Modele Memoire Etogo

UNIVERSITE DE YAOUNDE I UNIVERSITY OF YAOUNDE I
ECOLE NATIONALE SUPERIEURE NATIONAL ADVANCED SCHOOL

POLYTECHNIQUE OF ENGINEERING
DEPARTEMENT DE GENIE CIVIL DEPARTMENT OF CIVIL ENGINEERING
CORRÉLATION ENTRE LE LINÉAIRE DE VOIRIE ET LE

PARC AUTOMOBILE DANS LA VILLE DE YAOUNDÉ :
CONTRIBUTION A LA PRÉVISION DU RÉSEAU SUPPORT
Mémoire de fin d’études
Présenté et soutenu par :
ETOGO ETOGO Carol Jean Carmel

En vue de l’obtention du
« Diplôme d’Ingénieur de Conception de Génie Civil »
Sous la Direction de :
Prof, Dr-Ing Thomas TAMO TATIETSE, Pr
Devant le jury composé de :
 Président : Pr. PETTANG Chrispin, Professeur

 Rapporteur : Pr. TAMO TATIETSE Thomas, Professeur
 Examinateur : Dr. MADJADOUMBAYE Jérémie, Chargé de Cours
 Invité : M. TOUE EVINI Albert, Ing
Année académique : 2013-2014 Soutenu le

Dédicaces
Je dédie ce mémoire
À mon feu père et homonyme M. ETOGO FOUDA Jean paix à son

âme
Mémoire de fin d’étude d’ingénieur de conception génie civil et urbain rédigé et soutenu par ETOGO ETOGO Carol Jean Carmel ENSP 1
2014
Remerciements
Je tiens tout d’abord à remercier l’Eternel DIEU Tout Puissant qui m’a gardé
et accordé santé, courage et force durant toute ma formation. Que son nom
soit loué à jamais.
Mes sincères remerciements vont ensuite à l’endroit :

Du Pr, PETTANG Chrispin pour l’insigne honneur qu’il me fait en présidant ce jury.
Du Pr TAMO TATIETSE Thomas, pour avoir suivi entièrement ce travail avec beaucoup
d’intérêt. Merci pour tous ses conseils, pour la confiance et surtout pour sa grande disponibilité.
Du Dr MADJADOUMBAYE Jérémie, pour avoir accepté d’examiner ce travail. Merci

également pour toutes ses remarques qui ont servi à améliorer le contenu de ce mémoire.
Du Dr LEZIN SEBA Minsili, Directeur des Transports Ferroviaires au Ministère des

Transports, pour m’avoir aidé à obtenir les données nécessaires relatives au présent mémoire.
De ma tendre mère Mme ETOGO Nicole, puisse le Seigneur Dieu tout puissant te donner
la force de continuer à veiller sur tes enfants ;
De ma tante Mme ZOGO Victorine, pour tout le soutien qu’elle m’a toujours apportée;
De Mon grand-frère ainé M. OLEME Achille pour tout le soutien qu’il m’a toujours
apporté ;
De toute ma grande famille, pour le soutien et l’estime qu’ils ont eus pour moi durant
toute ma formation.
De tous mes amis qui m’ont soutenu et ont toujours été proche de moi quand j’avais besoin
d’eux.
De tous mes amis du Génie Civil, promotion 2014 pour les bons moments passés
ensemble et pour tous les encouragements reçus d’eux. Que cette harmonie longtemps partagée
ne tarisse jamais.
2014
Glossaire
CUY Communauté Urbaine de Yaoundé
PPTE Pays Pauvre très Endetté
ECAM Enquêtes Camerounaises Auprès des Ménages
PIB Produit Intérieur Brut
PDU Plan Directeur de l’Urbanisme
INS Institut National de la Statistique
DSCE Document de Stratégies pour la Croissance et l’Emploi
MINDUH Ministère du Développement Urbain et de l’Habitat
MINTP Ministère des Travaux Publics
MINEPAT Ministère de l’Économie, de la Planification et de l’Aménagement du Territoire
C2D Contrat Désendettement Développement
SDAU Schéma Directeur d’Aménagement Urbain
SIDA Syndrome Immuno-Déficitaire Acquis
UITP Union Internationale des Transports Publics
MCO Moindre Carrés Ordinaires
DTR Direction des Transports Routiers
2014
Résumé
Ce travail présente une étude sur la corrélation entre le parc automobile et linéaire de
voirie dans la ville de Yaoundé en proposant des prévisions sur le réseau support (réseau viaire).
L’étude menée évoque premièrement la notion de voirie, elle propose une description du parc
automobile et du linéaire de voirie de la ville, ainsi que leur évolution. Dans un second temps,
elle aborde la notion de corrélation, et de coefficient de corrélation, qui est un paramètre
statistique. Cette méthodologie est complétée par une étude des prévisions par la régression
linéaire simple. Elle traite de l’ajustement par la méthode des moindres carrés ordinaires pour
l’élaboration du modèle linéaire définit, les notions d’inférence statistiques y sont également
abordées avec des tests de significativité sur le modèle et ses différents paramètres.
Les résultats obtenus dans le cas spécifique de la ville de Yaoundé montrent une absence
de corrélation entre les deux paramètres du modèle à partir des années 2000. Le modèle propose
une base de corrélation qui va permettre d’effectuer des corrections sur le linéaire de voirie pour
les années 2005 et 2010. Il permettra aussi d’établir des prévisions sur ce paramètre à court, à
moyen et à long terme à travers des estimations sur le parc automobile. L’étude menée entrevoie
alors des perspectives tant sur l’amélioration de la méthodologie proposée qu’à son intégration
à une autre plus globale de planification urbaine.
Mots clés : corrélation, parc automobile, voirie, prévision, modèle.
2014
Abstract
This work presents a study on the correlation between the linear of road and the parking
lot in Yaounde by proposing an estimate of the linear of road knowing the fleet of vehicles. In
the first time, we define the notion of road, we propose a description of the parking lot and the
linear of road of the Yaounde town, and their evolution since the year 1960. Secondly, we define
the notion of correlation, and coefficient of correlation which is a statistical parametric. We
then complete the methodology by analyzing the estimate with the linear regression method.
This part of the work talks about the adjustment by using the smaller ordinary corner method
for the elaboration of the linear model. The notions of statistical inference and significativity
test of the different parameters of the model are also analyzed in this part.
The results obtain in the specific case of the Yaounde town shows an absence of
correlation between the two parameters of the model starting from the 2000 year. The model
proposes a base of correlation which will help to redress the linear road for the years 2001 up
to 2010. It will enable us also to establish the previsions on the linear road with the estimate on
the parking lot. We then propose some perspectives on the improvement of the method and its
integration on a larger method of urban planning.
Key words: linear road, fleet, correlation, prevision, model
2014
Liste Des Figures
Figure 1 courbe théorique de la relation entre le débit sur une voie et la vitesse de circulation
des véhicules sur cette voie ........................................................................................................ 2
Figure 2 carte administrative et du réseau de transport du Cameroun ....................................... 4
Figure 3 carte administrative et du réseau des transports du Cameroun .................................... 4
Figure 4 Parc automobile de la ville de Yaoundé [6] ............................................................... 14
Figure 5 Corrélation nulle ou indépendance statistique ........................................................... 21
Figure 6 Corrélation positive................................................................................................... 22
Figure 7 Corrélation négative ................................................................................................... 22
Figure 8 intensité de la corrélation ........................................................................................... 24
Figure 9 Droite des moindres carrés........................................................................................ 32
Figure 10 Évolution croisée linéaire de voirie –parc automobile de Yaoundé : nuage de points
.................................................................................................................................................. 52
Figure 11 Évolution croisée linéaire de voirie –parc automobile de Yaoundé ........................ 52
Figure 12 Évolution du coefficient de corrélation parc automobile-linéaire de voirie ............ 55
Figure 13 Régression du linéaire de voirie par le parc automobile .......................................... 59
2014
Liste Des Tableaux
Tableau I-1 indicateur de couverture viaire de Yaoundé, [5]..................................................... 1
Tableau II-1 hiérarchisation du réseau routier de Yaoundé [5]................................................ 11
Tableau II-2 Évolution du linéaire de voirie de la ville de Yaoundé, source CUY ................. 13
Tableau II-3 Classement par type de véhicules [6] .................................................................. 14
Tableau II-4 Caractéristique du parc automobile de Yaoundé [5] ........................................... 15
Tableau II-5 Part des types de véhicules dans le trafic de la ville de Yaoundé ....................... 15
Tableau II-6 Évolution du linéaire de voirie et du parc automobile de Yaoundé de 1961 à 2000
[10] ........................................................................................................................................... 16
Tableau II-7 Évolution du parc automobile de Yaoundé de 1961 à 2010, [6], MINT, DTR ... 16
Tableau IV-1 tableau d’analyse de la variance simplifié ......................................................... 37
Tableau IV-2 Tableau d’analyse de la variance ....................................................................... 39
Tableau V-1 Évolution croisée linéaire de voirie –parc automobile de Yaoundé.................... 51
Tableau V-2 Matrice de corrélation ......................................................................................... 53
Tableau V-3 Matrice de p-value............................................................................................... 54
Tableau V-4 Évolution du coefficient de corrélation parc automobile-linéaire de voirie........ 54
Tableau V-5 Données de base de la régression ........................................................................ 56
Tableau V-6 Tableau d’analyse de la variance : résultats ........................................................ 57
Tableau V-7 Test de significativité de la pente ........................................................................ 58
Tableau V-8 Tableau de prédictions : estimations du modèle ................................................. 58
Tableau V-9 Prévision du réseau support................................................................................. 59
Tableau V-10 Part du PIB Camerounais dans le PIB mondial ................................................ 70
2014
Sommaire
Dédicaces ................................................................................................................................................1
Remerciements .......................................................................................................................................2
Glossaire..................................................................................................................................................3
Résumé ....................................................................................................................................................4
Abstract ...................................................................................................................................................5
Liste Des Figures ....................................................................................................................................6
Liste Des Tableaux..................................................................................................................................7
Sommaire.................................................................................................................................................8
Chapitre I- CONTEXTE ET PROBLEMATIQUE ...............................................................................13
I.1- Contexte [5] et [6] .........................................................................................................................1
I.1.1- Situation infrastructurelle de la ville de Yaoundé ...............................................................1
I.1.2- Contexte naturel et socio-économique de la ville de Yaoundé...........................................3
I.1.3- Aménagement en cours ou projetés ..................................................................................6
I.2- Problématique ...............................................................................................................................7

I.2.1- Difficultés sur le plan socio-économique ............................................................................7
I.2.2- Difficultés sur le plan infrastructurel ...................................................................................8
I.2.3- Enoncé de la problématique ..............................................................................................8
Chapitre II- LES INFRASTRUCTURES VIAIRES DANS LA VILLE DE YAOUNDÉ ............................9

II.1- Définition de la voirie..................................................................................................................10
II.2- Rôle de la route ...........................................................................................................................10
II.3- Caractéristiques du linéaire de voirie de Yaoundé ..................................................................10
II.3.1- Description [3] ..................................................................................................................10
II.3.2- Caractéristiques techniques [6] ........................................................................................11
II.3.3- Evolution ..........................................................................................................................13
II.4- Le parc automobile de Yaoundé ................................................................................................13

II.4.1- Description [5] ..................................................................................................................13
II.4.2- Evolution ..........................................................................................................................16
Chapitre III- ANALYSE DE CORRÉLATIONS ...................................................................................18

III.1- Définition et historique ...............................................................................................................19
2014
III.1.1- Historique .........................................................................................................................19
III.1.2- Association entre deux ou plusieurs variables .................................................................19
III.1.3- Définition ..........................................................................................................................20
III.2- Dispersion de données ..............................................................................................................21

III.2.1- Signification des nuages de points [1] ..............................................................................21
III.3- Les coefficients de corrélation [8] ............................................................................................23

III.3.1- Corrélation de Bravais PEARSON [8] ..............................................................................23
III.3.2- Corrélation de SPEARMAN [8] ........................................................................................25
III.3.3- Tau de KENDALL [8] .......................................................................................................27
Chapitre IV- Régression linéaire ...................................................................................................29

IV.1- Régression linéaire simple [9] ...................................................................................................30
IV.1.1- Hypothèses ......................................................................................................................31
IV.1.2- Ajustement par la méthode des moindres carrés .............................................................31
IV.1.3- Décomposition de la variance et coefficient de détermination .........................................36
IV.1.4- Propriétés des estimateurs des moindres carrés (𝒂 et 𝒃) ...............................................38
IV.2- Inférence statistique ...................................................................................................................39

IV.2.1- Evaluation globale de la régression .................................................................................39
IV.2.2- Distribution des coefficients estimés ................................................................................41
IV.2.3- Etude de la pente de la droite de régression....................................................................44
IV.2.4- Intervalle de confiance de la droite de régression ............................................................45
IV.2.5- Equivalence de la régression simple avec le test de significativité de la corrélation ........46
IV.3- Prévision et intervalle de prévision ...........................................................................................47

IV.3.1- Prévision ponctuelle .........................................................................................................47
IV.3.2- Prévision par intervalle .....................................................................................................48
Chapitre V- Résultats et interprétations...........................................................................................50

V.1- Corrélation entre le Parc Automobile et le linéaire de voirie Le diagramme de dispersion .51
V.1.1- Observations ....................................................................................................................53
V.2- Coefficient de corrélation...........................................................................................................53

