Navigation – Plan du site
2017
118

Cartografie van de interactiegebieden in en rond Brussel: pendelverkeer, verhuizingen en telefoongesprekken

Cartographies des champs d’interaction dans et autour de Bruxelles : navettes, déménagements et appels téléphoniques
Cartography of interaction fields in and around Brussels: commuting, moves and telephone calls
Arnaud Adam, Jean-Charles Delvenne et Isabelle Thomas
Traduction de Annelies Verbiest
Cet article est une traduction de :
Cartographies des champs d’interaction dans et autour de Bruxelles : navettes, déménagements et appels téléphoniques
Autre(s) traduction(s) de cet article :
Cartography of interaction fields in and around Brussels: commuting, moves and telephone calls

Résumés

A l’aide de données relationnelles conventionnelles (migrations résidentielles, navettes de travail) et moins conventionnelles (appels de téléphonie mobile), l’espace dans et autour de la Région de Bruxelles-Capitale est partitionné en groupes de lieux fortement inter-reliés à l’aide d’une méthode mathématique de détection de communautés. Les partitions obtenues conduisent à des structures spatiales fortes alors que ni la distance ni les caractéristiques des lieux ne sont prises en compte par la méthode. Cet article illustre comme les grandes bases de données (big data) et leurs méthodes spécialement dédiées offrent de nouvelles opportunités pour les analyses urbaines (délimitation des bordures urbaines, formalisation des structures intra-urbaines) et donnent ici l’occasion de rappeler qu’aucune structure ne peut s’interpréter sans la maîtrise des données, des outils utilisés mais aussi des théories régionales et urbaines.

Haut de page

Notes de l’auteur

Dit artikel is geschreven in het kader van het onderzoeksproject Bru-net dat gefinancierd wordt door Innoviris. De auteurs willen ook de telecomoperator bedanken voor de uitstekende samenwerking bij de opstelling van de databank met telefoongegevens. De telecomoperator heeft zijn akkoord gegeven voor deze publicatie.

Texte intégral

Inleiding

1Op bestuurlijk en beleidsmatig vlak wordt naar Brussel vaak verwezen als het Brussels Hoofdstedelijk Gewest (BHG), hoewel de stad zich uiteraard uitstrekt over een veel grotere ruimte waarvan de grenzen niet officieel en wetenschappelijk vastgelegd zijn [zie bijvoorbeeld Van Hecke, et al. 2007; Dujardin et al., 2007; Thomas et al., 2012; Boussauw et al., 2012; Vandermotten, 2016]. De vele, uiteenlopende criteria en methodes die gehanteerd worden om het Brussels grootstedelijk gebied te bepalen, zijn gebaseerd op een of meerdere sociaal-economische en/of morfologische variabelen en op methodes die voornamelijk verband houden met de drempelwaarden van de gebruikte variabelen [zie Dujardin et al., 2007 of Thomas et al., 2012]. In dit artikel zullen we de ruimte in en rond het BHG niet analyseren op basis van variabelen Xi die karakteristiek zijn voor de plaatsen i, maar wel op basis van de interacties wij tussen geolokalisaties i en j binnen netwerken (figuur 1).

Figuur 1. Schematische weergave van de detectie van groepen in een netwerk op basis van (A) hun overeenkomsten en (B) interacties

Figuur 1. Schematische weergave van de detectie van groepen in een netwerk op basis van (A) hun overeenkomsten en (B) interacties

2Economen en geografen zijn het erover eens: steden kenmerken zich door een hoge dichtheid qua bevolking, gebouwen en stedelijke functies in verhouding tot hun omgeving. Bijgevolg bevinden de actoren (ondernemingen en huishoudens) zich dicht bij elkaar en gaan zij in interactie met elkaar [zie Anas et al., 1998; Fujita en Thisse, 2013, p. 187 en volgende]. In steden is een grote diversiteit aan actoren terug te vinden, die in economische en sociale netwerken interageren. Nabijheid speelt een belangrijke rol bij de vorming van menselijke en sociaal-economische banden tussen actoren [zie bijvoorbeeld Ioannides, 2012] en leidt zo tot “interactiegebieden” [Fujita en Thisse, 2013]. Stadsgebieden afbakenen en hun samenstelling bepalen is geen nieuw onderwerp in de stadsanalyse. Er heerst echter geen consensus over de toegepaste methodes en de verkregen resultaten [Duranton, 2015; Dujardin et al., 2007]. Met de komst van de big data en Data Science zijn nieuwe methodes ontwikkeld, onder meer voor de “detectie van communities”, waarbij een community gedefinieerd wordt als een groep individuen (personen, ondernemingen, ...) die sterk interageren met elkaar. Als die individuen gegeolokaliseerd zijn, lijkt de projectie van de community in de ruimte op de hoger genoemde “interactiegebieden”. Ondanks hun beperkingen is al gebleken dat deze nieuwe methodes en data effectieve instrumenten zijn voor stadsanalyse, -visualisatie en - planning [zie bijvoorbeeld Sagl et al., 2014; Hao et al., 2015].

3Op basis van gegevens uit de laatste volkstelling (verhuizingen en woon-werkverplaatsingen) en de telefonische contacten wil dit artikel tonen welke plaatsen nauw verbonden zijn met elkaar in en rond Brussel en zo de “interactiebassins” in kaart brengen aan de hand van een methode voor de detectie van communities (Louvain method - zie punt 2). Het artikel stelt gebieden (bassins) voor op basis van relationele gegevens (wij) en biedt een aanvulling op de traditionele territoriale dynamieken die vaak gebaseerd zijn op de overeenkomsten tussen de karakteristieken Xi van de plaatsen [Van Hamme et al., 2016]. Welke zijn de sterktes en zwaktes van deze nieuwe benaderingen voor stadsanalyse? Bestaan de bassins uit aangrenzende plaatsen? Worden de interacties tussen personen of plaatsen in en rond Brussel beïnvloed door politieke (gewestelijke, taalkundige), fysieke (bijvoorbeeld het Kanaal of het Zoniënwoud) en/of andere soorten grenzen [Dobruszkes en Vandermotten, 2006]? Hangt de vorm van deze “bassins” sterk af van de gebruikte gegevens?

