Ce document rapporte un exemple d'application de quelques concepts de l'analyse statistique exploratiore (analyse factirielle, classification, ..) pour identifier des communes-types suffisamment représentatives de la diversité de la rion Auvergne pour être des supports d'étude de cas dans un projet de recherche européen (PRIMA (3)),
Territoires auvergnats
1 Méthodologie pour la sélection des cas d'étude
11. Problème
Aujourd'hui, il est largement reconnu que les régions ont des caractéristiques différentes qui façonnent leur cheminement potentiel de développement. Cela est particulièrement vrai depuis l'utilisation des Fonds structurels de l'UE (García-Solanes et María Dolores-2002; Puigcerver 2007; EPSON 2006).
Les Fonds structurels ont été conçus sur la base de trois hypothèses principales: (i) des lacunes existent entre les régions de l'UE, (ii) des politiques structurelles de l'UE sont en mesure de réduire ces lacunes et (iii) la croissance régionale et la convergence conduisent à la cohésion. Une des questions cruciales est de savoir si et dans quelle mesure il est possible de faire des liens entre les caractéristiques régionales et les impacts des fonds structurels de l'UE.Cela a soulevé un certain nombre de questions telles que:
• Quelles sont les dimensions sous-jacentes qui caractérisent une région donnée?
• Quelle est la répartition spatiale de ces dimensions?
• Quelle est leur signification pour l'évaluation des politiques de développement rural de l'impact?
12. Solution proposée
La méthodologie proposée consiste à classer les communes auvergnates en fonction de critères appropriés. Les communes constituent le niveau d'échelle auquel les principaux acteurs-cibles des politiques peuvent être identifiés; ils interagissent à ce niveau; de nombreuses mesures commencent à ce niveau.
La classification des cibles des politiques est un processus fondamentale dans l'analyse des politiques. Afin de donner un sens à des phénomènes socio-économiques recouvrant des dynamiques complexes, on organise les cibles des politiques par «types», qui ne sont pas identiques, mais qui ont tendance à se comporter de la même façon.
Dans le contexte de l'analyse spatiale, ce travail de classification est défini comme un processus de régionalisation (Rogers, 1971). Ainsi, la régionalisation constitue un processus de classification et de regroupement de petites unités territoriales dans de plus grandes agrégations qui partagent des éléments de similitude.
Les typologies régionales servent d'outils d'analyse pour caractériser les régions en fonction de leurs similitudes sur certains critères. Ces typologies définissent les caractéristiques des régions, de sorte que les régions peuvent être plus facilement comparés.
En supposant que les impacts des fonds structurels de l'UE dépendent de la distribution spatiale et de la dynamique des communautés en confortant les «pôles de croissance» des régions (Parr 1999), L'approche adoptée dans cette recherche vise à regrouper les 115 municipalités rurales qui jouent comme «pôles de services intermédiaires »dans la région Auvergnedans desclasses (clusters) qui partagent des éléments de similitude de leurs dynamiques. Ces agrégations définiront différentes catégories de municipalités représentant des caractéristiques macroéconomiques typiques et contrastées, dans la région Auvergne.
L'ensemble des données utilisées comprend des variables géographiques, démographiques, sociales et économiques couramment utilisées. La sélection des indicateurs parmi ceux disponibles a été guidé par les résultats de la littérature (Chakravorty, 2005, Quentin et al 2004) et les critères définis par les objectifs de programmes de la politique (par exemple, de densité de population, la dépendance, le taux de chômage.
La méthode combine une analyse typologique, une analyse discriminante et une analyse factorielle, en quatre étapes.
La première étape consiste à effectuer une classification des 115 communes pour identifier des groupements qui ont des profils dynamiques similaires. Les indicateurs de dynamique comprennent: le changement dans la population totale entre 1990 et 1999; l'équilibre naturel de la population totale entre 1990 et 1999; le changement de l'indice de jeunesse entre 1990 et 1999; et la modification de la fréquence du chômage entre 1990 et 1999.
Les valeurs des variables sont des indices sur des échelles d'évaluation de l'INSEE , non les valeurs absolues des indicateurs , en raison de l'énorme diversité de taille des municipalités).Par conséquent, la comparaison entre les municipalités exprime des similitudes et différences structurelles et non des similitudes et différences absolues.
La deuxième étape consiste à effectuer une analyse discriminante pour identifier les principaux facteurs expliquant les différences entre les clusters, en se référant aux indicateurs de dynamique, avec le numéro de cluster en tant que dépendante variable.
La troisième étape consiste à effectuer une analyse factorielle pour identifier les colinéarités entre les facteurs explicatifs des profils dynamiques et les caractéristiques démographiques, sociales et économiques actuelles des municipalités. La capacité de développement économique et social des communes dépend fondamentalement des ressources disponibles: les ressources naturelles; les ressources humaines; les ressources sociales et les ressources économiques - y compris les infrastructures. Les variables utilisées pour la description des caractéristiques actuelles des municipalités comprennent des indicateurs environnementaux, démographiques et socio-économiques. Les indicateurs environnementaux comprennent l'altitude et de la biodiversité. Les indicateurs démographiques comprennent la densité de population et le taux de jeunesse. Les indicateurs socio-économiques comprennent: taux de chômage, le temps d'accès aux municipalités, les distances entre les municipalités, le nombre de maisons secondaires, et le nombre de lits commercialisés pour le tourisme.
Comme pour les variables utilisées pour l'analyse des clusters, toutes les variables considérées sont des indices sur des échelles d'évaluation, non des valeurs absolues. L'indice de la biodiversité a été dérivé de la présence ou non des ZNIEFF et / ou les zones Natura 2000 sur la zone de la municipalité. Les indicateurs sociaux et économiques proviennent des "INSEE statistiques locales" (2000).
La quatrième étape consiste à effectuer une deuxième classification pour grouper les communes à partir de leurs profils démographiques, sociales, économiques, fonctionnels et dynamiques similaires, en utilisant des scores de facteurs produits par l'analyse factorielle. Chaque dimension (ou facteur) identifié par l'analyse factorielle permet de classer les municipalités appartenant à chaque type de dynamique en fonction de la taille des scores factoriels. Cette section présente un exemple de la façon dont les résultats générés par l'analyse factorielle peuvent être utilisés pour créer des types régionaux de municipalités qui combinent les valeurs de plus d'une dimension (ou facteur).
L'analyse finale des cluster comprend trois étapes: 1. Identification des correspondances entre les clusters bâtis sur la dynamique et les clusters basés sur l'ensemble des critères; 2. Description des clusters composés sur l'ensemble des variables; 3. Sélection des municipalités pilotes du projet PRIMA.
2 Résultats
21. Dynamiques territoriales auvergnates
211. Données utilisées
Le tableau 1 présente les valeurs moyennes et écart-types des indices des variables utilisées.
