À l'adolescence, la dépression et l'anxiété peuvent avoir de graves conséquences sur le développement personnel et social. Les risques associés aux troubles intériorisés sont d'autant plus sévères que ceux-ci s'accompagnent, dans certains cas, d'une consommation de psychotropes. L'objet de la présente étude exploratoire vise à déterminer, auprès de jeunes adolescents présentant des troubles intériorisés, si la consommation de psychotropes est associée à la persistance de ces troubles 12 puis 24 mois plus tard. L'échantillon initial est composé de 93 adolescents. Les troubles intériorisés ont été diagnostiqués à l'aide du Diagnostic Interview Schedule for Children et la consommation de psychotropes évaluée avec l'Indice de Gravité d'une Toxicomanie pour adolescents. Les résultats 12 mois plus tard suggèrent que la gravité consommation de drogues est associée à la non persistance des troubles intériorisé. Puis, 24 mois plus tard, le maintien des troubles intériorisés est prédit par la consommation hebdomadaire de dépresseurs et par l'augmentation de la consommation de drogues du premier au second temps de mesure. Les résultats obtenus sont interprétables selon l'hypothèse de l'automédication et sont discutés dans une perspective d'intervention.

Le secteur du bâtiment représente plus du tiers de la consommation énergétique et des émissions de gaz à effet de serre mondiales. Face à cet enjeu, des stratégies passives ont permis d'améliorer l'efficacité énergétique des bâtiments. À mesure que les technologies passives se rapprochent de leur limite physique d'efficacité, il devient nécessaire de s'intéresser à des technologies actives. Les stratégies de contrôle par modèle prédictif ont le potentiel de réduire la consommation énergétique des systèmes de chauffage, climatisation, ventilation, conditionnement de l'air et de production d'eau chaude domestique. Une difficulté limitant leur implantation dans les bâtiments provient du besoin de prédire des paramètres influencés par le comportement des occupantes et des occupants qui apparait stochastique, complexifiant le développement de modèles de prédiction. Dans ce contexte, cette thèse se concentre à évaluer des méthodes basées sur les données pour estimer la prédictibilité de la consommation d'eau chaude domestique et d'électricité dans un bâtiment résidentiel. L'impact d'une prédictibilité variable sur les performances est évalué lors de l'implémentation de ces modèles de prédiction dans des contrôleurs par modèle prédictif appliqués à des systèmes de production d'eau chaude domestique. Premièrement, la prédictibilité des profils de consommation d'eau chaude est évaluée à partir de profils mesurés dans un bâtiment résidentiel de 40 logements. Plus précisément, des réseaux de neurones sont entraînés à prédire cette consommation pour des systèmes de tailles variables allant d'un à 100 logements. Le niveau de prédictibilité est identifié comme étant proportionnel au nombre de logements et hautement variable pour des systèmes unifamiliaux, passant de très faible à élevé (c.-à-d., coefficient de détermination allant de 8 à 92% avec une moyenne de 58%). Les résultats montrent une difficulté à prédire précisément les pics de consommation, souvent sous-estimés lorsqu'une faible prédictibilité est observée. Puisqu'un contrôleur par modèle prédictif base ses décisions sur les prédictions, une faible prédictibilité pourrait impacter les performances en termes d'économie d'énergie et de respect des contraintes applicables à un système de production d'eau chaude. Deuxièmement, l'impact du niveau de prédictibilité des profils de consommation d'eau chaude sur les performances de contrôleurs par modèle prédictif est estimé. Les performances d'un contrôleur par modèle prédictif théorique employant des prédictions parfaitement précises sont comparées avec celles obtenues avec un contrôleur employant des prédictions imparfaites produites par les réseaux de neurones entraînés précédemment. Pour un système unifamilial, le principal effet des prédictions imparfaites sur les performances est le non-respect plus fréquent des contraintes de température dû à une incapacité à agir suffisamment en avance en préparation aux futurs pics de consommation d'eau chaude sous-estimés. Néanmoins, en comparaison avec une commande traditionnelle, des économies d'énergie allant de 4 à 8% ont été obtenues avec le contrôleur employant les prédictions imparfaites. En prédisant les périodes de pointe énergétique, les contrôleurs par modèle prédictif ont la capacité de réduire les pointes de consommation énergétique en déplaçant une partie de cette consommation vers les périodes hors-pointes. Dans cette optique, plusieurs modèles de prédiction basés sur les données sont entraînés afin de prédire la consommation d'électricité de logements unifamiliaux liée à l'éclairage et à l'utilisation des prises de courant sur plusieurs horizons allant de 10 minutes à 24 heures. Les arbres de décision renforcés (boosted) par le gradient sont identifiés comme étant la méthode produisant la meilleure qualité de prédiction. Une grande variabilité quant au niveau de prédictibilité est observée entre les logements, ce qui pourrait affecter la capacité des contrôleurs à réduire la consommation énergétique de pointe dans certains cas. Finalement, un dernier chapitre explore le potentiel d'un contrôleur par modèle prédictif employant les modèles de prédiction de la demande en eau chaude et de la consommation d'électricité pour prédire les périodes de pointe. Les résultats démontrent une plus grande différenciation entre les