1. Gegevens

1.1. Databanken

4Heel klassiek hebben we eerst en vooral de woon-werkverplaatsingen (pendelverkeer) en de woonmigraties (verhuizingen) gebruikt, zoals die gemeten zijn tijdens de laatste volkstelling (2011 - Census 11), met alle voor- en nadelen die eigen zijn aan een volkstelling [Thomas et al., 2009]. Deze herkomst-bestemmingsmatrixen (HB-matrixen) zijn sinds 1981 om de tien jaar beschikbaar en hebben als voordeel dat ze overeenstemmen met duidelijke en stabiele bepalingen in de tijd, ook al worden ze sinds 2011 niet meer opgesteld op basis van het volkstellingsonderzoek maar op basis van in ander verband bestaande administratieve bestanden. We verwachten dus clusters van plaatsen te kunnen bepalen, die respectievelijk tewerkstellingsbassins (woon-werkverplaatsingen) en migratiebassins (verhuizingen) vormen, met uiteraard niveaus van onzekerheid met betrekking tot de bepaling van de arbeidsplaats (lokalisatieprobleem op de hoofdzetel in plaats van de werkelijke arbeidsplaats, meerdere of niet-vaste arbeidsplaatsen, geen rekening houden met bepaalde categorieën van werknemers zoals internationale ambtenaren, ...)[zie bijvoorbeeld Verhetsel et al., 2009] of woonplaats (aangegeven en niet-werkelijke verblijfplaats, meerdere verhuizingen in één jaar, ...) [zie Eggerickx et al., 2012].

5Met de huidige informatie- en communicatietechnologieën (ICT) kan er meer en meer informatie in real time verzameld worden, wat een nuttige aanvulling is op de volkstelling [Debusschere et al., 2017]. We worden bedolven onder de gegevens, maar in tegenstelling tot andere delen van de wereld [zie bijvoorbeeld Liu et al., 2015] zijn de Belgische publieke en private overheden terughoudend om die gegevens toegankelijk te maken, vooral wanneer ze gegeocodeerd zijn. We gebruiken hier de telefoongegevens van een grote operator voor de periode april/mei 2015. Het gaat om alle mobiele telefoongesprekken tussen twee nummers van de operator, waarbij de gesprekken gegeocodeerd zijn op schaal van de antennes op het ogenblik van het telefoongesprek. Alleen gesprekken met minstens één antenne in de voormalige provincie Brabant zijn in aanmerking genomen, goed voor meer dan 13 miljoen telefoongesprekken in de hoger vermelde periode. Ter herinnering: het artikel van Blondel et al. (2010) had betrekking op heel België en de telefoongesprekken waren gelokaliseerd op de plaats van facturering en gegeocodeerd op schaal van de gemeente. In het kader van dit artikel beschikken we over de gegevens op schaal van de antenne op het ogenblik van het telefoongesprek en dus op de plaatsen waar beller en gebelde zich bevonden tijdens het gesprek. Ook deze gegevens hebben hun beperkingen [Debusschere et al., 2017] en in het geval dat ons interesseert, werd alleen rekening gehouden met één telecomoperator en een waarnemingsperiode van één maand. De aard (professioneel of privé), de duur en het onderwerp van het gesprek zijn niet gekend en in de analyse wordt geen rekening gehouden met de telefoongesprekken met de rest van België/de wereld. Ondanks die beperkingen zijn 13,4 miljoen telefoongesprekken in aanmerking genomen voor de analyse. De bedoeling is om telefoonbassins te bepalen en dus een vorm (een van de meerdere) van sociale relaties overdag en 's nachts te meten in en rond Brussel.

1.2. Geografische keuzes

6De grenzen van een studieomgeving en de indeling ervan bepalen is vaak geen sinecure, vooral wanneer het gaat om een stad waarvoor er geen consensus heerst over de precieze grenzen en die zich uitstrekt over drie gewesten (Brussels Hoofdstedelijk Gewest, Vlaams Gewest en Waals Gewest). Om discussies te vermijden, wordt in dit artikel de vroegere provincie Brabant als studieomgeving gekozen. Deze entiteit werd in 1815 opgericht en is vandaag opgesplitst in drie entiteiten: het Brussels Hoofdstedelijk Gewest (1,2 miljoen inwoners), de provincie Vlaams-Brabant in het noorden (1,1 miljoen inwoners) en de provincie Waals-Brabant in het zuiden (0,4 miljoen inwoners)(Bijlage). De provincie Brabant omvat het grootste deel van de Brusselse stedelijke agglomeratie [zie Thomas et al., 2012 voor een synthese] maar ook Leuven, waarvan de ligging in het grootstedelijk gebied bediscussieerd wordt en te bediscussiëren valt.

7Hoewel de kaarten in dit artikel inzoomen op Brabant, zijn de analyses uitgevoerd over heel België voor de verhuizingen en woon-werkverplaatsingen, om neveneffecten te vermijden in een land met een dicht stadsnetwerk, zonder de algemene aanblik van de partities te veranderen (tests uitgevoerd in Brabant, die geen verband hielden met de rest van het land maar die hier niet weergegeven worden - zie ook Thomas et al., 2017). Zoals reeds vermeld in punt 1.1, is dat niet het geval voor de telefoongesprekken, waarbij alleen de gesprekken met minstens één antenne in Brabant in aanmerking genomen zijn.

  • 1 De Thiessen-polygoon rond een welbepaalde antenne bestaat uit de plaatsen die zich dichter bij die (...)

8De aangeboden kaarten zijn voornamelijk gemaakt op schaal van de 111 gemeenten van de vroegere provincie Brabant om de resultaten onderling te kunnen vergelijken. De reden voor die keuze is dat de gemeente de fijnste geolokalisatie is die verkregen werd voor de verhuizingen, en dus de kleinste gemene deler voor de drie analyses is. De kleinste ruimtelijke eenheden voor het pendelverkeer zijn de statistische sectoren (3 395 in totaal). Voor de telefoongesprekken gaat het om 1 168 antennes waarrond Thiessen-polygonen1 getekend zijn om van het punt (antenne) te komen tot de theoretische oppervlakte die door deze antennes gedekt wordt. Die polygonen zijn echter maar een theoretische benadering van de realiteit, aangezien (1) ze geen rekening houden met de plaatselijke omstandigheden (gebouwen die het bereik beperken, ontvangstvermogen van de antennes, ...) en (2) ze elkaar nooit overlappen terwijl in werkelijkheid twee naburige antennes een gemeenschappelijke zone dekken (doorsnede van twee bollen) [Zandbergen, 2009].

2. Methode

9De methodes voor de identificatie van communities uit de wereld van de wiskundige analyse van sociale netwerken zijn de voorbije tien jaar populair geworden voor de analyse van complexe netwerken [zie bijvoorbeeld Ratti et al., 2010; Fortunato, 2010]. Deze methodes hebben als doel om partities (structuren bestaande uit communities) te vinden die de dichtheid van de verbanden binnen groepen maximaliseren in verhouding tot de dichtheid van de verbanden tussen groepen, om dichte subnetten te vinden in grote netwerken. In het kader van een exacte of heuristische toepassing zijn ze bijzonder efficiënt en bieden ze een brede waaier aan methodes die gewogen verbanden, gestuurde verbanden, hiërarchische structuren of zelfs de overlapping van de zo geschetste gebieden mogelijk maken. Een populaire methode om de communities bloot te leggen, bestaat erin om voor iedere partitie een maat te berekenen (de modulariteit van de partitie genoemd), die de kwaliteit van de indeling kwantificeert om dan vervolgens de partitie met de maximale modulariteit te vinden [Newman, Girvan, 2004]. Om in korte tijd een partitie met een heel goede, maar misschien niet maximale, modulariteit te berekenen, kan bijvoorbeeld de Louvain methode toegepast worden [Blondel et al., 2008]. Deze heuristische methode maximaliseert de modulariteit in twee opeenvolgende, iteratieve stappen. Tijdens de eerste stap groepeert de methode de knooppunten die bevoorrechte uitwisselingen hebben en de modulariteit van de communities maximaliseren. Wanneer alle knooppunten ingedeeld zijn, gaat de Louvain methode over naar de tweede stap, waarbij de knooppunten van elke community samengevoegd worden tot supraknooppunten. Zij vertegenwoordigen dus de communities die tijdens de eerste stap gevormd zijn. Vervolgens keert de Louvain methode terug naar stap 1 en tracht zij de supraknooppunten wiens verbanden de modulariteit maximaliseren te groeperen, alvorens weer naar stap 2 over te gaan. Stap 1 en 2 worden dus achtereenvolgens toegepast zolang de Louvain methode geen maximale modulariteit benaderd heeft.

