lille Lille 32258 2.21 1 32949 -691
Villeneuve- Villeneuve-
5888 1.97 1 5281 607
d'Ascq d'Ascq
Villeneuve-
Lille 5649 6.18 1 5191 459
d'Ascq
Roubaix Roubaix 3060 1.36 1 2906 154
Tourcoing Tourcoing 2060 1.46 1 2099 -39
Les 5 plus forts résidus positifs

5
Annexes 103

Lille Roubaix 1742 10.78 1 984 758
5888 1.97 1 5281 607
d'Ascq d'Ascq
Villeneuve-
Lille 5649 6.18 1 5191 459
d'Ascq
Lille Croix 474 8.32 1 186 288
Tourcoing Lille 933 12.40 1 647 285
Les 5 plus forts résidus négatifs

Lille Lille 32258 2.21 1 32949 -691
Villeneuve-d'Ascq Lille 1505 6.18 1 1868 -363
Tourcoing Roubaix 455 3.86 1 749 -295
Mons-en-Barœul Lille 499 3.67 1 766 -267
Lambersart Lille 957 3.06 1 1160 -202
6
Annexes 104
7
Annexes 105
8
Annexes 106
M.2 Rapport généré pour l’ensemble des travailleurs en 2006
1 FLUX DE TRAVAILLEURS DANS LA MEL EN 2006
1.1 PARAMÈTRES

1
Annexes 107
2
Annexes 108

(Intercept) 4.71869676 0.54666584 8.631775 7.223467e-18
lemis 0.61925492 0.03454040 17.928425 1.728655e-70
lattr 0.92981365 0.04518968 20.575796 1.096168e-91
ldis -1.50780890 0.00640009 -235.591822 0.000000e+00
metro 0.03683437 0.02200091 1.674220 9.412688e-02
Facteur métro non significtaif à 5%
Modélisation sans métro:

(Intercept) 4.7086225 0.547056696 8.607193 8.935088e-18
lemis 0.6242706 0.034452400 18.119800 6.224719e-72
lattr 0.9324351 0.045219472 20.620211 4.587587e-92
ldis -1.5120732 0.005885643 -256.908750 0.000000e+00
Modèle :
Flux =110.9 * Orig^0.62 * Dest^0.93 * Dist^-1.51 * Facteurs MR * exp(-0.82 * metro)

3
Annexes 109

4
Annexes 110

Lille Lille 48193 2.21 1 51276 -3084
Roubaix Roubaix 12789 1.36 1 13830 -1041
9290 1.97 1 10233 -942
d'Ascq d'Ascq
Villeneuve-
Lille 6746 6.18 1 4702 2044
d'Ascq

5
Annexes 111

Lille Roubaix 3695 10.78 1 1636 2059
Villeneuve-
Lille 6746 6.18 1 4702 2044
d'Ascq
Wattrelos Wattrelos 4562 1.39 0 3230 1333
Villeneuve-
Lille 5230 6.18 1 4193 1037
d'Ascq
Lille Tourcoing 1800 12.40 1 990 810

Lille Lille 48193 2.21 1 51276 -3084
Wattrelos Roubaix 3015 2.64 0 4349 -1335
Roubaix Roubaix 12789 1.36 1 13830 -1041
6
Annexes 112
7
Annexes 113
8
Annexes 114
M.3 Rapport généré pour les ouvriers en 1999
1 FLUX DES OUVRIERS DANS LA MEL EN 1999
1.1 PARAMÈTRES

1
Annexes 115
2
Annexes 116

(Intercept) 5.58560940 0.727872643 7.6738829 1.869953e-14
lemis 0.72844051 0.061693400 11.8074301 6.656264e-32
lattr 0.88652910 0.069573289 12.7423773 7.966815e-37
ldis -1.56451569 0.008954216 -174.7239152 0.000000e+00
metro 0.03935799 0.042430349 0.9275906 3.536486e-01
Facteur métro non significtaif à 5%
Modélisation sans métro:

(Intercept) 5.5840815 0.72849654 7.665213 1.999666e-14
lemis 0.7318416 0.06166475 11.868071 3.271629e-32
lattr 0.8895563 0.06958940 12.782928 4.783217e-37
ldis -1.5675789 0.00833958 -187.968578 0.000000e+00
Modèle :
Flux =266.16 * Orig^0.73 * Dest^0.89 * Dist^-1.57 * Facteurs MR * exp(-0.63 * metro)

3
Annexes 117

4
Annexes 118

Lille Lille 6174 2.21 1 6166 8
Roubaix Roubaix 5461 1.36 0 5695 -234
1786 1.97 1 1818 -32
d'Ascq d'Ascq
Wattrelos Wattrelos 1719 1.39 0 1933 -214