contrôleurs par modèle prédictif avec prédictions parfaites et imparfaites, le premier permettant de réduire d'avantage la consommation énergétique de pointe du chauffe-eau en prédisant plus précisément les périodes de pointe ainsi que la demande en eau chaude domestique correspondante. En comparaison avec la commande traditionnelle, des économies d'énergie pendant les périodes de pointe allant de 10 à 70% (moyenne de 26%) selon l'unité résidentielle étudiée ont été obtenues avec le contrôleur basé sur les prédictions imparfaites. Globalement, cette thèse représente un grand pas vers l'application future des contrôleurs par modèle prédictif basés sur l'apprentissage machine dans les bâtiments résidentiels, et les résultats obtenus démontrent le potentiel de cette stratégie de contrôle face à la réduction de la consommation d'énergie des systèmes de production d'eau chaude domestique unifamiliaux. / The building sector accounts for more than a third of the worldwide energy consumption and greenhouse gas emissions. Facing these challenges, passive strategies have allowed to increase the energy efficiency of buildings. As these passive technologies are reaching their efficiency limits, it is necessary to turn our interest to active technologies. Model predictive control strategies have the potential to reduce the energy consumption of heating, cooling, ventilation and air conditioning as well as domestic hot water production systems. One of the challenges towards their application in buildings is the requirement to predict parameters that are influenced by occupants' behavior that appears to be stochastic. In this context, this thesis focuses on evaluating data-based methods to estimate the predictability of domestic hot water and electricity consumption profiles in a residential building. The impact of a varying predictability on the performance is evaluated by implementing these forecasting models in model predictive controllers applied to domestic hot water production systems. First, the predictability of domestic hot water consumption profiles is evaluated from profiles measured in a 40-unit case-study residential building. More specifically, neural networks are trained to predict this consumption for systems of varying size ranging between one and 100 units. The level of predictability is identified as proportional to the number of units and shows high variability for single-family systems, starting at very low and reaching high levels (i.e., coefficient of determination from 8 to 92% with a mean of 58%). Results show that accurately predicting consumption peaks is a challenge and often results in underestimating their amplitude when a low predictability is observed. As the decisions of model predictive controllers are based on predictions, a low predictability could impact their energy-saving performance and ability to respect the constraints of domestic hot water production systems. Thus, the impact of the level of predictability of hot water consumption profiles on the performance of model predictive controllers is estimated. The performance of a theoretical model predictive controller relying on perfectly accurate predictions are compared with that of a controller using imperfect predictions produced by the previously trained neural networks. In single-family systems, the main impact of imperfect predictions on the performance is more violations of the storage temperature constraint due to the inability to act sufficiently in advance in preparation of underestimated future hot water consumption peaks. Nonetheless, comparing with a traditional controller, energy savings from 4 to 8% were obtained with the predictive controller relying on imperfect forecasts. By predicting energy-peak periods, the predictive controllers have the ability to reduce peak energy consumption by moving parts of the energy consumption to off-peak periods. In this context, many data-based prediction models are trained to predict the plug load and lighting electricity consumption of single-family residential units over horizons of 10 minutes to 24 hours. Gradient-boosted regression trees are identified as the method providing the highest prediction quality. A high variability is observed for the level of predictability between residential units, which could affect the controllers' ability to reduce electricity consumption peaks in some cases. Finally, a last chapter explores the potential of a model predictive controller using the prediction models of the domestic hot water demand and of the electricity consumption to forecast electricity-peak periods. As the electricity consumption was demonstrated as challenging to predict in many contexts, the impact of forecasting inaccuracies on the performance of controllers is even more displayed here. The results show that the model predictive controllers with perfect or imperfect predictions are more differentiated, with the first managing to reduce more the electricity-consumption peaks of the water heater by accurately predicting peak periods along with the corresponding domestic hot water demand. Compared with a traditional controller, peak-period energy savings ranging from 10 to 70% (mean of 26%) were obtained with the controller relying on imperfect forecasts depending on the studied residential unit. Globally, this thesis is a major step towards future application of model predictive controllers based on machine learning in residential buildings. The results demonstrate the potential of this control strategy to reduce the energy consumption of single-family domestic hot water systems.

