Analyse multidimensionnelle du Foreland du port de Radès
HECHMI Anouar
Abstract :
This paper presents a new approach to the study of port influences. Particular attention is paid to the extent of the port's mainland, which has been defined by traditional approaches such as: an oceanic expanse, which drains at the wharves of the ports opposite. It is to be interested in the geographical spread of the flows between the port of Radès and the partner ports. Spatial analysis has been used and a type of typology for the port partners of the port of Radès to demonstrate the extent of the foreland and the maritime horizon of the Tunisian port. This innovative method aims at analyzing the organization of marine space and its differentiations. In order to carry out an analysis as complete as possible, we proceed by a quantitative and multivariate analysis which will reveal a typology of the harbors opposite the port of Radès according to the tonnage and the categories of goods.
Entrées d'index
Mots-clés : Aire dinfluence, Foreland, Analyse spatiale, Analyse quantitative, Analyse multivariée, Port de Radès.
Keywords: Area of influence, Foreland, Spatial analysis, Quantitative analysis, Multivariate analysis, Port of Radès.Area of influence, Foreland, Spatial analysis, Quantitative analysis, Multivariate analysis, Port of Radès.
INTRODUCTION
Lanalyse factorielle des correspondances et la classification hiérarchique ascendante sont des techniques et des outils danalyse spatiale. Les deux analyses quantitatives vont agréer une représentation graphique qui permet de distinguer les rapprochements et les oppositions entre les individus pour aboutir à une hiérarchisation des ports partenaires du port tunisien en fonction des poids et des catégories des marchandises.
Le but de ce travail nest pas de faire de la théorie de lAFC ou de la CHA, mais de mieux gérer la base de données issue de lOffice de la Marine Marchande et des Ports (OMMP), à laide de ces techniques quantitatives. Le plus important dans le recours à ces méthodes nest pas la production statistique ou bien la représentation géométrique des résultats en elle-même, mais plutôt les capacités du chercheur à analyser ces résultats et les appliquer à son sujet de recherche afin dextraire des interprétations claires et significatives.
1. Méthode et critères ayant servi à lélaboration de lanalyse Factorielle des Correspondances (AFC)
Pour étudier la géographie des flux et pour dégager la répartition géographique des flux entre le port de Radès et les ports partenaires, on a eu recours à lAnalyse Factorielle des Correspondances (AFC). Le principe de cette analyse est de révéler la structure profonde dune base de données quantitative, réduite à quelques tendances majeures auxquelles participent de façon plus ou moins prononcée les individus. Elle sapplique essentiellement à des tableaux de contingence. Les fondements de lanalyse factorielle des correspondances remontent aux années 1970. Cest lavènement des nouvelles technologies de linformatique qui a été à lorigine du développement des applications pratiques de ces outils statistiques.
Cette méthode est premièrement utilisée pour étudier lintensité des liens entre deux variables. La méthode a connu maintes extensions au niveau de lapplication. Le but de lAFC est de présenter linformation contenue dans cette dimension importante sous une forme simplifiée. Le recours à la cartographie est une forme de simplification des données à travers la projection des individus selon les deux premiers axes factoriels. « Lanalyse factorielle des correspondances consiste en la recherche dune hiérarchisation de linformation contenue dans un tableau de données par le calcul des allongements successifs dun nuage de points ». (SANDERS Lena, 1989, p19).
L'AFC vise à analyser ce tableau en apportant des réponses à des questions telles que :
- Y a-t-il des ports qui se ressemblent, cest-à-dire dans lesquels les résultats (en tonne) des différents ports sont voisins ? Y a-t-il au contraire des ports qui sopposent (résultats très différents)
- Y a-t-il des marchandises dont les résultats se ressemblent : ils nobtiennent pas nécessairement les mêmes scores, mais les ports où ils obtiennent de bons scores sont les mêmes ?
- Y a-t-il- des marchandises pour lesquels la répartition des trafics est la même dans toutes les ports ?
- Y a-t-il des marchandises pour lesquelles le poids est concentré dans certains ports ?
- Y a-t-il les ports « à part » et les marchandises a « inégalement réparti » sassocient-ils ?
