Aperçu

Résumé (français)

Durant les dernières années, plusieurs auteurs ont examiné les changements dans la répartition de la pauvreté au sein des villes nord-américaines. La plupart de ces travaux empiriques ont porté sur deux points dans le temps. Cet article vise à apporter une contribution méthodologique pour l’étude du changement dans les quartiers, en comparant deux méthodes de classification : l’une bien connue (le K-means) et l’autre plus récente (Latent Class Growth Modelling; LCGM) pour identifier les groupes de secteurs de recensement ayant suivi des trajectoires de pauvreté similaires dans la région métropolitaine de Montréal (Canada). Les trajectoires sont identifiées sur une période de vingt ans en utilisant cinq années de recensement (1986, 1991, 1996, 2001, 2006). La performance relative du LCGM versus le k-means a été évaluée à l’aide d’une série de régressions logistiques multinomiales examinant comment les différentes variables socio-économiques ont été associées avec les trajectoires de pauvreté. Les deux méthodes permettent d’identifier à la fois des trajectoires de pauvreté stables, ascendantes et descendantes. Toutefois, le LCGM est très légèrement plus performant que le k-means.

Résumé (anglais)

In recent years several studies have examined changes in the distribution of poverty in the North American cities, with most empirical work assessing neighbourhood change between two time points. This paper aims to make a methodological contribution to the study of neighbourhood change, by comparing two classification methods, one classical (k-means clustering) the other more novel (Latent Class Growth Modelling; LCGM) to identify groups of census tracts having followed similar trajectories of poverty in the Montreal metropolitan area, Canada. Here trajectories of poverty are measured over a twenty year period, using five time points. The relative performance of the LCGM vs. the k-means clustering was assessed using a series of multinomial logistic regressions examining how different socioeconomic variables were associated with the trajectories of poverty. Results showed that k-means and LCGM identified similar groups of census tracts characterised by ascending, descending, or stable poverty levels throughout the period, with LGCM only marginally outperforming k-means clustering.