Le secteur du bâtiment représente plus du tiers de la consommation énergétique et des émissions de gaz à effet de serre mondiales. Face à cet enjeu, des stratégies passives ont permis d'améliorer l'efficacité énergétique des bâtiments. À mesure que les technologies passives se rapprochent de leur limite physique d'efficacité, il devient nécessaire de s'intéresser à des technologies actives. Les stratégies de contrôle par modèle prédictif ont le potentiel de réduire la consommation énergétique des systèmes de chauffage, climatisation, ventilation, conditionnement de l'air et de production d'eau chaude domestique. Une difficulté limitant leur implantation dans les bâtiments provient du besoin de prédire des paramètres influencés par le comportement des occupantes et des occupants qui apparait stochastique, complexifiant le développement de modèles de prédiction. Dans ce contexte, cette thèse se concentre à évaluer des méthodes basées sur les données pour estimer la prédictibilité de la consommation d'eau chaude domestique et d'électricité dans un bâtiment résidentiel. L'impact d'une prédictibilité variable sur les performances est évalué lors de l'implémentation de ces modèles de prédiction dans des contrôleurs par modèle prédictif appliqués à des systèmes de production d'eau chaude domestique. Premièrement, la prédictibilité des profils de consommation d'eau chaude est évaluée à partir de profils mesurés dans un bâtiment résidentiel de 40 logements. Plus précisément, des réseaux de neurones sont entraînés à prédire cette consommation pour des systèmes de tailles variables allant d'un à 100 logements. Le niveau de prédictibilité est identifié comme étant proportionnel au nombre de logements et hautement variable pour des systèmes unifamiliaux, passant de très faible à élevé (c.-à-d., coefficient de détermination allant de 8 à 92% avec une moyenne de 58%). Les résultats montrent une difficulté à prédire précisément les pics de consommation, souvent sous-estimés lorsqu'une faible prédictibilité est observée. Puisqu'un contrôleur par modèle prédictif base ses décisions sur les prédictions, une faible prédictibilité pourrait impacter les performances en termes d'économie d'énergie et de respect des contraintes applicables à un système de production d'eau chaude. Deuxièmement, l'impact du niveau de prédictibilité des profils de consommation d'eau chaude sur les performances de contrôleurs par modèle prédictif est estimé. Les performances d'un contrôleur par modèle prédictif théorique employant des prédictions parfaitement précises sont comparées avec celles obtenues avec un contrôleur employant des prédictions imparfaites produites par les réseaux de neurones entraînés précédemment. Pour un système unifamilial, le principal effet des prédictions imparfaites sur les performances est le non-respect plus fréquent des contraintes de température dû à une incapacité à agir suffisamment en avance en préparation aux futurs pics de consommation d'eau chaude sous-estimés. Néanmoins, en comparaison avec une commande traditionnelle, des économies d'énergie allant de 4 à 8% ont été obtenues avec le contrôleur employant les prédictions imparfaites. En prédisant les périodes de pointe énergétique, les contrôleurs par modèle prédictif ont la capacité de réduire les pointes de consommation énergétique en déplaçant une partie de cette consommation vers les périodes hors-pointes. Dans cette optique, plusieurs modèles de prédiction basés sur les données sont entraînés afin de prédire la consommation d'électricité de logements unifamiliaux liée à l'éclairage et à l'utilisation des prises de courant sur plusieurs horizons allant de 10 minutes à 24 heures. Les arbres de décision renforcés (boosted) par le gradient sont identifiés comme étant la méthode produisant la meilleure qualité de prédiction. Une grande variabilité quant au niveau de prédictibilité est observée entre les logements, ce qui pourrait affecter la capacité des contrôleurs à réduire la consommation énergétique de pointe dans certains cas. Finalement, un dernier chapitre explore le potentiel d'un contrôleur par modèle prédictif employant les modèles de prédiction de la demande en eau chaude et de la consommation d'électricité pour prédire les périodes de pointe. Les résultats démontrent une plus grande différenciation entre les contrôleurs par modèle prédictif avec prédictions parfaites et imparfaites, le premier permettant de réduire d'avantage la consommation énergétique de pointe du chauffe-eau en prédisant plus précisément les périodes de pointe ainsi que la demande en eau chaude domestique correspondante. En comparaison avec la commande traditionnelle, des économies d'énergie pendant les périodes de pointe allant de 10 à 70% (moyenne de 26%) selon l'unité résidentielle étudiée ont été obtenues avec le contrôleur basé sur les prédictions imparfaites. Globalement, cette thèse représente un grand pas vers l'application future des contrôleurs par modèle