Approche poisonnienne des modèles d'intégration spatiale

G. D’Aubigny, Christian Calzada, Claude Grasland, D. Robert, G. Viho

et Jean-Marc Vincent

Approche poissonnienne des modèles

d’interaction spatiale
Introduction
Depuis les années 1940, les efforts de modélisation des interactions spatiales entre
populations sont largement dominés par les modèles connus sous le nom de modèles
gravitaires. La popularité de ces modèles est certainement due, entre autres raisons, à
l’évidence de leurs hypothèses de base (les échanges entre origines et destinations dépendent
des capacités d’exportation et d’importation des lieux ainsi que de leurs degrés de séparation)
et à la simplicité de leur formalisme mathématique (Isard et Bramhall (1960) [14]). Dans
plusieurs applications, ce modèle simple a procuré des résultats satisfaisants. Cependant la
qualité de ces résultats dépend fortement de la précision que l’on donne aux concepts de base,
concepts qui peuvent rester vagues (en termes d’interactions, de distances, et de taille de la
population) et donner lieu à diverses interprétations. C’est pour remédier à ces inconvénients
que beaucoup de chercheurs ont œuvré pour l’élaboration de fondements théoriques des
modèles gravitaires. L’historique de cette épopée théorique se rencontre un peu partout dans
la littérature : Carrothers (1956) [6], Isard et Bramhall (1960) [14], Olsson (1965) [18], Isard
(1975) [2], Batten et Boyce (1987) [5], etc..
Parmi ces approches, la plus populaire reste sans aucun doute celle de Wilson (1967,1974)
[30] qui a permis de rassembler plusieurs modèles d’interactions spatiales, en les écrivant
comme solutions de problèmes d’optimisation (maximisation de l’entropie, minimisation de
l’information (Webber (1979) [29], March et Batty (1975) [3]). Cependant, l’absence d’outils
statistiques d’estimation des paramètres des modèles et de tests d’adéquation des données
estimées du modèles à celles observées, oblige à rester prudent dans l’interprétation des
résultats. C’est l’une des raisons pour lesquelles, dans le cadre de cette étude, nous avons opté
pour une approche statistique, basée sur un modèle probabiliste de comptage, pour lequel les
résultats d’une approche déterministe restent valables. Un modèle qui se présente donc
comme une extension d’un modèle déterministe et dont la souplesse analytique permet le plus
de généralisations possibles. Nous avons opté pour le modèle de régression de Poisson
introduit par R. Flowerdew et M. Aitkin (1982) [1], R. Flowerdew et A. Lowett (1986) [9],
Sen et Smith (1995) [24]. La description de ce modèle et ses méthodes d’application font
l’objet de la première partie de ce document. Comme tout modèle statistique, la qualité des
résultats obtenus provient de la proximité des hypothèses de base probabilistes du modèle
avec le phénomène observé. Des alternatives sont données, dans cette partie, dans les cas où
certaines des hypothèses de la loi de Poisson ne seraient pas vérifiées.

Les modèles
Introduction
Nous allons utiliser dans cette partie un plan de modélisation en trois étapes suggéré par
Pas (1993) [17] pour l’étude et l’utilisation d’un modèle d’interaction spatiale.
dans une première partie, la phase de pré-analyse, nous identifions deux types de
variables : n vecteurs de variables caractéristiques du phénomène observé, encore appelées

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

variables réponses ou variables dépendantes 1 et un vecteur de variables exprimant le

