Vous êtes sur la page 1sur 56

EFFETS DU TRAC ET DE LTAT DES ROUTES

SUR LA VITESSE ET LA SCURIT


Une premire analyse par quations simultanes non linaires
distinguant entre risque et incertitude

par

Marc Gaudry1,2
Karine Vernier3

1 Agora Jules-Dupuit
ajd@ajd.umontreal.ca

2 Dpartement de sciences conomiques


Universit de Montral

3 Gaz de France (GDF)


Paris
vernier@gazdefrance.com

Cette tude a bnfici de lappui initial dmile Quinet, dun financement de trois annes et des bases de
donnes du Service dtudes techniques des routes et autoroutes (SETRA) du Ministre de lquipement,
du logement, des transports et du tourisme (MELTT) de France et dune bourse dexcellence du
Gouvernement du Canada dtenue par Karine Vernier pendant une anne au Centre de recherche sur les
transports (CRT) de lUniversit de Montral. La contribution de Marc Gaudry a t continuellement
soutenue par la Socit de lassurance automobile du Qubec (SAAQ) dans le cadre du rseau
international de modles de type DRAG et par le Conseil de recherches en sciences naturelles et en gnie
du Canada (CRSNG). Cette contribution a par ailleurs t soutenue en 1998 de manire gnrale par un
poste de chercheur du Centre national de la recherche scientifique (CNRS) au BETA, Universit Louis
Pasteur et UMR CNRS 7522, et de manire spcifique par un sjour comme chercheur tranger invit au
Dpartement valuation et recherche en accidentologie (DERA) de lInstitut national de recherche sur les
transports et leur scurit (INRETS) dArcueil. Les auteurs remercient Jean-Marie Dufour, Marie-Thrse
Goux, Franois Laisney, Sylvain Lassarre, Thomas Lemieux et Urs Maag de leur prcieux conseils et
Francine Dufort, Piotr Tarnovski et Liem Tran de leur soutien reli lusage du progiciel TRIO utilis au
BETA, au CRT, lINRETS et au SETRA. Ce dernier nest en rien responsable de lusage de
linformation fournie aux auteurs, lesquels assument lentire responsabilit des rsultats obtenus et
souhaitent que des informations supplmentaires ventuellement disponibles sur les variables mal
renseignes dans les banques de donnes actuelles permettront de transformer ce modle exploratoire en
outil professionnel.

Bureau dconomie thorique et applique - Working Paper No 9823


Centre de recherche sur les transports - Publication CRT-98-74
Institut national de recherche sur les transports et leur scurit - Rapport INRETS no 224

Novembre 1998. Rvis en juin 2002


Rsum

Le prsent article propose une mthode d'analyse des comportements routiers vis--vis de la
scurit routire et de la vitesse en fonction du trafic et des caractristiques de gomtrie et de
surface routires. Nous laborons une structure simultane permettant de tenir compte des
diffrents ajustements entre confort, vitesse et incertitude lis aux prfrences des usagers. Dans
lesprit de Frank Knight, la formulation adopte distingue, parmi les composantes du risque
observ ou objectif, entre lincertitude ou dangerosit et le risque calcul associ la vitesse. On y
utilise aussi pour la premire fois une mesure empirique nouvelle du risque peru , lesprance
maximale dinscurit EMI, drive de la thorie de lutilit alatoire, avec prcisment
lincertitude comme composante centrale, qui permet disoler le rle de ce facteur parmi les autres
dterminants du choix de vitesse. La structure d'estimation repose sur une modlisation de la
vitesse (moyenne et variance) par un modle non linaire et de la scurit routire (frquence et
gravit) par des modles de choix discret de type Logit autorisant la fois non linarit et
stratification endogne de l'chantillon. Il serait donc possible, sans engagement de frais trop
importants, de complter la base de donnes utilise pour y inclure les variables dsires et
corriger dventuels biais prsents si ces variables ntaient pas orthogonales celles dont nous
disposions.

Mots cls: accidents de la route, frquence, gravit, vitesse moyenne, cart-type des vitesses,
structure multiniveaux DRAG, simultanit, Frank Knight, incertitude, risque,
esprance maximale dinscurit EMI, infrastructure, trac, gomtrie, surface,
structure de la chausse, non linarit, mthode du maximum de vraisemblance , Box-
Cox, Logit, stratification endogne dchantillons, progiciel de rgression TRIO,
points de probabilit, lasticits, France, stations SIREDO, SETRA, MELTT.

Abstract

This paper presents a method to analyze the user's attitude toward speed and road safety in relation
to traffic, road design and surface characteristics. A simultaneous structure makes it possible to
take into account the trade-offs among comfort, speed and uncertainty dependent upon user
preferences. Our formulation notably distinguishes between two components of observed
objective risk, namely calculated risk linked to speed, and uncertainty or dangerousness , in the
manner of Frank Knight. We also use for the first time a new empirical measure of perceived
risk , expected maximum insecurity EMI, derived from random utility theory, with uncertainty at
its core, facilitating the identification of the role of perceived risk among the determinants of
speed choice. The estimation structure consists of three equation groups : the first two explain
accident frequency and severity with discrete choice logit-type models easily admitting of
nonlinearity and choice-based sampling. The speed equations, explaining both the mean and the
variance of speeds, also consist of non linear flexible-form models. Our choice-based sampling
approach permits future completion of the data base at low cost, in order to correct potential biases
due to missing variables that may not be orthogonal to those at our disposal.

i
Keywords: road accidents, frequency, severity, average speed, standard error of speeds,
multilevel DRAG structure, simultaneity, Frank Knight, uncertainty, risk, expected
maximum insecurity EMI, infrastructure, layout, geometry, surface, roadway
structure, non linearity, maximum likelihood method, Box-Cox, Logit, choice-based
sampling, TRIO regression package, probability points, elasticities, France, MELTT,
SETRA, SIREDO stations.

Zusammenfassung

In diesem Artikel wird ein Verfahren vorgestellt, das es erlaubt, die Einstellung des Nutzers zu
Fahrgeschwindigkeit und Verkehrssicherheit in Bezug auf Verkehr, Straenfhrung und
Oberflchencharakteristika zu analysieren. Die simultane Form des Modells erlaubt die von den
Prferenzen der Nutzer abhngende Einbeziehung der Anpassungsmglichkeiten zwischen
Komfort, Geschwindigkeit und Ungewiheit. Die Darstellung ermglicht insbesondere die
Unterscheidung zwischen zwei Komponenten des objektiven (beobachteten) Risikos, nmlich
dem mit der Geschwindigkeit verbundenen berechenbaren Risiko und der Ungewiheit im Sinne
von Frank Knight. Gleichzeitig wird erstmalig ein neues empirisches Ma des aus der
Erwartungsnutzentheorie stammenden Konzepts des wahrgenommenen Risikos (Expected
maximum insecurity EMI) genutzt, das auf die Ungewiheit fokussiert; dies erleichtert die
Identifizierung der Bedeutung des wahrgenommenen Risikos unter den Bestimmungsgrnden der
Geschwindigkeitswahl. Die Schtzstruktur besteht aus drei Gruppen von Gleichungen: Die ersten
beiden erklren Unfallhufigkeiten und ihre Schwere mit diskreten Logit-Modellen, die in
einfacher Form die Einbeziehung von Nichtlinearitt und endogener Schichtung der Stichprobe
ermglichen. Die Geschwindigkeitsfunktion, die auch nichtlineare Gleichungen enthlt, erklrt
gleichzeitig den Mittelwert und die Varianz der Geschwindigkeit. Der Ansatz der endogenen
Stichprobenerhebung erlaubt schlielich die Vervollstndigung der Datenbasis zu niedrigen
Kosten, um mgliche Fehler infolge fehlender Beobachtungen, die nicht orthogonal zu den
verfgbaren sind, zu korrigieren.

Schlsselbegriffe: Verkehrsunflle, Hufigkeit, Schwere, Durchschnittsgeschwindigkeit,


Standardfehler der Geschwindigkeit, Mehrfach geschichtete DRAG
Struktur, Simultanett, Frank Knight, Ungewiheit, Risiko, Expected
maximum insecurity EMI, Infrastruktur, Auslegung, Geometrie, Oberflche,
Straenfhrung, Nichtlinearitt, Maximum Likelihoodmethode, Box-Cox,
Logit, endogene Stichprobenschichtung, TRIO Regressionsprogramm,
Wahrscheinlichkeitspunkte, Elastizitten, Frankreich, MELTT-, SETRA-,
SIREDO-Stationen.

ii
Table des matires

Rsum, Abstract, Zusammenfassung...............................................................................................i

Table des matires .......................................................................................................................... iii

Liste des figures et tableaux .............................................................................................................v

1. Introduction: caractristiques de la chausse et satisfaction de lusager......................................1

2. Le contexte particulier du systme de gestion GiRR-STRATGE .............................................2


2.1. Mesure et prvision des tats de la chausse.........................................................................2
2.2. tats de la chausse, scurit et temps de parcours...............................................................3
2.3. Interactions entre vitesse et scurit......................................................................................4

3. Le modle de comportement ........................................................................................................5


3.1. Formulation intuitive: distinction entre risque et incertitude ................................................5
3.2. Modle estimable ..................................................................................................................7
A. Mesure du risque peru .......................................................................................................7
B. Mesure de la vitesse.............................................................................................................9
C. Limitations des donnes et modle retenu...........................................................................9
D. Base de donnes utilise....................................................................................................10

