Les indicateurs locaux d'association spatiale (LISA) comme méthode de régionalisation : Une application en Inde.

International audienceIn India, quality of census data is good enough to allow geographic approach at micro-scale (village level) of the socioeconomic phenomena. However, variability of data at this scale, as well as the huge number of units to take into consideration, make it difficult to present synthetic results, which would underline the major trends of the space structure. Our aim is to present a solution, which, following Gould's expression, let “the data speak from themselves”. The goal is to show the regional trend while keeping the local details visible. For this purpose, we use the local indicators of spatial association (LISA), which let us measure similarities (and dissimilarities) between neighbours. LISA have been developed by Luc Anselin (1995) and allow us to compute the level of likeness of one spatial unit with its neighbours (with the help of a weight matrix based on contiguity, distance or nearest neighbours). We are then able to show regional trends without losing local values, i.e. to keep the information relative to the internal heterogeneity of the homogeneous zones. Our paper will introduce the statistical dimension of LISA in order to understand how they run and their limits. We will then propose an application of LISA to create an original division of Tamil space, based on homogenous regions. This state, located in the South of India, has more than 60 millions inhabitants (in more than 16.000 villages), which constitutes a good case study to test the efficiency of this tool.En Inde, les données de recensement sont de suffisamment bonne qualité pour que l'on puisse se permettre une approche géographique fine des phénomènes socio-économiques, au niveau communal. Cependant, l'ampleur de la variabilité des données à cette échelle, ainsi que le nombre important d'unités à prendre en compte, entraînent des difficultés pour présenter des résultats synthétiques qui mettraient en évidence les grandes structures de l'espace étudié. Notre objectif est de présenter une solution qui, pour reprendre l'expression de Gould, « laisse les données parler d'ellesmêmes ». Il s'agit de dévoiler les tendances régionales tout en conservant le détail des données communales. Pour cela, nous avons recours à des indices locaux d'autocorrélation spatiale qui permettent de mesurer les similarités (et les dissimilarités) entre voisins. Les indicateurs locaux d'association spatiale (LISA), développés par Luc Anselin (1995) permettent en effet de mesurer le degré de ressemblance d'une unité spatiale avec ses voisines. On peut ainsi révéler les tendances régionales tout en conservant les valeurs locales, c'est-à-dire préserver l'information relative à l'hétérogénéité interne de ces zones. Notre exposé présentera d'abord les LISA dans leur dimension statistique, étape nécessaire pour comprendre le fonctionnement de ces indicateurs et les limites inhérentes à leur construction. Nous proposerons ensuite une application où nous nous servons de ces indicateurs pour proposer un découpage spatial original du Tamil Nadu. Cet état, situé au sud-est de l'Inde, compte aujourd'hui plus de 62 millions d'habitants répartis sur plus de 16 000 communes, ce qui constitue un cadre remarquable pour tester l'efficacité de cette méthode