phénomène, appelées encore variables déterminantes ou variables indépendantes.
la deuxième étape, la phase d’analyse technique, expose la formalisation mathématique des
modèles que nous suggérons pour décrire les quantités de marchandises qui transitent d’une
zone à une autre. Plus précisément, nous décrivons dans cette partie les hypothèses de base et
nous établissons un lien entre le vecteur des variables réponses et celui des variables
déterminantes. Nous adoptons le formalisme statistique introduit par Sen et Smith (1995) [19]
qui a l’avantage de fournir :
• des outils statistiques de test d’adéquation des données observées avec
celles fournies par le modèle,
• des outils de tests des effets des variables explicatives sur les variables
réponses,
• des algorithmes d’estimation des paramètres avec maximum de
vraisemblance.
En vue d’une première approximation des flux d’échanges entre zones, nous allons utiliser
le modèle de "régression de Poisson" introduit par Aitkin et Flowerdew (1982) [1]. Dans cette
partie, nous précisons les propriétés des distributions de Poisson au regard du problème
considéré, puis nous montrons les avantages et limites de cette modélisation.
enfin dans la dernière partie, la phase de post-analyse, nous suggérons des alternatives au
cas où l’écart entre les valeurs observées et les valeurs estimées est significatif. En général,
trois types de situations expliquent cet écart :
les variables explicatives sont "insuffisantes". Il faudrait dans ce cas penser à introduire
une autre variable aléatoire dite de nuisance, à laquelle on impute tout ce que les autres
variables déterminantes n’ont pas pu expliquer.
l’hypothèse poissonnienne selon laquelle l’espérance mathématique est indépendante du
temps n’est pas respectée. On résout ce problème en utilisant des techniques dites d’extension
de loi. On décompose le phénomène comme une somme de variables aléatoires ; on suppose
alors que le nombre de variables aléatoires constituant les termes de cette somme suit une loi
de Poisson et que ces variables aléatoires suivent elles-mêmes une loi de probabilité dite
généralisante qu’il faudrait alors estimer suivant le phénomène observé. Des techniques
d’extension seront élaborées dans cette partie.
l’hypothèse de Poisson suivant laquelle l’espérance mathématique et la variance sont
égales n’est pas vérifiée. Nous exposons dans la suite des méthodes issues de l’article de R.B.
Davies et C.M. Guy (1987) [7] qui permettent de résoudre ce problème.
La pré-analyse
Nous décrivons ici les variables qui interviennent généralement dans les modèles
d’interaction spatiale, utilisés dans le domaine des transports. Plus précisément, nous
supposons que l’espace géographique du phénomène observé est subdivisé en deux zones que
nous notons et . Ces zones sont constituées d’entités territoriales que nous appelons
régions. Les échanges dont nous parlons peuvent porter sur le nombre de camions et/ou la
quantité de marchandises qui transitent de chaque région d’une zone géographique vers
chaque région d’une zone , en tenant compte des échanges internes à la zone.
Tous ces modèles dépendent évidemment des variables explicatives que nous noterons .
Dans ces variables figurent naturellement les variables qui mesurent la "séparation" ou la
"similitude" entre les régions et (une distance entre les régions et , coût, dans une unité
spécifiée, du transport entre ces régions, appartenance de et à un même ensemble d’une

1Nous éviterons ici les appellations : variables dépendantes resp. indépendantes) pour ne pas faire de
confusion avec la dépendance (respectivement l’indépendance) des variables aléatoires que nous allons
introduire.

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

partition déterminée par un critère tel que l’appartenance à une même classe politique,
culturelle, linguistique, etc.). Il est évident que la détermination et la mesure des critères de
séparation jouent un rôle très important dans la qualité du modèle.
Nous allons énoncer ici quelque techniques de mesure de la séparation spatiale entre deux
régions et . Les principaux critères de séparation sont liés à l’espace physique dans lequel
le phénomène étudié est observé. C’est ainsi qu’on peut supposer que la quantité de
marchandises qui transitent d’une région vers une région dépend du coût du transport
entre ces deux régions. Cependant, comme évoqué précédemment, les critères de séparation
ne sont pas toujours de cette nature, c’est ainsi que cette quantité de marchandises peut aussi
dépendre du fait que ces deux régions appartiennent ou non à un même espace économique,
politique, linguistique, culturel, etc..
De manière générale nous allons désigner par le kième critère de
séparation utilisé dans la modélisation du phénomène observé. désigne l’ensemble des
régions de départ, l’ensemble des régions de destination, et l’ensemble des numéros
partant de 1 jusqu’au nombre de critères considérés. On sera amené dans certains cas
(échanges internes entre les éléments d’un même système) à poser .
Structure des variables explicatives
Dans la plupart des données que nous aurons à traiter par la suite, nous nous limiterons à
trois types de critères de séparation, à savoir :
un premier type de critères, que nous appelons critères d’interaction pure, qui sont liés
uniquement à l’origine ou à la destination , que nous noterons par abus ou ,
un critère physique que nous appelons critère d’interaction spatiale et qui peut
désigner, par exemple, la distance ou le coût généralisé de transport entre deux régions ; nous
le noterons dans ce cas : ou ,
un critère d’appartenance que nous nommerons critère d’interaction territoriale et qui n’est
pas forcément une forme d’interaction spatiale. Nous traiterons souvent le cas dit de partition
inconnue (C. Grasland). Dans ce cas on suppose qu’il existe un partitionnement, inconnu, de
l’ensemble de l’espace des régions, origines et destinations, qui se surimpose à l’interaction
spatiale. Ce partitionnement étant inconnu, on cherchera à déterminer celui pour lequel les
résultats fournis par le modèle sont les moins éloignés (au sens de la statistique de test
définie) des données recueillies par observation. Ce critère de séparation sera alors noté .
Une fois les différents critères de séparation énumérés, reste à poser la question de leur
mesure. Ces mesures sont des fonctions et à valeurs positives ou logiques (0 ou 1),
Lauman (1966) [16]. Dans le cadre de notre étude, par la suite, nous prendrons comme
mesures :
ou et si et n’appartiennent pas à un même ensemble et
dans le cas contraire. Dans tout ce qui suit, nous définissons par des lettres majuscules
les variables aléatoires et par des lettres minuscules les variables déterministes.
Le modèle poissonnien
L’hypothèse Poissonnienne est sans aucun doute celle qui offre le cadre analytique le
moins complexe pour intégrer des variables explicatives autres que les variables classiques de
distance et de taille des populations (Davies et Guy (1987) [7]). Le cadre analytique est
exposé dans le premier paragraphe et les hypothèses générales de la loi de Poisson dans le