4. Formulation conomtrique des quations du systme..............................................................13


4.1 Non linarit des variables ...................................................................................................13
4.2. Les quations de scurit routire .......................................................................................13
A. Pertinence des modles de choix discret ...........................................................................14
B. Spcification dun modle Logit non ordonn non linaire ..............................................16
C. Stratification endogne de l'chantillon.............................................................................16
4.3. L'quation de vitesse ...........................................................................................................18

5. Rsultats .....................................................................................................................................20
5.1. Donnes disponibles et tests................................................................................................20
5.2. Rsultats choisis: les quations de scurit .........................................................................21
A. Commentaires statistiques .................................................................................................21
B. Comportement: les vitesses attendues ...............................................................................23
C. Trafic: le pourcentage de poids lourds...............................................................................25
D. Route-dimensions en hauteur et longitudinales: virages et sommets ................................27
E. Route-dimensions en largeur: trois voies...........................................................................29
F. Route-indices de surface: l uni..........................................................................................29
G. Route-indices de surface ou de structure...........................................................................30
5.3. Rsultats complets: l'quation de vitesse.............................................................................31
A. Commentaires statistiques .................................................................................................31
B. Lquation de vitesse moyenne .........................................................................................33
C. Lquation de lcart-type des vitesses..............................................................................34
D. Conclusion.........................................................................................................................36

iii
6. Conclusion gnrale ...................................................................................................................36

7. Rfrences ..................................................................................................................................38

Annexe 1. Description des 78 variables disponibles......................................................................42

Annexe 2. Rsultats relatifs la probabilit et la gravit conditionnelle d'accident ...................45

Annexe 3. Binaires associes aux variables contenant des observations nulles ............................49

iv
Liste des figures et tableaux

Figure 1. Le processus de simulation des politiques dentretien des chausses...............................2


Figure 2. Le cadre multiniveaux simultans retenu .........................................................................5
Figure 3. Base de donnes utilise .................................................................................................11
Figure 4. Vitesses individuelles observes.....................................................................................12
Figure 5. Effet d'une variation de la vitesse moyenne sur la probabilit d'accident ......................24

Tableau 1. Modles de choix discret rcents explicatifs de la gravit ...........................................15


Tableau 2. Modles explicatifs de la vitesse ..................................................................................19
Tableau 3. Groupes dappartenance des variables utilises ou retenues ........................................22
Tableau 4. Estimation de la frquence et de la gravit: lajustement aux observations.................23
Tableau 5. Effets du comportement: vitesse moyenne et cart-type de la vitesse .........................24
Tableau 6. Effets du trafic: le pourcentage de poids lourds ...........................................................26
Tableau 7. Effets de la route: enchanement de trois virages et sommet de rayon variable...........27
Tableau 8. Effets de la route: les lments gomtriques en plan..................................................28
Tableau 9. Effets de la route: les routes trois voies .....................................................................29
Tableau 10. Effets de la route: la surface unie ...............................................................................30
Tableau 11. Rsultat d'estimation de l'quation de vitesse.............................................................32

v
1. Introduction: caractristiques de la chausse et satisfaction de lusager

Cest un lieu commun de dire que les caractristiques de design et dentretien des chausses
impliquent pour les usagers des niveaux de service trs divers. L'objectif de la prsente tude est
donc d'intgrer dans les procdures de dcision d'entretien des chausses la notion de service
l'usager. La plupart des systmes de gestion de chausse existants sont labors en vue de
maintenir le patrimoine structural des chausses. Toutefois, on constate que les intrts relatifs
aux conomies en temps de transport et en scurit routire sont de plus en plus vifs. Les socits
actuelles exigent de meilleurs niveaux de services de la part des infrastructures (Conti et al.,
1990; OCDE, 1987, OCDE, 1996). Cette proccupation rcente commence tre prise en
compte par les gestionnaires routiers, et les activits de recherche et de dveloppement des
systmes de gestions s'orientent progressivement vers la prise en compte de la notion de
satisfaction de l'usager.

Dans les systmes actuels de gestion de chausses la proccupation relative aux niveaux de
service est trs rcente. La plupart des systmes excluent ces proccupations de la comparaison
conomique de diffrentes stratgies d'entretien (par ex. Kulkarni, 1984; Butt et al., 1994) ou,
dans la mesure o ils en tiennent implicitement compte, se contentent d'une considration assez
sommaire. Le raisonnement consiste avancer qu'un entretien de la structure de chausse se
caractrise par la pose d'une nouvelle couche de roulement qui remet neuf l'ensemble des
caractristiques de surface. Pourtant, quand le trafic s'exprime en milliers de vhicules par jour,
des conomies, mmes minimes, peuvent justifier des dpenses pour amliorer l'tat des
chausses. Le modle Highway Design Maintenance (Watanatada et al., 1987), dvelopp par la
Banque Mondiale pour les pays en voie de dveloppement, fait figure de rfrence dans le
domaine. Il intgre explicitement certains cots supports par les usagers, dans l'valuation
conomique de diffrentes stratgies d'entretien. Malheureusement, les relations tablies ne
peuvent pas toujours s'appliquer aux contextes des pays industrialiss et des thmatiques
primordiales comme la scurit routire ne sont pas intgres au modle. Certains pays, comme
la France, ont tent d'intgrer ces proccupations dans les procdures de dcision, mais
l'valuation reste imparfaite (SETRA-CETE Mditerrane, 1997).

La prsente tude concerne le dveloppement du systme de gestion des chausses par


l'administration franaise vis--vis du niveau de service l'usager. Elle permet d'valuer les
relations entre les caractristiques de chausse, la vitesse de parcours et la scurit routire. Les
rsultats de cette tude serviront de base de rflexion pour la construction d'un indice expert
permettant d'intgrer les cots lis ces deux thmatiques dans les procdures de choix de
stratgies d'entretien.

Nous nous proposons d'tudier l'impact des caractristiques de la chausse sur le temps de
parcours et la scurit des usagers. Nous introduisons pour ce faire un modle de comportement
structure simultane. Cette structure permet de prendre en compte les compromis raliss par
l'usager entre vitesse et scurit. De plus, la structure d'estimation propose permet de complter
la base de donnes faible cot, ce qui offre des perspectives intressantes, tant d'un point de
vue des connaissances techniques que de l'avance de la recherche dans le domaine.

1
La section suivante prsente le systme franais de gestion des chausses ; on y justifie aussi le
choix des deux thmatiques, le temps de parcours et la scurit, parmi l'ensemble des
possibilits. La troisime section prsente la structure du modle utilis et introduit la base de
donnes. La quatrime section prcise la formulation conomtrique retenue et la dernire
section commente les principaux rsultats obtenus.

2. Le contexte particulier du systme de gestion GiRR-STRATGE

2. 1. Mesure et prvision des tats de la chausse

En France, depuis 1992, les services de l'quipement dveloppent un systme de gestion de


chausses, la gamme GiRR (Gestion Intelligente des Rseaux Routiers), en vue de grer de
manire plus rationnelle l'entretien du rseau routier. Les donnes permettent de calculer pour
chaque tronon ou section de route du rseau un indice de qualit structurelle, ou note
patrimoine (NP la Figure 1), et un indice de qualit de la couche de roulement, ou note surface
(NS la Figure 1), qui ensemble caractrisent l'tat d'une chausse.

La note patrimoine est un indice expert tabli par agrgation d'indices lmentaires relatifs
l'usure de la structure de la chausse. La valeur de la note est directement relie un cot
conventionnel de travaux de remise en tat. Cela permet d'valuer les cots lis diffrentes
oprations de maintenance. La note surface permet par ailleurs de faire rfrence au niveau de
service l'usager : elle est tablie de la mme manire que la note patrimoine, sur la base
d'indicateurs lmentaires de dfauts superficiels de chausse.

Le module GiRR-STRATGE permet de simuler l'volution de l'tat d'une chausse, en fonction


d'une politique d'entretien et d'une contrainte budgtaire, et d'en valuer les effets moyen et
long terme. Le logiciel incorpore un processus itratif. Chaque itration simule l'volution du
rseau en une anne. Partant de l'tat actuel, le processus applique une loi d'volution, dont on
peut connatre la fiabilit (Vernier, 1998), dtermine en fonction de l'entretien ralis.
L'volution annuelle du rseau, soumis diffrentes pratiques d'entretien, est obtenue par un
produit matriciel utilisant le processus des chanes de Markov.

Figure 1. Le processus de simulation des politiques dentretien des chausses

DONNEES DU RESEAU
DEFINITION DE LA
POLITIQUE
APPLICATION DE LA POLITIQUE
ANNEE+ANNEE+1
LOIS D'EVOLUTION
EVOLUTION DES NOTES NP ET NS

RESULTATS

2
Plusieurs stratgies peuvent tre values, les unes favorisant un meilleur tat de surface, les
autres s'attachant essentiellement aux caractristiques structurelles ou encore combinant ces deux
tats de chausse, tel quindiqu la Figure 1.

Les premiers rsultats d'estimation (SETRA-CETE Mditerrane, 1997) mettent en question la


pertinence de la note surface. En effet, si cette variable combine plusieurs indicateurs
lmentaires de qualit de surface, rien n'indique sa relation avec le confort ressenti par l'usager,
la scurit, les cots d'entretien des vhicules, le temps de parcours, la consommation de
carburant ou le bruit de roulement. Ainsi, les rsultats d'valuation, tablis sur la base d'un
montant de travaux de remise en tat, ne prennent pas en compte les avantages procurs
l'usager par un entretien. Il importe donc d'intgrer de faon plus explicite la notion de
satisfaction des usagers dans les procdures de dcisions du logiciel.