prédictif basés sur l'apprentissage machine dans les bâtiments résidentiels, et les résultats obtenus démontrent le potentiel de cette stratégie de contrôle face à la réduction de la consommation d'énergie des systèmes de production d'eau chaude domestique unifamiliaux. / The building sector accounts for more than a third of the worldwide energy consumption and greenhouse gas emissions. Facing these challenges, passive strategies have allowed to increase the energy efficiency of buildings. As these passive technologies are reaching their efficiency limits, it is necessary to turn our interest to active technologies. Model predictive control strategies have the potential to reduce the energy consumption of heating, cooling, ventilation and air conditioning as well as domestic hot water production systems. One of the challenges towards their application in buildings is the requirement to predict parameters that are influenced by occupants' behavior that appears to be stochastic. In this context, this thesis focuses on evaluating data-based methods to estimate the predictability of domestic hot water and electricity consumption profiles in a residential building. The impact of a varying predictability on the performance is evaluated by implementing these forecasting models in model predictive controllers applied to domestic hot water production systems. First, the predictability of domestic hot water consumption profiles is evaluated from profiles measured in a 40-unit case-study residential building. More specifically, neural networks are trained to predict this consumption for systems of varying size ranging between one and 100 units. The level of predictability is identified as proportional to the number of units and shows high variability for single-family systems, starting at very low and reaching high levels (i.e., coefficient of determination from 8 to 92% with a mean of 58%). Results show that accurately predicting consumption peaks is a challenge and often results in underestimating their amplitude when a low predictability is observed. As the decisions of model predictive controllers are based on predictions, a low predictability could impact their energy-saving performance and ability to respect the constraints of domestic hot water production systems. Thus, the impact of the level of predictability of hot water consumption profiles on the performance of model predictive controllers is estimated. The performance of a theoretical model predictive controller relying on perfectly accurate predictions are compared with that of a controller using imperfect predictions produced by the previously trained neural networks. In single-family systems, the main impact of imperfect predictions on the performance is more violations of the storage temperature constraint due to the inability to act sufficiently in advance in preparation of underestimated future hot water consumption peaks. Nonetheless, comparing with a traditional controller, energy savings from 4 to 8% were obtained with the predictive controller relying on imperfect forecasts. By predicting energy-peak periods, the predictive controllers have the ability to reduce peak energy consumption by moving parts of the energy consumption to off-peak periods. In this context, many data-based prediction models are trained to predict the plug load and lighting electricity consumption of single-family residential units over horizons of 10 minutes to 24 hours. Gradient-boosted regression trees are identified as the method providing the highest prediction quality. A high variability is observed for the level of predictability between residential units, which could affect the controllers' ability to reduce electricity consumption peaks in some cases. Finally, a last chapter explores the potential of a model predictive controller using the prediction models of the domestic hot water demand and of the electricity consumption to forecast electricity-peak periods. As the electricity consumption was demonstrated as challenging to predict in many contexts, the impact of forecasting inaccuracies on the performance of controllers is even more displayed here. The results show that the model predictive controllers with perfect or imperfect predictions are more differentiated, with the first managing to reduce more the electricity-consumption peaks of the water heater by accurately predicting peak periods along with the corresponding domestic hot water demand. Compared with a traditional controller, peak-period energy savings ranging from 10 to 70% (mean of 26%) were obtained with the controller relying on imperfect forecasts depending on the studied residential unit. Globally, this thesis is a major step towards future application of model predictive controllers based on machine learning in residential buildings. The results demonstrate the potential of this control strategy to reduce the energy consumption of single-family domestic hot water systems.