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

deuxième paragraphe. Il semble évident qu’en pratique une telle décision va sous-entendre
une violation de certaines hypothèses Poissonniennes, même si cette violation peut dans
certains cas ne pas avoir de conséquences significatives sur la qualité de la modélisation.
Le modèle
La variable aléatoire représente ici la quantité de marchandises qui transite de la région
vers la région . On suppose que pour tout et , la variable aléatoire suit une
loi de Poisson de paramètre :

où , l’espérance mathématique de , est de la forme :

avec , un vecteur paramètre et , une fonction à valeurs réelles.

Dans le cas des données que nous allons traiter, on définit par :

Hypothèses d’un flux poissonnien non homogène

La modélisation par une loi de Poisson du nombre d’émissions effectuées de la région
vers la région suppose que ces émissions se font de façon individualisée, sont stationnaires
et sans post-action. Nous définissons ci-dessous ces deux dernières propriétés :
• un flux de quantités de marchandises est dit stationnaire, si la loi du nombre
d’émissions dans un intervalle de temps arbitraire ne dépend que de la durée
de cet intervalle. En pratique, on peut supposer que le nombre de camions
qui transitent d’une région vers une région pendant une période d’un an
est stationnaire si la loi du nombre de camions qui transitent demeure
constant d’une année sur l’autre,
• un flux de quantités de marchandises est dit sans post-action si pour tous
intervalles de temps disjoints, le nombre d’émissions dans l’un deux ne
dépend pas du nombre d’émissions se produisant dans les autres intervalles.
Cependant, les hypothèses de base de la modélisation poissonnienne restent néanmoins
restrictives et on est souvent amené, dans la pratique, à ignorer certaines hypothèses ou à
supposer que le fait qu’elles ne soient pas vérifiées ne conduit pas nécessairement à des
résultats faux.
C’est pour cette raison que même si ces hypothèses ne sont pas vérifiées, le modèle
poissonnien est néanmoins utilisé en première approximation si l’observation a lieu sur un
intervalle de temps limité. Ce n’est donc que quand il conduit à des résultats faux que l’on a
recours à des techniques de généralisation du modèle qui sont décrites dans le paragraphe 2.4.
Outils statistiques
Cette partie est subdivisée en deux paragraphes : dans le premier nous exposons des outils
statistiques d’estimation par maximum de vraisemblance des paramètres du modèle ; le
second paragraphe traite des outils statistiques de tests d’adéquation des données observées à
celles du modèle.
A. Estimation par Maximum de Vraisemblance des paramètres du modèle (EMV)
Dans tout ce qui suit, le phénomène observé est modélisé par la variable aléatoire qui
suit une loi de Poisson de paramètre avec :

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

Notre étude ne portera ici que sur les techniques d’Estimation par Maximum de
Vraisemblance (EMV) de et de ceci pour les deux principales raisons suivantes :
une fois les estimations de et de obtenues, on saura trouver par une technique que
nous allons spécifier plus loin des EMV de et .
les EMV de et de sont uniques, alors que celles de et
ne le sont pas.
Dans la suite de l’exposé, nous utiliserons les notations suivantes :
désigne le cardinal de l’ensemble , c’est à dire le nombre d’éléments qu’il contient.

où pour toute matrice désigne sa transposée.

