Changement identitaire et revendications régionalistes du Kansaï au Japon

Depuis quelque temps, au Japon, on utilise de plus en plus le terme « Kansaï » pour désigner la région du Kinki (littéralement « le voisinage de la capitale »). Cette thèse propose d’analyser l’émergence de cette entité régionale et de son discours culturel dans le but de pallier le manque de recherches antérieures sur la diversité socioculturelle et le régionalisme au Japon. Il y existe, d’une part, une volonté de considérer le Japon comme une entité homogène, et d’autre part, un contexte dans lequel le Japon lui-même prône l’homogénéité de son peuple. Historiquement, ces énoncés ont été réfutés à plusieurs reprises par différents chercheurs et organismes. Entre-temps, sur le plan régional, la diversité devient de moins en moins clairement observable dû à l’urbanisation, aux moyens de transport, à la migration interne et au développement des médias de masse. Cette situation à l'époque post-industrielle a engendré aujourd’hui le discours régionaliste du Kansaï. Dans ce contexte, cette étude porte spécifiquement sur le discours culturel concernant la région et la population du Kansaï, c’est-à-dire la région Kinki, où étaient situés les anciennes capitales et le berceau de l’État japonais du Yamato. On observe une modification et une transformation de cette région depuis l’époque Tokugawa. À partir de l’époque Meiji, l'intégration spatiale de l’archipel japonais est devenue indissociable de l’émergence de l’État soi-disant « moderne ». En outre, une distinction existe toujours entre le Japon de l’Ouest (Kansaï) et le Japon de l’Est (Kantō) qui repose sur des différences de coutumes et de mentalités, ainsi que sur des variations linguistiques : une dichotomie mieux représentée de nos jours par l’opposition entre les villes d’Osaka et de Tokyo. Aujourd’hui, le Japon permettre une centralisation continuelle à Tokyo et l’équilibre du pouvoir sur le plan économique s’en trouve fragilisé. Dans cette thèse, j’examine l’émergence de l’entité Kansaï dans ce contexte socio-économique, depuis l’arrivée du phénomène que les Kansaïens appellent « l’affaissement de terrain » du Kansaï, le jibanchinka, jusqu’aux revendications récentes pour l’introduction d’un système quasi-fédéraliste, le dōshū-sei, dans le contexte du développement régional déséquilibré du pays. En m'appuyant sur mon enquête effectuée sur terrain auprès des gens du Kansaï, je soutiens que leur discours régionaliste est bel et bien existant, mais ne repose pas sur l’homogénéité de la région. Il repose plutôt sur la position du Kansaï en tant qu’antithèse à la tendance centralisatrice perçue par les Kansaïens comme étant plutôt de nature tokyoïte. Leur discours met l’accent sur la diversité existant à l’intérieur même de la région tout en soulignant que celle-ci constitue l’entité kansaïenne. Mots-clés : Japon, Kinki, Kansai, Osaka, Nihonjinron, région, villes, discours culturel, État-nation, multiculturalisme, Oda Sakunosuke, Tanizaki Jun’ichiro.

Dynamic Programming Approaches for Estimating and Applying Large-scale Discrete Choice Models

People go through their life making all kinds of decisions, and some of these decisions affect their demand for transportation, for example, their choices of where to live and where to work, how and when to travel and which route to take. Transport related choices are typically time dependent and characterized by large number of alternatives that can be spatially correlated. This thesis deals with models that can be used to analyze and predict discrete choices in large-scale networks. The proposed models and methods are highly relevant for, but not limited to, transport applications. We model decisions as sequences of choices within the dynamic discrete choice framework, also known as parametric Markov decision processes. Such models are known to be difficult to estimate and to apply to make predictions because dynamic programming problems need to be solved in order to compute choice probabilities. In this thesis we show that it is possible to explore the network structure and the flexibility of dynamic programming so that the dynamic discrete choice modeling approach is not only useful to model time dependent choices, but also makes it easier to model large-scale static choices. The thesis consists of seven articles containing a number of models and methods for estimating, applying and testing large-scale discrete choice models. In the following we group the contributions under three themes: route choice modeling, large-scale multivariate extreme value (MEV) model estimation and nonlinear optimization algorithms. Five articles are related to route choice modeling. We propose different dynamic discrete choice models that allow paths to be correlated based on the MEV and mixed logit models. The resulting route choice models become expensive to estimate and we deal with this challenge by proposing innovative methods that allow to reduce the estimation cost. For example, we propose a decomposition method that not only opens up for possibility of mixing, but also speeds up the estimation for simple logit models, which has implications also for traffic simulation. Moreover, we compare the utility maximization and regret minimization decision rules, and we propose a misspecification test for logit-based route choice models. The second theme is related to the estimation of static discrete choice models with large choice sets. We establish that a class of MEV models can be reformulated as dynamic discrete choice models on the networks of correlation structures. These dynamic models can then be estimated quickly using dynamic programming techniques and an efficient nonlinear optimization algorithm. Finally, the third theme focuses on structured quasi-Newton techniques for estimating discrete choice models by maximum likelihood. We examine and adapt switching methods that can be easily integrated into usual optimization algorithms (line search and trust region) to accelerate the estimation process. The proposed dynamic discrete choice models and estimation methods can be used in various discrete choice applications. In the area of big data analytics, models that can deal with large choice sets and sequential choices are important. Our research can therefore be of interest in various demand analysis applications (predictive analytics) or can be integrated with optimization models (prescriptive analytics). Furthermore, our studies indicate the potential of dynamic programming techniques in this context, even for static models, which opens up a variety of future research directions.