Le but de cette recherche est de démontrer la nécessité et l'efficacité du compteur d'eau dans la gestion de l'eau potable. L'eau est une ressource indispensable pour le développement de la vie. Cependant, avec les changements climatiques, la répartition de l'eau et sa disponibilité sont en train de se modifier. Il y sera démontré que son utilisation exige donc une saine gestion, d'où connaître les volumes d'eau fournis, et aussi les volumes d'eau consommés; de là on pourrait déduire la quantité d'eau perdue (les fuites et les utilisateurs illégaux). Donc le compteur d'eau s'impose comme outil de mesure. Les objectifs de ce mémoire sont de démontrer l'efficacité de cet appareil dans le contrôle de l'eau, ainsi que sa nécessité pour connaître la consommation de chaque usager (industrie, commerce, institution, résidence unifamiliale, bloc de logement, usage public,...) et de démontrer que son installation généralisée permet de cibler plus précisément les fuites d'eau, ainsi que l'important rôle qu'il joue dans la conservation de l'eau par son impact modérateur. En dernier, démontrer qu'il permet d'établir une tarification compatible avec l'utilisation de l'eau. On a simulé une ville typique avec et sans compteurs d'eau pour montrer l'impact de son utilisation. Par la suite on a fait la comparaison entre les deux. On présente aussi plusieurs villes avec implantation de compteurs, ainsi qu'une description des types de compteurs, leurs efficacités, leur durée de vie, leur entretien, leur remplacement et leurs coûts. On décrit aussi la tarification et son impact sur la conservation de l'eau en l'associant au compteur d'eau. L'utilisation généralisée des compteurs d'eau mènera à un bilan hydrique détaillé et aura comme impact direct une utilisation rationnelle de cette ressource. Les données obtenues ainsi que les résultats de la simulation par logiciel EXCEL montrent que les compteurs d'eau sont nécessaires dans le cas d'une tarification selon le principe de l'utilisateur-payeur. De plus, les pays européens avec compteur d'eau et tarification démontrent que l'on peut réduire la consommation d'eau potable.

Introduction: II existait, en 2001, une très grande disparité géographique dans I'incidence d'utilisation des hormones thyroïdiennes (HT) entre les territoires de centre local de services communautaires (CLSC) au Québec. Comme de tels excès géographiques n'étaient pas liés à une variation dans les pratiques médicales, l‘hypothèse des facteurs environnementaux pourrait expliquer cette situation. Compte tenu que certaines études de type cas-témoins et de cohortes suggèrent la possibilité d'un lien entre I'exposition aux BPC, à des niveaux élevés d'l, au tabagisme et I'accroissement du risque d'hypothyroïdie, I'objectif de cette étude était de vérifier s'il existait une relation entre I'incidence de ('utilisation des HT synthétiques au Québec par territoires de CLSC et la proportion de sujets exposés à ces facteurs de risques via leurs habitudes de vie. Ceci à des fins d'exploration de facteurs qui pourraient expliquer, du moins en partie, la disparité géographique de I'incidence locale d'hypothyroïdie au Québec. Méthodes : Pour ce faire, I'incidence de I'hypothyroïdie fut estimée sur la base de I'utilisation des HT synthétiques par territoires de CLSC. L'exposition aux BPC fut considérée anormalement élevée chez les consommateurs de huit repas de poissons et plus par mois. L'exposition à I'l fut considérée anormalement élevée pour une consommation de trois repas et plus par mois de fruits de mer. La proportion de fumeurs réguliers pour chaque territoire de CLSC fut considérée pour le tabagisme. Les données de consommation d'HT parmi les personnes assurées par le régime public d'assurance médicaments du Québec ont servi à estimer I'incidence de I'hypothyroïdie de 1998 à 2001 chez les hommes pour 154 des 169 territoires de CLSC du Québec et chez les femmes pour 157 territoires. Séparément par sexe, elles ont été mises en relation avec des données sur la consommation de poissons et de fruits de mer (Enquête santé sur les usages et perceptions du Saint-Laurent (1995)) ainsi que sur la proportion de fumeurs réguliers (Enquête sociale et de santé 1998). Les données provenant de ces différentes sources ont d'abord été ramenées sur une base de territoire de CLSC. Les proportions de grands consommateurs de poissons (> huit repas par mois) et de fruits de mer (> trois repas par mois) ont pu être estimées pour une cinquantaine de territoires alors que la proportion