Wattrelos Tourcoing 1029 4.57 0 727 302
5
Annexes 119

Tourcoing Bondues 488 5.22 0 201 287
Lille Villeneuve-d'Ascq 677 7.23 1 403 274
Hem Roubaix 456 4.28 0 224 232
Roubaix Wattrelos 969 2.92 0 744 225

Lambersart Lille 376 2.06 1 753 -377
Loos Lille 460 3.20 0 714 -254
Ronchin Lesquin 200 1.30 0 447 -247
6
Annexes 120
7
Annexes 121
8
Bibliographie
[1] Reilly WJ. The law of retail gravitation. New York : Knickerbocker Press, 1931.
[2] Huff D. Defining and estimating a trading area. Journal of Marketing, 28(3) :34–38,
1964.
[3] James E. Anderson and Eric van Wincoop. Gravity with gravitas : A solution
to the border puzzle. American Economic Review, 93(1) :170–192, March 2003.
doi : 10.1257/000282803321455214. URL http://www.aeaweb.org/articles?id=
10.1257/000282803321455214.
[4] Thibault Fally. Structural gravity and fixed effects. Journal of International Eco-
nomics, 1(97) :76—-85, September 2015. URL http://dx.doi.org/10.1016/j.
jinteco.2015.05.005.
[5] Damiaan Persyn and Wouter Torfs. A gravity equation for commuting with an
application to estimating regional border effects in belgium. Journal of Economic
Geography, 16(1) :155, 2016. doi : 10.1093/jeg/lbv003. URL http://dx.doi.org/
10.1093/jeg/lbv003.
[6] Jeffrey Bergstrand and Scott Baier. Bonus vetus ols : A simple method for approxi-
mating international trade-cost effects using the gravity equation. 77 :77–85, 02
2009.
[7] Keith Head and Thierry Mayer. Gravity equations : Workhorse,toolkit, and co-
okbook. In Handbook of International Economics, volume 4, chapter Chapter 3,
pages 131–195. Elsevier, 2014. URL http://EconPapers.repec.org/RePEc:eee:
intchp:4-131.
[8] Silvana Santos Silva, J.M.C. et Tenreyro. The log of gravity. The Review of Eco-
nomics and Statistics, 4(88) :641–658, 2006. URL http://personal.lse.ac.uk/
tenreyro/lgw.html.
[9] A. C. Aitken. On least squares and linear combinations of observations. Proceedings

of the Royal Society of Edinburgh, 55 :42—-48, 1935.
122
Bibliographie 123
[10] Jean-François Arvis and Ben Shepherd. The poisson quasi-maximum likelihood esti-
mator : a solution to the ‘adding up’ problem in gravity models. Applied Economics
Letters, 20(6) :515–519, 2013. URL http://EconPapers.repec.org/RePEc:taf:
apeclt:v:20:y:2013:i:6:p:515-519.
[11] Martin Bresslein Anna-Lena Woelwer, Jan Pablo Burgard. Gravity : A compilation
of different estimation methods for gravity models, 2017. URL https://CRAN.
R-project.org/package=gravity.
[12] Direction Régionale PACA Unité CED PSAR « Analyse Territoriale ». Insee,
distancier metric, 2014. URL http://www.agora.insee.fr/jahia/Jahia/site/
dr-paca/drpaca/psar-at/pid/117584.
[13] C. Gourieroux, A. Monfort, and A. Trognon. Pseudo maximum likelihood methods :

Applications to poisson models. Econometrica, 52(3) :701–720, 1984. ISSN 00129682,
14680262. URL http://www.jstor.org/stable/1913472.
[14] Insee. Logements, individus, activité, mobilités scolaires et professionnelles, migra-

tions résidentielles en 2013, 2016. URL https://www.insee.fr/fr/statistiques/
2409494.
[15] M. Dupuis. Distribution : la nouvelle donne. Les Ed. d’organisation, 1986. URL
https://books.google.fr/books?id=-ITRYgEACAAJ.
[16] Keith Head and Thierry Mayer. Non-europe : The magnitude and causes of mar-
ket fragmentation in the eu. Review of World Economics, 136(2) :284–314, 2000.
ISSN 1610-2886. doi : 10.1007/BF02707689. URL http://dx.doi.org/10.1007/
BF02707689.
[17] Gabriel M. Ahlfeldt, Stephen J. Redding, Daniel M. Sturm, and Nikolaus Wolf. The
economics of density : Evidence from the berlin wall. Econometrica, 83(6) :2127–
2189, 2015. ISSN 1468-0262. doi : 10.3982/ECTA10876. URL http://dx.doi.org/
10.3982/ECTA10876.
[18] Albert A. Zevelev. Closed form solutions in economics. Available at SSRN, 2014.
URL https://ssrn.com/abstract=2354226.
[19] Craig Marcott. Cost minimization with a ces production function. http://
personal.stthomas.edu/csmarcott/ec418/ces_cost_minimization.pdf.