Tableau 1 Les variables utilisées pour la construction de la typologie de la dynamique
|
Code |
Dynamics indicators |
Moyenne |
Standard Deviation |
|
POPCH2 |
change in total population between 1990 and 1999 |
6,122 |
2,820 |
|
NPOBAL |
équilibre naturel de la population totale entre 1990 et 1999 |
5,165 |
3,179 |
|
YINDCH |
changement de l'indice yougness entre 1990 et 1999 |
5,896 |
2,261 |
|
UEMPCH |
variation du taux de chomage entre 1990 et 1999 |
4,043 |
3,079 |
212. Statistiques descriptives
Changement dans la population totale entre 1990 et 1999
Les municipalités où le changement est nettement positif (3-20%) sont situées autour des grandes villes:
- Dans le Puy-de-Dôme: Billom, Champeix, Ennezat, Les Martres-de-Veyre, Maringues, Pont-du-Château, Saint-Amant-Tallende, Vertaizon; Vic-le-Comte. Vic-le-Comte.
- En Haute Loire: Bas-en-Basset, Monistrol-sur-Loire, Sainte-Sigolène, Saint-Didier-en-Velay, Tence, Yssingeaux .; Saint-Julien-Chapteuil, Vorey; Saint-Julien-Chapteuil, Vorey; Paulhague Paulhague
- Allier: Ébreuil, Marcillat-en-Combrailles, Montmarault
- Dans le Cantal: Laroquebrou.
Les municipalités où le changement est nettement négatif (-9 à -20%) sont situés dans des zones montagneuses:
- Dans le Cantal: Condat, Pleaux, Riom es Montagnes, Saint-Martin-Valmeroux, Allanche, Chaudes-Aigues, Murat, Saint-Flour.
- Dans le Puy-de-Dôme: Le Mont-Dore, Pontaumur, Saint-Éloy-les-Mines, Saint-Gervais-d'Auvergne; La Monnerie-le-Montel, Olliergues, Viverols La Monnerie-le-Montel, Olliergues, Viverols
- En Haute Loire: Allègre, Craponne-sur-Arzon, ous volcanique : Fay-sur-Lignon, Landos, Montfaucon. : Fay-sur-Lignon, Landos, Montfaucon.
- Dans l'Allier (zones plaine): Ainay-le-Château Commentry.
Les municipalités où on observe aucun changement significatif de la population sont:
- Dans l'Allier : Cérilly, Chantelle, Bellenaves, Cosne-d'Allier, Lurcy-Lévis ; : Cérilly, Chantelle, Bellenaves, Cosne-d'Allier, Lurcy-Lévis; Gannat, Le Mayet-de-Montagne, Saint-Germain des Fossés. Gannat, Le Mayet-de-Montagne, Saint-Germain-des-Fossés.
- Dans le Cantal : Saignes, Ydes : Saignes, Ydes ; ; et Haute-Auvergne et Haute-Auvergne : Massiac, Pierrefort. : Massiac, Pierrefort.
- En Haute Loire: Retournac, Rosières.
- Dans le Puy-de-Dôme: Ambert, Courpière, La Chaise-Dieu, Puy-Guillaume; Aigueperse, Combronde, Le Rouget, Sainte-Florine. Aigueperse, Combronde, Le Rouget, Sainte-Florine.
Équilibre naturel entre 1990 et 1999.:
Les soldes positifs sont principalement situés dans les grandes villes : Le Puy-en-Velay et Yssingeaux en Haute-Loire, autour de Clermont et Issoire dans le Puy-de-Dôme. Mais dans l'Allier, Moulins ne présente pas un solde positif, et dans le Cantal, Aurillac ne présente pas un solde positif.
Les municipalités dont les soldes sont négatifs sont situés dans la partie ouest de la région Auvergne: Val de Sioule dans l'Allier, Cézallier dans le Cantal, Nordest partie du Livradois Forez.
Changement d'indice de jeunesse entre 1990 et 1999
Seules sept municipalités sur 115 pôles de services, montrent des changements positifs dans la proportion de la population avec - 20 ans) entre 1990 et 1999. Ce sont les suivants: Ébreuil, Fay-sur-Lignon, Les Martes-de-Veyre, Marcillat-en-Combraille, Saint-Amant-Tallande, Vorey, Viverols. Seules deux municipalités ont démontré une valeur stable: Chantelle et Pionsat.
Toutes les autres municipalités ont montré un indice négatif. Les indices les plus négatifs sont situés dans Dompierre-sur-Besbre, Ennezat, La Monnerie-le-Montel, Mauriac, Pont-du-Château, Riom-ès-Montagnes, Saint-Flour, Saint-Georges -de-Mons, Sainte-Sigolène, Vic-le-Comte, Ydes.
213. Typologie
La classification automatique distingue six groupes de municipalités qui représentent 58% des différences existant entre les 115 municipalités. .
Chaque groupe peut être représenté par le barycentre des observations dans la classe, ce qui est une observation virtuelle particulièrement représentative de la population de la classe. Le tableau 2 montre la valeur de la dynamique des indicateurs pour chaque barycentre de grappes.
Tableau 2 Typologie des municipalités de la dynamique Indicateurs: Description des Clusters
|
|
|
|
Dynamics Indicators |
|||
|
Group |
Cluster |
Frequency |
POPCH2 |
NPOBAL |
YINDCH |
UEMPCH |
|
B |
Cluster1 |
22 |
4,182 |
3,909 |
4,909 |
7,227 |
|
|
Cluster2 |
17 |
4,118 |
8,471 |
3,882 |
5,294 |
|
|
Cluster3 |
17 |
9,059 |
5,647 |
8,353 |
5,824 |
|
|
Cluster4 |
14 |
9,143 |
9,143 |
3,429 |
3,214 |
|
A |
Cluster5 |
31 |
7,097 |
2,645 |
7,161 |
1,645 |
|
|
Cluster6 |
14 |
2,857 |
4,143 |
6,571 |
1,500 |
Le tableau 2 montre que les municipalités peuvent être divisés en deux groupes principaux (A et B). Groupe A rassemble groupe 5 et le groupe 6, tandis que le groupe B rassemble les quatre autres groupes. Le tableau 2 montre que les municipalités appartenant au groupe A et les municipalités appartenant au groupe B diffèrent principalement de l'équilibre naturel de la population, le changement de l'indice de jeunesse et variation de taux de chômage. Cluster 5 et 6 Cluster (Groupe A) rassemblent les municipalités avec le plus bas équilibre naturel, le changement le plus faible du taux de chômage et la plus forte variation du taux de jeunesse depuis 1990.
Le tableau 2 montre également que les municipalités appartenant à la classe 1 et les municipalités appartenant au cluster 2 ont de fortes similitudes, ce qui les différencient des communes appartenant à la classe 3 et 4. Le tableau 2 montre que les municipalités appartenant au Cluster 1 et au Cluster 2 partage un faible changement l'indice de jeunesse entre 1990 et 1999 et une faible variation de la population totale entre 1990 et 1999 - ce qui est élevé dans les municipalités appartenant aux Classes 3 et 4. Les municipalités appartenant aux Classes 3 et 4 diffèrent principalement par le changement de l'indice de jeunesse entre 1990 et 1999 - qui est élevé dans le groupe 3 et faible en cluster 4.
22. Explication des différences entre types de dynamiques territoriales
La deuxième étape consiste à expliquer les différences entre les types de dynamiques précédemment identifiés en effectuant une analyse discriminante (DA) des données utilisées pour effectuer la classification- comme variables explicatives, avec le numéro de cluster en tant que variable dépendante (i.e. à expliquer).