La prsente tude est une premire approche d'une meilleure dfinition de cette note, en terme de
valeur d'usage de l'infrastructure, et plus seulement en termes de cots d'entretien. Pour ce faire,
nous avons confront les indicateurs lmentaires d'tat de surface de la chausse diffrentes
thmatiques lies la satisfaction des usagers. Les rsultats de l'tude constituent une base pour
la dfinition d'une nouvelle note surface qui intgre l'ensemble des cots, supports par les
usagers et par le Matre d'Ouvrage.

2.2. tats de la chausse, scurit et temps de parcours

Les objectifs de lentretien des chausses sont de satisfaire les besoins des usagers, en assurant la
scurit de circulation, la rgularit des parcours, un niveau de confort de conduite correct, et en
limitant les nuisances subies par les riverains (bruit, inscurit, pollution). Le domaine de la
gestion des chausses est particulirement concern par ces diffrentes thmatiques. L'tat des
chausses affecte, en effet, l'ensemble de ces caractristiques. Une chausse plane offre un
confort de conduite correct et autorise une vitesse leve. Au contraire, une chausse dgrade
(fissures, ornires, rparations) rduit le confort de conduite, augmente les temps de parcours et
affecte la scurit routire. Beaucoup d'indicateurs lmentaires sont influents dans le domaine
de la satisfaction des usagers, et certains peuvent mme agir dans des directions opposes. Par
exemple, le niveau de planit de la surface de chausse a un effet positif sur le confort et la
vitesse mais, si l'infrastructure n'est pas conue pour ce niveau de qualit (normes de conception
des tracs gomtriques, largeur des voies...), peut par contre avoir un effet nfaste sur le niveau
de scurit routire.

Comme une tude exhaustive de l'ensemble des paramtres (bruit, confort, consommation de
carburant, scurit, temps de parcours) exige la constitution d'une base de donnes considrable,
nous avons choisi, dans un premier temps, de nous intresser deux thmatiques particulires :
la scurit et le temps de parcours. Ces deux lments nous sont apparus comme les plus
discriminants, et ce pour plusieurs raisons. L'accroissement constant de la mobilit et des
contraintes de dplacements exige un service le plus performant possible en matire de temps de
parcours. Le temps de parcours a fait l'objet de quelques tudes (Watanatada et al., 1987; Planco
Consulting, 1993). Les cots associs une dgradation de ce niveau de service sont apparus trs
levs, compte tenu, notamment, des mthodes d'valuation de la valeur du temps. Planco
Consulting (1993) dtermine le cot du temps de parcours comme fonction des frais matriels

3
proportionnels au temps. Il ralise une proportion entre le temps et le capital investi dans les
vhicules, l'achat, l'amortissement et l'entretien.

La scurit routire est galement une proccupation majeure. L'accident de la route est, en effet,
une des principales causes de mortalit dans les pays dvelopps : en 1998, on trouve peine
moins de 100 000 tus dans les 15 pays de lUnion Europenne et dAmrique du Nord.
lchelle mondiale, on estime 17 millions le nombre de tus par les vhicules automobiles
depuis le dbut du sicle (Bergeron, 1999).

2.3. Interactions entre vitesse et scurit

Un autre argument en faveur du choix de ces deux facteurs repose sur leurs interactions. On
associe gnralement le niveau de scurit routire la vitesse pratique, et inversement. De
plus, on considre souvent que la scurit et le temps de parcours agissent dans des directions
opposes. Il existe, ce sujet, un vritable consensus sur le fait que, toutes choses gales par
ailleurs, la gravit des accidents augmente avec la vitesse et que la probabilit d'observer un
accident augmente avec les carts par rapport la vitesse moyenne du flux de trafic. Il importe
donc d'tablir explicitement les relations pouvant exister entre ces deux lments et de trouver le
meilleur compromis entre la vitesse pratique et la scurit de l'usager.

Malgr laccord gnral sur lexistence de cette interaction, nous navons pas trouv dans la
littrature de modle simultan au sens strict : nous avons trouv des modles o le niveau de
scurit dpend de la vitesse et o la vitesse est elle-mme explique par une autre quation,
cest--dire des modles rcursifs, mais pas de modles o la rtroaction du niveau de risque
attendu ou peru sur la vitesse choisie est simultanment incorpore au modle. Par exemple,
les modles deux niveaux (Cardoso, 1997 et Aljani et al. 1998), ou trois niveaux (Jaeger,
1998), sont rcursifs.

Inspirs par la thorie de lutilit alatoire, nous formulerons dailleurs une mesure du risque
peru qui dpendra du risque associ la vitesse dune part et des caractristiques de la
chausse (et, dans notre modle, du trafic) dautre part. Pour les interprter, nous associerons ces
composantes respectivement au risque , cest--dire risque calculable, et lincertitude, cest-
-dire risque non calculable, au sens classique du livre clbre de Knight (1921).

Quant au rle des caractristiques des chausses, il apparat directement de maintes faons dans
des quations explicatives du niveau de scurit ou de la vitesse prsentes dans la littrature,
mais sans quon le caractrise avec autant dlments que ceux qui nous ont t disponibles.
Barber et al. (1998), par exemple, reprenant le modle de Zeeger et al. (1991), expliquent la
frquence des accidents dans les courbes avec un modle cinq variables dont le trafic et quatre
caractristiques gomtriques des courbes.

4
3. Le modle de comportement

3.1. Formulation intuitive: distinction entre risque et incertitude

L'objectif de la modlisation tant d'valuer la satisfaction de l'usager vis--vis de la vitesse et de


la scurit, la spcification doit permettre d'valuer les prfrences des usagers et l'impact des
caractristiques routires sur le niveau de satisfaction associ.

Cadre multiniveaux. Compte tenu de la perception de l'environnement routier, l'usager va


choisir un niveau de vitesse et percevoir un niveau de risque, sans ncessairement en matriser
les consquences. Ces deux valuations sont dpendantes l'une de l'autre, et la structure du
modle gnral doit en tenir compte, tel quindiqu la Figure 2, o lon reconnat une structure
D-P (Demande-Performance) multiniveaux de type DRAG (Gaudry, 1984) la fois simplifie et
prcise. Dune part, les caractristiques des vhicules M-C tant donnes, lensemble des
activits dautoprotection ou dautoassurance sont rduites au choix de vitesse - on nglige de
reprsenter ltat dentretien des vhicules et le port de la ceinture. Dautre part, la vitesse
choisie V dpend du risque peru dfini comme esprance maximale dinscurit EMI u(A,G):
le risque peru ne dpend pas directement de lensemble N-I des caractristiques de
lenvironnement routier. Seules les caractristiques k(N-I) associes au confort de roulement
choisi jouent ici un rle direct dans le choix de vitesse. Par ailleurs, on tient pour exogne ce
niveau (inobserv) de confort de roulement dtermin conjointement avec la vitesse choisie, qui
elle-mme dtermine un risque spcifique appel risque calcul .

Figure 2. Le cadre multiniveaux simultans retenu


(quation Demande Risque
non routire [( , ), , , ,- , ETC.] dexpo- D
estime) (DR) sition
Frquenc {Risque Incertitude [trafic Conducteur, ETC.} Risque
e calcul, +route+vhicule] de fr-
VICTIMES et quence
gravit
(A) , (G) {(f(V)), (u[(DR, N-I), M-C]), (h (Y-G)) } et de P
gravit
Vitesse {Risque Confort de Vhicule, Conducteur, ETC}
Temps de ralise peru, roulement, Risque
parcours calcul

(V) {(EMI u(A,G)), (k(N-I)), (M-C), (Y-G) . }

Risque et incertitude. Dans ce cadre o la simultanit entre le risque objectif (observ) et la


vitesse est claire, nous ajoutons une prcision importante en dfinissant la variable latente
u[(DR, N-I), M-C] comme gnratrice dincertitude rsiduelle fonction du trafic, de la chausse
et du vhicule, aprs ajustement de la vitesse V par un conducteur de caractristiques gnrales
Y-G possdant une prfrence pour le risque et associant une valeur au temps. Il sagit dune

5
application de lide de Knight (1921) un conducteur pour lequel il y a lieu de distinguer entre
la partie calculable du risque et la partie non calculable.

Cette incertitude dsigne llment de surprise signifi par des notions comme la lisibilit de la
route qui fait que le conducteur subit un risque objectif diffrent de celui qui est calculable ou
prvisible par son choix de vitesse. Sans cette surprise , le risque objectif de frquence ou de
Gravit, A ou G, correspondrait pour cet individu au risque expliqu par la vitesse. Cette
incertitude va ouvrir la porte lintervention du gestionnaire, par exemple en rendant utile
linformation sur ltat de lenvironnement de conduite. Lintervention devrait rduire la surprise
et permettre au conducteur de matriser son risque. Si la surprise tait toujours nulle, la vitesse
choisie expliquerait alors le risque observ, qui lui-mme impliquerait un niveau de risque peru
qui soutiendrait justement cette vitesse choisie.

