# Chargement des packages
library(readxl)
library(dplyr)##
## Attachement du package : 'dplyr'## Les objets suivants sont masqués depuis 'package:stats':
##
## filter, lag## Les objets suivants sont masqués depuis 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(sf)## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUElibrary(tmap)
# Chargement de la base
base <- read_excel("C:\\Users\\HP\\Desktop\\BASE1.xlsx")
# Recodage des régions
base <- base %>%
mutate(
Region = case_when(
Région == 1 ~ "Dakar",
Région == 2 ~ "Thiès",
Région == 3 ~ "Diourbel"
)
)
# Tableau de répartition
tab_region <- base %>%
group_by(Region) %>%
summarise(
Effectif = n()
) %>%
mutate(
Pourcentage = round(100 * Effectif / sum(Effectif), 2)
)
# Chargement de la shapefile
senegal <- st_read("C:/Users/HP/Downloads/gadm41_SEN_shp/gadm41_SEN_1.dbf")## Reading layer `gadm41_SEN_1' from data source
## `C:\Users\HP\Downloads\gadm41_SEN_shp\gadm41_SEN_1.dbf' using driver `ESRI Shapefile'
## Simple feature collection with 14 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -17.54319 ymin: 12.30786 xmax: -11.34247 ymax: 16.69207
## Geodetic CRS: WGS 84# Harmonisation du nom de la région
senegal <- senegal %>%
rename(Region = NAME_1)
# Jointure SIG
carte_region <- senegal %>%
left_join(tab_region, by = "Region")Cette phase vise à décrire la structure spatiale de l’échantillon utilisé dans l’étude. Avant toute analyse socio-économique ou cartographique avancée, il est indispensable de comprendre la répartition géographique des enquêtés, afin d’évaluer la couverture territoriale de l’enquête et d’anticiper les biais potentiels liés à la concentration spatiale des observations.
Le tableau suivant présente la distribution des ménages enquêtés selon la région d’appartenance. Il permet d’apprécier le poids relatif de chaque région dans l’échantillon.
tab_region## # A tibble: 3 × 3
## Region Effectif Pourcentage
## <chr> <int> <dbl>
## 1 Dakar 341 68.5
## 2 Diourbel 40 8.03
## 3 Thiès 117 23.5L’analyse du tableau met en évidence une forte disparité dans la répartition des enquêtés selon les régions. La région de Dakar concentre à elle seule près de 70 % de l’effectif total des ménages interrogés, tandis que Thiès et Diourbel représentent respectivement environ un quart et moins de 10 % de l’échantillon.
Cette configuration reflète le poids démographique et économique de Dakar, mais elle indique également une couverture territoriale inégale de l’enquête. Ces différences devront être prises en compte dans l’interprétation des résultats ultérieurs, notamment lors de la comparaison des indicateurs socio-économiques entre régions.
Afin de compléter l’analyse statistique, une représentation cartographique a été réalisée pour illustrer la distribution spatiale des enquêtés par région.
tmap_mode("view")## ℹ tmap modes "plot" - "view"
## ℹ toggle with `tmap::ttm()`tm_shape(carte_region) +
tm_basemap("OpenStreetMap") +
tm_polygons(
"Effectif",
palette = "Viridis",
style = "quantile",
alpha = 0.7,
id = "Region",
popup.vars = c(
"Région" = "Region",
"Nombre d'enquêtés" = "Effectif",
"Pourcentage (%)" = "Pourcentage"
)
) +
tm_layout(
title = "Répartition des enquêtés par région",
legend.outside = TRUE,
frame = FALSE
)##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'[v3->v4] `tm_polygons()`: use `fill_alpha` instead of `alpha`.[v3->v4] `tm_layout()`: use `tm_title()` instead of `tm_layout(title = )`[cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "Viridis" is named
## "viridis" (in long format "matplotlib.viridis")La carte met en évidence une concentration spatiale très marquée des enquêtés dans la région de Dakar, confirmant les résultats issus de l’analyse statistique. Cette concentration traduit le rôle central de Dakar dans les dynamiques urbaines et de mobilité, ce qui justifie en partie son poids dans l’échantillon.
