Analyse des facteurs influant sur le choix des véhicules électriques partagés
La mobilité urbaine durable est devenue un enjeu central pour les villes du XXIe siècle, confrontées à la nécessité de réduire leurs émissions de carbone et d’optimiser l’utilisation des infrastructures de transport. Dans ce contexte, le partage de véhicules électriques (VEP) s’est imposé comme une solution prometteuse, combinant les avantages de l’économie collaborative avec ceux de la propulsion propre. Bien que ce mode de transport connaisse une croissance rapide, son déploiement soulève des défis complexes liés à la planification des stations, à la gestion de la demande et à l’intégration avec les autres modes de transport. Pour relever ces défis, il est essentiel de comprendre en profondeur les mécanismes qui sous-tendent les choix des usagers, au-delà des simples corrélations statistiques.
Une étude récente publiée dans le Journal of Transportation Engineering and Information apporte des éclairages inédits sur ces questions, en s’appuyant sur une analyse fine des données opérationnelles d’un système de véhicules électriques partagés à Chengdu, une métropole pionnière dans ce domaine. Réalisée par Liao Yang, Luo Xia et Wang Hongjie, chercheurs à l’École de transport et de logistique de l’Université Jiaotong du Sud-Ouest et au Laboratoire national d’application de la technologie des mégadonnées pour le transport intégré, cette recherche se distingue par la rigueur de sa méthodologie et par son ambition de fournir des recommandations concrètes aux opérateurs et aux décideurs urbains.
L’approche adoptée par les auteurs est fondamentalement différente des études antérieures. Plutôt que de se contenter d’analyser les caractéristiques des trajets ou de modéliser la demande de manière linéaire, ils ont cherché à déconstruire les multiples dimensions qui influencent la décision de prendre un VEP. Leur point de départ a été la reconnaissance d’un phénomène fondamental souvent négligé : la dépendance spatiale et temporelle. En d’autres termes, la demande dans une station donnée n’est pas un événement isolé ; elle est influencée par la demande dans les stations voisines et par les tendances de la journée ou de la semaine. Ignorer cette dépendance revient à construire un modèle fondé sur des hypothèses erronées, conduisant à des prévisions inexactes et à des décisions de planification inefficaces.
Pour intégrer ces effets, Liao Yang, Luo Xia et Wang Hongjie ont développé un cadre analytique novateur qu’ils ont baptisé « S-T+S+T+5D ». Ce système de quantification des facteurs d’influence repose sur quatre piliers principaux : les caractéristiques spatio-temporelles (S-T), les attributs des stations (S), les attributs du transport public (T) et les caractéristiques de l’environnement bâti (5D). L’innovation réside dans la manière dont chaque dimension a été définie et mesurée, en s’éloignant des méthodes conventionnelles pour adopter des approches plus nuancées et réalistes.
La première avancée concerne la méthode d’agrégation spatiale. Traditionnellement, les études regroupent les stations en zones carrées, ce qui peut déformer les relations de voisinage. Ici, les chercheurs ont opté pour des grilles hexagonales, qui offrent une représentation plus naturelle des connexions entre les stations, car chaque cellule a six voisins équidistants. Cependant, ce choix soulève un nouveau problème : comment déterminer le centre de chaque zone ? Une méthode classique, comme le centre de gravité géométrique, pourrait mal représenter la réalité opérationnelle. Pour y remédier, les auteurs ont mis en place une procédure d’optimisation qui déplace le centre de la zone de manière à minimiser la distance euclidienne totale entre ce point et toutes les stations qu’il contient. Cette approche, plus complexe mais plus fidèle à la réalité, garantit que le point central est effectivement le plus accessible pour les usagers de toutes les stations du groupe.
