Résumé
Nous proposons une méthode originale de détection d'agrégats pour données ponctuelles dans le cadre spatial. Cette problématique se retrouve notamment dans le domaine de l'épidémiologie, lorsque l'on souhaite identifier les régions dans lesquelles le nombre de cas d'une maladie est anormalement élevé. La procédure classique consiste à calculer la statistique de balayage ("scan statistic") de Kulldorff~(1997): l'indice de concentration utilisé est basé sur un rapport de vraisemblance et cette concentration est maximisée sur une collection de cercles, voire d'ellipses, répartis sur la zone d'observation. La première nouveauté consiste à s'appuyer sur une collection d'agrégats possibles de taille limitée et dont les éléments sont de formes très diverses. Pour celà, nous utilisons la méthode de Bar-Hen \textit{et al.}~(2007) qui consiste à associer au processus ponctuel une collection de graphes associés et nous limitons les agrégats potentiels à l'ensemble des composantes connexes de ces graphes. La seconde nouveauté est l'introduction d'un nouvel indice de concentration spatiale adapté de celui introduit par Cucala~(2008) dans un cadre temporel. L'application de ces méthodes à des jeux de données épidémiologiques, ainsi qu'une étude de simulation, montrent que ces deux méthodes ont des performances similaires à la statistique de balayage classique alors qu'elles sont beaucoup plus rapides. On s'aperçoit également que l'indice de concentration spatiale introduit est sensiblement meilleur que celui utilisé habituellement.