À l’inverse, les régions de Thiès et de Diourbel présentent des effectifs plus faibles, ce qui peut limiter la robustesse statistique des analyses comparatives futures. Cependant, leur inclusion demeure pertinente dans une perspective SIG, car elle permet d’identifier des contrastes régionaux utiles pour la planification des politiques de transport.
La principale difficulté rencontrée lors de cette phase a concerné l’harmonisation des données statistiques avec la couche spatiale des régions. En effet, les noms des régions n’étaient pas directement compatibles entre la base d’enquête et la shapefile utilisée, nécessitant une étape préalable de recodage et de normalisation des variables.
Par ailleurs, la forte concentration des enquêtés dans une seule région soulève la question d’un éventuel biais d’échantillonnage, qui devra être pris en compte dans les analyses ultérieures. Ces contraintes méthodologiques ont été traitées de manière rigoureuse afin d’assurer la cohérence des résultats statistiques et cartographiques.
Après avoir décrit la structure spatiale de l’échantillon, l’analyse se poursuivra par l’étude des caractéristiques socio-économiques des ménages, notamment le revenu moyen par région. Cette étape permettra d’approfondir la compréhension des disparités régionales et de mieux apprécier le potentiel d’implantation d’un service de transport structurant tel que le BRT.
Avant toute comparaison spatiale, une analyse statistique descriptive du revenu mensuel des enquêtés est réalisée afin de comprendre la distribution globale de cette variable.
base <- base %>%
rename(
revenu = `Quel est votre revenu mensuel (en milliers)?`
)
summary(base$revenu)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 0.0 50.0 106.1 150.0 3000.0L’analyse descriptive de la variable revenu des enquêtés dans les trois régions du Sénégal révèle une distribution fortement inégale. Les résultats globaux indiquent que le revenu minimum est nul, et que le premier quartile est également égal à zéro, ce qui signifie qu’au moins 25 % des enquêtés vivent sans revenu. La médiane s’élève à 50, indiquant que la moitié des enquêtés gagne moins de 50 milles FCFA et l’autre moitié gagne plus. En revanche, la moyenne est de 106,1 milliers de FCFA, nettement supérieure à la médiane, ce qui suggère une distribution asymétrique à droite : quelques individus ayant des revenus très élevés tirent la moyenne vers le haut.
Le troisième quartile est de 150, ce qui montre que 75 % des enquêtés gagnent moins ou égal à cette valeur, tandis que le revenu maximum atteint 3000, confirmant la présence de valeurs extrêmes ou de revenus exceptionnellement élevés dans l’échantillon. Ces observations soulignent que la majorité des enquêtés perçoit des revenus relativement faibles, tandis qu’une minorité bénéficie de revenus très élevés, illustrant ainsi une forte disparité économique au sein de la population étudiée.
Afin donc de permettre une analyse spatiale pertinente, le revenu mensuel est agrégé au niveau régional. Le revenu moyen par région est ainsi calculé.
tab_revenu_region <- base %>%
group_by(Region) %>%
summarise(
Revenu_moyen = round(mean(revenu, na.rm = TRUE), 2),
Effectif = n()
)tab_revenu_region## # A tibble: 3 × 3
## Region Revenu_moyen Effectif
## <chr> <dbl> <int>
## 1 Dakar 102. 341
## 2 Diourbel 146. 40
## 3 Thiès 104. 117Le tableau des revenus mensuels moyens par région met en évidence des différences dans le niveau de revenu des enquêtés selon l’espace géographique. La région de Dakar, qui concentre le plus grand nombre d’enquêtés (341 individus), présente un revenu mensuel moyen de 102,15. Cette valeur traduit un niveau de revenu globalement modéré pour la population enquêtée dans la capitale.