Les donnés acquis sont issues de lOMMP, il sagit, dune base de données qui touche les marchandises générales transitées par le port de Radès durant lannée 2009. Cette BD sera présentée sous forme dun tableau de contingence. Pour chacun des ports partenaires du port de Radès, on donne les poids des cargaisons (en colonne). Lobjectif est danalyser la structure des flux ainsi que les liaisons entre ports et catégories de marchandise. Cette analyse quantitative va permettre une classification des ports partenaires dun côté, de déterminer le profil de chaque port, et de déterminer les principales marchandises quil échange avec le port de Radès.
En tout, 14 types de marchandises sont étudiés par port. Cette base de données est très précise puisquelle représente 65% du trafic de marchandises générales import/export pour une année 2009, soit 2 547 235 tonnes sur un total de 3 929 552 tonnes. Sur le plan national, cet échantillon représente 36,13?, soit 2 547 737 tonnes sur 7 051401 tonnes. Si en se référant à la définition dAndré VIGARIE, qui détermine lavant-pays portuaire comme « létendue de lespace marin qui sachève aux ports de vis-à-vis avec lesquels le port entretient des relations intenses et durables ». Il est permis de se suffire de cette base de données pour étudier lavant-pays portuaire de Radès.
Tableau 1 : Tableau de contingence : le trafic des marchandises export/import par le port de Radès en Tonnage (2009)
1.1. Choix des valeurs propres
Une première règle consiste à n'étudier que les axes dont l'inertie est supérieure à la moyenne (100%/47 = 2,13% par axe), ce qui revient à n'étudier que les axes correspondant à des valeurs propres supérieures à 2,13%. Cependant, la quatrième et cinquième valeur propre est égale en équivalence à 2,61% et 2,2%. Elle est donc Supérieure à la moyenne on ne va pas les prendre en compte, car ces deux valeurs nont pas une bonne part à linertie entre 2,02% et 1,71%, avec un grand écart de chi2 de 162 670 entre la troisième et la quatrième dimension. On notera une rupture nette entre la 3ème et la 4ème valeurs propres. Par ailleurs, à côté du premier axe qui représente un effet de taille remarquable on va considérer que les axes 2 à 3, on a une inertie de 92%. On peut donc choisir d'étudier que les trois premiers axes correspondant aux valeurs propres les plus importants.
Tableau 2 : Valeurs Propres et Inertie de toutes les Dimensions (Inertie totale= 12887, Chi2= 3283, dl = 736 p= 0)
1.2. Résultats relatifs aux individus-lignes
Tableau 3 : Coordonnées Ligne et Contributions à l'Inertie
Pour le premier axe :
- Points lignes :
On peut se limiter aux variables dont la contribution à l'inertie du premier axe est supérieure à 2,13%. On obtient ainsi :
On constate que les saturations sont toutes de même signe (ici, le signe positif, mais le sens de l'axe provient d'un choix arbitraire fait par le logiciel). Ce résultat met en évidence un effet de taille : le premier facteur représente une synthèse de 68,18% de linertie. Autrement dit, ce facteur est caractérisé par une valeur de signification de 93,74%. Un tel effet est classique lorsque les variables de départ sont toutes corrélées positivement entre elles. Pour la lecture et linterprétation de la première dimension, on distingue deux ports partenaires du port de Radès qui ont une contribution forte à linertie malgré, son faible poids dans la totalité de la population statistique. Ces deux individus-lignes se différencient par une bonne qualité de représentation de 99,99% pour les deux ports malgré ses faibles masses qui ne dépasse pas 0,15%. Or cela ne signifie pas que ces deux individus orientent le nuage des points mais ils sont distingués cest-à-dire éloignés dans le graphique.
Pour le deuxième axe :
- Points lignes :
Si on se limite aux variables dont la contribution à l'inertie du premier axe est supérieure à 2,13%, on obtient :
Cependant, au niveau de la deuxième dimension on constate lajout dun nouveau port, cest le port de Marsa Braga qui soppose avec le port du Ferrol au port de Rostock. En réalité le signe positif ou négatif ne signifie rien juste une sorte de discrimination entre les individus et lorientation générale du nuage de points. Mais cela ne signifie pas que ces ports ont des masses considérables parmi le reste des partenaires entre 0,13% pour Ferrol, 0,03% pour le port de Rostock et 0,01% pour Marsa Braga), mais ils ont des valeurs importants au niveau de la qualité de représentation qui dépasse 99,99%.