V.3- Prévision des infrastructures viaires : régression linéaire .....................................................56
V.3.1- Ajustement linéaire par la méthode des moindres carrés ordinaires ................................56
V.3.2- Test de significativité global de la régression ...................................................................57
V.3.3- Test de significativité de la pente .....................................................................................57
V.3.4- Prédictions : intervalle de confiance et intervalle de prédiction ........................................58
2014
Conclusion Générale et Perspectives .................................................................................................61
Bibliographie .........................................................................................................................................63
Annexes .................................................................................................................................................65
2014
Introduction Générale
La planification est l’outil de base d’un développement durable, il est important de se

projeter dans l’avenir pour anticiper sur d’éventuels problèmes dans le court, le moyen ou le
long terme. Les villes du monde et les villes Africaines en particulier font face à de nombreux
problèmes d’urbanisation. La population urbaine dans le monde est de 52,1%, contre 39,6% en
Afrique (chiffre qui va grandissant au fil des ans), il importe donc pour les dirigeants des pays
africains de mettre sur pied une base de planification urbaine.
La ville de Yaoundé à l’image de plusieurs villes africaines n’est pas en reste concernant
les problèmes de planification urbaine. L’échec du SDAU de 1982 a entrainé un désordre urbain
important. En effet, l’accroissement de la population (en 2010 une population estimée de 2
153 951 d’habitants) implique désormais une forte mobilité dans la ville, le nombre total de
déplacements de passagers par jour à Yaoundé est de 2,2 millions, soit une mobilité moyenne
motorisée de 1 déplacement par habitant par jour environ [5].
Sur le plan infrastructurel, selon le diagnostic des réalisations du Schéma Directeur

d’Aménagement et d’Urbanisme (SDAU) de 1982 établi dans le cadre de l’élaboration du
nouveau Plan Directeur d’Urbanisme, un important décalage avec les recommandations
formulées par le SDAU peut être noté comme suit:
 réalisation partielle des voiries prévues par le SDAU de 1982

 non réalisation de certaines voies primaires essentielles, comme la voie rapide
Nord/Sud ;
 peu de voies ont la largeur d’emprise prévue et ajustable, notamment les voies
rapides ;
 aucune voie ne présente les caractéristiques d’une autoroute ;
 la majorité des voiries n’ont pas d’assainissement
Entre 1980 et 2000, des travaux scientifiques ont estimé que l’aire urbaine de Yaoundé a
été multipliée par 2,6 et sa population par 2,3, tandis que le linéaire de voirie est passé
seulement de 500 km à 700 km [10]., soit une augmentation deux fois moindre que l’extension
géographique et que la croissance démographique. Les analyses les plus récentes montrent
2014
que, cette aire urbaine a quadruplé de 1980 à 2010, le linéaire de voirie quant à lui est passé à
755 km.
Le réseau viaire de la ville se trouve saturé devant l’accroissement sans cesse grandissant
du parc automobile. Devant cette situation, il apparaît la nécessité d’étudier la corrélation entre
le parc automobile et le linéaire de voirie dans la ville de Yaoundé, pour une contribution
à la prévision du réseau support. L’étude menée s’articule autour de cinq chapitres :
- le premier situe le contexte et parle de la problématique d’une corrélation entre le parc

automobile et le linéaire de voirie dans la ville de Yaoundé ;
- le second décrit le linéaire de voirie et le parc automobile de la ville dans leur évolution ;
- le troisième définit les termes de corrélation statistique et les différents coefficients de
corrélation retrouvés dans la littérature ;
- le quatrième propose une méthodologie de prévision par la méthode de régression
linéaire ;
- le cinquième étudie le cas spécifique de la ville de Yaoundé en effectuant des prévisions
sur le linéaire de voirie, des interprétations sont faites et ceci conduit à la conclusion
générale du travail et à la proposition des perspectives.
2014
Chapitre I- CONTEXTE ET PROBLEMATIQUE
2014
I.1- Contexte [5] et [6]
I.1.1- Situation infrastructurelle de la ville de Yaoundé
I.1.1.1- Infrastructures routières
Le réseau routier de la ville est estimé à 2 536 km en 2010, dont 755 km sont revêtus.
Il a du mal à suivre le rythme de la croissance de la ville et des besoins en déplacements. Les
liaisons centre/périphérie sont ainsi supportées par un nombre limité de voies structurantes.
Malgré un effort notable en matière de réhabilitation et d’extension du réseau viaire entrepris
ces dernières années à Yaoundé, le niveau de couverture demeure faible.
Tableau I-1 indicateur de couverture viaire de Yaoundé, [5]
I.1.1.2- Réseau des transports
Le transport urbain de passagers de la ville de Yaoundé repose essentiellement sur les

taxis, les minibus et les moto-taxis, exploités artisanalement. Cette exploitation artisanale
est inadaptée aux grandes agglomérations parce que, d’une part, elle permet difficilement
de faire face à une très forte demande et, d’autre part, son mode de fonctionnement la rend
inefficace à la desserte des aires urbaines étendues.
Un système de transport comprend trois composantes qui contribuent à l’objectif qui

lui est assigné : les véhicules, les infrastructures et les techniques d’exploitation. Chacun
de ces trois éléments influe sur la capacité de ce système de transport collectif et son débit
horaire (nombre de passagers transportés par heure et par sens). Les trois composantes
des systèmes de transport artisanal existant à Yaoundé sont des facteurs de limitation de son
débit horaire :
2014
- A Yaoundé, l’augmentation du réseau de voirie suit un rythme bien inférieur à
celui de la croissance des besoins. Du fait des contraintes imposées par la
configuration spatiale de l’agglomération, mais surtout en raison des contraintes
financières, il est très difficile pour les pouvoirs publics d’accroître la capacité
sur les axes centre/périphérie, les plus fortement sollicités.
- Pour s’assurer un retour sur investissement plus rapide, les artisans marquent une
nette préférence pour des véhicules de faible capacité : 1 place pour les moto-taxis,
5 places pour les taxis collectifs, 10 à 20 places pour les minibus, or ces véhicules
ont un coefficient d’occupation d’espace par passager plus important qu’un
autobus (entre 60 et 100 places pour un autobus standard, jusqu’à 270 places
proposées par les autobus bi-articulés). On arrive ainsi plus rapidement à une
saturation de la voirie, phénomène que formalise la Figure ci-après.
Figure 1 courbe théorique de la relation entre le débit sur une voie et la vitesse de circulation des
véhicules sur cette voie
- De plus, les vitesses évoquées ci-dessus sont des vitesses de circulation. Pour les
transports collectifs, il faut en plus considérer les arrêts pour charger et décharger
les passagers. La multiplication des arrêts, en plus de réduire la vitesse commercial e
2014
du véhicule, ralentit sa circulation et réduit encore plus la capacité des voies.
Les artisans stoppent leurs véhicules de façon intempestive et très souvent ne font
pas l’effort de s’écarter de la chaussée, ralentissant donc la circulation des
autres véhicules.
I.1.2- Contexte naturel et socio-économique de la ville de Yaoundé
Capitale du Cameroun et deuxième plus grande ville du pays après Douala, Yaoundé
abrite l’essentiel de la superstructure administrative du pays et une partie des sièges des
entreprises. C'est aussi le chef-lieu de la Région du Centre. Son activité économique et, dans
une certaine mesure, la mobilité quotidienne des habitants et l’offre de transport sont fortement
influencées par la présence des administrations publiques centrales.
I.1.2.1- Situation géographique
La structure urbaine du Cameroun se distingue de la « primatie » classique, rapport élevé

entre la taille de la première et celle de la deuxième ville, que l’on trouve dans les autres pays
africains. En effet, elle est marquée par la coexistence de deux métropoles « millionnaires»,
Douala et Yaoundé, et la présence d'un bon maillage de villes secondaires, à rayonnement
régional. Douala, la ville portuaire et capitale économique, est plus peuplée que Yaoundé, la
capitale politique à l'intérieur du pays. Là aussi la non-prééminence de la capitale politique
constitue une originalité.
La localisation géographique, d’une part, et la configuration des infrastructures de

transport, d’autre part, donnent un rôle central à la ville de Yaoundé. Comme on peut le voir
sur la carte ci-après, les principaux axes routiers partent ou transitent par Yaoundé. La ville est
notamment sur un des axes routiers du Transcamerounais qui dessert également le Tchad et la
République Centrafricaine à partir du port de Douala. Cela conduit notamment à la circulation
de poids-lourds et de transport de grumes en plein centre-ville.
Le réseau ferroviaire Transcamerounais passe également par Yaoundé, en créant une

coupure en plein milieu de la ville. En outre, deux plateformes ferroviaires importantes, les
gares voyageurs et marchandises, sont situées en centre-ville.
2014
L’aéroport international de Nsimalen est la deuxième plateforme aérienne du pays, avec
22% du trafic passager national et international du Cameroun (annuaire statistique 2008, Institut
National de la Statistique). Il est situé au sud de Yaoundé, à 27 km du centre-ville.
Figure 2 carte administrative et du réseau de transport du Cameroun
2014
Contexte naturel
Le territoire administratif de la CUY couvre une superficie de 28798 hectares. En 2002,

le site urbanisé occupait près de 16 000 hectares, soit 56% de la superficie administrative de la
ville. Les estimations de l’espace urbanisé en 2010 en prenant en compte la croissance
démographique conduisent à un chiffre de 21 600 hectares. La densité moyenne du tissu urbain
serait alors d’environ 130 habitants par hectare. Cette faible densité conduit à un allongement
des distances de déplacements pour la population.
La ville est située dans un relief accidenté, des plateaux étagés entre 700 et 800 m
d’altitude et des massifs montagneux atteignant jusqu’à 1200 m d’altitude. Si le site présente
un certain charme, il impose des contraintes aux infrastructures et aux transports. Il renchérit le
cout des infrastructures de transport qui doivent être allongées pour éviter des pentes trop
raides et aussi comprendre plusieurs ouvrages de franchissement. La raideur des pentes
augmente également la consommation de carburants des véhicules. Elles limitent cependant
le phénomène de surcharge des poids-lourds, mais elles augmentent les risques d’accidents.
Enfin, le relief accidenté accroit la pénibilité de la marche à pied et l’usage du vélo.
I.1.2.2- Contexte socio-économique
Au lendemain de l’atteinte du point d’achèvement de l’initiative PPTE, l’économie

camerounaise est fragile et tarde à prendre son envol. Le pays possède toujours une croissance
à un chiffre de son PIB depuis les années 90, années de la fatidique crise économique et
monétaire mondiale. La ville de Yaoundé, capitale politique du Cameroun est le symbole de
cette décadence tant sur le plan macroéconomique, que sur le plan socioéconomique.
D’après les résultats de l’enquête ECAM 3, la population de Yaoundé présente le revenu

moyen par habitant le plus élevé du Cameroun, avec 762 000 FCFA de dépense moyenne
annuelle par équivalent-adulte, alors que la moyenne nationale est de 440 000 FCFA.
Si la population considérée comme pauvre (au sens monétaire de la définition de l’INS :

moins de 269 443 FCFA par équivalent adulte et par an) à Yaoundé ne représente que 5,9%
contre 12,2% pour la population urbaine totale et 39,9% pour l’ensemble du pays, les inégalités
2014
de revenus sont les plus fortes. Le rapport des revenus entre les 20% les plus riches et les 20%
les plus pauvres est de 7,6.
D’après cette enquête, le transport, avec 11,2% des dépenses totales, constitue le
troisième poste de dépenses des ménages, après le logement (27,2%) et l’alimentation (18,3%).
Ramenée à la dépense moyenne par habitant, cette part représente 235 FCFA par jour
calendaire, et 340 FCFA par jour ouvré.
L’élaboration du DSCE (2009), appelle à fournir de nombreux efforts de la part des

administrations, et des services techniques du pays pour pouvoir atteindre les objectifs décrits
par ce document. La ville de Yaoundé, l’un des principaux indicateurs de la croissance
économique du pays. Ainsi donc, elle devra, à l’image de tout le pays, renforcer ses institutions,
pour booster son économie et surtout développer ses infrastructures (routes, chemins de fer,
équipements urbains…) pour que le Cameroun soit un pays émergent en 2035.
I.1.3- Aménagement en cours ou projetés
Il existe plusieurs projets et études d’aménagement d’infrastructures dans la ville de

Yaoundé, sans qu’il soit souvent possible de déterminer l’échéance et si les financements sont
disponibles.
En matière de voiries, les projets les plus importants suivants sont engagés sous la maîtrise
d’ouvrage du MINDUH ou du MINTP:
- Le projet de l’Autoroute de Nsimalen, dont la construction a été chiffrée à 35

milliards FCFA, qui aura une grande incidence sur le développement urbain et le
trafic au Sud de la ville.
- De même, le Gouvernement envisage dans le cadre de la Stratégie de
développement du pays à l’horizon 2035 la construction d’une Autoroute entre
Yaoundé et Douala et qui conduira à traiter les entrées urbaines de cet axe.
- La construction du contournement Est de la ville est déjà engagée sur le Tronçon
Nkozoa-Nkolnda (28,5 milliards FCFA). Un second tronçon (Nkoabang-Nkolnda)
est à l’étude. Un contournement Ouest est également en projet.
2014
La CUY, en partenariat avec le MINDUH dans le cadre des financements internationaux
(prêts ou annulation de dette) supervisés par ce dernier, envisage les projets suivants:
- Route Mimboman-Nkoabang (coût : 5 milliards FCFA)

- Route Nsam-Obobogo-Nsimeyong-Collège Vogt (coût : 4 milliards FCFA)
- Route Dakar-efoulan-carrefour Obobogo
- Carrefour Efoulan – carrefour Olympique-Nsimeyong (Texaco)
- Carrefour Ekounou-2 Chevaux-Carrefour Coron
- Institut Gazolan-Carrefour Ekounou-Caroussel
- Carrefour Olympique-Chapelle Nsimeyong
I.2- Problématique
I.2.1- Difficultés sur le plan socio-économique
S’il est noté un ralentissement de son rythme, la croissance démographique de la ville de

Yaoundé continue. Le nombre de néo-citadins, chaque année, est très important. En chiffres
absolus, il est encore plus important que par le passé. En raison des progrès de la médecine et
compte tenu des effets d’inertie, la croissance naturelle reste importante, et si la ville attire
moins, elle ne provoque pas des fuites significatives. Elle reste le passage obligé pour la
réussite. En outre, certaines régions rurales, saturées, ne peuvent accueillir le surplus
démographique urbain. En termes de mobilité, l’augmentation de la population signifie d’abord
de nouveaux besoins en déplacements urbains.
Alors que la croissance aux lendemains des indépendances était stimulée par la prospérité
économique, depuis la fin des années 1980, nous assistons plutôt à une urbanisation
appauvrissante. La crise a dramatiquement réduit les ressources publiques. Au niveau des
ménages, le niveau des revenus se dégrade ou, au mieux, stagne. La croissance démographique
sous une forte contrainte économique n’est pas sans conséquences, quantitativement et
qualitativement, sur la mobilité urbaine. Cette croissance intervient dans un cadre physique
particulièrement contraignant pour l’aménagement des infrastructures de transport et la sécurité
de leur usage. Le relief accidenté de la ville et son réseau hydrographique développé imposent
en particulier des ouvrages de franchissement et des profils de routes couteux.
2014
I.2.2- Difficultés sur le plan infrastructurel
Le réseau viaire de la ville a du mal à suivre le rythme de la croissance de la ville et de la

motorisation. Les liaisons centre/périphérie sont ainsi supportées par un nombre limité de voies
structurantes. Malgré un effort notable entrepris en matière de réhabilitation et d’extension du
réseau viaire entrepris ces dernières années à Yaoundé, le niveau de couverture demeure faible.
La croissance de la ville exige des efforts importants sur le réseau viaire en termes de
rattrapage des besoins en dessertes performantes. Mais les mesures devront être efficaces,
ciblées et adaptées aux niveaux de ressources disponibles. Un réseau viaire structurant et
hiérarchisé à l’échelle de l’agglomération sera le support à la fois du déploiement des transports
collectifs et d’une urbanisation contrôlée.
Le transport en commun dans la ville est assuré majoritairement par les taxis, qui sont des
moyens de transport urbain inappropriés du fait de leur faible capacité de charge (5 places),
contrairement aux bus et autocars (60 à 100 places) [6].
I.2.3- Enoncé de la problématique
Au vu des nombreux objectifs économiques visés par le Cameroun aujourd’hui, il est

nécessaire, voire même indispensable que sa capitale politique soit le reflet de ses ambitions.
Ceci passe par une adéquation entre les infrastructures et les équipements de transport urbain.
Il apparait donc l’importance de l’établissement d’un outil de corrélation entre ces deux
éléments en vue de la prévision du réseau viaire structurant de la ville de Yaoundé.
2014
Chapitre II- LES INFRASTRUCTURES VIAIRES DANS LA
VILLE DE YAOUNDÉ
2014
II.1- Définition de la voirie
Historiquement, la voirie se définit comme l’ensemble des voies de communication, c’est-

à-dire des infrastructures nécessaires pour favoriser la circulation des biens et des personnes.
Mais, en milieu urbain, la voirie est un espace collectif avant d’être une infrastructure dédiée à
la seule circulation, un espace social qui structure l’espace urbain.
En effet, chaque rue dessert des parcelles riveraines, et cette première fonction
d’accessibilité est une condition nécessaire pour transformer un espace physique en espace en
espace socio-économique. Elle est aussi un élément du cadre de vie, par sa forme architecturale
qui contribue à donner à l’espace urbain une densité, une structure, une lisibilité pour le citadin.
II.2- Rôle de la route
II.3- Caractéristiques du linéaire de voirie de Yaoundé
II.3.1- Description [3]
Le réseau de voirie doit permettre d’assurer trois fonctions complémentaires de transport :
- La fonction « transit » (déplacement inter-villes) ;