Tableau ci-dessous montre que les grappes sont significativement différentes (p-value inférieure au seuil alpha implique le rejeter l'hypothèse nulle, i.e. de l'égalité des variances).
|
Test de la statistique de Box (approximation asymptotique du F de Fisher) |
|
|
F (valeur observée) |
2,087 |
|
F (valeur critique) |
1,352 |
|
DF 1 |
50 |
|
DF 2 |
8843 |
|
p-value unilatérale |
< 0,0001 |
|
Alpha |
0,05 |
Le tableau suivant montre que 80% de la variance - c'est à dire des différences entre les clusters - est représenté par les deux premiers facteurs.
|
|
F1 |
F2 |
F3 |
F4 |
|
Eigen value |
2,995 |
2,001 |
0,912 |
0,257 |
|
% variance |
48,573 |
32,458 |
14,796 |
4,173 |
|
% total |
48,573 |
81,031 |
95,827 |
100,000 |
Tableau ci-dessous montre comment les variables initiales sont corrélés avec les facteurs. Le facteur F1 est fortement corrélé négativement avec l'équilibre naturel de la population totale entre 1990 et 1999 et très positivement corrélé à la variation de l'indice de jeunesse entre 1990 et 1999. F2 est fortement corrélé avec le changement dans la population totale entre 1990 et 1999. F3 est fortement corrélé avec la variation du taux de chômage entre 1990 et 1999.L'analyse discriminante montre donc que les différences entre les types de dynamiques -- les variances interclusters -- viennent principalement de variations dans l'équilibre naturel de la population totale, de changement dans l'indice de jeunesse, etdes variations de changements dans la population totale, et très peu de la variation des changements dans le taux de chômage.
En outre, le tableau ci-dessous indique - comme prévu, que la variation du taux de chômage et les changements dans la population totale ne sont pas significativement corrélés ensemble, ni à l'équilibre naturel de la population totale, ni à la variation de l'indice de jeunesse. Cependant, l'équilibre naturel de la population totale est corrélée négativement au changement dans l'indice de jeunesse entre 1990 et 1999.
|
Variable |
F1 |
F2 |
F3 |
F4 |
|
POPCH2 |
0,407 |
0,896 |
0,056 |
-0,170 |
|
NPOBAL |
-0,636 |
0,534 |
-0,225 |
0,509 |
|
YINDCH |
0,794 |
-0,073 |
0,290 |
0,530 |
|
UEMPCH |
-0,472 |
0,066 |
0,879 |
0,023 |
Le tableau suivant affiche les fonctions discriminantes. Lorsque l'on suppose l'égalité des matrices de covariance, les fonctions discriminantes sont linéaires. Lorsque l'égalité n'est pas supposée, ce qui est le cas dans cette étude, les fonctions discriminantes sont quadratiques.
|
Variable |
Cluster 1 |
Cluster 2 |
Cluster 3 |
Cluster 4 |
Cluster 5 |
Cluster 6 |
|
Constant value |
-16,033 |
-17,648 |
-36,616 |
-28,195 |
-22,079 |
-14,218 |
|
POPCH2 |
1,509 |
1,405 |
3,263 |
3,204 |
2,576 |
1,016 |
|
NPOBAL |
0,700 |
1,740 |
0,899 |
1,817 |
0,271 |
0,686 |
|
YINDCH |
1,854 |
1,317 |
3,419 |
1,193 |
3,111 |
2,780 |
|
UEMPCH |
1,468 |
1,103 |
1,067 |
0,679 |
0,159 |
0,141 |
2.3 Colinéarités entre profils dynamiques et caractéristiques actuelles des municipalités
Troisième étape de la méthodologie consiste à effectuer une analyse factorielle exploratoire afin d'identifier les colinéarités entre les variables utilisées pour définir les profils de dynamique (ref. 2.1, tableau 1) et les caractéristiques actuelles des municipalités.
La capacité des municipalités pour le développement économique et sociale dépend fondamentalement de ressources disponibles: les ressources naturelles; ressources humaines; ressources sociales et les ressources économiques - y compris les infrastructures. Donc, les variables utilisées pour la description des caractéristiques actuelles des municipalités comprennent: les indicateurs environnementaux, démographiques et socio-économiques. Les indicateurs environnementaux comprennent l'altitude et de la biodiversité. Les indicateurs démographiques comprennent la densité de population et le taux de jeunesse. Les indicateurs socio-économiques comprennent: taux de chômage, le temps d'accès aux municipalités, les distances entre les municipalités, le nombre de maisons secondaires, et le nombre de lits commercialisés pour le tourisme.
Comme pour les variables utilisées pour l'analyse des clusters, toutes les variables considérées sont des indices sur des échelles d'évaluation, non des valeurs absolues. L'indice de la biodiversité a été dérivé de la présence ou non des ZNIEFF et / ou les zones Natura 2000 sur la zone de la municipalité. Les indicateurs sociaux et économiques proviennent des "INSEE statistiques locales" (2000). Le tableau 1 présente les valeurs moyennes et écart-type pour les variables utilisées pour la description des caractéristiques actuelles des municipalités.
Tableau 3 variables utilisées pour la description de la situation des municipalités
|
Code |
Dynamics indicators |
Average |
Standard Deviation |
|
ALTITU |
Altitude |
6,922 |
2,520 |
|
BIODIV |
Biodiversity |
3,200 |
1,917 |
|
PODENS |
Population density |
4,991 |
3,158 |
|
YOUNG |
Youngness rate (population < 20 years old%total population) |
5,635 |
2,496 |
|
UNEMP |
Unemployment rate |
3,600 |
2,913 |
|
ACCESS |
Access time to municipalities |
8,357 |
1,948 |
|
DIST |
Distances to other municipalities |
6,104 |
3,500 |
|
SEHOUS |
Number of secondary houses |
5,530 |
3,402 |
|
MARKB |
Number of marketed beds |
2,852 |
2,996 |
Les caractéristiques des données
Altitude
Avec 1 180 m d'altitude, Fay-sur-Lignon est la municipalité dont l'altitude est la plus élevée, tandis que Vallon-en-Sully est cellle dont l'altitude est la plus faible, avec 190 m d'altitude. 53 municipalités (46%) sont à plus de 600 m d'altitude, et 15 municipalités sont à plus de 1000 m d'altitude (Besse-Saint-Anastaise, Le Mont-Dore, La Tour d'Auvergne, Saint-Germain-le Herm, La Chaise-Dieu, Allègre, Landos, Fay-sur-Lignon, Montfaucon-en -Velay, Saint-Anthème, Saugues, Le Monastier-sur-Gazeille, Allanche et Pierrefort).
Biodiversité
Les zones protégées (Natura 2000, ZNIEF ..) sont principalement dans les zones montagneuses et les couloirs hydrographiques. Toutefois, elles peuvent être trouvées aussi dans les zones arides collinaires (Coteaux de Limagne) et la forêt dans les zones de plaine (Tronçais, Colettes). Enfin, 15% des municipalités sont situées sur / dans les zones protégées.
