RQ1. La crise sanitaire a-t-elle modifié les habitudes de mobilité des actifs franciliens en terme de choix modal et de fréquence de déplacement pour les différents motifs personnels et professionnels ?
Il s’agit ici de comparer avant et après même s’il n’y a pas d’impact je trouve ça très intéressant, notamment car l’augmentation de l’usage des modes actifs et la baisse de l’usage des TC est assez communément défendue dans la littérature. Pour les achats non alimentaires (voire peut-être alimentaires), certains défendent l’idée que la crise a augmenté le recours aux achats en ligne et baissé la fréquence de ce type de déplacement. Mais il n’y a pas énormément de travaux dans la littérature.
Sur l’ensemble de la base on observe un certain nombre de transitions “4 à 5 / semaine” vers “1 à 3 / semaine” idem de “Tous les jours” vers les deux niveaux inférieurs.
prop.test(cbind(table(COMAVANT_FREQ$FREQMO1),table(COMAPRES_FREQ$FREQMO1)))#> #> 6-sample test for equality of proportions without continuity correction#> #> data: cbind(table(COMAVANT_FREQ$FREQMO1), table(COMAPRES_FREQ$FREQMO1))#> X-squared = 44.115, df = 5, p-value = 2.195e-08#> alternative hypothesis: two.sided#> sample estimates:#> prop 1 prop 2 prop 3 prop 4 prop 5 prop 6 #> 0.4435262 0.5081967 0.4804469 0.4016620 0.5160643 0.6222760ggplot(gg_evol|>count(AVANT_FREQMO1,APRES_FREQMO1,name ="nm") |>add_count(AVANT_FREQMO1,wt=nm))+geom_point(aes(y=AVANT_FREQMO1,x=APRES_FREQMO1,size=nm,color=nm/n))+scale_color_distiller(palette="Reds",direction=1)+theme_bw()
En restreignant à la population active on trouve avec une regression ordinale un effet significatif de la période, de l’age, du temps partiel et de la situation familliale.
Avec un test d’égalité de proportions on trouve une p-value de 0.007.
Mais en utilisant un test d’églité de proportion pour données apairées (test de Mc Nemar) on trouve tout de même une différence significative pour la marche et les TC. i.e ce qui se dit dans la littérature.
Sur l’ensemble la population on voit un peu de transitions de “Tous les jours” vers les deux niveaux inférieurs (de même pour “4 à 5 par semaine”). Sur les niveaux intermédiaires les transitions on lieux dans les deux sens.
prop.test(cbind(table(COMAVANT_FREQ$FREQMO4),table(COMAPRES_FREQ$FREQMO4)))#> #> 6-sample test for equality of proportions without continuity correction#> #> data: cbind(table(COMAVANT_FREQ$FREQMO4), table(COMAPRES_FREQ$FREQMO4))#> X-squared = 11.845, df = 5, p-value = 0.03697#> alternative hypothesis: two.sided#> sample estimates:#> prop 1 prop 2 prop 3 prop 4 prop 5 prop 6 #> 0.4590164 0.4411765 0.4684512 0.5087336 0.5050000 0.6194030ggplot(gg_evol|>count(AVANT_FREQMO4,APRES_FREQMO4,name ="nm") |>add_count(AVANT_FREQMO4,wt=nm))+geom_point(aes(y=AVANT_FREQMO4,x=APRES_FREQMO4,size=nm,color=nm/n))+scale_color_distiller(palette="Reds",direction=1)+theme_bw()
Avec la même approche que précement (mais pour ce motif et les autres pas de filtre sur les actifs) l’effet de la période a ici une p-value de 2% donc difficile de juger avec trop de certitude mais un effet post covid de baisse des déplacements de ce type ne peut pas être écarté. Les autres facteur significatifs : un effet parisien et de revenu.
Avec un test d’égalité de proportions on trouve une p-value de 0.07.
Mais en utilisant un test d’églité de proportion pour données apairées (test de Mc Nemar) on trouve tout de même une différence significative pour la marche et conducteur a 5%.
prop.test(cbind(table(COMAVANT_FREQ$FREQMO5),table(COMAPRES_FREQ$FREQMO5)))#> #> 6-sample test for equality of proportions without continuity correction#> #> data: cbind(table(COMAVANT_FREQ$FREQMO5), table(COMAPRES_FREQ$FREQMO5))#> X-squared = 3.1434, df = 5, p-value = 0.6779#> alternative hypothesis: two.sided#> sample estimates:#> prop 1 prop 2 prop 3 prop 4 prop 5 prop 6 #> 0.5049505 0.5186170 0.4820240 0.5116732 0.4649123 0.5500000ggplot(gg_evol|>count(AVANT_FREQMO5,APRES_FREQMO5,name ="nm") |>add_count(AVANT_FREQMO5,wt=nm))+geom_point(aes(y=AVANT_FREQMO5,x=APRES_FREQMO5,size=nm,color=nm/n))+scale_color_distiller(palette="Reds",direction=1)+theme_bw()
De même avec la même approche de régression que précement l’effet de la période n’est ici pas significatif. Il reste un effet Paris, sexe et situation familiale.
Il y a un effet significatif sur la fréquence de déplacement dom-trav.