La région de Thiès affiche un revenu moyen de 103,69 pour 117 enquêtés, un niveau très proche de celui observé à Dakar. Cette proximité suggère une relative similitude des revenus moyens entre ces deux régions pour les individus enquêtés.
En revanche, la région de Diourbel se distingue par un revenu mensuel moyen plus élevé, estimé à 146,25, bien que le nombre d’enquêtés y soit plus faible (40 individus). Ce niveau moyen supérieur indique que, parmi les personnes enquêtées dans cette région, les revenus déclarés sont globalement plus élevés que ceux observés à Dakar et à Thiès.
Dans l’ensemble, les résultats montrent une hétérogénéité régionale des revenus mensuels, avec des niveaux moyens relativement proches entre Dakar et Thiès, et un revenu moyen sensiblement plus élevé à Diourbel. Ces écarts traduisent des différences dans la structure des revenus des enquêtés selon les régions considérées.
carte_revenu <- senegal %>%
left_join(tab_revenu_region, by = "Region")tmap_mode("view")## ℹ tmap modes "plot" - "view"tm_shape(carte_revenu) +
tm_basemap("OpenStreetMap") +
tm_polygons(
"Revenu_moyen",
palette = "YlOrRd",
style = "quantile",
alpha = 0.7,
title = "Revenu moyen mensuel\n(en milliers de FCFA)",
id = "Region",
popup.vars = c(
"Région" = "Region",
"Revenu moyen" = "Revenu_moyen",
"Effectif" = "Effectif"
)
) +
tm_layout(
legend.outside = TRUE,
frame = FALSE
)##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'[v3->v4] `tm_polygons()`: use `fill_alpha` instead of `alpha`.[v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'[cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "YlOrRd" is named
## "brewer.yl_or_rd"Multiple palettes called "yl_or_rd" found: "brewer.yl_or_rd", "matplotlib.yl_or_rd". The first one, "brewer.yl_or_rd", is returned.La carte choroplèthe révèle une structuration spatiale claire des revenus. Les régions présentant les revenus moyens les plus élevés correspondent aux pôles économiques majeurs, tandis que les régions à revenus plus faibles traduisent des dynamiques socio-économiques moins favorables.
Cette organisation spatiale met en évidence des inégalités régionales qui peuvent être liées à la concentration des activités économiques, à l’urbanisation ou à l’accès différencié aux opportunités d’emploi.
Certaines difficultés méthodologiques ont été rencontrées, notamment la nécessité de construire des indicateurs agrégés à partir de données individuelles et l’harmonisation des identifiants régionaux entre la base statistique et la shapefile. Ces étapes sont essentielles pour garantir la cohérence entre l’analyse statistique et la cartographie SIG.
La mobilité des ménages est appréhendée à travers plusieurs indicateurs relatifs à l’accès aux moyens de transport et au niveau d’équipement des foyers. Les variables analysées concernent l’abonnement aux transports, ainsi que la possession de véhicules motorisés et non motorisés.
base <- base %>%
rename(
abonnement = `Avez-vous un abonnement de transport ?`,
voitures = `Combien de voitures possède le foyer?`,
motos = `Combien de motos possède le foyer?`,
velos = `Combien de vélos possède le foyer?`
)summary(base[, c("voitures", "motos", "velos")])## voitures motos velos
## Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.0000
## Median :0.0000 Median :0.0000 Median :0.0000
## Mean :0.4779 Mean :0.2369 Mean :0.1787
## 3rd Qu.:1.0000 3rd Qu.:0.0000 3rd Qu.:0.0000
## Max. :5.0000 Max. :4.0000 Max. :3.0000L’analyse descriptive met en évidence une hétérogénéité du niveau d’équipement des ménages en moyens de transport. La possession de véhicules motorisés varie sensiblement d’un ménage à l’autre, traduisant des différences de capacité de mobilité.