Densité de la population
Municipalité zone varie de 2 km 2 pour Le Montet dans l'Allier à 92 km 2 pour Pleaux dans le Cantal. Se référant à la population du recensement de 1999, la densité de population de décou- 12 p / km2 à 487 p. / Km 2, respectivement à Saint-Anthème et Brioude.
Les municipalités peuvent être regroupés en trois catégories différentes:
1 - Les municipalités situées dans des zones rurales très structurées (50-30 p / km².): Ambert, Brioude, Saint-Eloy-les-Mines, Saint-Pourçain-sur-Sioule, Varennes-sur-Allier, Yssingeaux; Champeix, Maringues, Puy-Guillaume, Randan; Champeix, Maringues, Puy-Guillaume, Randan; Bas-en-Basset, Combronde, Courpière, Dunières, Montfaucon-en-Velay, Saint-Germain-Lembron, Saint-Rémy-sur-Durolle, Saint-Julien-Chapteuil; Bas-en-Basset, Combronde, Courpière, Dunières, Montfaucon-en-Velay, Saint-Germain-Lembron, Saint-Rémy-sur-Durolle, Saint-Julien-Chapteuil; La Bourboule et Le Mont-Dore, Saignes et Ydes, Retournac et Vorey. La Bourboule et Le Mont-Dore, Saignes et Ydes, Retournac et Vorey.
2 – Municipalités situées dans des zones semi-structurées: Bort-les-Orgues, Cosne-d'Allier, Lapalisse, Langeac, Mauriac, Murat, Saint-Flour; Arlanc, Bourg-Lastic, Craponne-sur-Arzon, Maurs, Montsalvy, Paulhaguet, Pleaux, Rochefort-Montagne Saint-Matin-Valmeroux, Tauves; Arlanc, Bourg-Lastic, Craponne-sur-Arzon, Maurs, Montsalvy, Paulhaguet, Pleaux, Rochefort-Montagne Saint-Matin-Valmeroux, Tauves; Vic-sur-Cère, Le Rouget, Saint-Cernin, Le Monastier-sur-Gazeille, Saint-Paulien, Jaligny-sur-Besbre, Dompierre-sur-Besbre, Lurcy-Lévis, Huriel, Manzat, Pontgibaud; Vic-sur-Cère, Le Rouget, Saint-Cernin, Le Monastier-sur-Gazeille, Saint-Paulien, Jaligny-sur-Besbre, Dompierre-sur-Besbre, Lurcy-Lévis, Huriel, Manzat, Pontgibaud; Bellenaves, Chantelle, Cunlhat, Ebreuil, Montmarault, Olliergues, Paulhaguet, Saint-Gervais-d'Auvergne, Saint-Martin-Valmeroux. Bellenaves, Chantelle, Cunlhat, Ebreuil, Montmarault, Olliergues, Paulhaguet, Saint-Gervais-d'Auvergne, Saint-Martin-Valmeroux.
3 – Municipalités situées dans des zones à faible densité (. 17-5 hab / km²), le plus souvent en haute altitude: Allanche, Allègre, Ardes, Besse-et-Saint-Anastaise, Blesle, Chaudes-Aigues, Condat, La Chaise-Dieu, Landos, La Tour d'Auvergne, Le Mayet-de-Montagne, Massiac, Pierrefort, Riom-ès-Montagnes, Saint-Anthème, Saint-Germain-le Herm, Saugues, Viverols; or far from Clermont-Ferrand as Cérilly, Giat, Laroquebrou, Le Donjon, Marcillat-en-Combraille, Pionsat, Pontaumur . ou loin de Clermont-Ferrand que Cérilly, Giat, Laroquebrou, Le Donjon, Marcillat-en-Combraille, Pionsat, Pontaumur.
Indice de jeunesse
Proportion de jeunes dans la population est particulièrement faible dans les municipalités suivantes: Ainay-le-Château, Cérilly, Cosne-d'Allier, Bellenaves dans l'Allier ; Bort-les-Orgues, Condat, Pleaux, Laroquebrou, Maurs, Montsalvy, Pierrefort, Saint-Martin-Valmeroux dans le Cantal ;Allègre, Retournas et Saugues en Haute-Loire ; Bourg-Lastic, Giat, La Tour d'Auvergne, Pionsat, Saint-Anthème, Saint-Germain-le Herm, Tauves, Viverols dans le Puy-de-Dôme, disposent de la proportion, plus de Jeunes Faible.
En revanche, le taux youngness est particulièrement élevé à Villefranche-d'Allier Dans l'Allier, Monistrol-sur-Loire, Saint-Didier-en-Velay, Sainte-Sigolène, en Haute-Loire, Champeix, Ennezat, Les Martes- de-Veyre, Pont-du-Château, Vertaizon, Vic-le-Comte.
Le temps d'accès aux municipalités
Se référant aux courbes isochrones calculées à partir d'un logiciel MapInfo ChronoMap, seul un petit nombre de municipalité ont des points nécessitant plus de 15 km pour accéder au chef lieu de la Municipalité. Elles sont principalement situées dans les zones montagneuses (Margeride, Aubrac, Monts du Cantal, du Cézallier, Montagne Bourbonnaise, Forez, Haut-Livradois, Mézenc).
Distance à d'autres municipalités
La distance entre une municipalité donnée et sa voisine la plus proche varie de 8,4 km pour Lempdes à 43 km de Pierrefort. La distance moyenne est 18,3 km. Les distances sont plus grandes dans les zones montagneuses qu'en plaine (par exemple:. Allanche (26), Chaudes-Aigues (29), Le Mayet-de-Montagne (26,9), Montsalvy (28,6), Murat (28), Pierrefort (29,8), Saint-Cernin (26,1), Saint-Flour (28,2), Saint-Germain-L'Herm (25,4), Saugues (27,1), Vic-sur-Cère ( 27,8). Les municipalities à faibles distances de leurs voisines sont Sainte-Sigolène (10,9), Saint-Rémy-sur-Durolle (12), La Bourboule (11,4) and Lempdes (8,4).
Lits de marché pour le tourisme
Se référant aux données de l'INSEE sur le tourisme, les municipalités peuvent être regroupés en quatre catégories différentes:
1- 19 communes de plus de 2000 lits : La Bourboule 13 370 lits, Besse-et-Saint-Anastaise 12 760, Saint-Flour 6 860, Tence 6 430, Vic-sur-Cère 5 280, Le Mont -Dore 5 160, Murat, 4 730, 4 580 Mauriac, Riom-ès-Montagnes 3 850, 3 510 Murol, Langeac 3 010, La Tour d'Auvergne 2 770, Champeix 27 20, Ambert 2 640, Chaudes-Aigues 2 580, Brioude 2 510, 2 410 Pleaux, Le Mayet-de-Montagne 2 110, 2 000 Yssingeaux.
2- 22 municipalités avec 1.000 à 2.000 lits : Ainay-le-Château, Bas-en-Basset, Bourbon-le Archambault, Condat, Craponne-sur-Arzon, La Chaise-Dieu, Lapalisse, Laroquebrou, Le Monastier-sur-Gazeille, Massiac, Maurs, Monistrol-sur-Loire, Pontaumur , Pontgibaud, Rochefort-Montagne, Saint-Éloy-les-Mines, Saint-Gervais-d'Auvergne, Saint-Pourçain-sur-Sioule, Saint- Rémy-sur-Durolle, Saugues, Vorey.