10De modulariteit heeft als grootste nadeel dat er communities van middelgrote en homogene omvang gedetecteerd worden (de som van de interne verbanden binnen de gemeenschappen). Deze middelgrote gemeenschappen geven slechts één aspect weer van de bevoorrechte uitwisselingen van de knooppunten binnen een netwerk. Een reëel netwerk is immers een complexe structuur die uit meerdere niveaus bestaat: grotere communities kunnen kleine communities omvatten. Middelgrote communities detecteren op basis van de modulariteit op één enkel niveau is bijgevolg niet zinvoller dan kleine communities detecteren. Om de verschillende indelingsschalen van een netwerk te begrijpen, veranderen we het begrip modulariteit zoals het geïmplementeerd is in de Louvain methode door een parameter ρ in te voeren, die de grootteorde van de omvang van de gezochte communities uitdrukt: kleine ρ- waarden bevorderen een indeling in veel communities, grote waarden neigen naar een klein aantal communities [Delvenne et al., 2013]. We verwijzen naar twee andere artikels voor de analyse van de afhankelijkheid van de resultaten van de ρ-waarde [Adam et al., 2017 en Thomas et al., 2017] en opteren hier voor een eenheidswaarde, namelijk de standaardversie van de Louvain methode.

  • 2 De methode van Jenks is een methode voor discretisatie, die de variantie binnen categorieën minimal (...)

11De resultaten worden weergegeven in de vorm van kaarten, waarvoor de keuze van de kleuren willekeurig is. De dunne lijnen stemmen overeen met de gemeentegrenzen, de dikkere met de provinciegrenzen. Aangezien de heel kleine entiteiten niet genoeg waarnemingen bevatten, zijn deze wit gelaten. We weten dat de Louvain methode gevoelig is voor de volgorde van de ingelezen knooppunten. Om deze bias te vermijden en de robuustheid van de resultaten te kunnen meten, wordt de methode 1 000 keer na elkaar toegepast, waarbij de volgorde van de knooppunten tussen twee toepassingen willekeurig gewijzigd wordt. Het percentage van de keren dat een knooppunt bij dezelfde community hoort, vertelt namelijk meer over de stabiliteit van het resultaat en de onafhankelijkheid van de volgorde van de plaatsen. Dit percentage wordt weergegeven op choropletenkaarten (statistische kaarten die relatieve kwantiteiten, gekoppeld aan geografische gebieden, vertegenwoordigen door middel van een schaal van oplopende tinten) en/of door arceringen op chorochromatische kaarten (gekleurde kaarten die een nominale variabele vertegenwoordigen, in dit geval de indeling bij een community). Op bepaalde kaarten hebben we ook de knooppunten aangestipt waar zich de meeste verbanden concentreren en die in zekere zin centraliteiten vormen (zwarte punten op de kaart). Daartoe hebben we het aantal verbanden voor ieder Belgisch knooppunt genomen en de methode van Jenks2 toegepast op de verdeling om de meest verbonden plaatsen uit te lichten. Elke partitie gaat gepaard met eenvoudige statistieken, zoals het aantal plaatsen waaruit iedere community bestaat en het percentage plaatsen waarvan de indeling tijdens de 1 000 toepassingen niet stabiel is. Tot slot worden de overeenkomsten tussen de kaarten gekwantificeerd op basis van de NMI (Normalized Mutual Information), die de hoeveelheid gelijkaardige informatie die voorkomt op twee kaarten meet. Deze index krijgt de waarde 0 wanneer de twee kaarten compleet verschillend zijn en de waarde 1 wanneer ze identiek zijn [zie bijvoorbeeld Fred en Jain 2003].

3. Resultaten

12Iedere gegevensmatrix maakt het voorwerp uit van een paragraaf, waarbij de eerste meer details geeft over de methodologie. De kaartcommentaar beperkt zich tot de essentie. De lezer is vrij om de soms anekdotische details te bekijken. Het is onze bedoeling om slechts enkele leespistes aan te reiken.

3.1. Woon-werkverplaatsingen

13In tegenstelling tot de verwachtingen heeft het ruimtelijk aggregatieniveau van de gegevens geen invloed op het optimale aantal of de globale ruimtelijke structuur van de communities die gebaseerd zijn op de dagelijkse woon-werkverplaatsingen (figuur 2 en 3). De berekende communities op basis van de statistische sectoren hebben gewoonweg meer gedetailleerde randen maar vele sectoren zijn niet ingedeeld omdat ze niet geobserveerd zijn.

14Ongeacht het aggregatieniveau tekenen zich twee bassins af die gevormd worden door aangrenzende plaatsen: enerzijds het werkgelegenheidsbassin van Brussel dat het Brussels Hoofdstedelijk Gewest, het arrondissement Halle-Vilvoorde en Waals-Brabant omvat, en anderzijds het bassin van Leuven dat het arrondissement Leuven dekt, met uitzondering van – en dat is geen verrassing – enkele grensgemeenten zoals Tervuren, Huldenburg en Kortenberg, die bij het bassin van Brussel horen. Merk op dat Leuven wel degelijk een volwaardige community vormt, niet omdat er geen enkel verband bestaat tussen dit bassin en het bassin van Brussel maar wel omdat de plaatsen waaruit het bassin bestaat onderling meer pendelaars uitwisselen dan met de rest van de Belgische gemeenten (dat betekent dus niet dat er geen uitwisselingen zijn tussen de rode en oranje gemeenten op de kaarten van figuur 2 en 3). Figuur 4 geeft de uitwisselingen tussen de communities grafisch weer. Voor de duidelijkheid zijn de uitwisselingen tussen community 1 (Leuven) en 2 (Brussel) weergegeven, terwijl de uitwisselingen van de andere communities in België samengevoegd zijn in een virtuele groep a. Deze cirkelvormige grafiek vestigt duidelijk de aandacht op de manier waarop de Louvain Method de gemeenten in communities indeelt: de communities hebben vele interne uitwisselingen en weinig externe uitwisselingen.