tab_mobilite_region <- base %>%
group_by(Region) %>%
summarise(
Taux_abonnement = round(mean(abonnement == "Oui", na.rm = TRUE) * 100, 2),
Voitures_moy = round(mean(voitures, na.rm = TRUE), 2),
Motos_moy = round(mean(motos, na.rm = TRUE), 2),
Velos_moy = round(mean(velos, na.rm = TRUE), 2)
)tab_mobilite_region## # A tibble: 3 × 5
## Region Taux_abonnement Voitures_moy Motos_moy Velos_moy
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Dakar 0 0.53 0.25 0.23
## 2 Diourbel 0 0.32 0.32 0.12
## 3 Thiès 0 0.38 0.18 0.04Les résultats révèlent des disparités régionales notables en matière de mobilité. Certaines régions présentent un taux d’abonnement plus élevé aux transports, tandis que d’autres se caractérisent par une motorisation plus importante des ménages.
carte_mobilite <- senegal %>%
left_join(tab_mobilite_region, by = "Region")tmap_mode("view")## ℹ tmap modes "plot" - "view"tm_shape(carte_mobilite) +
tm_basemap("OpenStreetMap") +
tm_polygons(
"Voitures_moy",
palette = "Blues",
style = "quantile",
alpha = 0.7,
title = "Nombre moyen de voitures\npar ménage",
id = "Region",
popup.vars = c(
"Région" = "Region",
"Voitures moyennes" = "Voitures_moy"
)
)##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'[v3->v4] `tm_polygons()`: use `fill_alpha` instead of `alpha`.[v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'[cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "Blues" is named
## "brewer.blues"Multiple palettes called "blues" found: "brewer.blues", "matplotlib.blues". The first one, "brewer.blues", is returned.La cartographie met en évidence une structuration spatiale de la motorisation des ménages. Les régions les plus urbanisées présentent un niveau de motorisation plus élevé, traduisant une dépendance accrue à l’automobile et une capacité de mobilité supérieure.
À l’inverse, les régions moins motorisées peuvent refléter une plus grande dépendance aux transports collectifs ou aux modes de déplacement alternatifs.
L’analyse de la mobilité repose sur des indicateurs indirects, notamment la possession de moyens de transport. Ces variables ne permettent pas de mesurer directement les distances ou durées de déplacement, mais offrent une approximation pertinente de la capacité de mobilité des ménages.
L’acceptabilité économique du BRT est analysée à travers plusieurs indicateurs tarifaires, distinguant un coût fixe, un coût variable minimal et maximal, ainsi que le coût associé aux rabattements. Les montants sont exprimés en milliers de FCFA.
base <- base %>%
rename(
cout_fixe = `S'il s'agit d'un coût fixe, combien vous semble raisonable (sans y inclure le coût des rabattements)?`,
cout_var_min = `S'il s'agit d'un coût variable, quel serait le coût minimal raisonable (sans y inclure le coût des rabattements)?`,
cout_var_max = `S'il s'agit d'un coût variable, quel serait le coût maximal raisonable (sans y inclure le coût des rabattements)?`,
cout_rabattement = `Quel coût vous semble raisonable pour payer le rabattement?`
)summary(base[, c("cout_fixe", "cout_var_min", "cout_var_max", "cout_rabattement")])## cout_fixe cout_var_min cout_var_max cout_rabattement
## Min. :100.0 Min. : 0.0 Min. :100.0 Min. : 0.0
## 1st Qu.:250.0 1st Qu.:100.0 1st Qu.:250.0 1st Qu.:100.0
## Median :300.0 Median :150.0 Median :300.0 Median :100.0
## Mean :335.4 Mean :174.9 Mean :338.2 Mean :100.4
## 3rd Qu.:400.0 3rd Qu.:200.0 3rd Qu.:400.0 3rd Qu.:100.0
## Max. :500.0 Max. :800.0 Max. :900.0 Max. :300.0
## NA's :378 NA's :120 NA's :120Les statistiques descriptives montrent une variabilité importante des montants jugés acceptables par les enquêtés. Cette dispersion reflète l’hétérogénéité des capacités de paiement et des préférences individuelles en matière de transport.