- La fonction « liaison » (déplacement entre quartiers) ;
- La fonction « desserte » (ou accessibilité à l’habitat, aux activités, aux
commerces…).
En général, ces fonctions ne relèvent pas du même type de circulation et de transport. La

fonction « desserte » est le fait d’une circulation lente et plus généralement encore de la marche
à pied ; la fonction liaison demande une circulation motorisée et également le recours aux
transports collectifs.
Compte tenu des différents rôles de la voirie ci-avant énumérés, la circulation urbaine est
organisée en fournissant à chaque type la possibilité de se dérouler avec une vitesse qui cadre
avec ses besoins. On peut ainsi décomposer le réseau viaire de la capitale en quatre types :
2014
II.3.1.1- Les voies tertiaires ou voies de desserte [3]
Aussi appelées voiries locales, elles donnent la priorité à la desserte des propriétés
riveraines. On peut les définir comme l’ensemble des voies et voies piétonnières mises à la
disposition du public pour se déplacer jusqu’au seuil d’un immeuble. On y circule à une vitesse
réduite (20-40 Km/h) [MINEPAT, 1998].
II.3.1.2- Les voies secondaires [3]
Elles assurent à la fois des fonctions de desserte et de circulation à l’intérieur des quartiers
à une vitesse moyenne théorique de 40 à 50 Km/h. Elles drainent le trafic des zones de desserte
vers les accès aux voiries primaires.
II.3.1.3- Les voies primaires [3]
C’est un réseau de voies à l’échelle de la ville. Elles donnent une priorité non plus à la
desserte, mais à la circulation. Elles relient entre-elles les divers quartiers de la ville. On peut y
circuler à une vitesse relativement élevée (50 à 80 Km/h). Les voies d’accès à la voirie primaire
sont limitées, les stationnements interdits. Ces mesures sont prises pour faciliter le trafic.
II.3.1.4- Voies de transit ou voirie nationale [3]
Les voies de transit sont des voies urbaines qui sont constituées pour la plupart des
prolongements du réseau routier national interurbain. Elles devraient donner l’exclusivité à la
circulation interurbaine à grande vitesse (110Km/h).
Tableau II-1 hiérarchisation du réseau routier de Yaoundé [5]
II.3.2- Caractéristiques techniques [6]
- Revêtement : béton bitumineux, enduit superficiel, terre ;
2014
- Dégradations : les dégradations de chaussées suivantes sont le plus souvent
rencontrées :
 Les épaufrures : entrainant un rétrécissement de la largeur praticable de la chaussée, ce

type de dégradation est particulièrement fréquent le long des voies sans bordures ou
caniveaux bétonnés latéraux ;
 Le faïençage : Autre dégradation de chaussée assez fréquente et dont le développement
provoque presque toujours l’apparition de graves désordres structurels du corps de
chaussée ;
 Les nids de poule : Ils sont présents, mais en faible nombre, sur plusieurs voies et il a
été observé qu’un effort était fait pour les supprimer par bouchage avec de l’enrobé ou
de la latérite.
- Emprise : à Yaoundé, les routes ont une emprise allant de 6 m à plus de 60 m de

largeur entre façades (Boulevard du 20 Mai). Mais en général, la largeur entre
façades se situe plutôt autour de 20 m ;
- Trottoirs, accotements, et terres pleins centraux : Ces dépendances de la chaussée
n’existent que lorsque la largeur d’emprise et l’importance des flux de déplacements
piétonniers et de stationnement l’imposent, et ceci quelque soient les types de
revêtement des chaussées. Il a été remarqué que plusieurs tronçons de trottoirs ont
été endommagés à l’occasion de travaux de réhabilitation de l’éclairage public. Les
trottoirs sont également détériorés par la présence d’arbres trop proches, les racines
fissurant le revêtement et accélérant leur dégradation ;
- Assainissement pluvial : les ouvrages d’assainissement rencontrés sont du type
suivant:
o caniveaux;
o drains enterrés;
o fossés bétonnés et en terre;
o buses;
o dalots;
o ponts.
2014
II.3.3- Evolution
Le tableau suivant récence l’évolution du linéaire de voirie depuis 1961, il donne le

linéaire après chaque 5ans. Ainsi, de 1996 à 2005, le réseau routier de la ville n’évolue pas, il
demeure à une valeur de 700 Km, il subit une nette amélioration de 2006 à 2010 avec la mise
en place des programmes C2D passant à 755 Km de route revêtues
Tableau II-2 Évolution du linéaire de voirie de la ville de Yaoundé, source CUY
Année Linéaire (km) Année Linéaire (km)
1961-1965 152,8 1986-1990 694,8
1966-1970 152,8 1991-1995 694,8
1971-1975 152,8 1996-2000 700
1976-1980 505 2001-2005 700
1981-1985 505 2006-2010 755
II.4- Le parc automobile de Yaoundé
II.4.1- Description [5]
Le parc automobile de Yaoundé comporte plusieurs types de véhicules dont : les bus et
autocars, les camions, les chariots, les engins, les grumiers, les minibus, les motos, les pick-up
ou camionnettes, les remorques, les semi-remorques, les tracteurs agricoles ; les tracteurs
routiers, les triporteurs, et les véhicules particuliers.
Les données analysées ici proviennent des services du Ministère des Transports à
Yaoundé. Elles concernent l’ensemble du parc de la Région du Centre tel que évalué en 2009.
Près de 90% de ce parc circule dans la ville de Yaoundé. En raison du statut de la ville de
Yaoundé, un flux important de véhicules de visiteurs professionnels et touristiques ou en transit
vient s’ajouter au parc automobile des résidents. L’activité cumulée de cet important parc de
2014
véhicules a des incidences croissantes sur l’environnement global. La structure de ce parc est
représentée sur les graphiques ci-dessous:
Motos
Voitures 4*4
Taxis
Minibus
Bus
Camionnettes
Camions 2 essieux
Camions à plus de 2 éssieux
Remorques
Autres
Figure 4 Parc automobile de la ville de Yaoundé [6]
Tableau II-3 Classement par type de véhicules [6]
Le parc de véhicules de Yaoundé est extrêmement vieux. Plus de 60% de véhicules ont
plus de 10 ans le jour de leur première mise en circulation. Ces véhicules de seconde main en
provenance d’Europe aggravent le phénomène de pollution atmosphérique. Ils imposent en
outre des problèmes de gestion des épaves.
2014
Tableau II-4 Caractéristique du parc automobile de Yaoundé [5]
D’après ces deux tableaux, on peut extraire les informations suivantes :
- 74,9% du parc de véhicules de Yaoundé a un âge compris entre 10 et 24 ans ;

- 20,7% du parc de véhicules de Yaoundé a un âge inférieure à 10 ans ;
- 4,4% du parc de véhicules de Yaoundé a un âge supérieure à 25 ans.
Les véhicules circulant dans la ville de Yaoundé proviennent de plusieurs types de trafic :
- Le trafic intérieure, ou intra, qui représente à lui seul 91,7% du trafic total de la
ville ;
- Le trafic import : véhicules provenant d’autres villes, il représente 3,9% du trafic ;
- Le trafic export : 3,9% du trafic total ;
- Et le trafic de transit : 0,4% du trafic total.
Tableau II-5 Part des types de véhicules dans le trafic de la ville de Yaoundé
2014
II.4.2- Evolution
Le nombre de véhicules immatriculés enregistrés dans la ville de Yaoundé des années

1960 aux années 2000 est donné par le tableau suivant :.
Tableau II-6 Évolution du linéaire de voirie et du parc automobile de Yaoundé de 1961 à 2000 [10]
Nous avons obtenus les chiffres sur l’évolution du parc automobile entre les années 2004
et 2010 auprès du service statistique de la Direction des Transports Routiers du Ministère des
Transports. Ils sont donnés en annexe.
Le cumul de ces données nous permet d’obtenir le tableau suivant d’évolution du parc
automobile de 1960 à 2010, elles sont regroupées en classe de 5 ans d’amplitude :
Tableau II-7 Évolution du parc automobile de Yaoundé de 1961 à 2010, [6], MINT, DTR
2014
ANNEE PARC
1961-1965 7011
1966-1970 8040
1971-1975 13536
1976-1980 24489
1981-1985 50159
1986-1990 69419
1991-1995 87508
1996-2000 120197
2001-2005 236197
2006-2010 443018
2014
Chapitre III- ANALYSE DE CORRÉLATIONS
2014
III.1- Définition et historique
III.1.1- Historique
La corrélation est un concept issu de la biologie. C'est par le biais des travaux de Francis
Galton que la corrélation devient un concept statistique. Toutefois pour Galton, la notion de
corrélation n'est pas définie précisément et il l'assimile dans un premier temps à la droite de
régression d'un modèle de régression linéaire.
C'est ensuite Karl Pearson qui propose en 1896 une formule mathématique pour la notion
de corrélation et un estimateur de cette grandeur..
III.1.2- Association entre deux ou plusieurs variables
Dans le langage commun, l’expression « corrélation entre deux variables » est

entendue et bien comprise de manière générale : c’est un lien, un rapport de correspondance
grâce auquel la variation d’un attribut peut être associée à la variation d’un autre attribut. En
fait, dans ce concept général des choses, on devrait plutôt parler d’associations, qui sont de trois
types :
- une relation non spécifique: y a-t-il un lien, une influence quelconque – causale,
indirecte, mutuelle – entre deux caractéristiques observées ? L’arsenal disponible
pour l’évaluation statistique de ces relations est nombreux et diversifié, les outils
les plus courants étant les tests t de Student, l’analyse de variance et le test du Khi-
deux pour tableaux de fréquences ;
- une relation linéaire: La variation d’une grandeur Y donnée est-elle proportionnelle
à la variation d’une autre grandeur X, peut-on établir une règle de correspondance
linéaire entre les deux? Cette relation paradigmatique, représentée par l’équation «
Y = bX + a », fournit souvent le premier pas vers une modélisation d’un phénomène.
Elle peut être écrite sous la forme Y= f(X), où f est une fonction, linéaire ou
linéarisable, de X ;
- une relation monotone : Intermédiaire entre la relation linéaire décrite ci-dessus et
une relation non spécifique, qui n’implique aucune concordance régulière entre X et
Y, s’intercale la relation dite monotone. Y a-t-il une fatigue, une diminution d’énergie
chez les travailleurs du premier jusqu’au cinquième jour d’une semaine de travail?
2014
Les relations de ce type se subdivisent en deux sous-catégories, selon la nature des
variables concernées : soit les variables X et Y concernées sont toutes deux mesurées
et reflètent des grandeurs (continues), alors que la relation supposée entre elles est
monotone plutôt que métrique ( l’espérance de vie et le revenu moyen); soit au moins
l’une des variables est ordinale ( l’échelle de Mohrs pour la dureté d’un matériau)
ou catégorielle ordonnée, la variable catégorielle regroupant ordinairement plus
d’un élément ( le niveau de scolarité).
III.1.3- Définition
Etymologiquement, la corrélation est la relation réciproque entre deux choses, entre deux
personnes. En statistique, on définit cette relation par un coefficient, appelé coefficient de
corrélation qui indique le degré d’association entre deux variables. C’est un coefficient
numérique compris entre +1 et -1. La corrélation n’implique en aucun cas, une relation de cause
à effet.
La corrélation met en évidence un lien entre deux variables. En effet, comme il est précisé
dans tous les ouvrages de statistique, corrélation n’est pas causalité. Ceci est très important car
cette phrase signifie que l’opération statistique effectuée, du fait de son statut descriptif, permet
seulement de montrer que les variables entretiennent une relation et pas du tout qu’une variable
explique ou cause l’autre variable. Il est fondamental d’insister ici sur l’importance à ne pas
confondre corrélation et causalité : le fait que deux variables soient corrélées montre
simplement qu’elles covarient, c’est-à-dire que, les changements de valeur de l’une sont
associés, de manière significative, avec des changements de valeurs de l’autre. La corrélation
est une statistique descriptive et non inférentielle. Si le but des calculs entrepris est de montrer
qu’une variable en explique une autre, il faudra alors recourir à des statistiques inférentielles
(et notamment aux techniques de régression), pour pouvoir parler de causalité.
2014
III.2- Dispersion de données
III.2.1- Signification des nuages de points [1]
III.2.1.1- Liaison fonctionnelle
Dans ce cas de figure, à chaque valeur 𝑥𝑖 correspond une valeur déterminée𝑦𝑖 , et

réciproquement. La moyenne conditionnelle 𝑦̅𝑖 liée par 𝑥𝑖 est égale à 𝑦𝑖 ; de même, la moyenne
conditionnelle 𝑥̅𝑖 liée par 𝑦𝑖 est égale à 𝑥𝑖 : les deux courbes de régression s’identifient à la
courbe de liaison.
III.2.1.2- Indépendance
La figure 5 présente, au contraire, le cas de l’indépendance des deux variables X et Y :

les distributions conditionnelles de chacune des deux variables sont identiques à la distribution
marginale correspondante et, par conséquent, identiques entre elles. Il en résulte que, pour
chacune des variables, les moyennes conditionnelles sont égales entre elles et égales à la
moyenne marginale :
𝑥̅𝑗 = 𝑥̅ 𝑒𝑡 𝑦̅𝑖 = 𝑦̅
Les courbes de régression sont donc deux droites parallèles aux axes de coordonnées : en
cas d’indépendance, la connaissance de la valeur de l’une des variables, X par exemple,
n’apporte aucune information supplémentaire sur la distribution de l’autre et, en particulier, sur
la valeur moyenne de celle-ci.
Figure 5 Corrélation nulle ou indépendance statistique
2014
III.2.1.3- Corrélation
La situation décrite aux figures 6 et 7 est intermédiaire entre les deux cas extrêmes
précédents. La courbe de régression de Y en X n’étant pas parallèle à l’axe des abscisses, la
connaissance de la valeur prise par X apporte une information supplémentaire sur le valeurs
susceptibles d’être prises par Y : si 𝑋 = 𝑥𝑖 , Y prend la valeur 𝑦̅,
𝑖 et non 𝑦
̅. On dit que Y est en
corrélation avec X.
De la même façon, la courbe de régression de X en Y n’étant pas parallèle à l’axe des