Nous chercherons à estimer les paramètres Nous définissons la fonction

de vraisemblance par :

,
en remplaçant par sa valeur on obtient :

en remplaçant par sa valeur on obtient :

Les Estimations par Maximum de Vraisemblance de sont

des valeurs de ces paramètres pour lesquelles la fonction admet un maximum, et donc pour
lesquelles le logarithme népérien de cette fonction , que nous noterons , admet un
maximum.
Théorème 1 : Les Estimations par Maximum de Vraisemblance sont obtenues par
résolution des équations suivantes :
pour tout (conservation des flux sortants) :

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

pour tout (conservation des flux entrants) :

,
pour tout et :

pour tout et :

B. Ecriture matricielle des équations du maximum de vraisemblance

Nous nous limitons dans ce paragraphe au cas suivant :
est un ensemble à 3 éléments,
est un ensemble à 3 éléments,
un critère d’interaction spatiale caractérisé par une matrice de distances,
un critère d’interaction territoriale caractérisé par une matrice d’appartenance (1) ou non
(0) à un ensemble d’une partition à 2 de l’ensemble de toutes les régions.
On pose :

Les équations de maximum de vraisemblance peuvent alors s’écrire sous la forme

matricielle suivante :

Théorème 2 : Les deux conditions suivantes garantissent l’existence et l’unicité des

estimations par maximum de vraisemblance des paramètres inconnus du modèle.
on suppose que matrice est de rang
il existe des réels positifs
tels que :
pour tout :

pour tout :

pour tout et :

pour tout et :

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

C. Test d’adéquation des données estimées par le modèle aux données observées
La statistique de test utilisée pour les tests d’adéquation des données estimées par un
modèle linéaire généralisé aux données issues de l’observation est la déviance. Dans le cas du
modèle poissonnien, cette déviance s’écrit :

où :
désigne le logarithme de la vraisemblance, en supposant que pour tout ,
la variable aléatoire suit une loi de Poisson de paramètre ,
désigne le logarithme de la vraisemblance, en supposant que pour tout ,
la variable aléatoire suit une loi de Poisson de paramètre ,
Les calculs donnent :

Cette statistique de test suit une loi qui converge, quand les flux et le nombre de ceux-ci
deviennent grands, vers une loi du où représente le nombre de flux et le nombre
de paramètres estimés du modèle. Cette statistique a été au départ construite afin de savoir si
une variable devait être incorporée ou non au modèle [Hosmer et Lemeshow, 1989, McCullag
et Nelder, 1989] et ne doit donc pas nécessairement être utilisée comme une mesure de la
qualité générale du modèle.
Pour de plus amples informations, nous renvoyons le lecteur à se reporter à l’ouvrage de
Gouriéroux, cité en annexe [12]. Notons que d’autres types d’estimations existent
(intégrations numériques, approximations numériques, simulation des probabilités, etc.),
l’article de V. Hajivassiliou, D. McFadden, P. Ruud constituant la référence sur le sujet [13].
Cas où les hypothèses de Poisson ne sont pas vérifiées
Nous évoquons dans ce paragraphe, des alternatives à deux types de déviations possibles
des hypothèses de la modélisation Poissonnienne : un premier type de déviation lié à une sur-
dispersion et l’autre à la dépendance temporelle du phénomène observé.
cas d’une sur-dispersion :
Ce phénomène est souvent dû au fait que certaines sources de variation sont omises dans
les variables de cause. La méthode classique pour y remédier consiste à introduire une
variable aléatoire dite variable de nuisance dans la modélisation, pour représenter les effets
des variables omises (Davies et Cronceley, 1985). La formulation la plus simple suppose que
les variables suivent une loi de Poisson de paramètre :

où est une réalisation d’une variable aléatoire supposée indépendante des autres
variables de cause. On a alors :

ou encore :

où est la fonction de répartition de la variable aléatoire . Le calcul de cette intégrale

peut se faire algébriquement si l’on suppose que suit une loi Gamma de paramètre dont
la fonction de densité est de la forme :

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

en posant :

On obtient dans ce cas :