tab_cout_region <- base %>%
group_by(Region) %>%
summarise(
Cout_fixe_moy = round(mean(cout_fixe, na.rm = TRUE), 2),
Cout_var_min_moy = round(mean(cout_var_min, na.rm = TRUE), 2),
Cout_var_max_moy = round(mean(cout_var_max, na.rm = TRUE), 2),
Cout_rabattement_moy = round(mean(cout_rabattement, na.rm = TRUE), 2)
)tab_cout_region## # A tibble: 3 × 5
## Region Cout_fixe_moy Cout_var_min_moy Cout_var_max_moy Cout_rabattement_moy
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Dakar 345. 175. 333. 102.
## 2 Diourbel 300 248. 358. 95
## 3 Thiès 305 151. 346. 95.9La comparaison régionale révèle des différences notables dans les montants jugés acceptables pour le BRT. Ces écarts traduisent des disparités économiques et des niveaux de dépendance au transport collectif variables selon les régions.
carte_cout <- senegal %>%
left_join(tab_cout_region, by = "Region")tmap_mode("view")## ℹ tmap modes "plot" - "view"tm_shape(carte_cout) +
tm_basemap("OpenStreetMap") +
tm_polygons(
"Cout_fixe_moy",
palette = "RdYlBu",
style = "quantile",
alpha = 0.7,
title = "Coût fixe moyen acceptable du BRT\n(en milliers de FCFA)",
id = "Region",
popup.vars = c(
"Région" = "Region",
"Coût fixe moyen" = "Cout_fixe_moy"
)
) +
tm_layout(
legend.outside = TRUE,
frame = FALSE
)##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'[v3->v4] `tm_polygons()`: use `fill_alpha` instead of `alpha`.[v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'[cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "RdYlBu" is named
## "brewer.rd_yl_bu"Multiple palettes called "rd_yl_bu" found: "brewer.rd_yl_bu", "matplotlib.rd_yl_bu". The first one, "brewer.rd_yl_bu", is returned.La cartographie met en évidence une structuration spatiale de l’acceptabilité tarifaire du BRT. Les régions présentant des revenus moyens plus élevés tendent à accepter des coûts fixes plus importants, tandis que les régions à revenus plus modestes expriment une sensibilité accrue au prix du transport.
Ces résultats confirment le lien étroit entre niveau de vie, mobilité et acceptabilité économique des infrastructures de transport.
L’analyse repose sur des montants déclarés par les enquêtés, ce qui peut introduire un biais de perception ou de déclaration. De plus, la coexistence de plusieurs scénarios tarifaires complexifie l’interprétation, mais permet une approche plus réaliste des préférences des ménages.
Cette section vise à produire une carte de synthèse permettant de résumer, en une seule représentation spatiale, l’ensemble des conclusions issues de l’analyse statistique exploratoire. L’objectif est de proposer un indicateur territorial du potentiel d’adoption du BRT, intégrant à la fois les dimensions économiques, de mobilité et d’acceptabilité du coût du transport.
L’indicateur repose sur trois composantes principales : le niveau de revenu moyen des ménages, la dépendance aux transports collectifs mesurée indirectement par la faible motorisation, et l’acceptabilité économique du BRT à travers les coûts jugés raisonnables par les enquêtés. Ces composantes sont normalisées puis combinées afin d’obtenir un score synthétique comparable entre régions.