15Hoewel de gemeente Nivelles ingedeeld is in de community Brabant, vertoont haar indeling een zekere instabiliteit, wat zich uit in een neiging tot gedeelde uitwisselingen met het bassin van Henegouwen (figuur 2). In overeenstemming met de geschiedenis van de werkgelegenheid en de spoorinfrastructuur [zie Verhetsel et al., 2009], is het bassin van Brussel uitgestrekter in het westen en zuidwesten, waar het de provincie- en gewestgrenzen ruimschoots overschrijdt. Tot slot merken we op dat de provinciegrenzen vrij goed overeenstemmen met de grenzen van de communities, zoals Thomas et al. (2017) bevestigt: ook al zijn die grenzen voer voor discussie en zullen zij mogelijk verdwijnen, toch komen zij duidelijk tot uiting in de werking van de arbeidsmarkt. In hetzelfde opzicht is de taalgrens niet overschrijdbaar in het oostelijk deel van het studiegebied, terwijl de taalgrens van Rixensart/Overijse tot het uiterste westen van het studiegebied helemaal geen barrière vormt op het vlak van woon-werkverplaatsingen.

Figuur 2. Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de statistische sectoren
Figuur 3.
Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de gemeeten

Figuur 2. Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de statistische sectorenFiguur 3. Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de gemeeten

Figuur 4. Stromen van het pendelverkeer tussen de community 1 (Leuven), 2 (Brussel) en alle andere Belgische communities (a)

Figuur 4. Stromen van het pendelverkeer tussen de community 1 (Leuven), 2 (Brussel) en alle andere Belgische communities (a)

16We herinneren eraan dat iedere kaart het resultaat is van 1 000 toepassingen van de methode op eenzelfde reeks gegevens en dat er aan iedere plaats dus een mate van zekerheid van de indeling gekoppeld kan worden (zie punt 2). Uit figuur 3 (evenals uit tabel 1 wat verder) blijkt dat minder dan 5 % van de knooppunten een onzekere indeling heeft. Ze zijn voornamelijk aan de rand van de provincie gelegen (Londerzeel en Kapelle-op-den-Bos in het noorden en Nivelles in het zuiden).

17Wanneer we het over een werkgelegenheidsbassin hebben, hebben we het uiteraard ook over een werkgelegenheidscentrum. De Louvain Method vereist geen vooraf vastgelegde, centrale lokalisatie: ze deelt de individuen in een gemeenschap in op basis van de intensiteit van de verbanden tussen hen, en dit los van de lokalisatie. Met andere woorden, de werkgelegenheidscentra zijn a priori niet aangeduid en het begrip werkgelegenheidsbassin zou voer voor discussie kunnen worden. De berekening van de centraliteiten achteraf (zie punt 3) vestigt echter de aandacht op de meeste gemeenten van het Brussels Hoofdstedelijk Gewest en aangrenzende gemeenten zoals Dilbeek, Asse, Grimbergen, Vilvoorde, Machelen en Zaventem, maar ook gemeenten zoals Halle en Leuven en de tewerkstellingspolen van Waals-Brabant (Wavre, Ottignies-Louvain-la-Neuve, Braine-l’Alleud en Nivelles).

18Kortom, deze nieuwe methode voor de analyse van het pendelverkeer maakt duidelijk dat de indeling in communities robuuste resultaten oplevert (weinig gearceerde gebieden), dat er maar twee clusters (bassins) optimaal naar voren komen, dat de omvang van de segmenten (statistische sectoren, gemeenten) de algemene aanblik van de partitie weinig of niet verandert en dat de communities bestaan uit aangrenzende plaatsen (de afstand heeft een invloed op het pendelgedrag).

3.2. Woonmigraties (verhuizingen)

19Woonmigraties en woon-werkverplaatsingen zijn twee soorten verplaatsingen van personen tussen plaatsen, die echter beantwoorden aan totaal verschillende ruimtelijke keuzemechanismen en territoriale gewoonten. Het is dus geen verrassing dat de verkregen partities verschillend zijn (NMI migraties-pendelverkeer: 0,64). De analyseresultaten worden cartografisch samengevat in figuur 5: de versnippering van Brabant is veel groter (21 communities in plaats van 2 voor het pendelverkeer) en resulteert in kleine clusters van gemeenten, waartussen de veranderingen van woonplaats zeer sterk zijn. Een ander gegeven en dus een andere partitie, maar wel één constante: de groepen bestaan uit aangrenzende gemeenten. De communities zijn heel klein in omvang (2 tot 16 gemeenten): de verhuizingen in en rond Brussel betreffen een heel korte afstand. Hoewel enkele gemeenten de buitengrens van de provincie Brabant deels overschrijden, komen slechts twee communities over de taalgrens. Zo maakt Sint-Genesius-Rode deel uit van dezelfde community als Braine-l’Alleud en Nivelles, zij het weliswaar met een beetje onzekerheid (arcering), en maakt Herne deel uit van dezelfde community als Soignies/Braine-le-Comte/Enghien. Het Brussels Hoofdstedelijk Gewest is onderverdeeld in vier communities: (1) een noordwestelijk deel, (2) een zuid-zuidwestelijk deel dat ook Linkebeek en Drogenbos omvat, (3) een kleine community bestaande uit Sint-Joost-ten-Node, Evere en Schaarbeek, en (4) een community die Sint-Lambrechts-Woluwe en Sint-Pieters-Woluwe omvat en zich uitstrekt tot Tervuren en Zaventem [Van Criekingen, 2006; De Maesschalck et al., 2015; Vandermotten et al., 2009].

20Wat de verhuizingen betreft, hebben de afstand, het grondgebied en de taal een grotere invloed op de ruimtelijke keuzes dan bij de woon-werkverplaatsingen. De knooppunten met een onzekere indeling vertegenwoordigen 17 % van het totaal. Dit percentage ligt heel wat hoger dan bij de woon-werkverplaatsingen (5 %). Met andere woorden, de partitie is minder robuust dan die van het pendelverkeer (arceringen) en de plaatsen zijn verdeeld over meerdere polariteiten. De geografie van de verhuizingen kan dus niet gebruikt worden in plaats van het pendelverkeer: het gaat om een heel andere ruimtelijkheid (men kiest voor een job ver van huis, uit enkele tewerkstellingspolen, maar wanneer men verhuist, tracht men eventueel dicht bij vrienden, school, hobby's, enzovoort te blijven).