On retrouve la loi d’une variable binomiale négative de paramètres avec :

dépendance temporelle de la variable réponse

Supposons que l’on n’ait pas pu trouver une période de temps telle que la valeur
moyenne du phénomène observé soit constante dans tout intervalle pour toute date
quelconque. Une alternative est de supposer dans ce cas que la variable de réponse est une
somme de variables aléatoires suivant une loi de probabilité de fonction génératrice (loi
extension Johnson et Kotz, 1969), le nombre de ces variables aléatoires suivant lui même une
loi de Poisson de fonction génératrice . La fonction génératrice de la variable de réponse
est alors la composée de par c’est à dire pour tout réel . Dans le
cas où la variable de réponse est la quantité de marchandises qui transite par camions d’une
région à une région , on peut supposer que cette quantité transportée est une variable
aléatoire de fonction génératrice et que le nombre de camions qui transitent soit elle une
variable de Poisson de fonction génératrice . La variable aléatoire de réponse a alors
une fonction génératrice composée des deux premières fonctions définies ci-dessus.

Conclusion
La modélisation par un processus de Poisson offre un cadre statistique permettant l’analyse
détaillée des données observées. Même dans le cas où les hypothèses du phénomène ne
cadrent pas avec les hypothèses poissonniennes, la régression poissonnienne peut être utilisée
en première approximation. On pourra alors, si les résultats fournis ne sont pas en adéquation
avec les données observées, utiliser des processus moins usuels, plus difficiles à appréhender
sur le plan mathématique, mais qui peuvent être vus comme une extension du processus de
Poisson.

Bibliographie
[1] Aitkin M., Flowerdew R. (1982), A Method of fitting the gravity model based on the
Poisson distribution, Journal of Regional Science 22(2), pp. 191-202.
[2] Barmby T., Doornik J. (1989), Modelling trip frequency as a poisson variable, Journal
of Transport Economics and Policy, septembre.
[3] Batty M., March L. (1975), Generalized measures of information, Bayes' likelihood
ratio and Jaynes' formalism, Environment and Planning B 2, pp. 99-105.
[4] Batten D.F., Boyce D.E. (1987), Spatial Interaction, Transportation, and Interregional
Commodity Flow Models, in Handbook of Regional and Urban Economics, P. Nijkamp, ed.
1, Chapter 9.

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

[5] Cameron A.C., Trivedi P.K. (1986), Econometric models based on count data :
comparisons and applications of some estimators and tests, Applied Econometrics, (1), pp.
29-53.
[6] Carrothers G.A.P. (1956), An historical Review of the Gravity and Potential Concepts
of Human Interaction, Journal of The American Institute of Planners, 22, pp. 94-102.
[7] Davies R.B., Guy C.M. (1987), The Statistical Modeling of Flow Data when the
Poisson Assumption is violated, Geographical Analysis.
[8] Dorigo, Tobler W. [1983], Push-Pull Migration Laws, Annals of the American
Geographers.
[9] Flowerdew R., Lovett A. (1986), Fitting Constrained Poisson Regression Models to
Inter-Urban Migration Flows, Annual Conference of The Institute of British Geographers.
[10] Fotheringham A.S., Williams P.A. (1983), Further Discussion on the Poisson
Interaction Model, Geographical Analysis 15, pp. 343-347.
[11] Gatrell A.C. (1983), Distance and Space, Clarendon Press, Oxford, England.
[12] Gouriéroux C. (1989), Econométrie des variables qualitatives, chapitre X, pp. 297-
305, Collection Economie et Statistiques Avancées, 2ème édition, Economica.
[13] Hajivassiliou V., McFadden D., Ruud P. (1996), Simulation of multivariate normal
rectangle probabilities and their derivatives Theoretical and computational results, Journal of
Econometrics 72, pp. 85-134.
[14] Isard W., Bramhall D.F. (1960), Gravity, Potential and Spatial Interaction models,
dans Methods of Regional Analysis, W. Isard, MIT Press, Cambridge, Massachusetts, pp.
493-568.
[15] Isard W. (1975), An Introduction to Regional Science, Prentice-Hall, Englewood
Cliffs, New-Jersey.
[16] Laumann E.O. (1966), Prestige and Association in Urban Community, Bobbs-Merill
Company, New-York.
[17] Pas E.I. (1995), The Geography of Urban Transportation, edited by Susan Hanson,
The Guilford Press.
[18] Olsson G.(1965), Distance and Human Interaction, Regional Science Research
Institute, Philadelphia, Pennsylvania.
[19] Ravenstein E. (1876), The Birthplaces of the People and the Laws of Migration, The
[20] Ravenstein E. (1885), The Laws of Migration, Journal of The Royal Statistical Society
48, pp. 167-235.
[21] Ravenstein E. (1885), The Laws of Migration : second paper, Journal of The Royal
Statistical Society 52, pp. 241-305.
[22] Rickard J.M. (1988), Factors influencing long distance rail passengers trip rates in
Great Britain, Journal of Transport Economics and Policy, 22, pp. 209-233.
[23] Rummel R.J. (1972), The Dimension of Nations, Sage Press, Beverly Hills,
California.
[24] Sen A., Smith T.E. (1995), Gravity models of spatial interaction behaviour, Advances
in spatial and network economics, Springer Verlag.
[25] Senior M. (1979), From Gravity Modelling to Entropy Maximising : a Pedagogic
Guide Progress in Human Geography.
[26] Somermeyer W. (1971), Multi-polar Human Flow Models, Papers and Proceedings,
The Regional Science Association 26, pp. 131-144.
[27] Tobler W. (1981), A model of Geographical Movement, Geographical Analysis 13,
pp. 1-20.
[28] Tversky A. (1977), Features of Similarity, Psychological Review, 84, pp. 327-352.
Geographical Magazine III, pp. 173-177, 201-206, 229-233.
[29] Webber M.J. (1979), Information Theory and Urban Spatial Structure, Croom Helm,
Beckenham, Kent.