library(dplyr)
library(sf)
library(tmap)
library(scales)library(dplyr)
tab_region_synthese <- tab_revenu_region %>%
left_join(tab_mobilite_region, by = "Region") %>%
left_join(tab_cout_region, by = "Region")
tab_region_synthese## # A tibble: 3 × 11
## Region Revenu_moyen Effectif Taux_abonnement Voitures_moy Motos_moy Velos_moy
## <chr> <dbl> <int> <dbl> <dbl> <dbl> <dbl>
## 1 Dakar 102. 341 0 0.53 0.25 0.23
## 2 Diourb… 146. 40 0 0.32 0.32 0.12
## 3 Thiès 104. 117 0 0.38 0.18 0.04
## # ℹ 4 more variables: Cout_fixe_moy <dbl>, Cout_var_min_moy <dbl>,
## # Cout_var_max_moy <dbl>, Cout_rabattement_moy <dbl>library(scales)
tab_synthese <- tab_region_synthese %>%
mutate(
dependance_mobilite = 1 / (1 + Voitures_moy + Motos_moy),
revenu_norm = rescale(Revenu_moyen),
dependance_norm = rescale(dependance_mobilite),
cout_norm = rescale(1 / (Cout_fixe_moy + Cout_rabattement_moy)),
potentiel_BRT = (revenu_norm + dependance_norm + cout_norm) / 3
)
tab_synthese## # A tibble: 3 × 16
## Region Revenu_moyen Effectif Taux_abonnement Voitures_moy Motos_moy Velos_moy
## <chr> <dbl> <int> <dbl> <dbl> <dbl> <dbl>
## 1 Dakar 102. 341 0 0.53 0.25 0.23
## 2 Diourb… 146. 40 0 0.32 0.32 0.12
## 3 Thiès 104. 117 0 0.38 0.18 0.04
## # ℹ 9 more variables: Cout_fixe_moy <dbl>, Cout_var_min_moy <dbl>,
## # Cout_var_max_moy <dbl>, Cout_rabattement_moy <dbl>,
## # dependance_mobilite <dbl>, revenu_norm <dbl>, dependance_norm <dbl>,
## # cout_norm <dbl>, potentiel_BRT <dbl>revenu_norm = rescale(Revenu_moy), dependance_norm = rescale(dependance_mobilite), cout_norm = rescale(1 / (Cout_fixe_moy + Cout_rabattement_moy)),
potentiel_BRT = (revenu_norm + dependance_norm + cout_norm) / 3
)
tab_synthese
carte_synthese <- senegal %>%
left_join(tab_synthese, by = "Region")tmap_mode("view")## ℹ tmap modes "plot" - "view"tm_shape(carte_synthese) +
tm_polygons(
col = "potentiel_BRT",
palette = "RdYlGn",
style = "quantile",
n = 3,
title = "Potentiel d’adoption du BRT"
) +
tm_borders(lwd = 1.2) +
tm_layout(
title = "Carte de synthèse du potentiel d’adoption du BRT",
legend.outside = TRUE,
legend.outside.position = "right",
frame = FALSE
) +
tm_compass(type = "8star", position = c("left", "top")) +
tm_scale_bar(position = c("left", "bottom"))##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'n', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'[v3->v4] `tm_polygons()`: use 'fill' for the fill color of polygons/symbols
## (instead of 'col'), and 'col' for the outlines (instead of 'border.col').[v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'[v3->v4] `tm_layout()`: use `tm_title()` instead of `tm_layout(title = )`! `tm_scale_bar()` is deprecated. Please use `tm_scalebar()` instead.[cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "RdYlGn" is named
## "brewer.rd_yl_gn"Multiple palettes called "rd_yl_gn" found: "brewer.rd_yl_gn", "matplotlib.rd_yl_gn". The first one, "brewer.rd_yl_gn", is returned.La carte de synthèse du potentiel d’adoption du BRT constitue l’aboutissement de l’analyse statistique et spatiale menée dans cette étude. Elle met en évidence une différenciation territoriale marquée entre les régions étudiées, traduisant des réalités socio-économiques et de mobilité contrastées.