Figuur 5. Optimale indeling in communities op basis van de woonmigratiegegevens uit 2011

Figuur 5. Optimale indeling in communities op basis van de woonmigratiegegevens uit 2011

3.3. Telefoongesprekken

21De indeling in communities van de matrix van de mobiele telefoniestromen, gemeten van antenne tot antenne, is opgenomen in figuur 6 en 7. We wijzen er nogmaals op dat we hier enkel beschikken over de telefoongesprekken waarbij minstens een van de twee antennes zich in de provincie Brabant bevindt. Dit verklaart waarom we ervoor gekozen hebben om niet in kaart te brengen wat buiten de provincie Brabant gebeurt. Om de chorochromatische kaarten te kunnen vergelijken, werden Thiessen-polygonen getekend rond de antennes en in communities ingedeeld (figuur 6). Die gegevens werden eveneens geaggregeerd op schaal van de gemeenten en opnieuw in communities ingedeeld (figuur 7).

22In overeenstemming met eerdere onderzoeken op schaal van België [Blondel et al., 2010; Expert et al., 2011] bestaan de mobiele telefoniegebieden hoofdzakelijk uit aangrenzende plaatsen: er wordt vaker gebeld naar mensen die zich dichtbij bevinden in de ruimte. In tegenstelling tot punt 3.1, heeft de ruimtelijke aggregatie van de gegevens deze keer een kleine impact op de resultaten. De algemene aanblik is dezelfde, maar het optimale aantal communities ligt lichtjes hoger voor de fijne segmenten (8 communities in figuur 6) dan voor de grote (5 communities in figuur 7). Door aggregatie verdwijnen ruimtelijke details in het geval van de telefoniegegevens: het CBD (Central Business District - centrum van Brussel) is niet meer zichtbaar op de geaggregeerde kaart (figuur 7), de community Braine-l’Alleud/Nivelles is verdwenen en het westelijk deel van de rand vormt nog maar één community. Door te aggregeren, gaat informatie verloren, wat een impact heeft op de ruimtelijke indeling, terwijl dat geen invloed had bij de woon-werkverplaatsingen, zoals bevestigd wordt door andere lopende onderzoeken [zie Decuyper et al., 2017].

23De fijne ruimtelijke eenheden (figuur 5) leveren een stadsstructuur “in sectoren” (model van Hoyt) op: het CBD (in het rood) is heel klein maar vertegenwoordigt 4,5 % van alle telefoongesprekken. Er wordt dus vaak naar elkaar gebeld ondanks de nabijheid. Het Brussels Hoofdstedelijk Gewest (exclusief het CBD) is onderverdeeld in drie communities (west, oost en zuid), die zich ruimtelijk gezien heel wat verder uitstrekken dan de gewestelijke perimeter, in dezelfde richting, weliswaar soms met een beetje meer onzekerheid wanneer men verder van Brussel verwijderd is (arceringen). Die uitstrekking kan verklaard worden door hetzij verschillende sociaal-economische kenmerken, hetzij doordat een persoon per definitie van overal mobiel kan telefoneren, zonder dat daarbij per se een woon- of arbeidsplaats betrokken is.

24Wat de telefoongesprekken betreft, respecteert het tracé van de communities de gewestgrenzen (Brussel) en de provincie-/taalgrenzen niet zo goed als bij de woon-werkverplaatsingen en verhuizingen. De gemeenten Overijse, Huldenberg, Oud-Heverlee en het zuidelijk deel van de gemeenten Bierbeek, Hoegaarden, Tienen en Landen maken bijvoorbeeld deel uit van het telefoonbassin Waals-Brabant Oost: de taalgrens is dus heel wat meer overschrijdbaar op het vlak van telefonie dan op het vlak van woonmigraties en pendelverkeer. Tubize en Rebecq (Franstalige gemeenten) vallen ook onder de telefooncommunity Halle (Nederlandstalige gemeente). Tot slot wijzen we erop dat de community Leuven zich deze keer uitstrekt naar de gemeenten in het noorden van de provincie tot in Grimbergen.

Figuur 6. Mobiele telefoniebassins op schaal van de Thiessen-polygonen rond de antennes
Figuur 7. Mobiele telefoniebassins voor geaggregeerde gegevens op schaal van de gemeenten

Figuur 6. Mobiele telefoniebassins op schaal van de Thiessen-polygonen rond de antennesFiguur 7. Mobiele telefoniebassins voor geaggregeerde gegevens op schaal van de gemeenten

25Naast de lokalisatie beschikken we ook over het tijdstip van ieder telefoongesprek, wat analyses in tijd en ruimte mogelijk maakt. Zo geeft figuur 8 de optimale indeling in communities op werkdagen weer voor overdag (figuur 8a) en 's nachts (figuur 8c) op schaal van de Thiessen-polygonen rond de antennes. De verschillen tussen beide kaarten zijn kleiner dan verwacht (NMI dag-nacht: 0,74) en komen neer op de verdwijning van het CBD 's nachts (lege kantoren en gesloten winkels) en een indeling 's nachts van het westelijk deel in twee communities: één in het noorden gericht op Asse en Dilbeek (figuur 8c, donkerbruin) en één in het zuiden gericht op Halle en Tubize (figuur 8c, lichtblauw). Figuur 8b en 8d vullen deze geografie aan door de robuustheid van de indelingen te verduidelijken. Hier wordt de voorkeur gegeven aan choropletenkaarten, want de Thiessen-polygonen zijn heel klein, waardoor arceringen op chorochromatische kaarten onleesbaar zouden zijn. De sterkste onzekerheden bevinden zich in het westen van het studiegebied, maar hebben ook een impact op enkele afgelegen plaatsen die willekeurig verspreid liggen in het studiegebied.

Figuur 8. Mobiele telefoonbassins op schaal van de Thiessen-polygonen rond de antennes overdag (8a) en 's nachts (8c), evenals de onzekerheid van de indelingen (8b en 8d)

Figuur 8. Mobiele telefoonbassins op schaal van de Thiessen-polygonen rond de antennes overdag (8a) en 's nachts (8c), evenals de onzekerheid van de indelingen (8b en 8d)

26Figuur 9 ten slotte zoomt in op het centrale deel van figuur 8a (overdag) en figuur 8c ('s nachts). Voor een vlotte leesbaarheid vermelden we enkele namen van plaatsen als richtpunten. Sommige polygonen vormen eilanden, die ingedeeld zijn in een andere community dan die errond, wat op deze analyseschaal breekt met de eerste wet van de geografie (Tobler): dingen die zich in elkaars nabijheid bevinden, hangen meer met elkaar samen dan dingen die ver van elkaar af liggen, wat we duidelijk kunnen waarnemen op de geaggregeerde schaal van de gemeenten. Zo zijn de antennes die de terreinen van de VUB en VRT dekken, ingedeeld in de community Leuven, terwijl de antennes die de stations Luxemburg, Schuman en Congres dekken, ingedeeld zijn in de community Waals-Brabant. Deze structuren zijn gedetecteerd voor zowel de telefoongesprekken overdag (figuur 9a) als de telefoongesprekken 's nachts (figuur 9b).