La deuxième innovation porte sur la définition des points d’intérêt (POI). Au lieu de se limiter à la densité de POI dans une zone, l’étude intègre trois dimensions supplémentaires : la densité, la proximité et l’agglomération. La densité est la mesure classique du nombre de POI par unité de surface. La proximité évalue la distance moyenne entre une station et les POI de chaque catégorie (par exemple, les restaurants, les hôpitaux, les universités). L’agglomération, quant à elle, est une dimension plus subtile, mesurée par un indice de dispersion ponctuelle. Cet indice permet de distinguer une zone où les services sont répartis de manière uniforme d’une zone où ils sont fortement concentrés en clusters. Cette distinction est cruciale, car une forte agglomération de services crée un effet d’attraction beaucoup plus puissant qu’une simple densité élevée. Les POI ont été classés en cinq grandes catégories (résidentielle, commerciale, de loisir, culturelle et de service) et douze sous-catégories, permettant une analyse fine de l’influence de chaque type d’activité urbaine.
Une fois ce système de quantification établi, la question suivante était de choisir le modèle d’identification le plus adapté. Les auteurs ont construit et comparé trois modèles distincts : le Modèle Linéaire Généralisé (GLM), le Modèle de Forêt Aléatoire (RF) et le Modèle Additif Généralisé Mixte (GAMM). Le GLM est un outil classique en statistique, qui suppose des relations linéaires entre les variables. Il est simple et interprétable, mais son hypothèse de linéarité est souvent trop rigide pour capter la complexité des comportements urbains. Le RF, en revanche, est un algorithme d’apprentissage automatique puissant, capable de détecter des relations non linéaires et des interactions complexes. Cependant, il fonctionne comme une « boîte noire », ce qui rend difficile la compréhension des mécanismes sous-jacents à ses prédictions.
Le GAMM, choisi comme modèle principal, représente un compromis idéal entre ces deux approches. Il combine la flexibilité du RF pour modéliser des relations non linéaires (grâce à des fonctions de lissage) avec la transparence du GLM. De plus, il peut intégrer des effets aléatoires, ce qui lui permet de tenir compte de l’hétérogénéité non observée entre les zones. Cette capacité est essentielle pour capturer la dépendance spatiale. Le véritable test de la supériorité du GAMM a été effectué en examinant les résidus de chaque modèle, c’est-à-dire la part de la demande qui n’est pas expliquée. Si un modèle est bon, ces résidus doivent être aléatoires et ne pas présenter de structure spatiale. Or, les résultats ont montré que les résidus du GLM et du RF présentaient une autocorrélation spatiale significative, indiquant qu’une part importante de la variation de la demande n’était pas prise en compte. En revanche, les résidus du GAMM étaient spatialement aléatoires, démontrant qu’il avait réussi à expliquer la dépendance spatiale et offrant ainsi une base beaucoup plus solide pour des décisions de planification.
Les résultats de l’analyse menée avec le GAMM sont riches en enseignements. Le premier constat est que les attributs des stations sont le facteur le plus influent sur la demande. Parmi ceux-ci, la capacité de stationnement se distingue par un effet de seuil très clair. La demande augmente de manière significative lorsque la capacité de la zone passe de 0 à 70 véhicules, ce qui est logique : une plus grande capacité rassure les usagers sur la disponibilité du service. Cependant, au-delà de 70 véhicules, la demande commence à diminuer. Ce phénomène peut s’expliquer par plusieurs facteurs. D’abord, une station très grande augmente considérablement les coûts d’exploitation pour l’opérateur. Ensuite, elle peut devenir un labyrinthe pour l’usager, qui doit parcourir de longues distances à pied pour trouver un véhicule disponible, ce qui nuit à l’expérience utilisateur. Enfin, une offre très abondante peut signaler une surcapacité, ce qui peut dissuader les usagers. Ce résultat est fondamental : il montre que plus n’est pas toujours mieux, et que les opérateurs doivent chercher un point d’équilibre optimal entre la disponibilité du service et l’efficacité opérationnelle.
Un autre facteur critique lié aux stations est la distance entre elles. L’analyse a révélé une relation en forme de U inversé : lorsque deux stations sont trop proches l’une de l’autre, elles entrent en concurrence directe, divisant la demande potentielle et réduisant l’efficacité de chacune. À l’opposé, si elles sont trop éloignées, elles laissent des « zones mortes » sans service, poussant les usagers vers d’autres modes de transport. Le point optimal, où la demande agrégée est maximisée, a été identifié à environ 2 kilomètres. Cette distance représente un compromis entre la couverture du service et la minimisation de la concurrence interne. Elle fournit une règle d’or précieuse pour les opérateurs lors de la création de nouvelles stations : elles doivent être assez proches pour assurer une bonne accessibilité, mais assez éloignées pour éviter de cannibaliser les stations existantes.
