Soutenance de thèse de Clémence de ROLLAND

Direction de thèse : Mme Caroline BAYART Université de Nîmes
Discipline : Sciences économiques

Titre : Nouveaux éclairages sur les angles morts de la connaissance de la demande de transport : mobiliser des sources de données et des méthodes dédiées

Mots-clés : Données passives, Matrice origine-destination, Report modal, Mobilité urbaine, Décarbonation des transports

Résumé :
Le secteur des transports est le premier secteur émetteur de gaz à effet de serre (GES) en France en 2019, avec 136 tCO2eq soit 31% du total national. De plus, c’est aussi le seul secteur pour lequel les émissions ont augmenté entre 1990 et 2019 (Citepa, 2022). Ainsi, « la réalisation des objectifs d’atténuation du climat nécessiterait des changements en profondeur dans le secteur des transports » (IPCC, 2022). Parmi ces changements, il y a la diminution de la part modale des voitures thermiques. En effet, le transport routier à lui seul représente 93% des émissions de GES du secteur des transports en France, dont 53% pour les voitures particulières (Citepa, 2022). De nombreuses politiques publiques sont mises en place pour encourager ce report modal : tarification ou fiscalité adaptée, ou subventions de nouveaux projets d’infrastructures. Pour que ces actions soient le plus efficientes possibles, il faut qu’elles soient correctement ciblées et adaptées aux besoins des citoyens. Or, dans un contexte dans marqué par l’incertitude et par des chocs (pandémie de COVID-19, crise énergétique, inflation, changement climatique…), il est de plus en plus difficile de connaître ces besoins de manière précise et actualisée et d’avoir des données sur les comportements de mobilité. En effet, les sources de données les plus utilisées sont les enquêtes de déplacement, dont la périodicité est assez faible (5 à 10 ans), les coûts engendrés importants, et les effectifs enquêtés assez faibles. Pour les compléter, une des réponses apportées par la recherche est la fusion de sources de données passives, afin d’évaluer de manière précise la demande en déplacements. Les travaux sur ce sujet sont relativement récents et nécessitent d’être complétés. La plupart des recherches combinent seulement deux sources, ne mobilisent pas des données complémentaires pour valider les résultats et sont très spécifiques à un territoire. De plus, l’analyse des données obtenues par fusion pour l’évaluation du report modal est aussi rarement faite dans la littérature. Ces constats conduisent donc à la problématique suivante : Comment fusionner de multiples sources de données pour apporter une information plus précise et régulière sur les comportements de mobilité urbaine et utiliser cette information pour évaluer le potentiel de report modal ? Pour répondre à cette question, le travail doctoral sera séparé en plusieurs étapes. La première étape sera le développement d’une méthodologie de fusion des sources de données passives pour reconstituer des matrices origine-destination les plus complètes possibles. Les données utilisées seront des données de téléphonie mobile, des données billettiques, des données embarquées en véhicules et des comptages routiers. Cette méthodologie se basera sur les méthodologies existantes de reconstitution de matrices origine-destination à partir des données de téléphonie mobile (Zhang et al., 2020), qui seront associées aux méthodologies existantes de fusion de sources deux à deux, comme celle élaborée par de Regt et al.(2017), pour construire une méthodologie intégrée. Les matrices obtenues seront comparées aux matrices obtenues par les enquêtes de déplacement pour vérifier leur cohérence. Ensuite, à partir des flux par mode, les axes pour lesquels le potentiel de report modal est le plus élevé seront identifiées (volume important de déplacement, part faible des modes décarbonés). Pour cela, les indicateurs développés par Poirier (2021) seront complétés. Enfin, la méthode sera appliquée à la fois à Lyon et à Montréal pour vérifier qu’elle est reproductible, et comparer les déplacements et potentiels dans les deux villes.