OY, X est en corrélation avec Y.
Lorsque les variations des deux phénomènes se produisent dans le même sens, on dit que
la corrélation est directe ou positive.
Lorsque les variations sont de sens contraire, on dit que la corrélation est inverse ou négative.
Figure 6 Corrélation positive Figure 7 Corrélation négative
Lorsque les courbes de régression sont des droites non parallèles aux axes de
coordonnées, il y a corrélation linéaire.
2014
Lorsqu’une variable Y est en corrélation avec une variable X, la courbe de régression de
Y en X permet de résumer de façon commode la liaison existant entre les deux variables. Ce
résumé a d’autant plus d’intérêt que la courbe de régression est plus représentative de
l’ensemble de la distribution à deux variables, autrement dit que les points (𝑥𝑖 , 𝑦𝑖 ) sont plus
concentrés autour de la courbe de régression. Cette intensité de la liaison est mesurée par le
rapport de corrélation.
III.3- Les coefficients de corrélation [8]
III.3.1- Corrélation de Bravais PEARSON [8]
III.3.1.1- Définition
Le coefficient de corrélation de Pearson permet d'analyser les relations linéaires. Ce

coefficient permet de détecter la présence ou l'absence d'une relation linéaire entre deux
caractères quantitatifs continus. Pour calculer ce coefficient il faut tout d'abord calculer la
covariance. La covariance est la moyenne du produit des écarts à la moyenne.
𝟏
̅). (𝐘𝐢 − 𝐘
𝐂𝐨𝐯(𝐗, 𝐘) = ∑𝐍𝐢=𝟏(𝐗 𝐢 − 𝐗 ̅) (1)
𝐍
Ou
𝟏
̅. 𝐘
𝐂𝐨𝐯(𝐗, 𝐘) = ( ∑𝐍𝐢=𝟏 𝐗 𝐢 . 𝐘𝐢 ) − (𝐗 ̅) (2)
𝐍
Avec,
- N : effectif total de l’échantillon ;

- Xi et Yi, valeurs prises par les variables X et Y ;
- 𝑋̅, 𝑒𝑡 𝑌̅, moyennes des distributions des variables X et Y.
Le coefficient de corrélation linéaire de deux caractères X et Y est égal à la covariance

de X et Y divisée par le produit des écarts-types de X et Y.
𝐂𝐨𝐯(𝐗,𝐘)
𝐫(𝐗, 𝐘) = (3)
𝛔 𝐱 .𝛔𝐲
2014
Avec, 𝝈𝒙 , 𝒆𝒕 𝝈𝒚 étant les écarts type des distributions des variables X et Y.
𝛔𝐱 (𝐫𝐞𝐬𝐩 𝛔𝐲 ) = √𝐕(𝐗) (𝐫𝐞𝐬𝐩𝐕(𝐘)),
𝟏
𝐕(𝐗) = 𝐍 ∑𝐍 ̅ 𝟐
Et 𝐢=𝟏(𝐗𝐢 − 𝐗)
On peut démontrer que ce coefficient varie entre -1 et +1. Son interprétation est la
suivante :
- si r est proche de 0, il n'y a pas de relation linéaire entre X et Y ;

- si r est proche de -1, il existe une forte relation linéaire négative entre X et Y ;
- si r est proche de 1, il existe une forte relation linéaire positive entre X et Y.
Le signe de r indique donc le sens de la relation tandis que la valeur absolue de r indique
l'intensité de la relation c'est-à-dire la capacité à prédire les valeurs de Y en fonctions de celles
de X.
Figure 8 Intensité de la corrélation
III.3.1.2- Test de significativité
Le test s’écrit :
𝐻0 : 𝑟 = 0
{
𝐻1 : 𝑟 ≠ 0
La statistique du test sous 𝐻0 s’écrit :
2014
𝒓̂
𝒕= 𝟐
(4)
√ 𝟏−𝒓̂
(𝒏−𝟐)
Suit une loi de Student à (𝑛 − 2) degrés de liberté.
La région critique du test (rejet de l’hypothèse nulle) du test au risque 𝛼 s’écrit :
𝑅. 𝐶. ∶ |𝑡| > 𝑡1−𝛼 (𝑛 − 2)

2
𝛼
Où 𝑡1−𝛼 (𝑛 − 2) est le quantile d’ordre 1 − 2 de la loi de Student à (n-2) degrés de liberté. Il
2
s’agit d’un test bilatéral.
Plutôt que de comparer la statistique calculée avec le seuil théorique fournie par la loi de
Student, on peut évaluer la probabilité critique (p-value) que l’on doit comparer au risque 𝛼 que
l’on s’est fixé. Si la p-value est plus petite, alors nous rejetons l’hypothèse nulle.
III.3.2- Corrélation de SPEARMAN [8]
III.3.2.1- Définition
Fondamentalement, le coefficient de Spearman est aussi un cas particulier du coefficient

de Pearson, calculé à partir des transformations des variables originelles. Mais il présente
l'avantage d'être non paramétrique. L'inférence statistique ne repose plus sur la normalité
bivariée du couple de variables (X, Y ).
Le coefficient de Spearman est fondé sur l'étude de la différence des rangs entre les
attributs des individus pour les deux caractères X et Y :
∑𝒏 ̅ ̅
𝒊=𝟏(𝑹𝒊 −𝑹)(𝑺𝒊 −𝑺)
̂=
𝝆 (5)
√∑𝒏 ̅ 𝟐 𝒏 ̅ 𝟐
𝒊=𝟏(𝑹𝒊 −𝑹) √∑𝒊=𝟏(𝑺𝒊 −𝑺)
Avec,
- 𝑅𝑖 , rang de Xi dans la distribution X1…Xn ;

- 𝑆𝑖 , rang de Yi dans la distribution Y1…Yn.
2014
Ce coefficient varie entre -1 et +1. Son interprétation est la même que celui de Pearson,
mais il permet de mettre en évidence des relations non-linéaires lorsqu'elles sont positives ou
négatives.
Il est non paramétrique, il n'est donc pas nécessaire de faire des hypothèses sur les
distributions sous-jacentes de X et Y . Mais lorsque le couple (X, Y ) est distribué selon une loi
normale bivariée, il est quasiment aussi puissant que le coefficient de Pearson. Les deux
indicateurs proposent des valeurs similaires, il est dès lors possible d'interpréter le carré du
coefficient de Spearman en termes de variance expliquée.
Toujours conséquence du fait qu'il soit non paramétrique, le ρ de Spearman peut traiter
les variables intrinsèquement ordinales : un indice de satisfaction, une appréciation ou une note
attribuée, etc. L'inférence statistique (tests, intervalles de confiance) n'est pas modifiée.
Très intéressant dans la pratique, le ρ de Spearman peut caractériser d'une liaison non-
linéaire monotone, à la différence du coefficient de Pearson qui ne retranscrit que les relations
linéaires.
Le ρ de Spearman a quand même des limites. Lorsque la liaison est non monotone, il n'est
pas opérant. Il faut se tourner vers une transformation de variable spécifique inspirée par le
graphique nuage de points ou utiliser un indicateur adapté tel que le rapport de corrélation.
Concernant le test de significativité, nous nous appuyons sur le t de Student.
̂
𝝆
𝒕= 𝟐
(6)
√ 𝟏−𝝆̂
(𝒏−𝟐)
La statistique utilisée ici est la même que celle développée sur le coefficient de
corrélation.
2014
III.3.3- Tau de KENDALL [8]
III.3.3.1- Principe et interprétation
Le τ de Kendall est défini pour mesurer l'association entre variables ordinales,

typiquement des classements (ou rangs) affectés par des juges. Son champ d'application couvre
donc parfaitement celui du ρ de Spearman.
Le coefficient de Kendall repose sur la notion de paires discordantes et concordantes :
- On dit que les paires observations i et j sont concordantes si et seulement si (𝑥𝑖 >
𝑥𝑗 𝑎𝑙𝑜𝑟𝑠 𝑦𝑖 > 𝑦𝑗 ) ou (𝑥𝑖 < 𝑥𝑗 𝑎𝑙𝑜𝑟𝑠 𝑦𝑖 < 𝑦𝑗 ). Nous pouvons simplifier l’écriture avec
(𝑥𝑖 − 𝑥𝑗 ) × (𝑦𝑖 − 𝑦𝑗 ) > 0 ;

- On dit que les paires sont discordantes lorsque (𝑥𝑖 > 𝑥𝑗 alors 𝑦𝑖 < 𝑦𝑗 ) ou (𝑥𝑖 <
𝑥𝑗 alors 𝑦𝑖 > 𝑦𝑗 ), en d’autres termes (𝑥𝑖 − 𝑥𝑗 ) × (𝑦𝑖 − 𝑦𝑗 ) < 0.
Pour un échantillon de taille n, soit P (resp. Q) le nombre de paires concordantes (resp.

discordantes), le τ de Kendall est défini de la manière suivante :
𝑷−𝑸
𝝉̂ = 𝟏 (7)
𝒏(𝒏−𝟏)
𝟐
Le τ de Kendall s'interprète comme le degré de correspondance entre 2 classements (ou 2

notations). Si toutes les paires sont concordantes c’est-à-dire le classement selon X concorde
systématiquement avec le classement selon Y , τ = 1 ; si toutes les paires sont discordantes, τ
= −1 ; et si les deux classements sont totalement indépendants, τ = 0.
Surtout, et c'est sa principale différenciation avec le ρ de Spearman, le τ de Kendall se lit

comme une probabilité. Il est le fruit de la différence entre 2 probabilités : celle d'avoir des
paires concordantes et celle d'avoir des paires discordantes. Ainsi, lorsque τ = 0, une paire
d'observations a autant de chances d'être concordante que d'être discordante.
La manière la plus simple de calculer ˆ τ est de trier les données selon X, puis de
comptabiliser la quantité suivante :
𝑆 = ∑𝑛−1 𝑛
𝑖=1 ∑𝑗=𝑖+1 𝜈𝑖𝑗 (8)
2014
+1 , 𝑠𝑖 𝑦𝑖 < 𝑦𝑗
Où 𝜈𝑖𝑗 = {
−1, 𝑠𝑖 𝑦𝑖 > 𝑦𝑗
Et 𝜈𝑖 = ∑𝑛𝑗=𝑖+1 𝜈𝑖𝑗
𝜈𝑖 est l'écart entre le nombre de paires concordantes et discordantes relativement à

l'observation i. S est donc l'écart entre le nombre total de paires concordantes, et le nombre total
de paires discordantes c’est-à-dire S = P − Q. Nous pouvons dès lors réécrire le coefficient de
Kendall
𝟐𝑺
𝝉̂ = (9)
𝒏(𝒏−𝟏)
Dès que n > 8 (voir [12], page 115), et plus sûrement lorsque n > 10 ([13]page 252), nous
pouvons nous appuyer sur la normalité asymptotique de 𝜏̂ sous l'hypothèse d'indépendance de
X et Y.
Le test de significativité repose alors sur la statistique :
𝜏̂ 𝑛(𝑛−1)
𝑈= = 3𝜏̂ √ (10)
2(2𝑛+5) 2(2𝑛+5)
√9𝑛(𝑛−1)
U suit une loi normale centrée et réduite sous H0. La région critique du test pour un risque
α s'écrit :
|𝑈| > 𝑢1−𝛼

2
2014
Chapitre IV- Régression linéaire
2014
IV.1- Régression linéaire simple [9]
La modélisation d’un phénomène observé dans un environnement donné peut se faire à

travers divers méthodes. La régression linéaire est l’une de ces méthodes, elle peut être simple
ou multiple.
Elle est simple lorsque le phénomène observé peut-être expliqué par une cause unique.
C’est-à-dire, le modèle est définit tel que, une variable y (variable endogène) est expliquée,
modélisée par une fonction affine d’une autre variable x (variable exogène).
Le modèle de régression linéaire simple s’écrit :
𝑦𝑖 = 𝑎𝑥𝑖 + 𝑏 + 𝜀 (11)
Où a et b sont les paramètres (coefficients) du modèle. Ici, a est la pente et b est la
constante. 𝜀 est l’erreur du modèle.
Noter que la régression linéaire est multiple lorsque ce phénomène observé peut être
expliqué par plusieurs causes, il s’agit ici d’expliquer les valeurs prises par la variable endogène
y à l’aide de p variables exogènes xj, (j=1,…,p). C’est une généralisation multivariée de la

régression simple. Son modèle s’écrit :
𝑦𝑖 = 𝑎0 + 𝑎1 𝑥𝑖,1 + ⋯ + 𝑎𝑝 𝑥𝑖,𝑝 + 𝜀𝑖 (12)
Il s’agit d’estimer les (p+1) paramètres (𝑎0 , 𝑎1 , … , 𝑎𝑝 ) à partir d’un échantillon de n

observations. Dans le modèle, on a :
- 𝑖 = 1, … , 𝑛 correspond au numéro des observations;

- 𝑦𝑖 est la i-ème observation de la variable Y;
- 𝑥𝑖𝑗 est la i-ème observation de la j-ème variable ;
- 𝜀𝑖 est l’erreur du modèle.
2014
IV.1.1-Hypothèses
Ces hypothèses pèsent sur les propriétés des estimateurs (biais, convergence) et
l’inférence statistique (distribution des coefficients estimés).
- H1 hypothèses sur Y et X. X et Y sont des grandeurs numériques mesurées sans erreur.

X est une donnée exogène dans le modèle. Elle est supposée non aléatoire. Y est
aléatoire par l’intermédiaire de 𝜀 c’est-à-dire, la seule erreur que l’on a sur Y provient
des insuffisances de X à expliquer ses valeurs dans le modèle.
- H2 hypothèses sur le terme aléatoire 𝜀. Les 𝜀𝑖 sont i.i.d (indépendants et identiquement
distribués).
• H2.a 𝐸(𝜀𝑖 ) = 0, en moyenne, les erreurs s’annulent c’est-à-dire le modèle est
bien spécifié;
• H2.b 𝑉(𝜀𝑖 ) = 𝜎𝜀2 , la variance de l’erreur est constante et ne dépends pas de
l’observation. C’est l’hypothèse d’homoscédasticité.
• H2.c en particulier, l’erreur est indépendante de la variable exogène c’est-à-
dire : 𝐶𝑂𝑉(𝑥𝑖 , 𝜀𝑖 ) = 0;
• H2.d indépendance des erreurs. Les erreurs relatives à 2 observations sont
indépendantes : 𝐶𝑂𝑉(𝜀𝑖 , 𝜀𝑗 ) = 0. On parle de « non auto-corrélation des
erreurs »;
• H2.e 𝜀𝑖 ≡ 𝑁(0, 𝜎𝜀 ). L’erreur suit une loi normale.
IV.1.2-Ajustement par la méthode des moindres carrés
Dans le modèle définit ci-dessus (équation (11)), notre objectif est de déterminer les
coefficients a et b en utilisant les informations apportées par l’échantillon. Nous voulons que
l’estimation soit la meilleur possible, c’est-à-dire, la droite de régression doit approcher au
mieux le nuage de points. Le critère le plus approprié ici est le critère des moindres carrés.
La méthode des moindres carrés a été développée par Karl Friedrich Gauss. En effet,
Gauss fait remarquer que sauf cas exceptionnel, toute droite qui traverse un nuage de points
passe à côté de la plupart des points.
2014
Il existe un écart vertical [𝑒𝑘 ] (erreur dans le modèle) entre la position d’un
point expérimental donné de coordonnées (𝑥𝑘 , 𝑦𝑘 ) et sa projection verticale sur la
droite (𝑥𝑘 , 𝑦𝑒𝑠𝑡𝑘 ). Dans le cas ou la droite passe par un point expérimental, cet écart est
simplement nul.
Lorsqu’on déplace la droite, on modifie tous les écarts. La première idée qui vient à
l’esprit est de définir comme meilleure droite celle qui entraine la plus petite somme des écarts.
Ceci pose un problème car les écarts sont tantôt positifs, tantôt négatifs. Gauss propose de
définir comme meilleure droite celle qui entraine la plus petite somme des carrés des écarts.
Il appellera cette droite la droite des moindres carrés
Figure 9 Droite des moindres carrés
Ce critère a de nombreux avantages :
- Il est cohérent avec les habitudes statistiques;