Car incertitude ne signifie pas absence de prise en compte, par le biais du risque peru. Ceci est
compatible avec lide de Knight, pour lequel lincertitude, qui prsente des caractristiques
vaguement Bayesiennes, nest pas prcisment dfinissable, mais est saisissable intuitivement
de manire globale beaucoup mieux que de manire spcifique ( directe , dans son langage) :
nous parlons alors de dangerosit pour cette partie du risque peru qui dpend de
lincertitude et nous disons que le conducteur peroit le risque global ou dangerosit des
environnements de conduite sans pour autant calculer le risque spcifique de chaque lment de
cet environnement. On verra sous peu que notre mesure du risque peru sera ici centre de facto
sur cette incertitude lexclusion dautres facteurs, pour des raisons pratiques de disponibilit
dinformation et de formulation conomtrique.

Modle thorique. Nous proposons donc une structure simultane contenant trois quations. Les
deux premires quations sont relatives la ralisation de la scurit routire pour un individu et
la dernire quation, la vitesse de parcours adopte par cet usager. Les spcifications choisies
pour les deux premires sont des modles de choix discret Logit multinomiaux mais nous ne
prcisons que plus loin, en 4.2.B et en 4.3, la formulation mathmatique des trois quations
constituant le systme.

Frquence : y*a = 1, a R a + 2 , a YG a + 3, a MC a + 4 , a y v + a (1)

Gravit : y*g = 1, g R g + 2 , g YG g + 3,g MC g + 4 , g y v + g (2)

Vitesse : y v = 1, v R v + 2 , v YG v + 3, v MC v + 4 , v y aP + 5, v y gP + v (3)

Avec
y a* et y *g : vecteurs de variables latentes non observables reprsentant le risque pour
un individu donn. chacun correspond une variable discrte observe
prenant des valeurs diffrentes selon les niveaux de y a* et y *g ;

a et g : les perturbations suivant une distribution donne ;


R, Y-G, M-C : vecteurs de variables explicatives caractrisant respectivement la route
emprunte (R (DR, N-I)), les caractristiques du conducteur (Y-G) et du

6
vhicule (M-C);
yv : variable continue observe dont la ralisation est la vitesse adopte par
l'usager ;
v : perturbation associe l'quation de vitesse, de moyenne nulle et d'cart-
type 2I ;
y aP et y gP : variables dcrivant le risque peru par l'usager en frquence et en gravit ;
i ,a , i ,g et i ,v : sont les vecteurs de paramtres estimer.

Ce systme considre les dpendances existant entre la vitesse adopte et le risque routier peru
( y aP et y gP ). Ainsi, un fort niveau de risque peru correspondra une vitesse moins leve qu'
un niveau de risque peru plus faible. La principale difficult est alors de caractriser le risque
peru, par dfinition non observable. Lanalyse bibliographique de Delhomme et Malaterre
(1990) montre quil est souvent valu sur une chelle arbitraire, procdure de mesure exclue
dans notre cas. Mais dautres possibilits sont envisageables.

3.2. Modle estimable

A. Mesure du risque peru

partir de ralisations discrtes ? La premire possibilit consiste considrer que le risque


peru est caractris par les ralisations de la variable discrte associe. Le comportement de la
vitesse est alors dcrit comme une fonction des caractristiques routires et des ralisations de
l'accident en probabilit et en gravit. Cependant, un accident tant un vnement rare, il est peu
vraisemblable que les individus accordent une importance particulire son occurrence et que
celle-ci affecte directement le risque peru par l'usager.

Comme fonction linaire des variables routires ? Il semble plus raliste de postuler qu'un
individu associe chaque site un niveau de risque, quelle que soit l'histoire de ce site en matire
de scurit routire, en considrant par exemple les risques perus de frquence ou de gravit
comme des fonctions linaires fa et fg des caractristiques routires R. Cette hypothse est
raisonnable car elle repose sur l'analyse de la configuration de la section courante et du trafic, et
constitue donc une valuation acceptable du risque peru. Nanmoins, l'intgration dune telle
mesure de risque peru transformerait (3) en :

y v = *1 R v + * 2 YG v + * 3 MC v + v , (3*)

o, du fait de la linarit, les coefficients combinent les effets pralablement distincts, de sorte
que le rle spcifique du risque peru nest plus identifiable. Aucune correction identifiable n'est
alors ralise dans l'quation de vitesse si la mesure du risque peru est une fonction linaire des
variables explicatives : cette possibilit est aussi exclure.

7
Lesprance maximale dutilit. Nous prfrons dfinir le risque routier peru comme
lesprance maximale dinscurit EMI, lanalogue de lesprance maximale dutilit EMU
construite partir de la mesure inclusive de Williams-McFadden (Williams, 1977) :
Ma
y ap = I a ( R ,YG , MC , y v ) = exp( Via ) (4-A)
i =1
Mg
y gp = I g ( R , YG , MC , y v ) = exp( Vig ) (5-A)
i =1
o Vi a (resp. Vi g ) dsigne l'utilit associe la ime ralisation dans le modle de probabilit
d'accident (resp. de gravit d'accident) et est fonction des caractristiques R, Y-G et M-C de la
section, du conducteur, du vhicule et de sa vitesse choisie yv; de plus, Ma (resp. Mg) dsigne le
nombre de ralisations possibles de la probabilit d'accident (resp. de la gravit). Le logarithme
naturel des valeurs inclusives I a ( R , YG , MC , y v ) et I g ( R , YG , MC , y v ) reprsente ici
l'esprance maximale dinscurit (EMI) associe l'ensemble des alternatives des deux modles
de risque routier, l'esprance maximale de ce que l'usager peut attendre, compte tenu de ce qu'il
peut faire.

De telles mesures, dites desprance maximale dutilit (EMU), sont souvent utilises dans les
applications la demande de transport, o les problmes hirarchiques sont frquents (Ben-
Akiva et Lerman, 1985; Ortuzar et Willumsen, 1990). Elles prsentent l'avantage de caractriser
le risque peru par une variable unique dans chaque modalit du risque routier (probabilit et
gravit d'accident), alors que la probabilit d'accident est explique par un modle deux
alternatives et la gravit par un modle trois alternatives. Une caractrisation du risque peru
par les diffrentes ralisations du risque aurait bien ncessit la prise en compte dans le modle
de vitesse de 6 variables explicatives supplmentaires correspondant aux diffrentes
combinaisons possibles de la frquence et de la gravit.

Un estimateur de premire tape. Comme estimateur de premire tape du risque percu dfini
en (4-A) et (5-A), nous adoptons les deux modles Logit multinomiaux suivants:

y*a = R a1, a + YG a 2 , a + MC a 3, a + a (4-B)

y*g = R g1, g + YG g 2 , g + MC g 3, g + g (5-B)

[ ] [ ]
Avec E R , YG , MC = 0 et E a g R , YG , MC = 0 .

Ces deux mesures, dfinies par des variables exognes, sont aymptotiquement indpendantes des
erreurs. Les valeurs y$ *a et y *g calcules par (4-B) et (5-B) sont donc des estimations de
premire tape, ou instrumentales, dune mesure de risque peru o toutes les variables de (1) et
(2), y compris la vitesse choisie, sont prises en compte dans (4-A) et (5-A). Une seconde tape
incluerait alors dans (4-B) et (5-B) non seulement les exognes dj prsentes mais aussi une
estimation de premire tape de la vitesse choisie, y$ v . Mais les limitations de notre chantillon

8
de vitesses nous incitent envisager des estimations de seconde tape seulement dans le cadre
dventuels travaux ultrieurs.

B. Mesure de la vitesse

Biais de simultanit et chantillons indpendants. Si ces choix de (4-B) et (5-B) pour dcrire
le risque peru ont pour consquence de supprimer un "degr" de simultanit, la vitesse
demeure une variable la fois endogne explique et explicative, posant un problme de biais
possible dans lestimation de (1) et (2). Ce problme persiste mme si, en labsence
dobservations de la vitesse individuelle pratique par les individus accidents, nous sommes
forcs dutiliser des mesures drives de lensemble des vitesses observes sur les sections en
question - formulation qui a dailleurs son intrt propre - comme la vitesse moyenne et lcart-
type des vitesses individuelles. Une difficult supplmentaire tient au fait que ces mesures
nexistent que pour 17 sections. En consquence, nous gnrerons des mesures de vitesse
attendue partir des quations (8) et (11) estimes pour ces 17 sections et nous les utiliserons
dans les quations (1)-(2) en excluant les 17 sections de lchantillon utilis pour lestimation de
celles-ci. En effet, si lchantillon utilis pour estimer lquation de vitesse est disjoint ou
indpendant de celui utilis pour estimer les quations de frquence et gravit, il est connu
(Arellano et Meghir, 1992) que la mesure y ve = E ( y v ) ainsi drive et utilise la place de la
vitesse observe dans les quations (1)-(2) sera indpendante des erreurs de ces deux quations,
et y produira des estimations convergentes.

C. Limitations des donnes et modle retenu

Cette utilisation dchantillons disjoints est dailleurs facilite par le fait que les 60 000
observations de vitesse instantane dont nous disposons, prises sur 17 des sections de route,
peuvent tre considre alatoire. Le faible nombre de ces sections limite naturellement la
qualit de la mesure qui en est drive pour les autres sections.