3- 33 municipalités avec 500 à 1 000 lits : Allanche, Allègre, Arlanc, Cérilly, Cosne-d'Allier, Courpière, Cunlhat, Dompierre-sur-Besbre, Ébreuil, Gannat, Giat, Le Rouget, Lurcy- Lévis, Manzat, Montmarault, Montsalvy, Olliergues, Paulhaguet, Pierrefort, Pont-du-Château, Puy-Guillaume, Retournac, Saint-Anthème, Saint-Georges de Mons, Saint-Germain-Lembron, Saint-Germain-le Herm, Saint-Julien-Chapteuil, Saint-Martin-Valmeroux, Saint-Paulien, Sainte-Sigolène, Varennes-sur-Allier, Vic-le-Comte, Ydes.
4- 41 municipalités de moins de 500 lits : Ardes, Billom, Blesle, Brassac-les-Mines, Lezoux, Randan, ....
Analyse factorielle
L'analyse factorielle a été utilisée pour identifier les colinéarités entre les variables ci-dessus et déterminer les facteurs sous-jacents des variations parmi les situations actuelles des municipalités. Nous avons généré ainsi sept facteurs, et nous avons fait une rotation varimax pour faciliter l'interprétation des résultats.
Colinéarités
Le tableau 4 ci-dessous présente la matrice de corrélations.
Tableau 4 Corrélations matrice
|
|
ALTITU |
BIODIV |
ACCESS |
POPCH2 |
PODENS |
NPOBAL |
YOUNG |
YINCH |
UNEMP |
UEMPCH |
SEHOUS |
MARKB |
DIST |
|
ALTITU |
1 |
-0,186 |
0,227 |
0,328 |
0,283 |
-0,104 |
0,037 |
0,054 |
-0,417 |
0,038 |
0,095 |
-0,367 |
0,230 |
|
BIODIV |
-0,186 |
1 |
-0,170 |
-0,124 |
-0,133 |
0,005 |
-0,076 |
0,085 |
-0,054 |
0,222 |
-0,132 |
0,325 |
-0,141 |
|
ACCESS |
0,227 |
-0,170 |
1 |
0,374 |
0,508 |
0,158 |
0,299 |
0,175 |
-0,226 |
0,043 |
0,080 |
-0,359 |
0,464 |
|
POPCH2 |
0,328 |
-0,124 |
0,374 |
1 |
0,414 |
0,121 |
0,408 |
0,184 |
-0,194 |
-0,088 |
0,330 |
-0,186 |
0,411 |
|
PODENS |
0,283 |
-0,133 |
0,508 |
0,414 |
1 |
0,469 |
0,624 |
-0,074 |
-0,309 |
0,109 |
0,335 |
-0,240 |
0,618 |
|
NPOBAL |
-0,104 |
0,005 |
0,158 |
0,121 |
0,469 |
1 |
0,736 |
-0,339 |
0,003 |
0,149 |
0,177 |
0,112 |
0,341 |
|
YOUNG |
0,037 |
-0,076 |
0,299 |
0,408 |
0,624 |
0,736 |
1 |
-0,137 |
-0,077 |
-0,012 |
0,283 |
-0,075 |
0,428 |
|
YINCH |
0,054 |
0,085 |
0,175 |
0,184 |
-0,074 |
-0,339 |
-0,137 |
1 |
-0,046 |
-0,113 |
0,094 |
-0,172 |
0,154 |
|
UNEMP |
-0,417 |
-0,054 |
-0,226 |
-0,194 |
-0,309 |
0,003 |
-0,077 |
-0,046 |
1 |
0,245 |
-0,108 |
0,085 |
-0,137 |
|
UEMPCH |
0,038 |
0,222 |
0,043 |
-0,088 |
0,109 |
0,149 |
-0,012 |
-0,113 |
0,245 |
1 |
-0,228 |
0,057 |
0,116 |
|
SEHOUS |
0,095 |
-0,132 |
0,080 |
0,330 |
0,335 |
0,177 |
0,283 |
0,094 |
-0,108 |
-0,228 |
1 |
0,138 |
0,217 |
|
MARKB |
-0,367 |
0,325 |
-0,359 |
-0,186 |
-0,240 |
0,112 |
-0,075 |
-0,172 |
0,085 |
0,057 |
0,138 |
1 |
-0,317 |
|
DIST |
0,230 |
-0,141 |
0,464 |
0,411 |
0,618 |
0,341 |
0,428 |
0,154 |
-0,137 |
0,116 |
0,217 |
-0,317 |
1 |
En gras, valeurs des significatifs (hors diagonale) au seuil alpha = 0050 (bilatéral de test)
Colinéarités entre les indicateurs de la situation actuelle:
L'altitude est positivement corrélée à la distance entre les municipalités, la densité de population et les changements dans la population entre 1990 et 1999. Elle est corrélée négativement au chômage et le nombre de lits mis en marché. En revanche, la biodiversité est positivement corrélée au nombre de lits. L'accès aux municipalités aussi est positivement corrélée à la densité de population et à la distance entre les municipalités. En outre, la densité de population est positivement corrélée à la distance entre les municipalités et à l'indice de jeunesse, et elle est corrélée négativement au chômage. Il n'y a aucune corrélation entre le nombre de maisons secondaire et le nombre de lits mis en marché.
Colinéarités entre les indicateurs de la dynamique et les indicateurs de la situation actuelle
Le changement dans la population totale est principalement corrélé à l'altitude, au temps d'accès, et à la densité de la population. L'équilibre naturel entre 1990 et 1999 est positivement corrélée à l'indice de jeunesse et à la densité de la population
Facteurs
Le tableau ci-dessous montre que quatre facteurs captent 81% de la variabilité des données initiales.
|
|
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
|
Eigen value |
3,323 |
1,715 |
1,042 |
0,828 |
0,736 |
0,501 |
0,312 |
|
% total variability |
25,559 |
13,189 |
8,014 |
6,367 |
5,665 |
3,856 |
2,396 |
|
% sum |
25,559 |
38,748 |
46,762 |
53,129 |
58,794 |
62,650 |
65,046 |
|
% common variability |
39,293 |
20,276 |
12,321 |
9,789 |
8,708 |
5,928 |
3,684 |
|
% sum |
39,293 |
59,569 |
71,890 |
81,679 |
90,387 |
96,316 |
100,000 |
|
% de variance totale après rotation Varimax : |
|
|
|
|
|||
|
|
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
|
% variance totale |
25,212 |
18,579 |
11,412 |
11,901 |
11,161 |
11,054 |
10,681 |
|
% cumulé |
25,212 |
43,791 |
55,203 |
67,104 |
78,266 |
89,319 |
100,000 |
Les prochains résultats sont les saturations factorielles après la rotation varimax. Ces résultats sont utilisés pour interpréter la signification des facteurs (rotation).