Pour le troisième axe :
- Points lignes :
On obtient :
On note que la troisième dimension présente une autre configuration des partenaires. On voit que cet axe oppose les ports suivants : Valence, Barcelone, Gênes et Gioia Tauro aux ports de Marseille et de Livourne. Alors que les deux premiers facteurs représentent plutôt les ports qui ont des masses faibles et des qualités de représentation importantes, le troisième facteur représente plutôt ce en quoi elles diffèrent. Cet axe est plutôt, présentent les ports qui ont des masses importantes (16,29% pour Marseille, 15,65% pour Valence, 13,44% pour Barcelone, 13,28% pour Gênes, 8,96% pour Gioia Tauro et 4,76% pour Livourne), mais dune médiocre qualité de représentation par rapport aux ports dégagés dans D1 et D2 (94,14% pour Marseille, 93,76% pour Valence, 62,55% pour Barcelone, 47,53% pour Gênes, 29,44% pour Gioia Tauro et 20,03% pour Livourne), le fait, que ces individus ne sont pas indiqués que dans le troisième axe qui représente que 7% de linertie et une valeur de signification qui ne dépasse pas 30%, ce là justifie la médiocre qualité de représentation.
1.3. Résultats relatifs aux individus-colonnes
Tableau 4 : Coordonnées Colonne et Contributions à l'Inertie
Pour le premier axe :
- Points lignes : 
Pour le deuxième axe :
- Points lignes :
Pour le troisième axe :
- Points lignes :
On peut considérer seulement les variables dont la contribution à l'inertie des axes est supérieure à 5,88%. On constate que, sur le premier axe, les saturations sont toutes de même signe (positif). Les catégories suivantes : machines, appareils et matériels électriques et ouvrages divers N.D.A sont caractérisées par des masses très faibles qui ne dépasse pas le 1% mais qui sont distinguées par une qualité de représentation très importantes qui atteint 100%. Ceci est justifié par la présence de ces marchandises dans les deux premières dimensions qui ont des valeurs significatifs entre respectivement 93,74% et 46,53%. Le troisième axe oppose les cargaisons suivants : autres produits alimentaires, produits chimiques, produits manufacturés aux Biens déquipement, Engins roulants et Textiles et dérivés. Ces marchandises à linverse des produits exposés dans le D1D2, caractérisés par des masses importantes (33,66% pour les produits manufacturés, 14,89% pour les Biens déquipement) et dun poids médiocre pour le reste des cargos (6,4% pour les produits chimiques, 6,19% pour les Textiles et dérivés...). Les résultats obtenus suggèrent donc trois groupes : produits manufacturés et les Biens déquipement, dune part, les produits chimiques, les Textiles et dérivés et autres produits alimentaires, dautre part et enfin, les reste des produits.
1.3. Structures possibles pour les données Lignes x colonnes : Interprétation graphique
Figure 1 : Nuage de points des coordonnées Ligne et Colonne sur le plan factoriel 1x2
Figure 2 : Nuage de points des coordonnées Ligne et Colonne sur le plan factoriel 1x3
Figure 3 : Nuage de points des coordonnées Ligne et Colonne sur le plan factoriel 2x3
Les nuages de points indiquent une forme, pratiquement semblable, de paquet unique de points pour les trois graphiques (1x2, 1x3 et 2x3), ceci ne signifie pas en réalité quil ny a pas une forme dallongement pour les nuages de points, mais si on fait un zoom sur chaque graphique on va déterminer la forme réelle du nuage de points, cest une forme fortement allongée selon une seule direction en majorité. L'étude graphique a permis de distinguer essentiellement deux groupes : le groupe des ports et des marchandises qui sont dans le paquet (parfois dans la partie négative du premier axe et parfois dans la partie positive), et on distingue également, les individus et les variables qui sont éparpillés en dehors du paquet. Le deuxième groupe est constitué des ports suivants Ferrol, Rostock et Marsa Braga à côté des marchandises suivantes : machines, appareils et matériels électriques. Le reste des individus-lignes et colonnes forment le premier groupe, on dégage comme individus-ports : le port de Marseille, Valence, Barcelone, Gênes et Gioia Tauro, Livourne etc. quant aux marchandises on distingue autres produits alimentaires, produits chimiques, produits manufacturés, Biens déquipement, Engins roulants et Textiles et dérivés etc. Le premier groupe se particularise par des coefficients de corrélation les plus élevés et par une forte proximité.