Modle estimable. De plus, aucune base de donnes relative aux caractristiques des individus
ou des vhicules n'ayant pu tre obtenue, il faut estimer un modle (1)-(5) mond, contenant
des endognes explicatives drives en deux tapes prliminaires:

Probabilit : y*a = 1, a R a + 2 , a ~y ve + a (6)


Gravit : y*g = 1, g R g + 2 ,g ~y ev + g (7)
Vitesse : y v = 1, v R v + 2 , v y$ aP + 3, v y$ gP + v (8)

o y$ aP et y$ gP sont tirs de modles de premire tape dcrivant, respectivement, le risque peru


associ la probabilit d'accident :
Ma
y = I a ( R) = exp(Vi a ) ,
p
a (9)
i =1
ainsi que le risque peru associ la gravit des accidents :

9
Mg
y = I g ( R ) = exp(Vi g ) ,
p
g (10)
i =1

et o ~y ev , la vitesse attendue, est ensuite calcule de (8) :


y ve = E ( y v ) ; (11)

avec enfin :
[ ] [ ] [ ] [ ]
E I a ( R ) v = E I g ( R) v = 0 , ainsi que E y ve a = E y ve g = 0 . (12)

Dans ce nouveau systme chantillons disjoints, yv est indpendant de (ya, yg): en consquence,
l'quation (8) permet de gnrer des mesures de vitesse attendue, ~y ev , pour chaque section
considre dans les quations de probabilit et de gravit d'accident, qui permettront une
estimation convergente des quations (6)-(7), car une ventuelle corrlation entre les erreurs a
et g n'affecte pas la convergence des estimateurs de seconde tape.

D. Base de donnes utilise

Nous avons appliqu ce modle une base de donnes regroupant trois sources diffrentes, tel
quindiqu la Figure 3, o on remarque que les caractristiques des conducteurs Y-G et celles
des vhicules M-C ne sont disponibles que pour les accidents mais pas pour les individus sans
accidents ou pour les vhicules dont la vitesse est mesure. Les trois bases-sources sont
regroupes grce au reprage commun entre elles : par exemple, laccident survenu au point A
est 700 m. du point de repre no. 3 ou 3300 m. du point de repre no. 0.

Donnes accidents. La base de donnes sur les accidents couvre une priode de 5 annes (1991-
1995). Parmi lensemble des renseignements disponibles, nous navons exploit que
linformation relative la gravit des blessures par accident et la localisation.

Donnes routires. La base de donnes routire est la principale. Elle contient 50 000 sections
de routes nationales de longueurs variables et dcrit les caractristiques de surface et de structure
de chausse ainsi que les caractristiques de gomtrie et de trafic.

Concernant le trafic, nous avons exploit le fichier histo disponible au SETRA dans lequel
sont recenses les moyennes journalires annuelles de trafic (MJA) pour les vhicules lgers et
les poids lourds. Ces mesures proviennent de stations de comptage disposes sur le rseau
national franais et sont homognes pour des sections de longueur moyenne 25 kilomtres.

10
Lensemble des mesures relatives ltat de la chausse concerne lanne 1993 et est issu de la
campagne de relevs relative lopration Image Qualit du Rseau National (IQRN). Les
mesures sont disponibles pour lensemble du rseau de routes nationales franaises et
caractrisent les sections au pas de 200 mtres. Ces mesures, do sont tires les variables des
groupes 14 et 15 de lAnnexe 1, sont des indicateurs lmentaires de dgradation de chausse
dcrivant la fois ltat de la structure et de la surface de la chausse. Les tats structurels
tablissent la rsistance de la chausse aux agressions du climat et du trafic. Les tats de surface
conditionnent davantage le confort de roulement, la scurit et, plus gnralement, le niveau de
service offert aux usagers.

Pour leur part, les donnes de gomtrie sont des mesures ralises par les stations
gyroscopiques. Ces mesures ont fait lobjet dune validation par les services du ministre de
lquipement pour lensemble des sections considres dans ltude. Le rseau a donc t
dcoup en zones gomtriques homognes selon la nature de llment en plan ou en long
(virage, ligne droite, descente, monte) et sa difficult (rayon du virage, pourcentage de
pente). De plus, nous avons cre des variables supplmentaires permettant de caractriser la zone
dapproche des sections selon le trac en plan et le profil en long. Ces zones dapproche
dcrivent lenchanement des lments gomtriques sur une longueur de 450 mtres prcdant
la section courante.

Figure 3. Base de donnes utilise

Analyse de la scurit routire


Analyse de la vitesse
Base de donnes routire
(50 000 sections homognes)

Sections sans accident Sections avec un accident Sections instrumentes


(48758 sections) (1225 sections) (17 sections)
Caractristiques R Caractristiques R, YG, MC Caractristiques R

Tirage alatoire de 1316 sections Modlisation


1- Evaluer le risque peru f(R)
2- Gnrer des mesures de vitesse attendue

Tirage alatoire d'un conducteur par section


parmi l'ensemble des individus circulant

1316 individus sans accidents 1225 individus avec accident


Caractristiques R Caractristiques R, YG, MC

11
Figure 4. Vitesses individuelles observes

Figure 4.1. Vitesses individuelles en fonction de la longueur


des vhicules, les 17 stations (base complte)

Vitesse

longueur

Figure A4.2. Station La Brillante, dp. 04 Figure A4.3. Station de Tenay,


dp. 01

Figure 4.4. Station de Coetmieux, dp. 22 Figure 4.5. Station de Plelan le Petit,

12
Donnes vitesses. Finalement, la base de donnes vitesses illustres la Figure 4 contient
60 000 mesures de vitesse instantane ralises spcialement pour cette tude sur une priode
non exceptionnelle de 24 heures et sur 17 des sections de la base de donnes routires. Il n'a
pas t possible de mesurer les vitesses sur l'ensemble des sections tudies: les stations de
comptage (SIREDO) permettant de relever la vitesse instantane des vhicules ne sont pas
rparties sur l'ensemble du territoire et les mthodes de relev par radar nous sont apparues
trop coteuses puisque nous utilisons 2 541 sections dans le modle de frquence des
accidents. Les mesures ont t ralises par des stations de comptage fixes, installes par les
services de l'quipement et utilises pour les comptages de trafic annuels : leur localisation
est donc sans rapport avec notre tude. La slection des sections o la vitesse a t mesure
est alors considre comme alatoire.

4. Formulation conomtrique des quations du systme


4.1 Non linarit des variables

Lun des auteurs (Gaudry, 1998) a rcemment rsum limportance thorique et pratique de la
non linarit, tant dans les modles Logit que dans les modles de rgression classiques. La
non linarit est gnralement plus raisonnable que la linarit, donne un meilleur ajustement
aux donnes, influence les lasticits et mme les signes de la rgression. Ces considrations
et lexprience expliquent que la transformation de Box et Cox (1964) soit la plus pratique
des transformations non linaires en conomtrie, puisque le paramtre appliqu la
variable continue X strictement positive et dfinie par

()
X 1
X = , si 0 (13)

X ( ) = ln( X) , si = 0 (14)

contient comme cas particulier les spcifications linaire (=1) et logarithmique (=0).

Dans le cas dune variable qui contiendrait des observations nulles, le progiciel TRIO que
nous utilisons (Gaudry et al., 1995) autorise la transformation et cre une variable auxiliaire
compensatoire qui prserve linvariance des formes aux units de mesure des X, tel
quexpliqu lAnnexe 3.

4.2. Les quations de scurit routire

L'quation de probabilit d'accident corporel s'intresse l'occurrence d'accident, quelle qu'en


soit la gravit. Dans la seconde quation, la gravit est explique selon trois niveaux: (i) les
accidents mortels, o au moins une personne est dcde ; (ii) les accidents avec blesss
graves, o au moins une personne prsente des blessures graves mais personne n'est tu ;

13
(iii) les accidents avec blesss lgers, o au moins une personne souffre de blessures lgres
mais personne n'est grivement bless ou tu.

A. Pertinence des modles de choix discret

Les modles classiques de scurit routire qui utilisent les donnes individuelles sont les
modles de comptage (Poisson ou binomial ngatif). Nous avons choisi de leur prfrer des
modles de choix discrets, trs utiliss dans la modlisation de choix de modes de transports,
pour plusieurs raisons.

Dans un premier temps, la justification de la prfrence pour ces modles s'appuie sur la
nature des donnes modliser. Nous considrons chaque individu isolment et observons,
d'une part, sa ralisation en probabilit d'accident et, d'autre part, la gravit conditionnelle
l'occurrence d'accident. La modlisation de la frquence ne s'appuie donc que sur les variables
binaires (l'individu a un accident ou n'en a pas). Or, on sait que les modles de comptage sont
particulirement recommands lorsque les queues de distributions sont bien reprsentes. La
principale application de ces modles est d'ailleurs l'explication du nombre d'accidents,
lorsque les valeurs observes ne peuvent justifier une erreur de type Gaussien.

En outre, la modlisation de la gravit repose sur un type d'accident et, comme leur nom
l'indique, les variables de comptage ne sont pas des variables de catgorie. Il ne serait donc
pas appropri d'utiliser un modle de comptage pour modliser la probabilit ou la gravit des
accidents, telle que nous les avons spcifies ii, malgr la possibilit de traiter les problmes
dhtrognit alatoire et de corrlation spatiale (Bolduc and Bonin, 1999) offerte par
certaines distributions multinomiales.

Frquence. Boyer et al. (1992) ont montr, dans le cadre dun modle o limplication
antrieure des individus ressort clairement, que le modle Logit multinomial donne des
rsultats trs diffrents de ceux obtenus par des modles de comptage, peut-tre justement
parce que les observations ne sont pas indpendantes dans le temps : les modles de choix
discret ne reposent pas sur lhypothse dindpendance temporelle et ne supposent pas que la
variance de la frquence est gale son esprance mathmatique, contrairement au modle de
Poisson. Il semble prfrable daccorder un crdit suprieur aux modles de choix discret,
surtout si on peut tenir compte, comme dans le Logit, de la non linarit et de la prsence
dchantillons stratifis. McCarthy et Madanat (1994) anticipent dailleurs que ces nouvelles
modlisations amlioreront la qualit des modles de scurit.