L’analyse du transport public a également livré des résultats contre-intuitifs. Plutôt que de voir le VEP comme un concurrent direct du métro ou du bus, l’étude révèle une relation complexe, oscillant entre la concurrence et la complémentarité selon les distances. Concernant le métro, la relation est particulièrement intéressante. Dans un rayon de 2 kilomètres autour d’une station de métro, la présence du transport en commun tend à réduire la demande de VEP. Cela suggère que les usagers préfèrent le métro pour les trajets courts et directs, où sa rapidité et sa fiabilité sont inégalées. Cependant, au-delà de ce seuil de 2 kilomètres, la dynamique s’inverse : la demande de VEP augmente avec la distance au métro. Cela révèle un potentiel énorme de complémentarité. Le VEP n’est pas un substitut au métro, mais un complément stratégique. Il peut combler les lacunes de service dans les quartiers périphériques mal desservis, agissant comme un excellent service de « dernier kilomètre » ou même comme une alternative pour des trajets de moyenne distance.
Un résultat similaire a été observé pour les grands nœuds de transport, comme les gares ferroviaires et les gares routières. La proximité de ces hubs est fortement corrélée à une demande élevée de VEP, indiquant que le service est perçu comme un moyen efficace de se connecter au réseau de transport extra-urbain. En revanche, la proximité d’un aéroport est associée à une demande plus faible. Cela s’explique par la présence de services de transport dédiés (taxis, navettes) et par le fait que les aéroports sont souvent situés en périphérie, où les coûts et les temps de trajet rendent le VEP moins attractif.
L’environnement bâti a également été analysé en profondeur. L’intensité de l’usage mixte du sol, mesurée par l’entropie fonctionnelle, présente une relation en forme de U inversé. Des niveaux modérés de mixité (résidences, commerces, services) favorisent le VEP, car ils créent un environnement dynamique avec de multiples destinations à proximité. Cependant, dans les zones de très haute densité et de mixité extrême, la demande commence à baisser. Cela peut être dû à la congestion, à la pénurie de places de stationnement, ou à la présence d’alternatives de mobilité très efficaces, comme un réseau de transport public de grande capacité. Ce résultat nuance la vision simpliste selon laquelle une urbanisation dense et mixte est toujours bénéfique pour tous les modes de transport partagé.
Enfin, l’étude a identifié que la densité de lieux de divertissement, la proximité des universités et l’agglomération des établissements de santé sont des facteurs positifs et significatifs. Cela confirme que le VEP est particulièrement populaire pour les déplacements non liés au travail, comme les loisirs, l’éducation ou les soins de santé. La forte corrélation avec les universités suggère que le service est bien accepté par les étudiants, un groupe démographique clé pour l’adoption de nouvelles technologies de mobilité.
En conclusion, la recherche de Liao Yang, Luo Xia et Wang Hongjie constitue une avancée majeure dans la compréhension de la mobilité partagée. En adoptant un modèle GAMM et un système de quantification « S-T+S+T+5D » sophistiqué, ils sont parvenus à dépasser la simple description des tendances pour révéler les mécanismes causaux sous-jacents aux choix des usagers. L’étude démontre que la gestion efficace d’un système de VEP exige une approche fondée sur des données, qui prenne en compte non seulement la quantité de véhicules, mais aussi l’interaction complexe entre l’espace, le temps, l’infrastructure et l’environnement urbain. À mesure que les villes continuent de croître et de se transformer, ce type d’analyse rigoureuse sera essentiel pour créer des systèmes de transport plus efficaces, durables et centrés sur l’usager.
Liao Yang, Luo Xia, Wang Hongjie, Southwest Jiaotong University, Journal of Transportation Engineering and Information, DOI: 10.19961/j.cnki.1672-4747.2024.05.011