Analyse du réseau des grands aéroports mondiaux de 2018 :

Il s'agira ici grâce au logiciel GEPHI de faire une démonstration des analyses de réseaux possibles grâce à celui-ci.

Voici dans un premier temps la représentation standard du réseau international aéroportuaire. Les aéroports sélectionnés sont de classe mondiale avec plus de 1.5 millions de passagers par an, bien que les plus influents dépassent les 80 millions (Paris, Londres, Moscou...).

La représentation du réseau n'est pas optimale, ce paramètre sera rectifié au fur et à mesure du traitement. Sur l'interface du logiciel il est possible de voir les différentes interactions entre les aéroports et leurs orientations, on parle alors des départs et des arrivées.

Le graphe ci-dessus permet déjà d'extraire et analyser quelques données comme le degré ou connections des aéroports dans le réseau en général, en arrivées et en départs. Ces données peuvent être visualisées au moyen de ce graphique :

Ces graphiques permettent donc de voir quels aéroports pèsent plus lourd que les autres dans le réseau et induire une première piste de réflexion.

Il est possible d'illustrer ces graphiques grâce à la figure suivante :

Ce graphe de voir les la connexité de chaque aéroport avec le reste du réseau. La taille des symbole est proportionnelle au nombre d'arrivées et de départs d'un aéroport vers les autres. Il est issu de l'algorithme "Force Atlas 2" créé par Mathieu Jacomy en 2011. Il permet de voir en outre les complémentarités entre les nœuds (ici aéroports).

Pour une meilleure représentation de la hiérarchie stricto sensu des aéroports, il est possible d'utiliser l'algorithme de "Fruchterman Reingold" + une expansion. Cet algorithme créé par Thomas Fruchterman et Edward Reingold en 1991, va permettre de créer un graphe basé sur un modèle d'attraction plaçant au centre les nœuds ayant les poids les plus importants. En dehors de la hiérarchisation il est bien moins efficace que le précédent:

Ci-dessous : Fruchterman Reingold + expansion

Maintenant que l'on connait la hiérarchie du réseau d'aéroports mondiaux, il est possible d'approfondir l'analyse. Pour cela il faudrait mesurer le nombre de plus courts chemins qui traversent un nœud ou en d'autres termes mesurer la centralité du nœud dans le réseau. Pour cela il est possible d'utiliser l'algorithme "Betweeness centrality" ou "Centralité de l'entre-deux". A noter que les nœuds qui se trouvent le plus souvent sur des chemins les plus courts ont des scores de centralité d’entre-deux plus élevés et sont les ponts entre les différents clusters (que nous verrons par la suite).

La longueur moyenne du plus court chemin entre deux aéroports est ici de 2.6 liens. Donc il faut 2.6 voyage en moyenne dans le monde pour passer d'un aéroport à un autre. Il faut prendre cette affirmation avec mesure car cela repose sur une valeur moyenne, en fonction de la distance, des relations culturelles, commerciales et géopolitiques certains aéroports communiquent plus que d'autres.

Voici le graphe montrant les nœuds (aéroports) apparaissant le plus fréquemment sur les plus courts chemins entre les autres nœuds. Cela permet de voir les aéroports jouant les plus grand rôle dans le réseau et définir les liens ou arcs avec la plus forte intermédiarité. L'intermédiarité se définirait ici comme les aéroports et lignes de vols les plus importantes et pouvant impacter le plus fortement le réseau jusqu'à le scinder en plusieurs parties si elles venaient à disparaitre.

Il est aussi possible de représenter les clusters ou groupements d'aéroports en fonction de leurs interactions.

On peut voir que les aéroports de grande importance interagissent beaucoup entre eux et font donc parties du même cluster.

Grâce à l'algorithme de détection de communautés ou algorithme de modularité il est possible de voir graphiquement le nombre de clusters. Ici avec une résolution de 1.0 (petit chiffre qui permet de voir un grand nombre de clusters), il en résulte le graphique ci-dessous :

Il y a donc six communautés d'aéroports dans ce monde. Ces communautés calculées en fonction du "Coefficient de clustering" sont issues d'une mesure du regroupement des aéroports dans le réseau. Plus précisément, ce coefficient est la probabilité que deux aéroports soient connectés sachant qu'ils ont un voisin en commun.

Enfin il est aussi possible de "cartographier" ou du moins disposer selon une projection cartographique les différents aéroports du réseau.

I

Pour conclure, cette analyse a permit d'analyser le réseau aéroportuaire mondial, d'analyser la hiérarchie dans ce réseau, d'analyser l'importance de certains aéroports plus que d'autres, et d'en retirer des groupements d'aéroports en fonction de leurs voisinages en commun.

Les données utilisées sont disponibles sur Openflights.org,.

Bien entendu les interprétations et les analyses de cet exemple peuvent être bien plus poussées mais cela n'est pas l'objet de la dimension démonstrative ici voulue.

GEPHI est un logiciel puissant avec un fort potentiel et malheureusement peu utilisé, il permet pourtant d'analyser un réseau rapidement et simplement.

Je tiens à remercier le département de Géographie de l'Université d'Avignon et l'équipe pédagogique du Master GEOTER qui m'a permit de découvrir ce mode de traitement et d'analyse des réseaux ainsi que d'autres.

Merci de votre lecture et désolé pour le floutage des images (problème de format).