Gravit. Ces modles de choix discret se rpartissent en deux catgories: les modles
ordonns et les modles non ordonns. Ce choix se prsente pour la modlisation de la
gravit, dont la classification nest pas binaire. L'utilisation d'un modle ordonn suppose le
classement de la gravit selon un certain ordre de grandeur. Il existe bien sr d'importantes
nuances sur l'ordre de la gravit. La classification est ici trs dlicate et suppose une
connaissance dtaille des blessures. Ordonner les diffrentes gravits s'avre donc une tche
hasardeuse et nous ne pouvons certifier, a priori, que les catgories cres suivront un ordre
de gravit. De plus, Amemiya (1985) stipule que l'utilisation d'un modle ordonn doit se
faire avec prcaution. En effet, dans l'hypothse o le vrai modle est non ordonn, un

14
modle ordonn peut conduire d'importants biais d'estimation des probabilits, alors que le
contraire n'est pas vrai: on encourt alors seulement une perte d'efficacit.

Nous avons donc opt pour une modlisation de la gravit des accidents selon un modle
Logit multinomial non linaire, comme dautres lont fait avec des modles linaires, ainsi
quon le constate au Tableau 1. Weiss (1992), dans une tude sur la gravit des accidents,
note par ailleurs que les tudes prsentent de srieuses limites dues essentiellement
l'absence de variables comportementales comme la vitesse. Labsence de ces variables
transforme implicitement les modles utiliss en formules mcanistes et les quations
structurelles en formes rduites : ainsi, (3*) est une forme rduite de lquation de vitesse.

Tableau 1. Modles de choix discret rcents explicatifs de la gravit

Modles linaires ATO EGUAKUN O'DONNEL WEISS SHANKAR


et WILSON et CONNOR et al.
1995 1996 1992 1995, 1996
Type de modle Probit ordonn Logit embot
Variable dpendante niveau de gravit
Nombre de niveaux traits ( ?) 4 6 4
Classes et variables explicatives
Comportement
vitesse 1 1 1
ceinture/casque 1 1 1 1
Trafic
type collision 1 2 4
Route-Chausse
gomtrie 2
Route-Environnement
mtorologie 2
heure collision 2 1 1
Vhicule
type de vhicule 3 2
position (bless) 1
Conducteur
ge 1 2 1 1
sexe 1 1 1
exprience 1
alcool 1 1 1
Nombre d'observations 2500 18069 770 1505

15
B. Spcification dun modle Logit non ordonn non linaire

Choix direct de la vitesse et risque objectif. La description des comportements faite en 3.1
suppose que les prfrences sont reprsentes par une fonction d'utilit o lutilit du temps et
du confort de roulement dpendent du risque choisi par le conducteur, en fonction de
l'infrastructure sur laquelle il circule et de la vitesse qu'il choisit (Underwood et al., 1993).
Lutilit va donc reposer sur l'valuation d'une perte anticipe associe au risque peru et sa
maximisation va dterminer un choix de vitesse, instrument de matrise du risque
implicitement choisi par lindividu et facteur important du risque objectif (dcrit selon deux
modalits, soit probabilit d'accident et gravit) auquel il sexpose.

Indpendance des ralisations du risque objectif. Le caractre largement autonome du


risque objectif autorise postuler que les rsidus i des quations (6) et (7) sont indpendants
et identiquement distribus selon une loi de type "valeurs extrmes" de fonction de
rpartition:

F( i ) = P( i ) = exp( exp( i )) . (15)

On peut montrer que

exp( Vi ) exp(Vi )
P(Yi = ) = et P( Zi = Yi = ) = (16)
( )
N M
exp Vj
j=1
exp(V )
j =1
j

o Yi dsigne la ralisation de la perte en probabilit d'accident, Zi la ralisation de la perte en


gravit, Vi reprsente la fonction d'utilit associe la ralisation pour l'individu i et, si k
reprsente la transformation Box-Cox associe au paramtre Xk, s'crit :

K
Vi = k X(ikk ) . (17)
k =1

Nous nous sommes assurs que l'hypothse d'indpendance des alternatives, ou de


compatibilit avec laxiome IIA ( Independance of Irrelevant Alternatives ) implique par
(16), tait valide en appliquant le test de Small et Hsiao (cf. Ben-Akiva et Lerman, 1985).
Cette hypothse, gnralement rejete dans le cas des modles de choix du mode de transport,
est naturellement moins incongrue ici.

C. Stratification endogne de l'chantillon

Compte tenu du caractre rare et alatoire d'un accident, nous avons ralis une stratification
endogne de l'chantillon. Ainsi, sur les sections o aucun accident n'a t recens, nous ne
considrons qu'un seul individu parmi les milliers qui ont circul. Sur les sections o un
accident a t recens, nous ne retenons que le conducteur victime de l'accident. Cette
construction d'chantillon est largement utilise dans les tudes portant sur les choix de

16
modes de transport et mme en biomtrie. L'attrait d'une telle segmentation de l'chantillon
repose sur la constitution des bases de donnes, alors beaucoup moins coteuses. Par ailleurs,
les techniques d'estimations lies de tels chantillons sont parfaitement connues et
oprationnelles : Manski et Lerman (1977) ont ralis une analyse des processus
dchantillonnage stratifi en considrant lestimateur du maximum de vraisemblance dans
une situation plus gnrale que le cas alatoire.

Dans les modles de choix discret, on peut formaliser la distribution de la population la fois
sur les caractristiques des individus X et des alternatives i. On note f(i, X) la distribution
jointe de i et X. Alors f(i, X) peut tre factorise en un produit d'une distribution
conditionnelle et d'une distribution marginale:

f ( i, x ) = p( i / x , , ) p( x ) (18)

Dans le cas dun chantillon alatoire, on a:

N I N I
L = f (i, x n ) yin = p(i / x n , , ) yin p( x n ) yin (19)
n =1 i =1 n =1 i =1

avec p(xn) indpendant de et . Cette probabilit nintervient donc pas dans les calculs des
estimateurs. Lorsque l'chantillon alatoire est stratifi selon G groupes, on obtient la
vraisemblance suivante, pour lchantillon complet:
yin
G Ng I f (i, x n ) Hg (i )
L = , (20)
g =1 n =1 i =1 Wg (i )

avec Hg(i) reprsentant la proportion d'individus choisissant lalternative i dans chantillon


total et Wg(i) reprsentant la proportion analogue dans l'chantillon stratifi. Manski et
Lerman (1977) ont prouv, sans perte de gnralit pour un modle o * = 1, que pour un
chantillon endogne ou stratifi par le choix, la solution * = ( *, *) de

W ( i )
G Ng I g
max y in ln( p( i / x n , )) (21)
g = 1 n = 1 i = 1 H g ( i )

est un estimateur convergent de = ( , ). Nous avons utilis cette procdure, disponible


dans TRIO (Liem et Gaudry, 1993), qui pondre chaque observation par Wg(i)/Hg(i) et
sappelle Weighted Endogeneous Sample Maximum Likelihood (WESML).

17
4.3. L'quation de vitesse

L'analyse bibliographique esquisse au Tableau 2 identifie deux principales mesures


continues de vitesse : la vitesse moyenne VM et l'cart-type des vitesses, reli V85, la
moyenne des 85mes percentiles des vitesses pratiques sur les sections. Dautres auteurs
tudient des cas particuliers : par exemple, Kang (1998) analyse des domaines de
dpassement de la vitesse lgale laide dun Probit ordonn. S'il est vrai que seule la vitesse
moyenne est considrer pour l'valuation du temps de parcours, l'cart-type prsente un
impact non ngligeable sur la scurit. Les carts de vitesses peuvent tre, dans une certaine
mesure, contrls par des mesures lgislatives ou une meilleure matrise de certains
paramtres routiers. On observe, par exemple, que les mesures de limitation de vitesse n'ont
pas un impact significatif sur la vitesse moyenne, mais contribuent un crtement des
vitesses leves.

L'quation (8) dfinissant la vitesse attendue sur chaque section peut donc se rcrire selon :

VM VM = 1,VM RVM + 2,VM y aP + 3,VM y gP + VM (8a)


ETET = 1, ET RET + 2, ET y + 3, ET y + ET
P
a
P
g (8b)

o VM dsigne la vitesse moyenne et ET l'cart-type des vitesses.

La spcification conomtrique utilise pour estimer chacune de ces quations par la mthode
du maximum de vraisemblance est :

( y ) K ( )
yt = k X X k + ut . (22)
kt
k =1

Nous avons tent d'utiliser l'chantillon constitu des 60 000 mesures de vitesse instantane.
Toutefois, comme ces mesures ne sont relatives qu' 17 sections, nous ne disposions que de
17 ensembles distincts de caractristiques de chausse permettant d'expliquer ces 60 000
mesures. En outre, les informations enregistres par les stations SIREDO relatives aux
vhicules ne peuvent pas tre utilises dans cette modlisation, car cette information n'est pas
disponible pour l'ensemble des individus considrs dans le systme. Compte tenu de ces
contraintes, nous avons choisi de retenir la solution de l'agrgation des mesures de vitesse
instantane, ce qui produit une surestimation des carts type parce que nous navons pas
pondr ces observations, mais ne cre pas de biais des coefficients.