1.4. Interprétation géographique
La carte de synthèse nous renseigne sur le profil de chaque port partenaire du port de Radès, la représentation graphique montre lintensité de relation entre chaque port et les catégories de marchandises quil transporte. On distingue des indices de corrélation très importants entre les ports suivants : Valence, Barcelone, Marseille, Gênes, La Valette et Gioia Tauro et les marchandises suivantes : les produits manufacturés, les biens déquipement, et les produits chimiques, marquant ainsi une nouvelle typologie des ports, basé sur la spécialisation des ports dont on peut classifier les ports à laide de la marchandise quils transissent. Dans cette première classification on aperçoit la forte présence de la couleur rouge, gris, et jaune dans les histogrammes qui désigne les produits manufacturés, les biens déquipement et les produits chimiques et les dimensions des battons indiquent les valeurs des corrélations qui dépasse 0,03 pour les produits manufacturés par exemple, 0,68 à Valence, 0,53 à Barcelone, 0,38 à Marseille, 0,39 à Gênes, 0,41 à La Valette et 0,38 à Gioia Tauro. Quant à la deuxième typologie on trouve les ports suivants : Livourne, La Spezia, Tarente, Algesiras et Cagliari, caractérisé par une légère spécialisation et par des profils moins prononcés, dont on dégage une symétrie dans les catégories des cargos qui saccordent avec les catégories de marchandises affichées dans le premier groupe des ports. On trouve les produits manufacturés, les biens déquipement, et les produits chimiques, moins importants avec des corrélations qui ne dépasse pas 0,008. Un troisième groupe de ports avec un trafic qui est faiblement spécialisé on trouve les ports suivants : Salerne, Naples, Tarragone et Ferrol en Europe occidentale et Izmir et Istanbul en Europe orientale avec mêmes catégorie de marchandises. On peut ajouter les ports du nord Afrique qui se caractérisent par un trafic relativement négligeable non spécialisé.
Figure 4 : Une image des différences inter-ports en fonction de catégories de marchandises
2. CAH sur les résultats d'une AFC
La méthode de classification est complémentaire à lanalyse factorielle.
2.1. Choix d'un indice de dissimilarité ou distance entre individus
Pour évaluer la dissimilarité entre les individus, nous utiliserons la distance euclidienne. Pour poursuivre la méthode, il faut faire le choix d'une "distance" entre groupes (ou entre un individu et un groupe). Choisissons, par exemple, l'indice d'agrégation défini par la méthode du "saut minimal".
2.2 Classification des individus
Figure 5 : Dendrogramme de la composition des différentes classes
Le dendrogramme nous donne la composition des différentes classes, ainsi que l'ordre dans lequel elles ont été formées. Il nous indique également, sur l'axe horizontal, quelle était la valeur de l'indice entre les deux classes qui ont été agrégées à une étape donnée. Sur l'exemple proposé, on voit un "saut" de l'indice entre la partition en 4 classes et les partitions en 3, 2, 1 classes. Il pourrait être intéressant d'étudier plus précisément cette partition en 4 classes.
La partition correspondante est alors :
- Classe 1: (A) = Individu {1}
- Classe 2 : (B) = Individus {2,3 et 4}
- Classe 3 : (C) = Individus {5 et 6}
- Classe 4 : (D) = Individus {7, 8, 9, 10, 11, 12, 13, 14, 15, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46 et 47}
A partir de cet arbre hiérarchique on peut déterminer une classification en nombre de quatre. Ainsi, une classification en 4 classes donne les classes :{Marseille}, {Gênes}, {Valence, Barcelone et Gênes}, {La Valette et Gioia Tauro} et {Algesiras, Casablanca, La Spezia, Alger, Pozzallo, Tripoli, Castellon, Bagnoli, Agadir, Lagos, Trapani, Port Saïd, Tarragona, Alexandria, Khoms, Bone, Mohammedia, Port Santo Stefano, Nigeria, Napel etc.}. On peut remarquer dans cette figure des sauts extrêmement importants dans les valeurs de lindice de niveau particulièrement pour les premiers nuds [57 et 63]. Lindice de niveau saute de 52571,42 à 77298,43. Cette importance au niveau de lindice dagrégation diminue avec le nud {61} et {62} mais il reste très important il saute de 49385,30 à 52571,42. Nous constatons la même remarque pour le nud {60} et {62}, avec un indice dagrégation qui saute de 44844,90 à 49385,30.