Gravity Models For Commuting Flows in France

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gravity Models For Commuting Flows in France

Transféré par

Droits d'auteur :

Formats disponibles

ÉCOLE NATIONALE DE LA STATISTIQUE ET DE L’ANALYSE

Modélisation économétrique des flux

Mémoire de stage pour l’obtention du

- Sir Isaac Newton

Master de Statistique Publique

Tous les agents de la direction régionale des Hauts-de-France, et en particulier ceux du

Grand merci à M. Khaled Larbi, chargé d’investissements au PSAR de Lille, pour sa

Table des Graphiques viii

Liste des Tableaux ix

3 Les modèles gravitaires 6

3.2.2 Fondements microéconomiques . . . . . . . . . . . . . . . . . . . . 11

5 Modélisation des migrations alternantes entre les aires urbaines de

6 Modélisation des migrations alternantes dans la métropole européenne

A Organigramme du Sed de Lille 54

D Moindres Carrés Pondérés avec Variance estimée 59

E Bulletin individuel de recensement 62

F Anomalies détectées dans le RP 2013 65

G Définitions et zonages Insee 69

H Carte des Aires Urbaines de France 70

I Flux de navetteurs entre les Aires Urbaines françaises : modèle sans

J Convention de l’étude en partenariat sur le stationnement et les mobi-

K Métro et Tramway dans la métropole de Lille 88

L Migrations alternantes au sein de la MEL en 2013 - modèle avec une

M Exemples de rapports générés sur les navettes au sein de la MEL 96

5.1 Visualisation des flux de navetteurs entre Aires Urbaines . . . . . . . . . . 24

6.1 Visualisation des flux de travailleurs au sein de la MEL . . . . . . . . . . . 41

H.1 Les Aires Urbaines de France - Zonage 2010 . . . . . . . . . . . . . . . . . 70

K.1 Plan du métro et du tramway dans la MEL . . . . . . . . . . . . . . . . . 88

L.1 Ajustement du modèle : les flux infra-communaux se distinguent. . . . . . 90

5.1 Mobilités professionnelles par Aires Urbaines . . . . . . . . . . . . . . . . 23

6.1 Emploi au lieu de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

AAR Appui à l’Action Régionale

Pseudo Maximum de Vraisemblance de Poisson

À Naomi & Matthias qui aimeront tant lire ce mémoire

Le Service Études et Diffusion de la Direction Régionale des Hauts-de-France a pour mis-

2.1 La Direction régionale des Hauts-de-France

Née en 2016 du regroupement des directions régionales du Nord-Pas-de-Calais et de

2.2 Le Service Études et Diffusion

Trois axes principaux structurent la stratégie de l’action régionale :

— des études et des enquêtes réalisées en partenariat,

— du conseil - assistance - expertise.

Les études en partenariat répondent à des problématiques spécifiques et associent un ou

L’activité de conseil-expertise consiste à apporter une réponse aux partenaires en mobi-

Le SED est organisé en trois divisions :

Le Pôle de Services de l’Action Régionale Emploi-Population (PSAR EP), service d’appui

La Division Études et Conseils (DEC) réalise les études en partenariat et du service

statistique, ces derniers améliorent la mise à disposition de la production statistique en

La division Appui à l’Action Régionale assure la communication externe, la cartographie,

L’organigramme du service figure en Annexe [A].

2.3 Tâches réalisées

2.3.1 Bilan de la filière ferroviaire dans les Hauts-de-France

2.3.2 Cohésion sociale dans les Hauts-de-France

En préparation d’un comité de l’administration régionale qui réunit la Préfecture et les

2.3.3 Étude sur l’impact du Louvre Lens

2.3.4 Étude sur la mobilité dans la Métropole Européenne de Lille

L’Insee et la Métropole Européenne de Lille (MEL) réalisent en partenariat une étude

Les modèles gravitaires

3.1 Histoire des modèles gravitaires

Isaac Newton, dans ses «Principes mathématiques de la Philosophie naturelle» publiés

où G est la constante universelle de gravitation, dont la valeur est aujourd’hui connue

3.1.1 Généralisation du modèle de Newton

avec K une constante.

Où K, α , β et γ sont des paramètres à estimer. α , β et γ sont les élasticités de

avec H variables instrumentales, où α = log(K) et ij = log(ηij ). Sans passer au loga-