Figuur 9. Mobiele telefoonbassins (zoom op het centrum van Brussel)

Figuur 9. Mobiele telefoonbassins (zoom op het centrum van Brussel)

27We kunnen hier besluiten dat op het vlak van telefooncommunities de stad de grenzen van het Brussels Hoofdstedelijk Gewest overschrijdt en dat de grenzen van de clusters de taalgrens niet nauwgezet respecteren, in tegenstelling tot wat vermeld werd door Blondel et al. [2010] op schaal van het land. Dit komt door de aard van de gegevens: Blondel et al. [2010] gebruikten de factuuradressen, terwijl wij hier de plaats op het ogenblik van het telefoongesprek gebruiken. Bovendien betroffen het ook gegevens van een andere telecomoperator en zit er zeven jaar tussen beide analyses.

28Om te besluiten, worden in tabel 1 de verkregen resultaten voor iedere database samengevat qua optimaal aantal communities (a) en in percentage (%) plaatsen (knooppunten), waarvan hun indeling in een groep niet zeker is. Deze kwantiteiten bevestigen de kaartcommentaar: heel kleine en dus vele groepen voor de verhuizingen en grote onzekerheden qua indeling voor de telefoongesprekken.

Tabel 1. Vergelijking van de verkregen indelingen in de provincie Brabant

a

%

Figuur 2 Pendelverkeer (stat. sectoren)

2

3,9

Figuur 3 Pendelverkeer (gemeenten)

2

4,5

Figuur 5 Verhuizingen (gemeenten)

21

16,6

Figuur 6 Telefoongesprekken (antennes)

8

21,3

Figuur 7 Telefoongesprekken (gemeenten)

5

19,8

Figuur 8a Telefoongesprekken (antennes - overdag)

7

35,4

Figuur 8c Telefoongesprekken (antennes - 's nachts)

7

40,0

(a: optimaal aantal gedetecteerde communities; %: percentage plaatsen waarvan de indeling in een community niet stabiel is tijdens 1.000 toepassingen)

Besluit

29Het detecteren van communities in (grote) relationele databanken is een recente benadering die nog maar zelden toegepast is op een grootstedelijk gebied [Zhong et al., 2014]. Het geval Brussel biedt ons de mogelijkheid om aan de hand van drie voorbeelden van gegevens de structurerende macht van de onderlinge relaties tussen plaatsen te verduidelijken. De kaarten in dit artikel geven clusters van plaatsen met intense verbanden (wij) weer. Ze bakenen de Brusselse ruimte af en delen die tegelijkertijd in. Ze maken duidelijk hoe complex de stedelijke ruimtelijke realiteit (in Brussel) is en herinneren eraan hoe belangrijk het is om de aard van de gebruikte variabele te kennen alvorens operationele conclusies te trekken. We overlopen de vragen uit de inleiding nog eens één voor één:

  1. Woon-werkverplaatsingen, verhuizingen en telefoongesprekken zijn de drie databanken die we hier gebruikt hebben. Zoals blijkt uit hun definitie, leiden ze tot verschillende ruimtelijke structuren (aantal en samenstelling van de communities). De vorm en het aantal bassins hangen sterk af van de gebruikte gegevens. Dit feit is op zich niet zo verrassend en is de moeite waard om aan herinnerd te worden nu we meer en meer stadsmodellen van het type data crunching zien opduiken als gevolg van de massa beschikbare gegevens. Tijdens de kaartanalyse is het van belang om stil te staan bij de aard en de beperkingen van de gegevens en methodes. De kaarten tonen ons echter vrij sterke en bovendien vaak bekende ruimtelijke structuren, alsof de ruimte, en in het bijzonder het stadsnetwerk, een zeker “evenwicht” bereikt heeft [gesuggereerd door Fujita en Thisse, 2013 maar ook uitvoerig besproken door Pumain, 2017].

  2. De wiskundig verkregen communities bestaan gemiddeld uit aangrenzende plaatsen, terwijl de geolokalisatie (en dus de afstand tussen plaatsen) geen deel uitmaakt van de invoergegevens in het kader van de gehanteerde methode (Louvain Method). Dit versterkt het idee dat verbanden sterker zijn tussen nabije plaatsen in overeenstemming met Gaspar en Glaeser [1998], Fujita en Thisse [2013, p. 191], of nog de wet van Tobler (1970), die welbekend is bij geografen (“Alles interageert met elkaar, maar de kans is groter dat twee nabije objecten interageren dan twee objecten die ver van elkaar af liggen” [Sui, 2004]), en zelfs met zwaartekrachtmodellen zoals dat van Reilly [1932].

  3. De communities overschrijden de grenzen van het Brussels Hoofdstedelijk Gewest, wat de uitbreiding van het grootstedelijk grondgebied als een olievlek bevestigt [Thomas et al., 2012]. Er tekenen zich sterke ruimtelijke structuren af op basis van de drie databanken: de verankerde communities in het Brussels Hoofdstedelijk Gewest strekken zich uit naar de rand (buiten het BHG), Leuven blijkt een volwaardig bassin van interacties te zijn, en in het westen van het bestudeerde gebied tekent zich een ruimtelijke realiteit gericht op Asse en Halle af. Waals-Brabant vertoont een geografie die sterk afhangt van de aard van de interacties: het vormt een geheel op het vlak van woon-werkverplaatsingen en vier afzonderlijke bassins op het vlak van mobiele telefonie (Tubize/Braine-l’Alleud/Nivelles, de driepool Wavre/Ottignies/Louvain-la-Neuve en Jodoigne in het oosten). Sommige clusters van plaatsen zijn dus heel stabiel, andere zijn onzekerder, wat bepaalde resultaten die gepubliceerd zijn voor andere steden [Lawlor et al., 2012] en de vele facetten van een stad bevestigt.

  4. De Brusselse gemeenschappen strekken zich uit tot over de gewestgrenzen, wat de politieke opsplitsing in drie gewesten enigszins omverwerpt. Het is dus zaak om zeer voorzichtig te zijn en deze realiteiten te beheersen door middel van speciaal daarvoor bestemde theorieën en instrumenten. Want hoe kan er een coherent beleid gevoerd worden als de waargenomen grenzen niet stroken met de planningsgrenzen [ter bevestiging van De Maesschalk et al., 2015 of Liu et al., 2015 voor andere plaatsen en andere problematieken] ? Bijgevolg kunnen we ons ook vragen stellen bij de conclusies van onderzoeken die zich beperken tot Vlaanderen of Wallonië (al dan niet met Brussel erbij). Wat echter verrassender is, is dat de grenzen van de gemeenschappen vaak overeenstemmen met de provinciegrenzen, ook al zullen die grenzen wellicht verdwijnen [Thomas et al., 2017].

  5. De gehanteerde methodes zijn vooral van toepassing op big data. We weten dat de overheids- en privédiensten momenteel beschikken over nooit eerder vrijgegeven en gegeorefereerde bronnen van onbenutte gegevens. We kunnen hen dan ook alleen maar aanmoedigen om zich uit te rusten met specifieke instrumenten en documentatiecentra of deze gegevens toegankelijk te maken, want ze maken het mogelijk om moeilijk meetbare realiteiten (bijvoorbeeld de dag- en nachtpopulatie via telefoongesprekken) te analyseren. Ze vormen een reëel potentieel om meer inzicht te krijgen in de stedelijke processen en om de planning en het bestuur te verbeteren.