Tableau 5 Scores Factor
|
|
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
|
ALTITU |
0,207 |
-0,056 |
-0,187 |
-0,825 |
-0,131 |
0,031 |
0,011 |
|
BIODIV |
-0,134 |
0,018 |
-0,060 |
0,099 |
0,648 |
-0,088 |
0,104 |
|
ACCESS |
0,628 |
0,110 |
-0,099 |
-0,099 |
-0,128 |
-0,039 |
0,149 |
|
POPCH2 |
0,367 |
0,257 |
-0,076 |
-0,271 |
-0,095 |
0,280 |
0,254 |
|
PODENS |
0,749 |
0,333 |
-0,136 |
-0,143 |
-0,018 |
0,219 |
-0,177 |
|
NPOBAL |
0,288 |
0,650 |
0,050 |
0,138 |
0,108 |
0,105 |
-0,397 |
|
YOUNG |
0,335 |
0,925 |
-0,023 |
-0,016 |
-0,038 |
0,145 |
-0,064 |
|
YINCH |
0,146 |
-0,167 |
-0,018 |
-0,006 |
0,052 |
0,059 |
0,711 |
|
UNEMP |
-0,212 |
0,021 |
0,797 |
0,279 |
-0,108 |
-0,038 |
0,023 |
|
UEMPCH |
0,250 |
-0,060 |
0,497 |
-0,175 |
0,481 |
-0,224 |
-0,231 |
|
SEHOUS |
0,133 |
0,137 |
-0,069 |
-0,032 |
-0,079 |
0,773 |
0,056 |
|
MARKB |
-0,393 |
0,030 |
-0,002 |
0,268 |
0,461 |
0,316 |
-0,201 |
|
DIST |
0,696 |
0,224 |
0,039 |
-0,108 |
-0,059 |
0,115 |
0,096 |
De ce tableau, nous pouvons voir que le premier facteur est fortement positivement lié à la densité de la population, la distance entre les municipalités et le temps d'accès aux municipalités. Le deuxième facteur est lié à l'indice de jeunesse et à l'équilibre naturel entre 1990 et 1999. Le troisième facteur est fortement lié au chômage et au changement dans le taux de chômage. Le quatrième facteur est positivement lié à l'altitude. La biodiversité semble n'être significative que sur le cinquième facteur, le taux de résidences secondaires sur le sixième facteur et le changement du taux de jeunesse sur le huitième facteur.
De ces résultats, nous pouvons déduire que les municipalités qui ont des scores élevés sur le premier facteur sont des municipalités situées dans des espaces clairsemés. Les municipalités dont les coordonnées élevées sur le second facteur ont un potentiel humain élevé, tandis que les municipalités qui ont des scores élevés sur le troisième facteur sont à faible potentiel humain, ect.
2.4 Combinaison des profils dynamiques et des dimensions actuelles
Chaque dimension (ou facteur) identifiée par l'analyse factorielle permet de classer les municipalités appartenant à chaque groupe-type de dynamique en fonction de la taille des scores factoriels après la rotation varimax pour la municipalité donnée. Cette section présente un exemple de la façon dont les résultats générés par l'analyse factorielle peuvent encore être utilisés pour créer des types régionaux de municipalités qui combinent les valeurs de plus d'une dimension (ou facteur).
La classification automatique distingue 13 groupes de communes dont les différences représentent 60% des différences existant entre les 115 municipalités. Tableau H présente la valeur des indicateurs de dynamique et des indicateurs de situation au barycentre de chaque groupe (observation virtuelle qui est particulièrement représentative de la population du groupe).
Tableau H:Coordonnées des barycentre des classes sur les facteurs
|
|
Factors |
||||||
|
Barycenters of Compound Clusters |
F1 |
F2 |
F3 |
F4 |
F5 |
F6 |
F7 |
|
Classe1 (BAS-EN-BASSET) |
0,709 |
0,536 |
0,770 |
-0,094 |
-0,578 |
1,534 |
0,302 |
|
Classe2 (SAINT-CERNIN) |
0,900 |
0,085 |
1,247 |
0,200 |
-0,411 |
-1,487 |
-0,302 |
|
Classe3 (LEZOUX) |
1,524 |
-0,493 |
-0,511 |
-1,001 |
-0,047 |
0,052 |
-0,127 |
|
Classe4 (PUY-GUILLAUME) |
0,632 |
0,764 |
0,231 |
-1,030 |
0,571 |
0,148 |
0,253 |
|
Classe5 (AINAY-LE-CHATEAU) |
0,097 |
-1,537 |
0,434 |
-0,641 |
-0,324 |
-0,135 |
0,192 |
|
Classe6 (MONTET) |
0,403 |
-1,874 |
-1,242 |
0,016 |
-1,389 |
0,424 |
-0,102 |
|
Classe7 (OLLIERGUES) |
-0,666 |
0,431 |
-0,596 |
-0,063 |
-0,321 |
-0,027 |
0,467 |
|
Classe8 (MASSIAC) |
-1,815 |
0,659 |
-0,654 |
-0,512 |
-0,002 |
0,511 |
0,325 |
|
Classe9 (SAINT-PAULIEN) |
0,004 |
0,138 |
-0,279 |
0,261 |
-0,546 |
-0,341 |
-0,215 |
|
Classe10 (CONDAT) |
-1,073 |
-1,169 |
0,501 |
0,211 |
1,102 |
-0,438 |
-0,523 |
|
Classe11 (TOUR-D'AUVERGNE) |
-0,990 |
-0,046 |
1,426 |
1,386 |
1,308 |
0,232 |
0,441 |
|
Classe12 (ALLEGRE) |
-0,308 |
-0,444 |
-0,778 |
1,902 |
-0,427 |
-0,261 |
0,426 |
|
Classe13 (BOURG-LASTIC) |
-0,474 |
-0,291 |
1,454 |
0,123 |
0,165 |
-1,005 |
0,382 |
L'analyse finale des cluster comprend trois étapes: 1. Identification des correspondances entre les clusters bâtis sur la dynamique et les clusters basés sur l'ensemble des critères; 2. Description des Pôles des clusters composés sur l'ensemble des variables; 3. Sélection des municipalités pilotes.
Correspondances entre dynamique et ensemble des critères
Le tableau ci-dessous présente les correspondances entre la typologie final -. laquelle se réfère tant à la dynamique qu'à la situation actuelle, et la typologie bâtie sur la seule dynamique. Le test de dépendance du Khi² démontre que les dépendances entre les deux typologies sont significative.
Ce tableau montre que - se référant à l'ensemble des critères, les municipalités peuvent être divisés en deux groupes principaux (A et B). Groupe A rassemble les grappes 1-5, tandis que le groupe B rassemble les autres pôles.
Le tableau montre que la plupart des municipalités appartenant aux dynamiques de type "Clusters 5 et 6" - qui partagent en commun d'avoir connu des équilibres naturels faible dans la population totale et de faibles changements dans le taux de chômage mais de fortes variations de l'indice de jeunesse depuis 1990, appartiennent au groupe B . Cela signifie que le groupe A comprend principalement les municipalités où les équilibres naturels et des changements dans le taux de chômage sont moyens ou élevés tandis que les changements de l'indice de jeunesse sont faibles.