- Il est facile à calculer;
- Il se prête facilement à un traitement algébrique;
- Il fournit une solution unique.
Notons que le critère de Gauss n’est pas le seul possible. Depuis ses travaux, les
statisticiens sont venus avec d’autres idées toutes aussi valables :
2014
- Droite des moindres rectangles;
- Droite des moindres distances;
- Droite du maximum de vraisemblance.
Toutefois, la méthode des moindres carrés reste la plus utilisée en pratique.
IV.1.2.1- Développement mathématique
En toute généralité, l’équation de n’importe quelle droite qui traverse le nuage de points
s’écrit :
𝑦 = 𝑎𝑥 + 𝑏 (13)
- 𝑎 est la pente;
- 𝑏 est l’ordonnée à l’origine.
Si, dans cette équation, nous donnons à [𝑥] la valeur d’une variable expérimentale[𝑥𝑘 ],
alors l’équation [ 5.1]devrait vous donner une estimation du résultat expérimental [𝑦𝑒𝑠𝑡𝑘 ] que
l’on écrit conventionnellement [𝑦̂𝑘 ] :
𝑦̂𝑘 = 𝑎. 𝑥𝑘 + 𝑏 (14)
Toutefois, à cause des effets perturbateurs, cette estimation ne correspondra pas

exactement avec la valeur que nous avons observée[𝑦𝑘 ]. En d’autres mots, nous observons un
écart [𝑒𝑘 ] entre la valeur estimée (ou prédite) et la valeur observée :
𝑒𝑘 = 𝑦𝑘 − 𝑦̂𝑘 (15)
Dans cette équation, nous pouvons remplacer [𝑦̂𝑘 ] par sa valeur tirée de l’équation (14) :
𝑒𝑘 = 𝑦𝑘 − 𝑎. 𝑥𝑘 − 𝑏 (16)
Selon Gauss, et comme dans tout raisonnement statistique, ce n’est pas l’écart qui nous
intéresse, mais bien son carré :
𝑒𝑘2 = (𝑦𝑘 − 𝑎. 𝑥𝑘 − 𝑏)2 (17)
Ce que nous pouvons développer à l’aide des règles habituelles de l’algèbre :
2014
𝑒𝑘2 = 𝑦𝑘2 + a2 . xk2 + b2 − 2a. xk . yk − 2b. yk + 2a. b. xk (18)
Le critère de Gauss nous demande de faire la somme des carrés des écarts pour les [𝑁]
points expérimentaux à notre disposition. Nous définissons ainsi une fonction objectif 𝑓(𝑎, 𝑏).
𝑓(𝑎, 𝑏) = ∑𝑛𝑘=1 𝑒𝑘2 (19)
En introduisant l’expression de [𝑒𝑘2 ], nous obtenons :
∑𝑛𝑘=1 𝑒𝑘2 = ∑𝑛𝑘=1[𝑦𝑘2 + a2 . xk2 + b2 − 2a. xk . yk − 2b. yk + 2a. b. xk ] (20)
Le symbole de sommation, peut être distribué sur chacun des termes. De même, dans
chacun des termes, tous les facteurs qui ne dépendent pas de l’indice k peuvent être mis en
évidence :
𝑓(𝑎, 𝑏) = ∑ 𝑦𝑘2 + 𝑎2 . ∑ 𝑥𝑘2 − 2𝑎. ∑ 𝑥𝑘 . 𝑦𝑘 − 2𝑏. ∑ 𝑦𝑘 + 2𝑎. 𝑏. ∑ 𝑥𝑘 + 𝑛. 𝑏 2 (21)
Il nous reste à présent à trouver le minimum de cette fonction en jouant sur les valeurs à
donner à a et à b. mathématiquement, ceci implique de trouver les valeurs pour lesquelles les
dérivées de la fonction par rapport à a et par rapport à b s’annulent :
𝜕
𝑓(𝑎, 𝑏) = 0
{𝜕𝑎
𝜕
(22)
𝑓(𝑎, 𝑏) = 0
𝜕𝑏
C’est assez facile car a et b apparaissent uniquement à l’extérieur des sommes. Celles-ci,
bien qu’impressionnantes, ne sont finalement que des constantes. Pour a, nous obtenons :
𝜕
𝑓 (𝑎, 𝑏) = 2𝑎. ∑ 𝑥𝑘2 − 2 ∑ 𝑥𝑘 . 𝑦𝑘 + 2𝑏. ∑ 𝑥𝑘 = 0 (23)
𝜕𝑎
Ce qui est une première équation à deux inconnues :
𝑎. ∑ 𝑥𝑘2 + 𝑏. ∑ 𝑥𝑘 = ∑ 𝑥𝑘 . 𝑦𝑘 (24)
Pour b, nous obtenons :
𝜕
𝑓 (𝑎, 𝑏) = 2𝑛. 𝑏 − 2 ∑ 𝑦𝑘 + 2𝑎. ∑ 𝑥𝑘 = 0 (25)
𝜕𝑏
2014
Ce qui est une seconde équation à deux inconnues :
𝑛. 𝑏 + 𝑎. ∑ 𝑥𝑘 = ∑ 𝑦𝑘 (26)
Si ce système admet une solution, alors cette solution est unique. Il existe un seul couple
de paramètres a et b qui minimise la somme des carrés des écarts. En d’autres mots,
Pour tout nuage de points, il existe une et une seule droite des moindres carrés!
Reste à résoudre le système. Commençons par éliminer b en utilisant la méthode des

combinaisons linéaires :
𝑛.𝑎.∑ 𝑥𝑘2 +𝑛.𝑏.∑ 𝑥𝑘 =𝑛.∑ 𝑥𝑘 .𝑦𝑘

{−
𝑛.𝑏 ∑ 𝑥𝑘 +𝑎.∑ 𝑥𝑘 ∑ 𝑥𝑘 =∑ 𝑦𝑘 .∑ 𝑥𝑘
(27)
𝑛.𝑎.∑ 𝑥𝑘2 −𝑎.∑ 𝑥𝑘 .∑ 𝑥𝑘 =𝑛.∑ 𝑥𝑘 .𝑦𝑘 −∑ 𝑦𝑘 .∑ 𝑥𝑘
D’où nous tirons la valeur de a :
𝑛.∑ 𝑥𝑘 .𝑦𝑘 −∑ 𝑦𝑘 .∑ 𝑥𝑘
𝑎= (28)
𝑛.∑ 𝑥𝑘2 −∑ 𝑥𝑘 .∑ 𝑥𝑘
En divisant le numérateur et le dénominateur de l’équation [ 5.16] par 𝑛2 , on obtient :
1
∑ 𝑥𝑘 .𝑦𝑘 −𝑥̅ .𝑦̅
𝑛
𝑎= 1 (29)
∑ 𝑥𝑘2 −𝑥̅ 2
𝑛
Avec 𝑥̅ la moyenne des 𝑥𝑘 et 𝑦̅ la moyenne des𝑦𝑘 . L’équation 5.17: peut encore s’écrire :
𝑐𝑜𝑣(𝑥,𝑦)
𝑎̂ = (30)
𝑠𝑥2
Où 𝑐𝑜𝑣(𝑥, 𝑦 est la covariance de la double série (x, y) et 𝑠𝑥2 est l’écart-type de la variable
aléatoire x
Nous pouvons alors utiliser la deuxième équation du système pour trouver b si nous
connaissons a, ce qui est effectivement notre cas :
2014
𝑛. 𝑏 + 𝑎. ∑ 𝑥𝑘 = ∑ 𝑦𝑘 (31)
∑ 𝑦𝑘 ∑ 𝑥𝑘
𝑏= − 𝑎. (32)
𝑛 𝑛
On obtient donc finalement :
𝑏̂ = 𝑦̅ − 𝑎. 𝑥̅ (33)
Ces solutions sont notées 𝑎̂ 𝑒𝑡 𝑏̂ car ce sont les estimateurs des moindres carrés
ordinaires.
IV.1.3-Décomposition de la variance et coefficient de détermination
IV.1.3.1- Décomposition de la variance-équation d’analyse de variance
L’objectif est de construire des estimateurs qui minimisent la somme des carrés des résidus :
𝑆𝐶𝑅 = ∑𝑖 𝜀𝑖2 (34)
𝑆𝐶𝑅 = ∑𝑖(𝑦𝑖 − 𝑦̂𝑖 )2 (35)
Lorsque la prédiction est parfaite, alors, SCR=0. Mais, dans d’autres cas, plus nombreux,
il faut trouver un critère qui permet de dire si la régression est bonne ou mauvaise. Pour cela, il
faut comparer la SCR avec une valeur de référence. Nous allons donc décomposer la variance
de Y.
On appelle somme des carrés totaux, (SCT) la quantité suivante :
𝑆𝐶𝑇 = ∑(𝑦𝑖 − 𝑦̅)2

𝑖
= ∑𝑖 (𝑦𝑖 − 𝑦̂𝑖 + 𝑦̂𝑖 − 𝑦̅)2
= ∑(𝑦𝑖 − 𝑦̂𝑖 )2 + ∑(𝑦̂𝑖 − 𝑦̅)2 + 2 ∑(𝑦𝑖 − 𝑦̂𝑖 )(𝑦̂𝑖 − 𝑦̅)

𝑖 𝑖 𝑖
Dans la régression linéaire avec constante, on montre que le terme
2014
∑(𝑦𝑖 − 𝑦̂𝑖 )(𝑦̂𝑖 − 𝑦̅) =0
𝑖
On obtient dès lors l’équation d’analyse de la variance :
𝑺𝑪𝑻 = 𝑺𝑪𝑹 + 𝑺𝑪𝑬 (36)
∑𝑖(𝑦𝑖 − 𝑦̅)2 = ∑𝑖(𝑦𝑖 − 𝑦̂𝑖 )2 + ∑𝑖(𝑦̂𝑖 − 𝑦̅)2
- SCT : Somme des Carrés Totaux. Elle indique la variabilité totale de Y c’est dire,
l’information disponible dans les données.
- SCE est la Somme des Carrés Expliqués. Elle indique la variabilité expliquée par le
modèle c’est-à-dire la variabilité de Y expliquée par X.
- SCR est la somme des Carrés Résiduels. Elle indique la variabilité non expliquée
(résiduelle) par le modèle c’est-à-dire, l’écart entre les valeurs observées de Y et celles
prédites par le modèle.
Deux situations extrêmes peuvent survenir :
- Dans le meilleur des cas, 𝑆𝐶𝑅 = 0, et donc 𝑆𝐶𝑇 = 𝑆𝐶𝐸 : les variations de Y sont
complètement expliquées par celles de X. On a un modèle parfait, la droite de régression
passe exactement par tous les points du nuage ;
- Au pire, 𝑆𝐶𝐸 = 0 : X n’apporte aucune information sur Y.
De là, nous pouvons produire le tableau d’analyse de variance simplifié qui se présente
comme suit :
Tableau IV-1 tableau d’analyse de la variance simplifié
Source de variation Somme des carrés
Expliquée 𝑺𝑪𝑬 = ∑(𝒚 ̅ )𝟐

̂𝒊 − 𝒚
𝒊
Résiduelle ̂ 𝒊 )𝟐
𝑺𝑪𝑹 = ∑(𝒚𝒊 − 𝒚
𝒊
2014
Totale ̅ )𝟐
𝑺𝑪𝑻 = ∑(𝒚𝒊 − 𝒚
𝒊
IV.1.3.2- Coefficient de détermination
A partir de l’équation d’analyse de la variance, on peut déduire un indicateur synthétique,

c’est le coefficient de détermination 𝑅 2 , il est égal au carré du coefficient de corrélation de
Pearson. Il s’écrit :
𝑺𝑪𝑬 𝑺𝑪𝑹
𝑹𝟐 = =𝟏− (37)
𝑺𝑪𝑻 𝑺𝑪𝑻
Il indique la proportion de la variance de Y expliquée par le modèle.
- Plus il sera proche de la valeur 1, meilleur sera le modèle, la connaissance des valeurs
de X permet de deviner avec précision les valeurs de Y ;
- Lorsque 𝑅 2 est proche de 0, cela veut dire que X n’apporte pas d’information utile sur
Y, la connaissance des valeurs de X ne nous dit rien sur celles de Y.
IV.1.4-Propriétés des estimateurs des moindres carrés (𝒂 et 𝒃)
Propriété 1
L’estimateur des moindres carrés ordinaires est sans biais si et seulement si les hypothèses
(H1) et (H2.a) énoncées plus haut sont respectées.
Propriété 2
L’estimateur des moindres carrés ordinaires est convergent.
Les estimateurs seront d’autant plus précis que :
- La variance de l’erreur est faible, c’est-à-dire que la régression est de bonne qualité ;
- La dispersion de X est forte c’est-à-dire que les points recouvrent bien l’espace de
représentation ;
- Le nombre d’observations n est élevé.
Théorème de GAUSS-MARKOV
2014
Les estimateurs des moindres carrés ordinaires sont sans biais et convergents. Parmi les
estimateurs sans biais de la régression, les estimateurs MCO sont à variance minimale c’est-à-
dire il n’existe pas d’autre estimateur linéaire sans biais présentant une plus petite variance. Les
estimateurs de MCO sont Blue (Best linear unbiased estimator), on dit qu’ils sont efficaces.
IV.2- Inférence statistique
IV.2.1-Evaluation globale de la régression
Il est question d’effectuer une évaluation de la significativité globale de la régression, en

d’autres termes, on se demande si les X emmènent significativement de l’information sur Y
représentative d’une relation linéaire réelle de la population, et qui va au-delà des simples
fluctuations d’échantillonnage.
IV.2.1.1- Tableau d’analyse de variance-test de significativité globale
Le tableau d’analyse de la variance simplifié établit ci-dessus peut être complété par les
degrés de liberté comme suit :
Tableau IV-2 Tableau d’analyse de la variance
Source de variation Somme des carrés Degré de liberté Carrés moyens
̅ )𝟐
̂𝒊 − 𝒚
𝑺𝑪𝑬 = ∑(𝒚 𝑺𝑪𝑬
Expliquée 1 𝑪𝑴𝑬 =
𝒊 𝟏
̂ 𝒊 )𝟐
𝑺𝑪𝑹 = ∑(𝒚𝒊 − 𝒚 𝑺𝑪𝑹
Résiduelle n-2 𝑪𝑴𝑹 =
𝒊 𝒏−𝟐
Totale ̅ )𝟐
𝑺𝑪𝑻 = ∑(𝒚𝒊 − 𝒚 n-1 -
𝒊
Les degrés de liberté peuvent être vus comme le nombre de termes impliqués dans les
sommes (le nombre d’observations) moins le nombre de paramètres estimés dans cette somme
([11], page 41)
2014
Ainsi :
- Nous avons besoin de l’estimation de la moyenne 𝑦̅ pour calculer la somme SCT ;

- Nous avons besoin des coefficients estimés 𝑎̂ 𝑒𝑡 𝑏̂ pour obtenir la projection 𝑦̂𝑖 et former
la SCR ;
- Concernant la SCE, le plus simple est de l’obtenir par déduction c’est-à-dire 𝑛 − 1 −
(𝑛 − 2) = 1.
Pour tester la significativité globale de la régression, nous nous basons sur la statistique
F, de FISHER
- Hypothèse H0 : la variance expliquée est inférieure à la variance résiduelle ;