30Data sciences en big data zijn nieuwe, interessante instrumenten voor stadsanalisten. Toch is het zaak om niet alleen verwonderd te zijn over de cartografische en technologische vooruitgang, maar ook om goed te begrijpen welke nieuwe wegen zij kunnen banen om de stedelijke complexiteit te vatten, te meten en in modellen te gieten. Tot deze discussie hebben we met dit artikel een aanzet trachten te geven.

Bijlage. Gemeenten van de voormalige provincie Brabant

Bijlage. Gemeenten van de voormalige provincie Brabant
Haut de page

Bibliographie

ADAM, A., DECUYPER, A., DELVENNE, J-C., THOMAS, I., 2017. On the robustness of the Louvain Method to detect communities: examples on Brussels (ingediend)

ANAS, A., ARNOTT, R., SMALL, K., 1998. Urban spatial structure. In: Journal of Economic Literature. vol. 36, nr. 3, pp. 1426-1464

BLONDEL, V., GUILLAUME, J., LAMBIOTTE, R., LEFEBVRE, E., 2008. Fast unfolding of communities in large networks. In: Journal of statistical mechanics: theory and experiment. 10/2008, vol. 2008, nr. 10, P10008.

BLONDEL, V., KRINGS, G., THOMAS, I., 2010. Regio’s en grenzen van mobiele telefonie in België en in het Brussels stadsgewest, In: Brussels Studies. 10/2010, nr. 42, 12 p. Beschikbaar op https://brussels.revues.org/804

BOUSSAUW, K., ALLAERT, G., WITLOX, F., 2012. Colouring inside what lines? Interference of the urban growth boundary and the political-administrative border of Brussels. In: European Planning Studies. Vol. 21, nr. 10, pp. 1509-1527

DEBUSSCHERE, M., LUSYNE, P., DEWITTE P., BAEYENS, Y., DE MEERSMAN, F., SEYNAEVE, G., WIRTHMANN, A., DEMUNTER, C., REIS, F., REUTER, H., 2017. Big data en statistiek: om het kwartier een volkstelling ... Beschikbaar op http://statbel.fgov.be/nl/binaries/analyse_bigdata_nl_tcm325-281473.pdf

DECUYPER, A., CLOQUET, C., THOMAS, I., DELVENNE, J.-C. , 2017. On the issue of aggregation for community detection in social networks (to be submitted)

DELVENNE, J.-C., SCHAUB, M.T., YALIRAKI, S.N., BARAHONA, M., 2013. The stability of a graph partition: A dynamics-based framework for community detection. In: Dynamics On and Of Complex Networks, Vol. 2, pp. 221–242.

DE MAESSCHALK, F., DE RIJCK, T., HEYLEN, V., 2015. Over de grens: sociaal-ruimtelijke relaties tussen Brussel en Vlaams-Brabant. In: Brussels Studies. nr. 84. Beschikbaar op: https://brussels.revues.org/1255

DOBRUSZKÈS, F., VANDERMOTTEN, C., 2006. Eléments pour une géographie des clivages philosophiques à Bruxelles. In: L’Espace Géographique, vol. 35, pp. 31-43.

DUJARDIN, C., THOMAS, I., TULKENS, H., 2007. Quelles frontières pour Bruxelles ? Une mise à jour. In: Reflets et Perspectives de la Vie Economique, Vol. XLVI –2007, nr. 2-3, pp. 155-176.

DURANTON, G., 2015. Delineating Metropolitan Areas: Measuring Spatial Labor Market Networks Through Commuting Patterns, In: T. WATANABE et al. (Eds.). The Economics of Interfirm Networks. Advances in Japanese Business and Economics 4, pp. 107-132.

EGGERICKX, T., HERMIA J.-P., SURKIJN, J., WILLAERT, D., 2012. Migraties in België. In: Monografieën van de Socio-economische Enquête 2001, nr. 2, Brussel, FOD Economie en Federaal Wetenschapsbeleid. 200 p.

EXPERT, P., EVANS, T., BLONDEL, V., LAMBIOTTE, R., 2011. Uncovering space-independent communities in spatial networks. In: Proceedings of the National Academy of Sciences. vol. 108, nr. 19, pp. 7663-7668.

FORTUNATO, S., 2010. Community detection in graphs. In: Physics Reports. 02/2010, vol. 486, nr. 3-5, pp. 75-174.

FRED, A., JAIN, A., 2003. Robust data clustering. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. vol. 2, pp. II-128.

FUJITA, M., THISSE, J.-F., 2013. Economics of agglomeration. Cities, Industrial Location, and Globalization. Cambridge University Press, 528 p.

GASPAR, J., GLAESER, E., 1998. Information technology and the future of cities. In: Journal of Urban Economics, vol. 43, nr. 1, pp. 136-156.

IOANNIDES, Y., 2012. From Neighborhoods to Nations: The Economics of Social Interactions. Princeton University Press.

HAO, J., ZHY, J., ZHONG, R., 2015. The rise of big data on urban studies and planning practices in China: Review and open research issues. In: Journal of Urban Management. 12/2015, vol. 4, nr. 2, pp. 92-124.

LAWLOR, A., COFFEY, C., MCGRATH, R., POZDNOUKHOV, A., 2012. Stratification structure of urban habitats, Maynooth University reprint. Beschikbaar op eprintsprod.nuim.ie/3940/1/AP_stratified_habitats.pdf

LIU, X., GONG, L., GONG, Y., LIU, Y., 2015. Revealing travel patterns and city structure with taxi trip data, In: Journal of Transport Geography. 02/2015, vol. 43, pp. 78–90.

NEWMAN, M., GIRVAN, M., 2004. Detecting community structure in networks. In: The European Physical Journal B. 03/2004, vol. 38, nr. 2, pp. 321–330.

PUMAIN, D., 2017. Geography far from equilibrium, In: JOHNSON, J. et al. (Eds), Non-equilibrium social science and Policy, Springer International, pp. 71-80.

RATTI, C., SOBOLEVSKY, S., CALABRESE, F., ANDRIS, C., READES, J., MARTINO, M., CLAXTON, R., STROGATZ, S., 2010. Redrawing the map of Great-Britain from a network of human interactions. In: PlosOne. 08/12/2010, vol. 5, nr. 12, e14248.

SAGL, G., DELMELLE, E., DELMELLE, E., 2014. Mapping collective human activity in an urban environment based on mobile phone data. In: Cartography and Geographic Information Science. vol. 41, nr. 3, pp. 272-285.

SUI, D., 2004. Tobler's First Law of Geography: A Big Idea for a Small World? In: Annals of the Association of American Geographers. vol. 94, nr. 2, pp. 269-277.