Aucune distinction selon le type de vhicule ou les conditions de circulation n'est ralise. Il
aurait en effet t possible de calculer les mesures de vitesse agrges pour: (i) les vhicules
de longueur infrieure 7 mtres et de longueur suprieure (puisque ce seuil apparat
nettement l'analyse visuelle de la Figure 4.1) et (ii) les vhicules circulant de nuit ou de jour,
ainsi que (iii) les croisements des deux stratifications prcdentes. Nanmoins, la base de
donnes relative aux individus considrs dans l'analyse de la scurit routire ne contient pas
d'indication prcise sur la composition du trafic ni sur sa rpartition horaire. Ainsi considrer
ces mesures stratifies revient prendre le risque d'introduire des erreurs d'observation dues

18
Tableau 2. Modles explicatifs de la vitesse
Collins et Gambard Badeau Lamm Cardoso Godlewski Jaeger
Krammes et al. et al.
(1996) (1986) (1997) (1987, 90) (1997) (1985) (1998)
Var. dpendante V85 VM,V85 VM V85 V15,V8 V85 VM
5
Classes et Groupes ou variables explicatives
Comportement
Port ceinture X
Vitesse approche X
Trafic
Kilomtrage-vhicule X
Trafic X X
Activit industrielle X
Calendrier X
Route-Dimensions en hauteur et longitudinales
Degr de courbure X X X
Rayon du virage X X X X
Longueur de courbe X NS NS X
Angle de dflexion X
Degr de pente X X NS X
Route-Dimensions en largeur et longueur de section
Longueur de rampe NS X
Obstacle latral NS
Distance de visibilit X NS
Dvers NS NS NS
Largeur daccotement X X
Type de route X X X
Largeur de chausse NS X X X
Route-Indices de surface
Type du revtement NS X*
Route-Environnement et Information
Mtorologie X NS
Signalisation NS
Route-Rgulation
Lois sur la scurit X
Vitesse limite X NS X X X
Vhicule
Puissance X
Prix carburant et veh. X
Conducteur
Alcool X
* Pour mettre en vidence l'impact du niveau d'uni sur la vitesse des vhicules, les sites choisis sont homognes en
gomtrie et en trafic. NS signifie non significatif .

19
au manque d'information dans l'chantillon associ l'analyse de la scurit routire. Les
mesures agrges de tous vhicules et toutes conditions de circulation confondues sont des
valeurs plus imprcises mais moins contestables.

5. Rsultats
5.1. Donnes disponibles et tests

Variables et formes choisies. cause de la difficult de formuler des anticipations sur leffet
des diverses variables, nous avons fait des centaines de tests du 2 dinclusion et de forme
fonctionnelle sur les variables prises en groupe ou individuellement, variables dont on
trouvera lAnnexe 1 des dfinitions prcises pour les 78 dentre elles qui dcrivent le trafic
et la section de route observe. Elles y sont regroupes, comme au Tableau 3, qui rsume
qualitativement les rsultats obtenus. On y voit que les mmes groupes de variables
nexpliquent pas la frquence et la gravit, ou la moyenne et lcart-type des vitesses.

Confidentialit. Le Service d'tudes Technique des Routes et Autoroutes (SETRA), qui a


fourni l'ensemble des bases de donnes, souhaite conserver l'exclusivit de certains rsultats
portant sur 9 des 10 variables retenues (parmi les 26 testes) relatives aux caractristiques de
surface des chausses dans les modles de scurit routire. Il ne nous est donc pas possible
de prsenter tous les rsultats.

Toutefois, nous pouvons prsenter les rsultats concernant la caractristique de surface uni
et les autres variables, comme la gomtrie, le trafic et les variables de comportement. Les
rsultats sur la scurit prsents lAnnexe 2 sont donc complets au sens numrique, mais il
est impossible dy identifier les noms occults de 9 variables et des variables binaires qui
leurs sont parfois associes. Les rsultats sur les vitesses au Tableau 11 sont intgres, cest--
dire complets et interprtables.

Expression des rsultats. Ces tableaux, entiers ou non, sont extraits de sorties Tablex du
logiciel TRIO qui prsente les principaux rsultats d'estimation en trois parties distinctes :

I. comprend des lasticits, values la moyenne chantillonnale des variables, ainsi


que tests de Student conditionnels aux btas estims et donc invariants aux units de
mesure des X (Schlesselman, 1971).

Dans les modles probabilistes daccidents, nous utilisons comme lasticit la mesure
des points de probabilit :

P( y n = i )
(
Pn ( i ), X j )= Xj (23)
Xj

20
qui s'interprte comme leffet sur la probabilit P(yn=i), effet exprim en points de
probabilits, d'une variation en pourcentage du Xj explicatif. Dans le modle de
vitesse, nous utilisons la motion usuelle dlasticit :

y Xk
(
y, X k ) = ; (24)
Xk y

II. est relative aux transformations non linaires inclues dans le modle. Pour chaque
transformation Box-Cox, deux statistiques t de Student sont proposes, l'une
permettant de tester l'hypothse nulle de linarit et l'autre de forme logarithmique.
Nos tests t sont prsents titre indicatif : calculs par la mthode des drives
premires de Berndt et al. (1974), ils sont beaucoup moins prcis que les tests exacts
du 2 qui nous ont guids;

III. prsente enfin les autres rsultats lis l'estimation, savoir, la valeur de la fonction
de vraisemblance maximise et des tests de qualit d'ajustement. La base de donnes
utilise par chaque modle y est galement dfinie.

5.2. Rsultats choisis: les quations de scurit

Les extraits proposs prsentent quatre modles : les modles de premire tape prob:1 et
grav:1 qui nintgrent pas les variables comportementales (mesures de vitesses attendues) et
les modles prob:2 et grav:2 o ces variables sont prises en compte, selon (6) et (7). Nous
ferons des commentaires statistiques gnnraux sur les modles et des commentaires
spcifiques sur 11 variables appartenant chacune des 5 grandes classes du Tableau 3. Le
lecteur intress plus dinformation trouvera dans Vernier (1999) une discussion de leffet
du niveau de trafic (Groupe 3), du profil en long de la zone dapproche (Groupe 5), de
langle de cap, utilis tel quel ou dcompos par orientation gographique(nord, sud, est,
ouest ; Groupe 10), ainsi que des commentaires qualitatifs dindices de surface, comme la
hauteur au sable, les rparations localises ou importantes et les dformations faibles ou
graves (Groupe 14).

A. Commentaires statistiques

Dans un premier temps, nous fournissons au Tableau 4 les statistiques gnrales d'estimation
relatives au nombre d'observations et la qualit de l'ajustement aux observations.

L'chantillon sur lequel repose le modle de probabilit contient les 1 225 individus ayant
subi un accident, qui sont galement utiliss pour l'estimation du modle de gravit. De plus,
1 316 individus n'ayant subi aucun accident sont considrs pour complter 2 541
observations l'chantillon du modle de frquence daccidents. La construction de cet
chantillon endogne s'est faite par tirage alatoire des 1 316 individus dans la base de

21
Tableau 3. Groupes dappartenance des variables utilises ou retenues
Classes et Groupes des 82 variables testes Groupes des variables retenues
Scurit Vitesse
quations A G (V) (V)
Comportement (4 lments)
G 1. Vitesse
G 2. Risque peru (Esprance max. dutilit)
Trafic (7 lments)
G 3. Quantit de trafic
G 4. Classe de dbit
Route-Dimensions en hauteur et longitudinales (32 lments)
G 5. Zone dapproche en long
G 6. Zone dapproche en plan
G 7. Nature de llment en long
G 8. Nature de llment en plan
G 9. Difficult associe llment en long
G 10. Difficult associe llment en plan
Route-Dimensions en largeur et longueur de section (13 lments)
G 11. Classe hirarchique dans rseau national
G 12. Classe de profil (# de voies)
G 13. Longueur et largeur entretenue des voies
Route-Indices de surface (26 lments)
G 14. Uni, frottement, ornirage, dsenrobage..
G 15. Structuraux : fissurations diverses
G 16. Matriau couche de roulement : bton,
G 17. Liant de couche de roulement : bitume,
Nombre total dlments tests 80 80 80 80
Nombre dlments retenus 32 34* 5 7
lments de rfrence retenus (**) (5) (5) (2) (2)
Transformations Box-Cox utilises 4 1 2 1
Variables auxiliaires obtenant un , associes des 4 14 0 1
variables X k 0 transformes par
Constantes de rgression 1 2 1 1
Nombre dobservations 2541 1225 17 17
Le symbole signifie que des lments de ce groupe ont t retenus et que les rsultats numriques
sont montrs en dtail lAnnexe 2, pour les quations de frquence et de gravit, ou au Tableau 11,
pour les quations de vitesse. Si toutefois le groupe comprend une ou plusieurs variables dont les
rsultats sont confidentiels, le symbole est ajout : lidentification de ces variables par leur nom est
impossible lAnnexe 2. Le symbole signifie que les rsultats pour certaines variables sont
comments dans le texte.
(*) 34 variables mais 68 coefficients .
(**) Variables dont les coefficients sont confondus avec ceux des constantes de rgression.

22
donnes complte dont nous disposions. Les proportions de pondration utilises dans
l'estimation sont calcules sur ces bases. En ce qui a trait lajustement, l'ajout des variables
de comportement permet, au sens du test du 2, un gain plus important dans le modle relatif
la gravit que dans le modle relatif la frquence des accidents.