- Hypothèse H1 : la variance expliquée est supérieure à la variance résiduelle.
𝑪𝑴𝑬
𝑭= (38)
𝑪𝑴𝑹
Cette statistique indique si la variance expliquée est significativement supérieure à la

variance résiduelle. Dans ce cas, on peut considérer que l’explication emmenée par la régression
traduit une relation qui existe réellement dans la population ([2], page 34).
Le test F peut être considéré comme un test de significativité du coefficient de

détermination, on peut le comprendre dans la mesure où il peut s’écrire en fonction de 𝑅 2 :
𝑺𝑪𝑬 𝑹𝟐
𝟏 𝟏
𝑭= 𝑺𝑪𝑹 = (𝟏−𝑹𝟐 )
(39)
(𝒏−𝟐) (𝒏−𝟐)
Sous H0, SCE est distribué selon un 𝜒 2 (1) et SCR selon un 𝜒 2 (𝑛 − 2), de fait, pour F
nous avons :
𝛘𝟐 (𝟏)
𝟏
𝐅≡ 𝛘𝟐 (𝐧−𝟐)
≡ 𝐅(𝟏, 𝐧 − 𝟐) (40)
(𝐧−𝟐)
Sous H0, F est donc distribué selon une loi de Fisher à (1, 𝑛 − 2) degrés de liberté.
2014
La région critique du test, correspondant au rejet de H0, au risque 𝛼 est définie pour des
valeurs anormalement élevées de F c’est-à-dire :
𝑅. 𝐶. ∶ 𝐹 > 𝐹1−𝛼 (1, 𝑛 − 2)
Décision à partir de la p-value : l’on peut définir directement la probabilité critique (p-
value) ′ , elle correspond à la probabilité que la loi de Fisher dépasse la statistique calculée F.
Ainsi, la règle de décision au seuil 𝛼 devient :
𝑅. 𝐶. : 𝛼′ < 𝛼
IV.2.2-Distribution des coefficients estimés
Pour étudier les coefficients estimés, il importe d’en calculer les paramètres (l’espérance
et la variance essentiellement) et de déterminer la loi de distribution. Nous pourrons dès lors,
mettre en œuvre les outils usuels de la statistique inférentielle : la définition des intervalles de
variation à un niveau de confiance donné ; la mise en place des tests d’hypothèses, notamment
les tests de significativité.
IV.2.2.1- Distribution de 𝒂 ̂
̂ et 𝒃
Dans un premier temps, concentrons-nous sur la pente de la régression. Nous rappelons

ici que 𝑎̂ est égal à :
∑𝒏 ̅)(𝒙𝒊 −𝒙
𝒊=𝟏(𝒚𝒊 −𝒚 ̅)
̂=
𝒂 ∑𝒏
(41)
̅)𝟐
𝒊=𝒏(𝒙𝒊 −𝒙
X est non stochastique, Y l’est par l’intermédiaire du terme d’erreur 𝜀. Nous introduisons
l’hypothèse selon laquelle :
𝜺𝒊 ≡ 𝑵(𝟎, 𝝈𝜺 ) (42)
De fait, 𝑦𝑖 = 𝑎𝑥𝑖 + 𝑏 + 𝜀𝑖 suit une loi normale, et 𝑎̂ étant une combinaison linéaire des
𝑦𝑖 , il vient :
̂−𝒂
𝒂
≡ 𝑵(𝟎, 𝟏) (43)
𝝈𝒂̂
La variance de 𝑎̂ s’écrit :
2014
𝝈𝟐𝜺
𝝈𝟐𝒂̂ = ∑𝒏 𝟐
(44)
̅)
Ce résultat est très intéressant mais n’est pas utilisable en l’état, tout simplement parce
que nous ne disposons pas de l’estimation de la variance de l’erreur 𝜎𝜀2 . Pour obtenir une
estimation calculable sur un échantillon de données de l’écart-type 𝜎̂𝑎̂ du coefficient 𝑎̂, nous
devons produire une estimation de l’écart-type de l’erreur 𝜎̂𝜀 . La variance estimée s’écrirait
alors :
̂ 𝟐𝜺
𝝈
̂ 𝟐𝒂̂ = ∑𝒏
𝝈 𝟐
(45)
̅)
Pour la constante 𝑏 : la situation est identique. Nous avons :
̂ −𝒃
𝒃
≡ 𝑵(𝟎, 𝟏) (46)
𝝈𝒃̂
Avec pour variance de 𝑏̂ :
𝟏 𝐱̅ 𝟐
𝛔𝟐𝐛̂ = 𝛔𝟐𝛆 [ + ∑𝐧 ] (47)
𝐧 ̅)𝟐
𝐢=𝐧(𝐱 𝐢 −𝐱
On procède comme pour la pente de la régression 𝑎.
IV.2.2.2- Estimation de la variance de l’erreur
a. Estimateur sans biais de la variance de l’erreur
Le résidu 𝜀̂𝑖 est l’erreur observée, on peut la réécrire de la manière suivante :
𝜀̂𝑖 = 𝑦𝑖 − 𝑦̂𝑖
= 𝑎𝑥𝑖 + 𝑏 + 𝜀𝑖 − (𝑎̂𝑥𝑖 + 𝑏̂)
= 𝜀𝑖 + (𝑎 − 𝑎̂)𝑥𝑖 + (𝑏 − 𝑏̂)
On montre que ([14], page 31):
𝑬[∑𝒊 𝜺̂𝟐𝒊 ] = (𝒏 − 𝟐)𝝈𝟐𝜺 (48)
2014
On propose comme estimateur sans biais de la variance de l’erreur :
∑𝒊 𝜺̂𝟐𝒊 𝑺𝑪𝑹
̂ 𝟐𝜺 =
𝝈 = (49)
(𝒏−𝟐) (𝒏−𝟐)
b. Distribution de l’estimation de la variance de l’erreur
Il nous faut connaître la distribution de l’estimation de la variance de l’erreur pour pouvoir

déterminer les coefficients estimés lorsque nous introduirons 𝜎̂𝜀2 dans les expressions de leur
variance.
𝜀𝑖
Nous savons par hypothèse que ≡ 𝑁(0,1). Comme 𝜀̂𝑖 est une réalisation de 𝜀𝑖 , il
𝜎𝜀
vient :
𝜺̂𝒊
≡ 𝑵(𝟎, 𝟏) (50)
𝝈𝜺
En passant au carré, nous avons un 𝜒 2 (1). Il ne nous reste plus qu’à former la somme des
termes :
𝜺̂ 𝒊 𝟐 ∑𝒊 𝜺̂𝟐𝒊
∑𝒊 ( ) = 𝝈𝟐 ≡ 𝝌𝟐 (𝒏 − 𝟐) (51)
𝝈𝜺 𝜺
Ou de manière équivalente, en se référant à l’estimateur de la variance de l’erreur

(équation (49)) :
̂ 𝟐𝜺
𝝈 𝝌𝟐 (𝒏−𝟐)
≡ (52)
𝝈𝟐𝜺 (𝒏−𝟐)
Nous pouvons dès lors revenir sur la distribution des coefficients calculés lorsque toutes
ces composantes sont estimées à partir des données.
IV.2.2.3- Distribution des coefficients dans la pratique
Étudions dans un premier temps la pente, la transposition à la constante ne pose aucun

problème.
Avec les équations (44) et (45), nous pouvons écrire :
2014
̂ 𝟐𝒂̂
𝝈 ̂ 𝟐𝜺
𝝈
= (53)
𝝈𝟐𝒂̂ 𝝈𝟐𝜺
En reprenant l’équation (52), nous obtenons :
̂ 𝟐𝒂̂
𝝈 ̂ 𝟐𝜺
𝝈 𝝌𝟐 (𝒏−𝟐)
= = (54)
𝝈𝟐𝒂̂ 𝝈𝟐𝜺 (𝒏−𝟐)
De fait, la distribution réellement exploitable pour l’inférence statistique est la loi de

Student à (𝑛 − 2) degrés de liberté.
̂−𝒂
𝒂
≡ 𝑻(𝒏 − 𝟐) (55)
𝝈𝒂̂
Car la loi de Student est définie par un rapport entre la loi normale et la racine carré d’une
loi du 𝜒 2 normalisée par ses degrés de liberté.
De manière complètement analogue, pour la constante 𝑏̂
̂ −𝒃
𝒃
≡ 𝑻(𝒏 − 𝟐) (56)
𝝈𝒃̂
Nous disposons maintenant de tous les éléments pour analyser les paramètres estimés de
la régression.
IV.2.3-Etude de la pente de la droite de régression
IV.2.3.1- Test de significativité de la pente
Le test de significativité de la pente consister à vérifier l’influence réelle de l’exogène X

sur l’endogène Y, les hypothèses à confronter s’écrivent :
𝐻 : 𝑎=0
{ 0
𝐻1 : 𝑎 ≠ 0
Nous formons la statistique de test :
2014
̂
𝒂
𝒕𝒂̂ = ̂ 𝒂̂
(57)
𝝈
Elle suit une loi de Student à (𝑛 − 2) degrés de liberté. La région critique (rejet de 𝐻0 )
au risque 𝛼 s’écrit :
𝑹. 𝑪. ∶ |𝒕𝒂̂ | > 𝒕 𝜶
̂ (58)
(𝟏− )
𝟐
̂
𝛼
Où 𝑡 𝛼̂ est le quantile d’ordre (1 − ) de la loi de Student. Il s’agit d’un test bilatéral.
(1− 2 ) 2
IV.2.3.2- Intervalle de confiance
Du fait que la distribution de 𝑎̂ soit définie sur tout l’intervalle de définition de 𝑎, nous
pouvons construire les intervalles de variation (ou intervalles de confiance) au niveau de
confiance (1 − 𝛼). Elle est définie par :
̂ ± 𝒕(𝟏−𝜶̂) × 𝝈
𝒂 ̂𝒂̂ (59)
𝟐
IV.2.4-Intervalle de confiance de la droite de régression
Les coefficients formant le modèle sont entachés d’incertitude, il est normal que la droite
de régression le soit également. L’objectif dans cette partie est de produire un intervalle de
confiance de la droite de régression ([7], page 76)
Dans la régression linéaire, la relation est linéaire :
𝜇𝑌⁄𝑋 = 𝑎𝑋 + 𝑏 (60)
Pour un individu donné nous obtenons l’estimation :
𝜇̂ 𝑌⁄𝑥𝑖 = 𝑎̂𝑥𝑖 + 𝑏̂ (61)
2014
Et l’estimation de la variance de cette moyenne conditionnelle estimée s’écrit :
1 (𝑥𝑖 −𝑥̅ )2
𝜎̂𝜇̂2 = 𝜎̂𝜀2 ( + 2 ) (62)
𝑌⁄𝑥𝑖 𝑛 ∑𝑗(𝑥𝑗 −𝑥̅ )
Enfin, la moyenne conditionnelle estimée suit une loi de Student à (𝑛 − 2) degrés de

libertés.
Tous ces éléments nous permettent de construire l’intervalle de confiance au niveau (1 −

𝛼) de la régression ([7], page 76 ) :
1 (𝑥𝑖 −𝑥̅ )2
𝑎̂ × 𝑥𝑖 + 𝑏̂ ± 𝑡(1−𝛼̂) × 𝜎̂𝜀 √( + 2 ) (63)
2
𝑛 ∑𝑗(𝑥𝑗 −𝑥̅ )
IV.2.5-Equivalence de la régression simple avec le test de significativité de la corrélation
Nous pouvons relier 𝑡𝑎̂ avec la statistique de test utilisée pour tester la significativité de
la corrélation.
Développons l’expression de F ci-dessus (équation 39) :
𝑅2
1
𝐹= (1−𝑅 2 )
(𝑛−2)
(𝑛 − 2)𝑅2
𝐹=
(1 − 𝑅 2 )
𝑠𝑜𝑖𝑡: 𝐹 = 𝑡𝑎2̂ (64)
Or, concernant la régression linéaire simple avec constante, le carré du coefficient de

corrélation entre Y et X est égal au coefficient de détermination de la régression c’est-à-dire :
2014
2
𝑟𝑥𝑦 = 𝑅 2 . Nous constatons dès lors que :
2
𝑟𝑥𝑦
𝑡𝑎̂2 = 1−𝑟2
(65)
𝑥𝑦
𝑛−2
Qui correspond au carré de la statistique t utilisée pour tester la significativité du

coefficient de corrélation linéaire [9]. Les distributions de t et 𝑡𝑎̂ sont identiques, à savoir un
Student à (𝑛 − 2) degrés de libertés.
IV.3- Prévision et intervalle de prévision
Outre l’analyse structurelle et l’interprétation des coefficients, la régression est beaucoup

plus utilisée pour la prévision. Pour un nouvel ,individu donné, à partir de la valeur de l’exogène
X, nous voulons connaître la valeur que prendrait l’endogène Y.
IV.3.1-Prévision ponctuelle
Pour un nouvel individu 𝑖 ∗, qui n’appartient pas à l’échantillon de données ayant

participé à l’élaboration du modèle, connaissant la valeur de 𝑥𝑖∗ , on cherche à obtenir la
prédiction 𝑦̂𝑖∗ . On applique directement l’équation de régression :
𝑦̂𝑖∗ = 𝑦̂(𝑥𝑖∗ )
= 𝑎̂ × 𝑥𝑖∗ + 𝑏̂
On vérifie facilement que la prédiction est sans biais, c’est-à-dire, 𝐸(𝑦̂𝑖∗ ) = 𝑦𝑖∗ . pour ce
faire, on forme l’erreur de prédiction 𝜀̂𝑖∗ = 𝑦̂𝑖∗ − 𝑦𝑖∗ et on montre qu’elle est d’espérance nulle.
On a :
𝜀̂𝑖∗ = 𝑦̂𝑖∗ − 𝑦𝑖∗

= 𝑎̂ × 𝑥𝑖∗ + 𝑏̂ − 𝑦𝑖∗
= 𝑎̂ × 𝑥𝑖∗ + 𝑏̂ − (𝑎 × 𝑥𝑖∗ + 𝑏 + 𝜀𝑖∗ )
= (𝑎̂ − 𝑎)𝑥𝑖∗ + (𝑏̂ − 𝑏) − 𝜀𝑖∗
Passons à l’espérance mathématique :
2014
𝐸[𝜀̂𝑖∗ ] = 𝐸[(𝑎̂ − 𝑎)𝑥𝑖∗ + (𝑏̂ − 𝑏) − 𝜀𝑖∗ ]
= 𝑥𝑖∗ × 𝐸[𝑎̂ − 𝑎] + 𝐸[𝑏̂ − 𝑏] − 𝐸[𝜀𝑖∗ ]
=0
Cette espérance est nulle si on réfère aux hypothèses et aux résultats des moindres carrés
ordinaires. En effet, les estimateurs 𝑎̂ et 𝑏̂ sont sans biais (𝐸(𝑎̂) = 𝑎 et (𝑏̂) = 𝑏 , et l’espérance
de l’erreur est nulle 𝐸[𝜀𝑖∗ ] = 0 . par conséquent, la prédiction est non biaisée :
𝐸(𝑦̂𝑖∗ ) = 𝑦𝑖∗
IV.3.2-Prévision par intervalle
Une prévision ponctuelle est intéressante, mais nous ne savons pas quel degré de
confiance nous pouvons lui accorder. Il est donc plus intéressant encore de s’intéresser à un
intervalle de prévision en lui associant une probabilité de recouvrir la valeur 𝑦𝑖∗ .
Pour construire cet intervalle, nous avons besoin de connaître d’une part, la variance de
l’erreur de prédiction et, d’autre part, sa loi de distribution.
IV.3.2.1- Variance de l’erreur de prévision
2
Puisque la prédiction est non biaisée, 𝐸[𝜀𝑖∗ ] = 0, nous avons donc : 𝑉[𝜀𝑖∗ ] = 𝐸[𝜀𝑖∗ ].
2
Pour calculer la variance, nous devons donc développer 𝜀𝑖∗ et calculer son espérance.
Nous obtenons à la sortie, la variance de l’erreur de prédiction ([2], page 38 ; [11], page 36 ;
[4] page 35) :
𝟐
𝟏 (𝒙𝒊∗ −𝒙
̅)
𝝈𝟐𝜺̂𝒊∗ = 𝝈𝟐𝜺 [𝟏 + 𝒏 + 𝟐] (66)
∑𝒊(𝒙𝒊 −𝒙
̅)
On obtient une estimation (𝜎̂𝜀̂2𝑖∗ ) de cette variance en introduisant l’estimation de la

variance de l’erreur dans la régression 𝜎̂𝜀2 , à savoir :
2
1 (𝑥𝑖∗ −𝑥
̅)
𝜎̂𝜀̂2𝑖∗ = 𝜎̂𝜀2 [1 +𝑛+ 2] (67)
∑𝑖(𝑥𝑖 −𝑥
̅)
Remarques :
2014
La variance sera plus petite, et par conséquent, l’intervalle de prédiction plus étroit que :
- 𝜎̂𝜀 est faible : la régression est de bonne qualité ;