La région de Dakar apparaît comme une zone à fort potentiel d’adoption du BRT. Cette situation s’explique par la combinaison de revenus moyens relativement élevés, d’une forte dépendance aux transports collectifs liée à la densité urbaine et d’une acceptabilité plus élevée des coûts du BRT. Dans ce contexte, le BRT représente une solution de mobilité pertinente et durable, sous réserve d’un contrôle strict du coût total du déplacement, notamment du coût du rabattement.
La région de Thiès présente un potentiel intermédiaire. Les ménages y disposent de revenus plus modestes et de capacités de mobilité limitées, ce qui induit une sensibilité accrue aux coûts du transport. Le BRT y apparaît comme une solution envisageable, à condition d’une tarification adaptée et progressive tenant compte des contraintes économiques locales.
La région de Diourbel se caractérise par un potentiel d’adoption plus faible. Les faibles niveaux de revenu et la forte sensibilité au coût global du déplacement rendent l’accessibilité économique du BRT plus problématique. L’introduction du BRT dans cette région nécessiterait des mécanismes spécifiques de tarification sociale ou de subvention afin d’éviter l’exclusion des ménages les plus vulnérables.
Cette carte synthétise ainsi l’ensemble des résultats obtenus et apporte une réponse claire à la problématique de l’étude. Elle montre que l’adoption du BRT dépend étroitement des réalités territoriales et qu’une politique de transport uniforme serait inadaptée. Le recours au SIG a permis de transformer des données d’enquête en un outil d’aide à la décision, orientant les choix vers des solutions différenciées et socialement soutenables.
La carte de synthèse du potentiel d’adoption du BRT constitue l’aboutissement de l’analyse statistique et spatiale menée dans cette étude. Elle combine, en un indicateur unique, les principales dimensions identifiées comme déterminantes de l’acceptabilité du BRT, à savoir le niveau de revenu des ménages, leur dépendance aux transports collectifs et les coûts jugés acceptables pour l’utilisation du service. Cette approche permet de dépasser la lecture isolée des variables pour proposer un diagnostic territorial global.
La région de Dakar apparaît clairement comme une zone à fort potentiel d’adoption du BRT. Ce résultat s’explique par la combinaison de revenus moyens plus élevés, d’une forte dépendance aux transports collectifs liée à la densité urbaine et d’une acceptabilité relativement plus élevée des coûts du BRT. Dans ce contexte, le BRT constitue une solution de mobilité particulièrement pertinente, sous réserve d’un contrôle rigoureux du coût total du déplacement, notamment du coût du rabattement.
La région de Thiès se positionne dans une catégorie intermédiaire. Les revenus y sont plus modérés et la motorisation reste limitée, ce qui traduit une dépendance non négligeable aux transports collectifs. Toutefois, la sensibilité des ménages aux coûts du BRT y est plus marquée que dans la région de Dakar. Le potentiel d’adoption du BRT y est réel, mais conditionné à la mise en place d’une tarification adaptée et progressive.
La région de Diourbel apparaît comme une zone à faible potentiel d’adoption du BRT en l’absence de mesures spécifiques. Les faibles niveaux de revenu, combinés à une motorisation limitée et à une forte sensibilité au coût total du déplacement, rendent les ménages particulièrement vulnérables face aux coûts du transport. Dans ce contexte, l’introduction du BRT nécessiterait impérativement des mécanismes de tarification sociale ou de subvention afin de garantir l’accessibilité du service. Cette carte de synthèse apporte une réponse claire et opérationnelle à la problématique de l’étude. Elle montre que l’adoption du BRT dépend fortement des réalités socio-économiques et territoriales, et qu’une approche uniforme de la tarification serait inadaptée. En intégrant les analyses statistiques et spatiales, le SIG s’impose ici comme un outil central d’aide à la décision, permettant d’identifier les territoires prioritaires et d’orienter les politiques de transport vers des solutions différenciées et socialement soutenables.