Correspondances entre typologie finale et types de dynamique
|
Compound Classes |
Dynamics Classes |
|||||||||||
|
|
Class Number |
1 |
2 |
3 |
4 |
5 |
6 |
Total |
||||
|
Group |
Sub-group 1 |
Sub –group 2 |
Sub-group 3 |
Class Number |
Variability |
34,46 |
28,28 |
24,11 |
13,48 |
56,97 |
32,52 |
|
|
A |
|
A1 |
|
1 |
13,74 |
0 |
0 |
2 |
4 |
1 |
0 |
7 |
|
|
|
|
|
2 |
21,33 |
0 |
6 |
1 |
1 |
0 |
0 |
8 |
|
|
|
A2 |
|
3 |
10,37 |
0 |
2 |
3 ** |
0 |
1 |
0 |
6 |
|
|
|
|
|
4 |
34,01 |
1 |
0 |
9 |
4 |
2 |
0 |
16 |
|
B |
B1 |
|
|
5 |
18,98 |
4 * |
0 |
1 |
0 |
5 |
0 |
10 |
|
|
|
|
|
6 |
11,10 |
0 |
0 |
0 |
0 |
4 |
2 |
6 |
|
|
|
|
|
7 |
28,90 |
1 |
0 |
1 |
0 |
8 |
3 |
13 |
|
|
B2 |
B21 |
|
8 |
31,76 |
1 |
2 |
0 |
3 |
3 |
2 |
11 |
|
|
|
|
|
9 |
27,01 |
3 |
5 |
0 |
2 |
2 |
0 |
12 |
|
|
|
B22 |
B221 |
10 |
7,24 |
6 |
0 |
0 |
0 |
0 |
0 |
6 |
|
|
|
|
|
11 |
12,56 |
1 |
2 |
0 |
0 |
0 |
1 |
4 |
|
|
|
|
B222 |
12 |
11,05 |
2 |
0 |
0 |
0 |
2 |
4 |
8 |
|
|
|
|
|
13 |
13,73 |
3 |
0 |
0 |
0 |
3 |
2 |
8 |
|
|
|
|
|
|
Total |
22 |
17 |
17 |
14 |
31 |
14 |
115 |
* par exemple Pontaumur
** par exemple Sainte-Florine
Le tableau montre que le groupe A comprend quatre différents types de municipalités (clusters composés 1-4). Le tableau ci-dessus indique que ces grappes ont des liens simples avec les clusters bâtis sur la dynamique : la plupart des municipalités appartenant à chacun de ces groupes appartiennent à un seul type de dynamique, i.e. ont une dynamique spécifique:
- Compoud Cluster1 comprend principalement les municipalités appartenant à Dynamics Cluster4 - dans lequel le changement dans la population totale était très élevé, tandis que le composé Cluster2 comprend principalement les municipalités appartenant à Dynamics Cluster2 dans lequel le changement dans la population totale est faible (Cluster1 et Cluster2 ont connu des changements élevés dans l'équilibre naturel).
- Compoud Grappe3 et plus particulièrement Compound Cluster4 comprennent principalement les municipalités appartenant à Dynamics Grappe3 qui ont connu un changement très élevé de l'indice yougness et population totale depuis 1990. Ces deux groupes diffèrent principalement des indicateurs de la situation, pas de dynamique indicateurs.
Ensuite, le tableau montre que le groupe B comprend neuf types de municipalités (clusters composés de 5 à 13). Le tableau ci-dessus indique que seulement trois de ces composés grappes ont des liens simples avec la dynamique des clusters, i.e. la plupart des municipalités appartenant à ces trois groupes composés appartiennent à un cluster dynamique spécifique.
- Compoud Cluster6 et composé Cluster7 comprennent principalement les municipalités appartenant à la dynamique Cluster 5, qui ont connu un faible équilibre naturel de la population totale et un changement dans le taux de faible chômage, mais un changement important de l'indice de jeunesse et dans la population totale depuis 1990. Comme compoud Grappe3 et Cluster4 composé dans le groupe A, ces deux groupes diffèrent principalement sur des indicateurs de la situation, pas sur des indicateurs de dynamique.
- Composé Cluster10 comprennent principalement les municipalités appartenant à la dynamique Cluster 1, qui ont connu un faible équilibre naturel de la population totale et un changement dans le taux de faible de chômage, mais un important changement de l'indice de jeunesse haute et dans la population totale depuis 1990
Les autres groupes du groupe B ont des liens complexes avec la dynamique des clusters, à savoir les municipalités appartenant à chacun de ces groupes composés appartenir à plusieurs groupes dynamiques.
Description des clusters composés
Le tableau ci-dessous présente la valeur des indicateurs pour chaque barycentre de grappes.
- Groupe A grappes (clusters composés de composés 1-4) rassemble les municipalités avec un très grand temps d'acces au chef lieu et une grande distance des municipalités voisines.
- (Clusters composés de 10 à 13) du groupe B22 réunit les communes de haut indice de biodiversité
Typologie combinant dynamiques et situations: Description des Clusters
|
|
|
|
|
Dynamics indic. |
Situation indicators |
Complementary ind |
|||||||||||||||
|
Cluster Group |
|
|
CompoundClasses |
POPCH2 |
NPOBAL |
YINDCH |
UEMPCH |
Altitude |
Biodiversity |
Acces time |
Pop. Density |
yougness |
Unemplyement |
Scond houses |
Market beds |
Distance rating |
Nombre exploitants total exclusifs, principale/second |
Nombre exploitants total exclusifs, principale |
Nombre exploitants secondaires |
Nombre exploitants avec salariés |
|
|
A |
|
|
1 |
9,7 |
8,9 |
5,4 |
2,6 |
5,1 |
1,1 |
9,6 |
8,6 |
8,9 |
6,0 |
12,3 |
3,7 |
9,3 |
185 |
160 |
17 |
24 |
|
|
|
|
|
2 |
5,5 |
8,5 |
4,3 |
6,0 |
6,8 |
1,3 |
9,6 |
7,8 |
7,8 |
6,0 |
2,0 |
0,3 |
9,6 |
215 |
191 |
17 |
53 |
|
|
|
|
|
3 |
6,7 |
6,0 |
6,0 |
7,0 |
9,0 |
3,7 |
10,0 |
9,7 |
6,0 |
0,0 |
5,0 |
0,7 |
10,0 |
206 |
176 |
17 |
42 |
|
|
|
|
|
4 |
9,1 |
6,0 |
7,1 |
4,9 |
8,8 |
4,1 |
9,4 |
8,4 |
8,1 |
2,3 |
7,8 |
1,3 |
9,4 |
174 |
153 |
13 |
49 |
|
|
B |
B1 |
|
5 |
5,2 |
1,6 |
6,2 |
5,4 |
9,0 |
2,2 |
7,8 |
2,6 |
2,4 |
6,0 |
4,8 |
2,2 |
4,5 |
315 |
286 |
17 |
55 |
|
|
|
|
|
6 |
6,3 |
1,7 |
7,0 |
0,0 |
9,0 |
1,7 |
10,0 |
6,7 |
3,0 |
0,0 |
7,7 |
0,3 |
8,3 |
188 |
165 |
13 |
43 |
|
|
|
|
|
7 |
6,3 |
2,9 |
7,4 |
1,8 |
7,7 |
3,2 |
8,5 |
2,3 |
4,8 |
1,4 |
3,4 |
1,4 |
4,6 |
235 |
213 |
13 |
40 |
|
|
|
B2 |
B21 |
8 |
5,3 |
6,5 |
4,7 |
2,5 |
6,2 |
4,4 |
6,5 |
3,3 |
6,9 |
2,7 |
5,8 |
6,5 |
2,7 |
347 |
315 |
18 |
48 |
|
|
|
|
|
9 |
5,5 |
6,5 |
3,5 |
3,8 |
7,8 |
2,0 |
7,7 |
5,0 |
5,7 |
2,5 |
6,0 |
3,3 |
4,2 |
256 |
227 |
17 |
45 |
|
|
|
|
B22 |
10 |
4,0 |
4,0 |
4,7 |
8,5 |
6,0 |
5,0 |
6,0 |
2,7 |
2,7 |
5,0 |
3,3 |
6,0 |
1,7 |
314 |
289 |
12 |
46 |
|
|
|
|
|
11 |
4,0 |
8,0 |
6,5 |
6,8 |
2,5 |
6,0 |
7,5 |
4,5 |
6,5 |
5,3 |
7,0 |
10,0 |
7,5 |
283 |
254 |
17 |
58 |
|
|
|
|
|
12 |
3,8 |
4,3 |
6,3 |
1,1 |
3,3 |
3,5 |
7,8 |
2,3 |
3,8 |
3,8 |
4,3 |
3,5 |
4,4 |
184 |
159 |
13 |
19 |
|
|
|
|
|
13 |
5,0 |
3,5 |
7,3 |
5,3 |
4,3 |
4,3 |
8,3 |
2,0 |
4,8 |
8,6 |
3,0 |
2,3 |
5,0 |
291 |
262 |
18 |
47 |
|
Sélection des municipalités pilotes du projet PRIMA
La sélection des données appropriées pour la construction de municipalités-types pilotes consiste à identifier les municipalités qui dans chaque cluster seront utilisées comme espaces d'analyse pour tester un programmes de la politique .