- 𝑛 est élevé : la taille de l’échantillon ayant servi à la construction du modèle est élevé ;
- (𝑥𝑖∗ − 𝑥̅ ) est faible : l’observation est proche du centre de gravité du nuage de points.
De fait, l’intervalle de prédiction s’évase à mesure que 𝑥𝑖∗ s’éloigne de 𝑥̅ ;
- La somme ∑𝑖(𝑥𝑖 − 𝑥̅ )2 est élevée : la dispersion des points ayant servi à la construction
du modèle de régression est grande, ils couvrent bien l’espace de représentation.
IV.3.2.2- Loi de distribution de l’erreur de prévision
Pour définir la loi de distribution de l’erreur de prédiction, nous devons nous référer à
l’hypothèse gaussienne du terme d’erreur dans le modèle de régression 𝜀𝑖 ≡ 𝑁(0, 𝜎𝜀 ). De fait,
𝜀̂𝑖∗ 𝑦̂𝑖∗ −𝑦𝑖∗

= ≡ 𝑁(0,1) (68)
𝜎𝜀̂𝑖∗ 𝜎𝜀̂𝑖∗
Lorsque l’on passe à l’estimation de la variance de l’erreur 𝜎̂𝜀2 , sachant que

̂𝜀2
𝜎
(𝑛 − 2) ≡ 𝜒 2 (𝑛 − 2), nous pouvons écrire :
𝜎𝜀2
𝜀̂𝑖∗ 𝑦̂𝑖∗ −𝑦𝑖∗

̂ 𝜀̂𝑖∗
= ̂ 𝜀̂𝑖∗
≡ 𝑇(𝑛 − 2) (69)
𝜎 𝜎
IV.3.2.3- Intervalle de prévision
Nous disposons d’une prédiction non biaisée, de la variance et de la loi de distribution,

nous pouvons dès lors, définir l’intervalle de prédiction au niveau de confiance (1 − 𝛼) :
𝟏 ̅ )𝟐
(𝒙𝒊∗ −𝒙
𝒚 ̂ 𝜺 √𝟏 + 𝒏 +
̂𝒊∗ ± 𝒕(𝟏−𝜶) × 𝝈 𝟐 (70)
𝟐 ∑𝒊(𝒙𝒊 −𝒙
̅)
𝛼
Où 𝑡(1−𝛼) est le quantile d’ordre (1 − 2 ) de la loi de Student à (𝑛 − 2) degrés de libertés.
2
2014
Chapitre V- Résultats et interprétations
2014
V.1- Corrélation entre le Parc Automobile et le linéaire de voirie Le diagramme de dispersion
Les données utilisées ici sont présentes dans le tableau ci-après , le nuage de points obtenu
est représenté par la figure 10.
Tableau V-1 Évolution croisée linéaire de voirie –parc automobile de Yaoundé
Linéaire de voirie
ANNEE Parc automobile
(en Km)
1961-1965 152,8 7011
1966-1970 152,8 8040
1971-1975 152,8 13536
1976-1980 505 24489
1981-1985 505 50159
1986-1990 694,8 69419
1991-1995 694,8 87508
1996-2000 700 120197
2001-2005 700 216197
2006-2010 755 563215
L’objectif de l’étude étant d’effectuer des prévisions sur le réseau support (linéaire de
voirie) du parc automobile dans la ville de Yaoundé, les variables seront définies comme suit :
- La variable explicative X sera le parc automobile ;

- La variable expliquée Y sera le linéaire de voirie.
2014
800
700
600
linéaire de voirie
500
400
300
200
100
0
0 100000 200000 300000 400000 500000 600000
parc automobile
Figure 10 Évolution croisée linéaire de voirie –parc automobile de Yaoundé : nuage de points
L’on peut également effectuer une évolution croisée entre le linéaire de voirie et le parc
automobile représenté ici sur l’axe des abscisses par an.
800
700
600
linéaire de voirie
500
400
300
200
100
0
13536
24489
50159
69419
87508
7011
8040
120197
236197
563215
1961- 1966- 1971- 1976- 1981- 1986- 1991- 1996- 2001- 2006-
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Evolution du parc automobile au fil des années
Figure 11 Évolution croisée linéaire de voirie –parc automobile de Yaoundé
2014
V.1.1- Observations
Ces deux graphiques nous permettent de constater que, les deux derniers points de la série
correspondant à l’évolution des deux variables X (parc automobile) et Y (linéaire de voirie)
entre les années 2000 et 2010 s’éloignent considérablement des autres.
On observe que, de 1986 à 1990, l’effectif cumulé du parc (en progression depuis 1961)
chute considérablement de 58 526 véhicules immatriculés en 1985, à 43915 en 1990 ceci est dû
à la crise économique mondiale des années 1990. C’est dans les années 2000, que l’on observe
une augmentation brusque du parc, passant de 41 240 véhicules immatriculés en 1995, à 120197
véhicules immatriculés.
Le linéaire de voirie quant à lui est resté constant pendant 15 ans au lendemain des
indépendances, soit 152,8 Km de voies revêtues, une amélioration est constatée entre les années
1976 et 1990, avec l’élaboration du SDAU 1982, faisant passer le linéaire de voirie à 694,8 Km.
Ce chiffre restera constant pendant deux décennies suite à la crise économique mondiale, la
désignation du Cameroun comme PPTE, la lutte contre le SIDA qui constituait un véritable
goulot d’étranglement, un frein pour tout investissement public. L’atteinte du point
d’achèvement de l’initiative PPTE (2006) va permettre au Cameroun de mettre sur pied
quelques projets d’investissement dans la capitale, (passage souterrain face Région, route
Yaoundé-Soa, « Nouvelle route Nkolbisson » ...) Ceci permet donc de passer de 700 Km de
voies revêtues en 2005 à 755 Km en 2010.
V.2- Coefficient de corrélation

Tableau V-2 Matrice de corrélation
Linéaire de
Variables Parc automobile
voirie
Linéaire de voirie 1 0,597
Parc automobile 0,597 1
2014
La matrice de corrélations ci-dessus est obtenue en utilisant le coefficient de corrélation
de Pearson, nous obtenons une valeur de r = 0,597.
En effectuant un test de significativité de ce coefficient au risque 𝛼 = 5%, on obtient la

matrice de p-value suivante :
Tableau V-3 Matrice de p-value
Linéaire de
Variables Parc automobile
voirie
Linéaire de voirie 0 0,068
Parc automobile 0,068 0
𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼
On retient l’hypothèse nulle 𝐻0 ∶ 𝑟 = 0, donc r n’est pas significativement différent de 0

au risque 𝛼 = 5%.
Ce résultat révèle une situation alarmante en réalité. En effet, le linéaire de voirie se

trouve aujourd’hui dépassé dans la ville de Yaoundé par rapport au parc automobile qui
est sans cesse croissant. Ceci justifie cette absence de corrélation.
En utilisant le coefficient de corrélation de Pearson, on obtient le tableau suivant qui

représente l’évolution de ce coefficient des années 1980 aux années 2010.
Tableau V-4 Évolution du coefficient de corrélation parc automobile-linéaire de voirie
Année Coefficient de corrélation

1980 0,934
1985 0,851
1990 0,923
1995 0,925
2000 0,887
2005 0,727
2010 0,597
2014
Nous pouvons constater que de 1960 aux années 2000, la corrélation est très forte entre
le parc automobile et le linéaire de voirie :
Cette période correspond dans un premier temps (1980-1990) aux années de prospérité
économique, le Cameroun enregistrant sa plus grande part dans le PIB mondial de son histoire
avec en moyenne 0,64%0 (voir annexe, évolution du PIB du Cameroun). Donc, les revenus
des ménages étaient consistants à tel point qu’ils pouvaient se procurer des véhicules,
surtout qu’ils n’existait pas de texte réglementant l’importation des véhicules automobiles
d’occasion pendant cette période. Et l’Etat, pendant cette période, allouait des fonds au secteur
des BTP entrainant un accroissement du linéaire de voirie de la cité capitale.
Dans un second temps (1990-2000), à une baisse de la productivité marquée par la crise
économique mondiale des années 1990. L’absence de projet d’investissement dans le secteur
des BTP pour la construction de nouvelles routes dans la ville de Yaoundé et par là la stagnation
du linéaire de voirie est masquée par la diminution du parc automobile.
A partir des années 2000, la corrélation entre le parc automobile et le linéaire de voirie
est amortie du fait de l’absence d’investissement visant à augmenter le linéaire de voirie, et
d’un accroissement brusque du parc automobile. Cette situation perdure jusqu’à la fin des
années 2010, où on observe une « absence de corrélation » entre les deux variables.
0 001
0 001
0 001
coefficient de corrélation
0 001
0 001
0 001
0 000
0 000
0 000
0 000
0 000
1980 1985 1990 1995 2000 2005 2010
années
Figure 12 Évolution du coefficient de corrélation parc automobile-linéaire de voirie
2014
Base de corrélation
La régression linéaire qui sera étudiée dans la suite se fera à la base des années 2000,
période après laquelle l’on a observé une chute vertigineuse du coefficient de corrélation. Les
données des années 2005 et 2010 seront donc éliminées du tableau. On obtient donc le nouveau
tableau de données suivant :
Tableau V-5 Données de base de la régression
Linéaire de voirie
ANNEE Parc automobile
(en Km)
1961-1965 152,8 7011
1966-1970 152,8 8040
1971-1975 152,8 13536
1976-1980 505 24489
1981-1985 505 50159
1986-1990 694,8 69419
1991-1995 694,8 87508
1996-2000 700 120197
Les MCO et les inférences statistiques appliquées dans la suite seront issues des données
de ce tableau.
V.3- Prévision des infrastructures viaires : régression linéaire
V.3.1- Ajustement linéaire par la méthode des moindres carrés ordinaires
Comme décrit ci-dessus, la variable explicative est le parc automobile, et la variable

expliquée le linéaire de voirie.
En appliquant les MCO aux données précédentes (tableau V-5), nous obtenons l’équation
affine suivante :
2014
Linéaire de voirie = 5,4 x 10-3 x Parc automobile+188,36
V.3.2- Test de significativité global de la régression
Statistique F, de FISHER
- Hypothèse H0 : la variance expliquée est inférieure à la variance résiduelle ;

- Hypothèse H1 : la variance expliquée est supérieure à la variance résiduelle.
Le tableau d’analyse de variance nous donne :
Tableau V-6 Tableau d’analyse de la variance : résultats
Source SC ddl Carrés moyens
Expliquée 356289,408 1 356289,408

Résiduelle 96877,692 6 16146,282
Totale 453167,1 7
𝐶𝑀𝐸
- Nous déduisons la statistique de test 𝐹 = = 22,06
𝐶𝑀𝑅
- Que nous comparons au quantile d'ordre (1 − α) de la loi 𝐹(1, 𝑛 − 2). Pour 𝛼 = 5%,
elle est égale 𝐹0,95 (1,6) = 5,317. Nous pouvons donc conclure que le modèle est
globalement significatif au risque 5%.
- En passant par la probabilité critique, nous avons 𝛼 = 0,0015 inférieure à α = 5%, la
conclusion est la même. Pour α = 1%, on constate avec la p-value que le modèle est
également globalement significatif.
Conclusion : le modèle est globalement significatif
V.3.3- Test de significativité de la pente
On cherche à former la statistique :
2014
𝑎̂
𝑡𝑎̂ =
𝜎̂𝑎̂
Les différents paramètres de cette statistique sont calculés dans le tableau suivant :
Tableau V-7 Test de significativité de la pente
SCR 96 878
̂𝟐𝜺
𝝈 16 146
̂𝜺
𝝈 127
̂
𝒂 0,0054
𝝈
̂𝒂̂ 0,00114795
𝒕𝒂̂ 4,69748269
𝒕(𝟏−𝜶̂) 2,30600414
𝟐
Puisque |4,69| > 2,30, nous pouvons conclure que la pente est significativement non
nulle au risque α = 5%.
V.3.4- Prédictions : intervalle de confiance et intervalle de prédiction
Le modèle nous permet d’avoir de nouvelles valeurs du linéaire (linéaire estimé) qui sont
résumées dans le tableau suivant :
Tableau V-8 Tableau de prédictions : estimations du modèle
Borne Borne
Parc Linéaire
Observation Linéaire Résidu inférieure supérieure
automobile estimé
95% 95%
1965 7011 152,8 226,172 -73,372 67,863 384,480
1970 8040 152,8 231,720 -78,920 75,479 387,962
1975 13536 152,8 261,358 -108,558 115,681 407,034
1980 24489 505 320,421 184,579 192,799 448,044
1985 50159 505 458,847 46,153 348,643 569,050
1990 69419 694 562,706 132,094 436,737 688,675
2014
1995 87508 694 660,251 34,549 503,092 817,409
2000 120197 700 836,526 -136,526 604,662 1068,389
La droite de régression et son intervalle de confiance peuvent ainsi être construits :
Régression du linéaire de voirie par le parc

automobile (R²=0,786)
1 400
1 200
1 000
linéaire de voirie
0 800
0 600
0 400
0 200
0 000
0 000 20 000 40 000 60 000 80 000 100 000 120 000 140 000
-0 200
parc automobile
Actives Modèle Int. de conf. (Moyenne 95%)
Figure 13 Régression du linéaire de voirie par le parc automobile
Les prédictions sur les observations futures sont données par le tableau suivant :
Tableau V-9 Prévision du réseau support
Linéaire prédit Borne Borne

Observation
en moyenne inférieure 95% supérieure 95%
2005 1462,054 920,711 2003,398
2010 2577,334 1460,740 3693,927
2015 5247,878 2742,831 7752,925
2020 6183,273 3191,239 9175,306
2030 8594,292 4346,613 12841,971
2014
Ainsi donc, le linéaire de voirie de la ville de Yaoundé serait constitué ainsi :
 En 2005, la ville devrait avoir un réseau d’au moins 921 km de voies bitumées pour une
moyenne de 1462 km au lieu des 700 km annoncés plus haut ;
 En 2010, le linéaire de voirie devrait être constitué de 1461 km de voies bitumées au
lieu des 755 km.
Compte tenu des estimations sur l’évolution du parc automobile nous obtenons les
prévisions suivantes sur le linéaire de voirie
 A court terme : 2015, le linéaire prédit par le modèle est de 2743 km de voies
bitumées soit sensiblement 4 fois le linéaire en 2010;
 A moyen terme : 2020, le modèle prévoit un linéaire de 3191 km voies bitumées ;
 A long terme : 2030, le modèle prévoit un linéaire de 4347 km de voies bitumées soit 6
fois le linéaire en 2010.
2014
Conclusion Générale et Perspectives
Partis de la nécessité de mettre sur pied un outil de planification urbaine de la ville de