THOMAS, I., ADAM, A., VERHETSEL, A., 2017. Migration and commuting fields within Belgium: A new geography with a community detection algorithm. In: e-Belgeo (wordt herzien)

THOMAS, I., COTTEELS, C., JONES, J., PEETERS, D., 2012. Revisiting the extension of the Brussels urban agglomeration: new methods, new data… new results? In: e-Belgeo (online). Beschikbaar op http://belgeo.revues.org/6074?lang=nl

THOMAS, I., VERHETSEL, A., LORANT, V., 2009. Le recensement de la population : un requiem ? In: Regards Economiques. nr 67, 8 p.

TOBLER, W. 1970. A computer movie simulating urban growth in the Detroit region. Economic Geography: 234-240.

VAN CRIEKINGEN, M., 2006. Welke toekomst voor de Brusselse centrumwijken? In: Brussels Studies, nr. 1. Beschikbaar op http://brussels.revues.org/293

VANDERMOTTEN, C., 2016. Adéquations et inadéquations du découpage territorial aux contextes politiques et économiques. Le cas de la Belgique. In: EchoGéo, nr. 35.

VANDERMOTTEN, C., LECLERCQ, E., CASSIERS, T., WAYENS, B., 2009. De Brusselse economie. In: Brussels Studies, Synthesenota's. Beschikbaar op http://brussels.revues.org/934

VAN HAMME, G., GRIPPA, T., VAN CRIEKINGEN, M., 2016. Migratiebewegingen en dynamische processen in de Brusselse wijken. In: Brussels Studies, 97. Beschikbaar op: http://brussels.revues.org/1337

VAN HECKE, E., HALLEUX, J.-M., DECROLY, J.-M., MÉRENNE-SCHOUMAKER, B., 2007. Woonkernen en stadsgewesten in een verstedelijkt België. In: Monografieën van de Socio-economische Enquête 2001, nr. 9, Brussel, FOD Economie en Federaal Wetenschapsbeleid. 201 p.

VERHETSEL, A., VAN HECKE, E., THOMAS, I., BEELEN, M., HALLEUX, J., LAMBOTTE, J., RIXHON, G., MÉRENNE-SHOUMACKER, B., 2009. Pendel in België. De woon-werkverplaatsingen De woon-schoolverplaatsingen. In: Monografieën van de Socio-economische Enquête 2001, nr. 10, Brussel, FOD Economie en Federaal Wetenschapsbeleid, 217 p.

ZANDBERGEN, P., 2009. Accuracy of iPhone Locations: A comparison of assisted GPS, WiFi and cellular positioning. In: Transactions in GIS, nr. 13, pp. 5-25.

ZHONG, C., ARISONA, S., HUANG, X., BATTY, M., SCHMITT, G., 2014. Detecting the dynamics of urban structure through spatial network analysis. In: International Journal of Geographical Information Science, 2178-2199.

Haut de page

Notes

1 De Thiessen-polygoon rond een welbepaalde antenne bestaat uit de plaatsen die zich dichter bij die antenne bevinden dan bij de andere antennes.

2 De methode van Jenks is een methode voor discretisatie, die de variantie binnen categorieën minimaliseert en de variantie tussen categorieën maximaliseert.

Haut de page

Table des illustrations

Titre Figuur 1. Schematische weergave van de detectie van groepen in een netwerk op basis van (A) hun overeenkomsten en (B) interacties
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-1.png
Fichier image/png, 172k
Titre Figuur 2. Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de statistische sectorenFiguur 3. Communities op basis van de woon-werkverplaatsingen 2011 op schaal van de gemeeten
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-2.jpg
Fichier image/jpeg, 1,8M
Titre Figuur 4. Stromen van het pendelverkeer tussen de community 1 (Leuven), 2 (Brussel) en alle andere Belgische communities (a)
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-3.png
Fichier image/png, 388k
Titre Figuur 5. Optimale indeling in communities op basis van de woonmigratiegegevens uit 2011
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-4.png
Fichier image/png, 1,2M
Titre Figuur 6. Mobiele telefoniebassins op schaal van de Thiessen-polygonen rond de antennesFiguur 7. Mobiele telefoniebassins voor geaggregeerde gegevens op schaal van de gemeenten
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-5.jpg
Fichier image/jpeg, 1,2M
Titre Figuur 8. Mobiele telefoonbassins op schaal van de Thiessen-polygonen rond de antennes overdag (8a) en 's nachts (8c), evenals de onzekerheid van de indelingen (8b en 8d)
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-6.jpg
Fichier image/jpeg, 1,4M
Titre Figuur 9. Mobiele telefoonbassins (zoom op het centrum van Brussel)
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-7.jpg
Fichier image/jpeg, 784k
Titre Bijlage. Gemeenten van de voormalige provincie Brabant
URL http://journals.openedition.org/brussels/docannexe/image/1598/img-8.png
Fichier image/png, 2,6M
Haut de page

Pour citer cet article

Référence électronique

Arnaud Adam, Jean-Charles Delvenne et Isabelle Thomas, « Cartografie van de interactiegebieden in en rond Brussel: pendelverkeer, verhuizingen en telefoongesprekken », Brussels Studies [En ligne], Collection générale, n° 118, mis en ligne le 18 décembre 2017, consulté le 22 avril 2018. URL : http://journals.openedition.org/brussels/1598  ; DOI : 10.4000/brussels.1598

Haut de page

Auteurs

Arnaud Adam

Arnaud Adam behaalde een master in geografie en doctoreert momenteel aan de Université catholique de Louvain (C.O.R.E. - Center of Operation Research and Econometrics). Door middel van big data en de toepassing van nieuwe methodologieën analyseert hij de relaties van de mens met zijn omgeving, met bijzondere aandacht voor het Brussels grootstedelijk gebied.
a.adam[at]uclouvain.be

Jean-Charles Delvenne

Jean-Charles Delvenne is professor toegepaste wiskunde aan de Université catholique de Louvain (C.O.R.E. - Center of Operation Research and Econometrics et I.C.T.E.A.M. - Institute of Information and Communication Technologies, Electronics and Applied Mathematics) en verricht vooral onderzoek naar datamining en de modelvorming van dynamieken op de grote sociale, geografische, biologische en technologische grafen.
jean-charles.delvenne[at]uclouvain.be

Isabelle Thomas

Isabelle Thomas is geografe, onderzoeksdirectrice bij het FRS-FNRS en buitengewoon hoogleraar aan de Université catholique de Louvain (C.O.R.E. - Center of Operation Research and Econometrics). Ze verricht vooral onderzoek naar de lokalisatie van menselijke activiteiten, met bijzondere aandacht voor statistische en cartografische instrumenten en tools voor kwantitatieve modelvorming.
isabelle.thomas[at]uclouvain.be

Articles du même auteur

Haut de page

Droits d’auteur

Licence Creative Commons Licence CC BY

Haut de page
  • Logo BSI
  • Logo Innoviris
  • Logo Région Bruxelles-Capitale
  • OpenEdition Journals