Cybergeo : European Journal of Geography

 Approche poisonnienne des modèles d'intégration spatiale

[30] Wilson A. (1967), A Statistical Distribution Model, Transportation Research 1, pp.

253-269.
Notes
1 Nous éviterons ici les appellations : variables dépendantes resp. indépendantes) pour ne pas faire de
confusion avec la dépendance (respectivement l’indépendance) des variables aléatoires que nous allons
introduire.

Pour citer cet article

Référence électronique
G. D’Aubigny, Christian Calzada, Claude Grasland, D. Robert, G. Viho et Jean-Marc Vincent,
« Approche poissonnienne des modèles d’interaction spatiale », Cybergeo : European Journal of
Geography [En ligne], Systèmes, Modélisation, Géostatistiques, 2000, document 126, mis en ligne le
09 mars 2000. URL : http://cybergeo.revues.org/4357

À propos des auteurs

G. D’Aubigny
daubigny@labsad.upmf-grenoble.fr
Christian Calzada
christian.calzada@insee.fr
Claude Grasland
claude.grasland@parisgeo.cnrs.fr
D. Robert
robert@parisgeo.cnrs.fr
Jean-Marc Vincent
Jean-Marc.Vincent@imag.fr

Droits d’auteur
© CNRS-UMR Géographie-cités 8504

Résumé / Abstract
Ce document est le fruit d’une recherche effectuée en vue de la modélisation des flux
qui transitent entre les régions d’une communauté définie. Il a été réalisé au sein du
Laboratoire de Modélisation et Calcul de l’Université Joseph Fourier de Grenoble (IMAG)
en collaboration avec le Département des Etudes Economiques du Service Economique et
Statistique (METL)** et les laboratoires LABSAD* (UPMF Grenoble) et P.A.R.I.S.***
(CNRS Paris I). Les techniques statistiques parfois regroupées sous le terme de comptages, car
elles permettent de tenir compte de données individuelles (dénombrement de réalisations d’un
événement), permettent de prendre en charge la nature discrète de la variable dépendante des
flux. Les modèles poissonniens qui appartiennent à la famille des modèles linéaires généralisés
(Generalized Linear Models) constituent une approche à la fois simple et rigoureuse de
l’estimation de flux de différentes natures, ceci en fonction de variables explicatives,
quantitatives ou qualitatives.
Mots clés : modèle de Poisson, flux de marchandises, vraisemblance, surdispersion, modèle
d’interaction spatiale

A statistical approach of spatial interaction models

This paper deals with specification, estimation and tests of the models based on count data,
especially the Poisson regression analysis of spatial flows. Beginning with Poisson models,
which involve strong assumptions, a variety of stochastic models and their applications are
discussed.
Keywords : Poisson distribution, spatial interaction model, freight flows, likelihood, overdispersion

Cybergeo : European Journal of Geography