de fumeurs réguliers était disponible pour la presque totalité des territoires. Résultats : La proportion de grands consommateurs de poissons, de fruits de mer et de fumeurs réguliers ne sont pas liées au taux d'incidence standardisé d'utilisation d'HT (cas/100 000 personnes de 1998 à 2001) par territoire de CLSC, ni chez les hommes, ni chez les femmes. La relation avec la proportion de fumeurs réguliers est significative pour les deux sexes dans les modèles de régression linéaire multiple (RLM ; hommes : n = 49, p < 0,001 ; femmes : n = 55, p < 0,004). Conclusion : Cette étude écologique ne permet pas d'établir un lien entre la consommation de poissons et de fruits de mer ainsi que le tabagisme et I'incidence de I’hypothyroïdie. L'association significative dans la RLM entre le taux d'incidence standardisé d'utilisation d'HT et la proportion de fumeurs réguliers est visiblement affectée par trois territoires de CLSC de la Côte-Nord qui ont à la fois une forte proportion de fumeurs ainsi qu'un taux élevé d'incidence standardisé d'utilisation d'HT. L'information sur le type d'hypothyroïdie (franche ou subclinique) n'étant pas disponible, il est plausible que cela masque une association entre les variables indépendantes et I’hypothyroïdie franche. II se peut également qu'un seuil minimal d'exposition aux BPC ou aux composés chimiques contenus dans la fumée de cigarette soit nécessaire pour avoir un effet sur la thyroïde. Enfin, l'exposition au sélénium contenu dans le poisson et les fruits de mer pourrait représenter un facteur protecteur contre le développement de I’hypothyroïdie.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

L’objectif de cette recherche est de contribuer à la connaissance des pratiques d’achat et de consommation d’un groupe d’individus formant une famille. Cette recherche doctorale explore les notions de crise, d’événements et d’accidents de vie à l’échelle familiale et leurs influences sur les pratiques d’achat et consommation. L’approche choisie est longitudinale, le travail de collecte de données s’étend sur plus de 3 ans et combine plusieurs techniques de collectes de données. Le protocole utilisé est celui de l’ethnomarketing, méthode de recherche inspirée de l’anthropologie et de l’ethnographie appliquée en marketing. Ce travail s’est centré sur l’étude de l’influence des grands changements de la vie de famille (les naissances, départ de enfants de la maison, départ à la retraite, décès par exemple) ainsi que les crises (crise financière de 2008 par exemple) sur la consommation, l’analyse a été menée à l’aide de technique d’analyse thématique et sémiotique. Ce mémoire doctoral présente la méthodologie de recherche, la narration des portraits de six des familles suivies, l’analyse intra-famille et inter-famille, la discussion théorique et les apports managériaux. Le travail réalisé fait émerger l’importance de la perception de l’individu sur l’événement. Par ailleurs, la notion d’identité apparaît centrale dans la compréhension de l’influence des changements. Cette recherche ouvre également sur une réflexion autour des notions suivantes : l’autre, l’objet, les lieux et les temps dans la consommation. / The goal of this thesis is to expand our understanding of purchasing and consumption practices for a group of individuals that make up a family. We explore the notions of crisis, events, life accidents, turning points at the family level, and their influences on buying and consumption practices. We adopt a longitudinal approach with data collection extending over more than 3 years and combine several data collection techniques. The protocol used is ethnomarketing, a research method adapted from anthropology and ethnography to marketing research. The research focuses on the influence of major life changes (e.g., births, children leaving home, retirement, death) and crises (the 2008 economic crisis for example) on consumption practices with analysis carried out using thematic analysis and semiotics. This doctoral thesis starts with a look at the research methodology, followed by a description of six of the families studied, intra-familial and inter-family analysis, theoretical discussion and finally managerial contributions. The thesis highlights the importance of the individual’s perception of the event. Furthermore, the idea of identity is a key factor in understanding the influence of changes and crises. This research also considers the following notions- others, objects, places and times - in consumption practices.