Par exemple, la sélection des clusters pour la construction des municipalités pilotes pour tester une politiques d'aide aux régions en retard de développement implique la sélection de municipalités qui ont une faible densité de population ou qui ont un taux supérieur à la moyenne du chômage. Une telle sélection peut être réalisée de plusieurs manières différentes.
La première voie consiste à trier les municipalités sur 2 critères d'admissibilité : la densité de population et le taux de chômage. Ce faisant, dans la région Auvergne, on peut sélectionner les 15 municipalités suivantes:
Tour-d'Auvergne ; Chaudes-Aigues; ALLANCHE; ARDES; Rochefort-Montagne; Besse-et-Saint-Anastaise; PIERREFORT; Monastier-sur-Gazeille, Bourg-Lastic ; PAULHAGUET; GIAT; GELLES; VIVEROLS; Fay-sur-Lignon; PONTAUMUR
La deuxième voie consiste à trier les municipalités sur les liens entre les critères d'admissibilité et les facteurs scores y compris la densité de population et le taux de chômage.
Le tableau 5 présente corrélation entre facteurs et variables. Ce tableau montre que la densité de population et le taux de chômage respectivement sont principalement corrélées positivement à F1 et F3. Ainsi, sur ces deux facteurs, on peut sélectionner les 15 municipalités suivantes: Chaudes-Aigues; MAYET-DE-MONTAGNE; MASSIAC ; ALLANCHE; SAUGUES; PIERREFORT; PONTAUMUR ; Besse-et-Saint-Anastaise; Bourbon-le Archambault; SAINT-FLOUR; Riom-ès-Montagnes; CONDAT; PONTGIBAUD; MURAT; Tour-d'Auvergne
La troisième voie consiste à sélectionner des grappes composés sur la base des facteurs scores et fortement corrélées avec la densité de population et le taux de chômage. Tableau H présente les coordonnées des barycentres sur les facteurs. Ce faisant, dans la région Auvergne, on pourrait choisir plutôt les municipalités suivantes, qui sont des barycentres de clusters: MASSIAC (Cluster composé 8) et Tour-d'Auvergne (composé Cluster11).
Conclusion
L'observation des tendances de développement est utile de deux manières: elle permet, d'une part, d'évaluer les effets régionaux des politiques et instruments et, d'autre part, d'observer le développement des disparités régionales.
References
Berry, Brian J. L. 1971. Introduction: The Logic and Limitation of Comparative Factorial Ecology, Economic Geography 47(2): 209-19.
Blunden, John R., W.T.R. Pryce, and Peter Dreyer. 1998. The Classification of Rural Areas in the European Context: An Exploration of a Typology Using Neural Network Applications. Regional Studies 32(2):149-160.
Chapuis, Robert, and Thierry Brossard. 1989. The Demographic Evolution of Rural France (1968-1982). Journal of Rural Studies 5(4):357-365.
Chakravorty, Ujjayant & Krulce, Darrell & Roumasset, James, 2005. "Specialization and non-renewable resources: Ricardo meets Ricardo," Journal of Economic Dynamics and Control, Elsevier, vol. 29(9), pages 1517-1545, September.
EPSON 2006 (EU project from DG Regio) https://www.espon.eu/mmp/online/website/content/programme/70/1419/file_3120/Final_Annual_Report_2006_26-6-2007.pdf
García-Solanes, J. and R. María-Dolores, (2002), 'The Impact of European Structural Funds on Economic Convergence in European Countries and Regions', in W. Meeusen and Villaverde J. (eds), Convergence Issues in the European Union.
Lipshitz, Gabriel, and Adi Raveh. 1998. Socio-economic Differences among Localities: A New Method of Multivariate Analysis. Regional Studies 32(8):747-757.
Montresor, Elisa, and Maio Mazzocchi. 2001. The Agricultural and Rural Development: An Analytical Approach. Paper presented to the 73rd Seminar of the European Association of Agricultural Economics, Ancona, June
Parr, J.B 1999. Growth Poles Strategies in Regional Economic Panning: A Retrospective View. Part 2. Implementation and OUtcomes, Urban Studies, Vol. 36, No. 8, 1247-268, 1999. p. 1247.
Patton, M. Q. (2002) Qualitative Research and Evaluation Methods (3rd Edition). Sage Publications
Puigcerver, M-C. (2007). Impact of Structural Funds Policy on European Regions' Growth. A Theoretical and Empirical Approach. The European Journal of Comparative Economics.
Quadrado, L., W. Heijman, and H. Folmer. 2001. “Multidimensional analysis of regional inequality: The case of Hungary”. Social Indicator Research 56: 21-42.
Rogers, Andrei. 1971. Matrix methods in urban and regional analysis. San Francisco: Holden-Day.
SEGESA – Direction de l’Espace Rural et de la Foret. 1992. Nouvelle Approche de la Diversité des Agricultures Régionales. Paris: Ministère de l'Agriculture et de la Foret.
Shields, Martin, and Steven C. Deller.1996. Clustering Wisconsin Counties for Analytical Comparisons. CCED Staff Paper 96.7. University of Wisconsin.
Smith, A. 2002. Studying Multi-level Governance. Examples from French Translations of the Structural Funds. Public Administration. Volume 75 Issue 4, Pages 711 – 729. Published Online
https://www3.interscience.wiley.com/cgi-bin/fulltext/119169068/PDFSTART