Yaoundé, nous avons entrepris de déterminer la contribution de la corrélation entre son parc
automobile et son linéaire de voirie dans la prévision de son réseau viaire. L’impact de cette
corrélation nous permettra d’établir une norme dans la planification des infrastructures viaires
en zone urbaine en vue de poser les bases d’un développement durable ; d’anticiper sur le
phénomène de congestion sans cesse grandissant, observé depuis quelques années dans la ville ;
d’améliorer la mobilité urbaine entre autres.
Pour atteindre cet objectif, nous avons :
 évalué cette corrélation en testant sa significativité à l’aide des outils statistiques tels
que les tests de significativité (Fisher, Student) ;
 proposé une méthodologie de prévision par la régression linéaire simple ;
 effectuer des estimations sur le linéaire actuel qui devrait être de 1461 km de voies
bitumées au lieu de 755 km ;
 établit des prévisions à court, à moyen et à long terme. D’où il ressort que, en 2030, le
linéaire de voirie de la ville de Yaoundé devra être porté à 4347 km de voies bitumées.
En admettant que le Cameroun ait atteint ses objectifs d’émergence à l’horizon 2035,
ce chiffre paraît vraisemblable car il se situerait désormais dans la moyenne des pays en
développement en matière de niveau de couverture viaire de ses villes.
Toutefois, l’outil de corrélation étudié ici va se situer dans une logique plus globale de
planification urbaine, ainsi de nombreux paramètres pourront entrer en jeu :
- le niveau de dégradation de la voirie ;

- Démographie ;
- Caractéristiques géométriques du linéaire ;
- Type d’intersection : proposer un aménagement des carrefours adapté ;
- Modèle de transport urbain ;
- Stationnement ;
- Superficie urbanisée ;
- Etc.
2014
L’association de tous ces points évoqués aboutira à un complément net de notre outil de
corrélation pour la prévision du réseau viaire de la ville de Yaoundé.
2014
Bibliographie
1) Bernard Grais (1997). Statistique appliquée Dunod
2) Bourbonnais. (1998). Econométrie. Manuel et exercices corrigés (éd. 2è édition ).

Dunod.
3) Joelle, L. Y. (2008). Mise en place d’un système de modélisation du linéaire de voirie

en relation avec le parc automobile et la croissance démographique, Mémoire de DEA.
Yaoundé: ENSP .65 p
4) Johnston, & DiNardo. (1999). Méthodes économétriques (éd. 4e). Économica.
5) Louis Berger, Beta Consult. (2010). Elaboration d'un plan de déplacements urbains de
la ville de Yaoundé, Rapport Diagnostic final. Yaoundé 329 P.
6) Louis Berger, Beta consult. (2011). Elaboration d'un plan de déplacements urbains de
la ville de Yaoundé, Rapport de Mission 2. Yaoundé 263 P.
7) P, Bressoux. (2008). Modélisation statistique appliquées aux sciences sociales. De

Boeck.
8) Rakotomalala, R. (s.d.). Analyse de corrélation. Étude des dépendances-variables

quantitatives. Lyon 2: Université Lumière.
9) Rakotomalala, R. (s.d.). Économétrie, la régression linéaire simple et multiple. Lyon 2:

Université Lumière.
10) Tatiétsé, T. T., & Afané Bidja. (2002) Impact du parc automobile et du linéaire de voirie
sur la mobilité urbaine à Yaoundé. ENSP, Yaoundé.
11) Y, Dodge, & Rousson. (2004). Analyse de régression appliquée (éd. 2è ). Dunod,.
12) Aïvazian Z (1978), Étude statistique des dépendances Mir
13) Siegel, S, Castellan Jr (1988), Nonparametric statistics for the behavioral sciences,
McGraw-Hill Inc
2014
14) Giraud, R. Chaix, (1989) Économétrie, Presses Universitaires de France (PUF)
2014
Annexes
PARC AUTOMOBILE : STATISTIQUES D’IMMATRICULATION DE 2004 A 2010
GENRE 2004 2005 2006 2007 2008 2009 2010 ENSEMBLE
BUS ET AUTOCAR 816 268 490 623 438 869 983 4487
CAMION 1540 1098 1671 1571 1304 1261 1699 10144
CHARIOT 1 0 0 1
ENGIN 84 132 47 307 261 148 233 1212
GRUMIER 9 0 0 9
MINIBUS 1050 954 1011 632 822 463 607 5539
MOTO 26 102 29 049 36 353 25 614 28 343 37483 42045 224 989
PICKUP OU CAMIONNETTE 2383 2821 2197 2743 6003 3409 925 20481
REMORQUE 3 0 5 6 0 23 30 67
SEMI REMORQUE 180 271 69 71 363 749 1330 3033
TRACTEUR AGRICOLE 1 3 159 0 163
TRACTEUR ROUTIER 40 54 49 686 849 674 1304 3656
TRIPORTEUR 3 0 0 3
VEHICULE PARTICULIER 25348 23693 24340 24954 22540 20896 27463 169234
ENSEMBLE 57547 58353 66232 57207 60926 66134 75636 443 018
Mémoire de fin d’étude d’ingénieur de conception génie civil et urbain rédigé

65
et soutenu par ETOGO ETOGO Carol Jean Carmel ENSP 2014
ESTIMATION DU PARC AUTOMOBILE A PARTIR DES STATISTIQUES D’IMMATRICULATION
GENRE 2004 2005 2006 2007 2008 2009 2010 2011 ENSEMBLE
BUS ET AUTOCAR 816 268 490 623 438 869 983 1 144 5 631
CAMION 1 540 1 098 1 671 1 571 1 304 1 261 1 699 2 095 12 239
CHARIOT 1 0 0 0 1
ENGIN 84 132 47 307 261 148 233 207 1 419
ENGIN SPECIALISE 393 393
GRUMIER 9 0 0 0 9
MINIBUS 1 050 954 1 011 632 822 463 607 572 6 111
MOTO 26 102 29 049 36 353 25 614 28 343 37 483 42 045 44 636 269 625
PICKUP OU CAMIONNETTE 2 383 2 821 2 197 2 743 6 003 3 409 925 1 045 21 526
REMORQUE 3 0 5 6 0 23 30 25 92
SEMI REMORQUE 180 271 69 71 363 749 1 330 1 274 4 307
TRACTEUR AGRICOLE 1 3 159 0 44 207
TRACTEUR ROUTIER 40 54 49 686 849 674 1 304 1 284 4 940
TRIPORTEUR 3 0 0 0 3
VEHICULE PARTICULIER * 25 348 23 693 24340 24 954 22 540 20 896 27 463 29 158 198 392
ENSEMBLE 57 547 58 353 66 232 57 207 60 926 66 134 75 636 81 877 523 912
(*) Dont taxis : 13 614 et bus de transport public interurbain de personnes : 3820 Source : MINT/DTR

66
ESTIMATION DU PARC AUTOMOBILE A PARTIR DES STATISTIQUES D’IMMATRICULATION
GENRE 2004 2005 2006 2007 2008 2009 2010 2011 ENSEMBLE
BUS ET AUTOCAR 816 268 490 623 438 869 983 1 144 5 631
CAMION 1 540 1 098 1 671 1 571 1 304 1 261 1 699 2 095 12 239
CHARIOT 1 0 0 0 1
ENGIN 84 132 47 307 261 148 233 207 1 419
ENGIN SPECIALISE 393 393
GRUMIER 9 0 0 0 9
MINIBUS 1 050 954 1 011 632 822 463 607 572 6 111
MOTO 26 102 29 049 36 353 25 614 28 343 37 483 42 045 44 636 269 625
PICKUP OU CAMIONNETTE 2 383 2 821 2 197 2 743 6 003 3 409 925 1 045 21 526
REMORQUE 3 0 5 6 0 23 30 25 92
SEMI REMORQUE 180 271 69 71 363 749 1 330 1 274 4 307
TRACTEUR AGRICOLE 1 3 159 0 44 207
TRACTEUR ROUTIER 40 54 49 686 849 674 1 304 1 284 4 940
TRIPORTEUR 3 0 0 0 3
VEHICULE PARTICULIER * 25 348 23 693 24340 24 954 22 540 20 896 27 463 29 158 198 392
ENSEMBLE 57 547 58 353 66 232 57 207 60 926 66 134 75 636 81 877 523 912
Par mode Transport

- Transport urbain et interurbains de marchandises : 14 559 (camions Pick up et camionnettes)
- Transports urbain de personne : 13 614 taxis
- Transports interurbain de personnes : 3280 bus et autocars
- Transports urbains par motos taxis : 178 motos taxis réguliers sur les 269 625 motos taxis immatriculés.
(*) Dont Source : MINT/DTR

67
68
Le produit national brut (PIB) du Cameroun de 1970 à 2010
Le PIB en
Le PIB par habitant, La part dans le PIB Les rythmes de la
Année milliards de
en dollars mondial, 0/00 croissance du PIB, %
dollars
1971 1,3 187 0,35 108,3
1972 1,7 238 0,4 130,8
1973 2,3 314 0,45 135,3
1974 2,4 319 0,41 104,3
1975 3,2 413 0,49 133,3
1976 3,5 440 0,5 109,4
1977 4,1 501 0,52 117,1
1978 5,3 629 0,56 129,3
1979 7,1 819 0,66 134
1980 8,9 996 0,74 125,4
1981 8,3 902 0,67 93,3
1982 8,4 886 0,69 101,2
1983 8,7 890 0,69 103,6
1984 8,6 854 0,67 98,9
1985 8,4 809 0,63 97,7
1986 10 934 0,65 119
1987 11 997 0,63 110
1988 11 967 0,57 100
1989 10 853 0,49 90,9
1990 12 994 0,53 120
1991 11 885 0,46 91,7
1992 12 938 0,47 109,1
1993 12 911 0,46 100
1994 7,1 524 0,26 59,2
1995 8,9 639 0,29 125,4
1996 9,5 664 0,31 106,7
1997 9,1 619 0,29 95,8
1998 9,8 649 0,32 107,7
1999 10 645 0,31 102
2000 9,3 584 0,28 93
2001 9,6 587 0,29 103,2
2002 11 655 0,32 114,6
2003 14 813 0,37 127,3
2004 16 905 0,37 114,3
2005 17 937 0,37 106,3
2006 18 967 0,36 105,9
2007 20 1047 0,35 111,1
2008 23 1174 0,37 115
2009 23 1144 0,39 100
2010 24 1164 0,37 104,3
69
0,8
0,7
0,6
part dans le PIB mondial
0,5
0,4
0,3
0,2
0,1
année
Tableau V-10 Part du PIB Camerounais dans le PIB mondial
70

Modele Memoire Etogo

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

Modele Memoire Etogo

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE YAOUNDE I UNIVERSITY OF YAOUNDE I

ECOLE NATIONALE SUPERIEURE NATIONAL ADVANCED SCHOOL

CORRÉLATION ENTRE LE LINÉAIRE DE VOIRIE ET LE

Mémoire de fin d’études

Présenté et soutenu par :

ETOGO ETOGO Carol Jean Carmel

« Diplôme d’Ingénieur de Conception de Génie Civil »

Prof, Dr-Ing Thomas TAMO TATIETSE, Pr

Devant le jury composé de :

 Président : Pr. PETTANG Chrispin, Professeur

Année académique : 2013-2014 Soutenu le

À mon feu père et homonyme M. ETOGO FOUDA Jean paix à son

Mes sincères remerciements vont ensuite à l’endroit :

Du Dr MADJADOUMBAYE Jérémie, pour avoir accepté d’examiner ce travail. Merci

Du Dr LEZIN SEBA Minsili, Directeur des Transports Ferroviaires au Ministère des

CUY Communauté Urbaine de Yaoundé

PPTE Pays Pauvre très Endetté

ECAM Enquêtes Camerounaises Auprès des Ménages

PIB Produit Intérieur Brut

PDU Plan Directeur de l’Urbanisme

INS Institut National de la Statistique

DSCE Document de Stratégies pour la Croissance et l’Emploi

MINDUH Ministère du Développement Urbain et de l’Habitat

MINTP Ministère des Travaux Publics

MINEPAT Ministère de l’Économie, de la Planification et de l’Aménagement du Territoire

C2D Contrat Désendettement Développement

SDAU Schéma Directeur d’Aménagement Urbain

SIDA Syndrome Immuno-Déficitaire Acquis

UITP Union Internationale des Transports Publics

MCO Moindre Carrés Ordinaires

DTR Direction des Transports Routiers

Mots clés : corrélation, parc automobile, voirie, prévision, modèle.

Key words: linear road, fleet, correlation, prevision, model

Figure 2 carte administrative et du réseau de transport du Cameroun ....................................... 4

Figure 3 carte administrative et du réseau des transports du Cameroun .................................... 4

Figure 4 Parc automobile de la ville de Yaoundé [6] ............................................................... 14

Figure 5 Corrélation nulle ou indépendance statistique ........................................................... 21

Figure 6 Corrélation positive................................................................................................... 22

Figure 7 Corrélation négative ................................................................................................... 22

Figure 8 intensité de la corrélation ........................................................................................... 24

Figure 9 Droite des moindres carrés........................................................................................ 32

Figure 11 Évolution croisée linéaire de voirie –parc automobile de Yaoundé ........................ 52

Figure 12 Évolution du coefficient de corrélation parc automobile-linéaire de voirie ............ 55

Figure 13 Régression du linéaire de voirie par le parc automobile .......................................... 59

Tableau I-1 indicateur de couverture viaire de Yaoundé, [5]..................................................... 1

Tableau II-1 hiérarchisation du réseau routier de Yaoundé [5]................................................ 11

Tableau II-3 Classement par type de véhicules [6] .................................................................. 14

Tableau II-4 Caractéristique du parc automobile de Yaoundé [5] ........................................... 15

Tableau IV-1 tableau d’analyse de la variance simplifié ......................................................... 37

Tableau IV-2 Tableau d’analyse de la variance ....................................................................... 39

Tableau V-1 Évolution croisée linéaire de voirie –parc automobile de Yaoundé.................... 51

Tableau V-2 Matrice de corrélation ......................................................................................... 53

Tableau V-3 Matrice de p-value............................................................................................... 54

Tableau V-4 Évolution du coefficient de corrélation parc automobile-linéaire de voirie........ 54

Tableau V-5 Données de base de la régression ........................................................................ 56

Tableau V-6 Tableau d’analyse de la variance : résultats ........................................................ 57

Tableau V-7 Test de significativité de la pente ........................................................................ 58

Tableau V-8 Tableau de prédictions : estimations du modèle ................................................. 58

Tableau V-9 Prévision du réseau support................................................................................. 59

Tableau V-10 Part du PIB Camerounais dans le PIB mondial ................................................ 70

I.2- Problématique ...............................................................................................................................7

Chapitre II- LES INFRASTRUCTURES VIAIRES DANS LA VILLE DE YAOUNDÉ ............................9

II.4- Le parc automobile de Yaoundé ................................................................................................13