2.3. Classification des variables
Figure 6 : Dendrogramme de la composition des différentes classes
Si on coupe larbre dendrogramme à une distance dagrégation de 60 000, on obtient la classification des marchandises suivante : quatre classes sont {autres produits}, {biens déquipement}, {produits manufacturés} et enfin, une dernière classe qui se forme de reste des marchandises {textiles et dérivés, fruits et légumes, produits agroalimentaires, machines, appareils, et matériels électriques, etc.}.
Pour la première classe la distance dagrégation finale calculée est la plus élevée. Lindice de niveau saute pour arriver à 123950,5. Cette importance au niveau de lindice dagrégation diminue avec la classe {2} mais il reste très important il saute de 90499,91 à 123950,5. Nous constatons la même remarque pour la classe {3} et {4}, avec un indice dagrégation qui baisse, il saute de 76712,03 à 90499,91.
CONCLUSION
La technique de lanalyse factorielle nous a permis dextraire le maximum dinformation sous une forme simple et cohérente à partir de la projection soit des individus, pour le trafic total, sur les différents plans factoriels (F1, 2 et 3), a servi à mettre en évidence les interrelations entre les variables (catégories des marchandises), ou entre les individus (ports partenaires du port de Radès), et les ressemblances et les oppositions entre les unités géographiques analysées. Lapplication de lAFC nous a dégagé le port de Marseille en état dopposition de reste des ports. Les résultats de la classification ont été présentés sous forme des dendrogrammes. le port de Marseille constitue une classe à part. Le deuxième groupe formé comprend les ports : Gênes, La Valette et Gioia Tauro, Valence et Barcelone. Quant aux marchandises, la CAH a individualisé les produits manufacturés comme étant la catégorie la plus dominante. Il ressort de ces multiples méthodes, que les flux de marchandises sorientent massivement vers les ports de la rive Nord de la Méditerrané ; en premier lieu, le port français de Marseille et en second lieu les ports italiens.
Bibliographie
BASTIE J et DEZERT B, 1980 : Lespace urbain, Masson, Paris, 382 p.
BENZECRI JP, 1973 : Lanalyse des données. Paris, Dunod. 615p.
BIRD J, 1963:The Major Seaports of the United Kingdom, Hutchinson, 183 p.
BOUDOUIN T, COLLIN M, 1997 : Urbanité des cités portuaires, Collection, maison dédition, Paris, 401 p.
BRUNET ROGER, FERRAS R et THERY H, 1992-1993 : Les mots de la géographie : dictionnaire critique, Paris, 518 p.
CHALINE C, 1994 : Ces ports qui créèrent des villes, Harmattan .Paris, 299 p.
CHARLIER J, 1981 : Contribution méthodologique à létude des arrière-pays portuaires. Thèse de doctorat, Institut de géographie, Université catholique de Louvain, 462 p.
GEORGE P, 1970 : Dictionnaire de la géographie, Paris, 485 p.
GOMBER Abdillahi, 2006 : Les réseaux de transport à Djibouti et le développement économique et social, Thèse de doctorat, Université de Grenoble, 269 p.
GUERRERO D, 2010 : Les aires dinfluence des ports de la France : entre réseau et gravitation, Thèse de doctorat, Université de Paris, 269 p.
MARCADON J, AUPHAN Etienne, BARE Alain, 1997 : Les transports. Paris : Armand Colin, 56 p.
MARE? Nora, 2013 : Le détroit de Gibraltar, Porte du Monde, Frontière de l'Europe : Analyse et perspectives de territorialité d'un espace de transit, Thèse de doctorat, Université de Nantes, 431 p.
SALEM A, 1984 : Le port de Tunis-La Goulette fonction commerciale et triptyque portuaire, mémoire de Certificat dAptitude à la Recherche en géographie, Tunis, Ronéo, 350 p.
SANDERS Lena, 1989 : Lanalyse des données appliquée à la géographie, GIP RECLUS, 191 p.
SERRY Amand, 2006 : La réorganisation portuaire de la baltique orientale lémergence dune nouvelle région en Europe, Thèse de doctorat, Université du Havre, 373 p.
VERLAQUE CH (1975) : Géographie des transports maritimes, Paris. Doin. 143 p.
Notes
Table d'illustrations
Auteur(s)
1HECHMI Anouar
1Géographe, assistant à la Faculté des Lettres, des Arts et des Humanités (Tunisie), hechmianouar@yahoo.fr
Droit d'auteur
Université Félix Houphouët-Boigny (Abidjan, Côte dIvoire)