Pour les achat alimentaire il y a aussi une petite évolution significative a 5% sur les fréquences.
Pour ce qui est des parts modales on observe un changement significatif pour la marche et les TCs pour le motif domicile travail et sur la marche et conducteur pour les achat alimentaire.
RQ2. Qui est le plus concernés par ces changements ?
Il s’agit de voir s’il y a des profils de personnes qui ont changé et qui n’ont pas changé. Peut-être que c’est limité à la possibilité de faire du télétravail mais peut-être pas.
changement freq dom-trav.
On se concentre sur les actifs qui n’ont pas changés de travail et à temps plein pour éviter les facteurs confondants.
Un effet mode moins de changement pour ceux qui utilisent des modes actifs. Trajets plus court ? As t’on des infos sur la distance/temps domicile - travail ?
t.test(as.numeric(data_comp$distancedomtrav[data_comp$change=="TRUE"]),as.numeric(data_comp$distancedomtrav[data_comp$change=="FALSE"]),alternative="greater",var.equal=TRUE)#> #> Two Sample t-test#> #> data: as.numeric(data_comp$distancedomtrav[data_comp$change == "TRUE"]) and as.numeric(data_comp$distancedomtrav[data_comp$change == "FALSE"])#> t = 0.60097, df = 600, p-value = 0.274#> alternative hypothesis: true difference in means is greater than 0#> 95 percent confidence interval:#> -5.489602 Inf#> sample estimates:#> mean of x mean of y #> 20.57884 17.42615coin::wilcox_test(distancedomtrav~factor(change),data=data_comp)#> #> Asymptotic Wilcoxon-Mann-Whitney Test#> #> data: distancedomtrav by factor(change) (FALSE, TRUE)#> Z = -2.1333, p-value = 0.0329#> alternative hypothesis: true mu is not equal to 0chisq.test(data_comp$change,data_comp$distancedomtrav==set_units(0,"km"))#> #> Pearson's Chi-squared test with Yates' continuity correction#> #> data: data_comp$change and data_comp$distancedomtrav == set_units(0, "km")#> X-squared = 2.2214, df = 1, p-value = 0.1361ttcour=table(data_comp$distancedomtrav==set_units(0,"km"),data_comp$change)ttcour/rowSums(ttcour)#> #> FALSE TRUE#> FALSE 0.6254417 0.3745583#> TRUE 0.6865204 0.3134796
On ne peut pas conclure sur un effet de la distance domicile travail avec un t-test mais un test de Wilcoxon-Mann-Whitney rejette l’hypothèse s’égalité des distribution. Et la distance domicile travail a une mediane de r{median(data_comp$distancedomtrav[data_comp$change=="TRUE"])} pour les individus ayant changés leurs fréquence de déplacement domicile travail et de r{median(data_comp$distancedomtrav[data_comp$change=="TRUE"])} pour ceux n’ayant pas changés.
changement mode dom-trav passage aux modes actif ?
t.test(as.numeric(data_comp$distancedomtrav[data_comp$change_mode1]),as.numeric(data_comp$distancedomtrav[data_comp$change_mode1]),alternative="greater",var.equal=TRUE)#> #> Two Sample t-test#> #> data: as.numeric(data_comp$distancedomtrav[data_comp$change_mode1]) and as.numeric(data_comp$distancedomtrav[data_comp$change_mode1])#> t = 0, df = 106, p-value = 0.5#> alternative hypothesis: true difference in means is greater than 0#> 95 percent confidence interval:#> -8.590684 Inf#> sample estimates:#> mean of x mean of y #> 8.523808 8.523808coin::wilcox_test(distancedomtrav~factor(change),data=data_comp)#> #> Asymptotic Wilcoxon-Mann-Whitney Test#> #> data: distancedomtrav by factor(change) (FALSE, TRUE)#> Z = -2.1333, p-value = 0.0329#> alternative hypothesis: true mu is not equal to 0chisq.test(data_comp$change,data_comp$distancedomtrav==set_units(0,"km"))#> #> Pearson's Chi-squared test with Yates' continuity correction#> #> data: data_comp$change and data_comp$distancedomtrav == set_units(0, "km")#> X-squared = 2.2214, df = 1, p-value = 0.1361ttcour=table(data_comp$distancedomtrav==set_units(0,"km"),data_comp$change)ttcour/rowSums(ttcour)#> #> FALSE TRUE#> FALSE 0.6254417 0.3745583#> TRUE 0.6865204 0.3134796
RQ3. Quel est le rôle du télétravail (et de la crise covid) dans ces changements ?
Ici il s’agit de voir si le fait d’avoir commencé ou augmenté le télétravail pendant la crise a un effet sur la fréquence voire sur le mode de déplacement pour le motif travail. On peut aussi y inclure les questions de perception du télétravail (Q46 sauf la Q46-10) ainsi que quelques parties de la question Q36 et de la question Q61. # RQ4. Les bouleversements qui ont été causés par la crise sanitaires expliquent-ils en partie ces changements ? Il s’agirait d’exploiter la partie 3 en comparant ceux qui ont baissé en fréquence et les autres, en adaptant les questions selon le motif de déplacement considéré.