B. Comportement: les vitesses attendues

On trouvera au Tableau 5 les points de probabilit calculs selon lquation (23) et valus la
moyenne chantillonnale des variables, ainsi que les t de Student des variables du premier groupe, soit
lesprance de la vitesse moyenne et de lcart-type des vitesses. Linterprtation correcte dun t de
Student exige de se rappeler si le coefficient auquel il se rapporte reprsente un coefficient structurel ou
une diffrence de deux coefficients. En effet, dans les quations de gravit, les t de Student testent la
diffrence entre les coefficients structurels des variables pour ltat indiqu et ceux de ltat de rfrence
indiqu par (e.r.) pour une variable incluse (suite aux tests du 2 pratiqus). Dans lquation de
frquence daccident, ltat de rfrence est labsence daccident. Rappelons par ailleurs que, dans tous
les cas, le t de Student fournit une indication assez peu prcise compare linformation exacte fournie
par le test du 2 et peut donc la contredire.

Les vitesses moyennes estimes et les cart-type des vitesses estims contribuent tant
l'explication de la probabilit des accidents qu' leur gravit, au sens des test du 2, mme si
lindication supplmentaire du t de Student porte croire des effets plus significatifs dans le
cas de la vitesse que dans celui de lcart-type.

Tableau 4. Estimation de la frquence et de la gravit: lajustement aux observations


modle modle modle modle
prob:1 prob:2 grav:1 grav:2
III. Statistiques gnrales
Log-vrais. finale -725.669 -724.371 -1064.15 -1061.46
Log-vrais. avec constante seulement -847.365 -847.365 -1195.99 -1195.99
Rho carr .144 .145 .110 .112
Rho carr bar : Akaike .099 .097 .043 .041
Horowitz .121 .121 .076 .077
Hensher et Johnson .131 .131 .080 .080
Pourcentage de bonne prvision 55.057 55.293 57.143 57.796
Nombre d'alternatives 2 2 3 3
Nombre d'observations 2541 2541 1225 1225
Paramtres estims des - Variables 30 32 66 68
- Constantes 1 1 2 2
- Binaires associes 4 4 14 14
- Transformations Box-Cox 3 4 1 1

23
Tableau 5. Effets du comportement: vitesse moyenne et cart-type de la vitesse
I. Probabilit daccident (a) Modle prob:2
Points de probabilit et t de Student des var. (a) t=0 t=1
G 1. Vitesse
vitesse moyenne attendue VM -.202 (-1.63)
cart-type de la vitesse attendu ET .001 (0.03)
Transformation Box-Cox de VM 4 4.233 [1.73] [1.32]

I. Probabilit de gravit (g):


1. Blessures Lgres = (B .L.) Modle grav:2
2. Blessures Graves = (B.G.)
3. Mortelle = (M.)
Points de probabilit et t de Student des var. (g) t=0 t=1
G 1. Vitesse
vitesse moyenne attendue VM (B .L.) -.247 (e.r.)
(B.G.) .138 (1.37)
(M.) .108 (1.54)
cart-type de la vitesse attendu ET (B .L.) .029 (e.r.)
(B.G.) .023 (0.01)
(M.) -.052 (-1.31)
Transformation Box-Cox de VM 4 1.802 [0.29] [0.13]

Vitesse. En termes de probabilit, une augmentation de la vitesse moyenne favorise une


diminution importante de la probabilit d'avoir un accident, toutes autres variables tant
gales par ailleurs. De plus, la forme fonctionnelle estime relative l'effet de la vitesse
moyenne sur la probabilit d'avoir un accident est statistiquement diffrente d'une forme
logarithmique (=0) avec un degr de confiance suprieur 10 %. En revanche, on ne rejette
pas la forme linaire. Le modle estime pourtant une fonction puissance quatrime, ce qui
indiquerait qu'une augmentation des vitesses a un impact mineur si le niveau initial de vitesse
est faible alors que l'effet sera plus fort des vitesses leves, tel que montr la Figure 5. Ce
rsultat est cohrent avec les anticipations, dans la mesure o la vitesse et lattention sont
complmentaires et relativement peu daccidents arrivent des vitesses leves.

Figure 5. Effet d'une variation de la vitesse moyenne sur la probabilit d'accident

Effet d'une variation de la vitesse moyenne


sur la probabilit d'accident
variation de la
probabilit
d'accident

vitesse m oyenne

24
En terme de gravit, il ressort naturellement du modle que les vitesses moyennes contribuent
augmenter la probabilit conditionnelle de gravit importante ou mortelle des accidents,
bien que les coefficients estims pour ces diffrences entre tats ne soient pas trs
significatifs. Le modle postule que si la vitesse double, la gravit des accidents augmente
sensiblement. Elle se traduit, en moyenne, par une baisse de prs de 25 points de probabilit
d'avoir un accident avec blesss lgers et des probabilits plus faibles, mais presqugales,
d'avoir un accident avec blesss graves ou d'avoir un accident mortel.

cart-type des vitesses. De par le test de Student sur la diffrence entre tats, les carts type
des vitesses ont un effet sur l'alternative "accidents mortels" significativement diffrent de
celui observ sur l'alternative de rfrence "accidents avec blesss lgers". Une augmentation
des carts types tend rduire la probabilit d'avoir un accident mortel alors qu'elle augmente
les deux probabilits concurrentes. Cette situation peut s'expliquer par une attention accrue
des individus lorsque les vitesses de flux dans le trafic sont fort diffrentes, mais aussi par des
typologies diffrentes d'accidents.

L'importance relative de l'cart-type est bien infrieure celle de la vitesse moyenne qui
demeure la mesure de vitesse la plus discriminante en scurit routire. Les rsultats relatifs
ces deux paramtres comportementaux semblent en accord avec ceux de Solomon (1964) qui
trouve une corrlation positive entre la frquence daccident (sans distinction de gravit) et
lcart-type de la vitesse.

C. Trafic: le pourcentage de poids lourds

Le second rsultat que l'on se propose d'analyser est relatif au pourcentage de poids lourds
dans le flux de trafic. On postule que la composition du trafic influence la scurit routire.
Au Tableau 6, cette hypothse est confirme : la variable donnant le pourcentage de poids
lourds prsente une puissance explicative significative tant pour la frquence que pour la
gravit des accidents, mme au sens des test t de Student.

Probabilit. En ce qui concerne la probabilit d'avoir un accident, on observe, toutes choses


tant gales par ailleurs, qu'une augmentation du pourcentage de poids lourds dans le flux de
trafic correspond une diminution de la probabilit d'accident; si ce pourcentage double, la
probabilit d'avoir un accident perd onze points.

En gnral, l'augmentation du trafic lourd produit deux effets inverses sur la probabilit
d'accident. Certaines tudes confirment une rduction de la probabilit d'accident. Ce
phnomne peut s'expliquer par l'exprience de conduite des conducteurs de poids lourds. De
plus, les vhicules ont des caractristiques de stabilit et de puissance tout fait particulires.
Ces deux lments ont pour consquence d'observer des pratiques de conduite diffrentes
(plus calmes, vitesse lente, anticipation). En revanche, d'autres tudes affichent des rsultats
divergents et les appuient en postulant que les usagers prennent un risque supplmentaire lors
de manoeuvres de dpassement hasardeuses ou en conduisant avec un nervement suprieur.
Le contexte dcrit par la base de donnes utilise nous amne observer une rduction de la
probabilit d'accident lorsque le pourcentage de poids lourds augmente.

25
Tableau 6. Effets du trafic: le pourcentage de poids lourds
I. Probabilit daccident (a) Modle prob:2
Points de probabilit et t de Student des var. (a) (t = 0)
G 3. Quantit de trafic
pourcentage de poids lourds PourcPL -.110 (-3.66)

I. Probabilit de gravit (g):


1. Blessures Lgres = (B .L.) Modle grav:2
2. Blessures Graves = (B.G.)
3. Mortelle = (M.)
Points de probabilit et t de Student des var. (g) (t = 0)
G 3. Quantit de trafic
pourcentage de poids lourds PourcPL (B .L.) -.025 (e.r.)
(B.G.) -.048 (-0.33)
(M.) .073 (2.45)

Gravit. En termes de gravit, on observe que l'impact du pourcentage de poids lourds n'est
pas significativement diffrent sur les deux premires alternatives (blesss lgers et blesss
graves). En revanche, l'impact est significativement diffrent sur la probabilit d'avoir un
accident mortel. Plus la proportion de poids lourds est importante, plus la gravit des
accidents augmente, en particulier, la probabilit d'avoir un accident mortel. Mais il convient
ici de distinguer deux cas. Lorsque le pourcentage de poids lourds augmente dans le flux de
circulation, deux principaux types daccident sont possibles. Le premier concerne les
accidents impliquant les poids lourds et le second nimplique que des vhicules lgers.

Dans le premier cas, il est vident que la gravit des blessures sera plus importante. En effet,
on dfinit souvent l'accident de la circulation comme un change d'nergie entre deux
vhicules. Plus l'nergie dveloppe est importante, plus l'accident est grave. Ainsi, les
accidents avec les poids lourds apparaissent videmment plus dramatiques. En outre,
plusieurs caractristiques propres aux vhicules lourds viennent aggraver ce phnomne. Les
diffrentiels de masse entre les vhicules lgers et les lourds contribuent trs largement
l'augmentation de la gravit mais la construction mme des poids lourds est galement en
cause. On observe que les pare-chocs des poids lourds sont encore au niveau des pare-brise
des vhicules lgers. En cas de choc, frontal ou latral, les occupants des vhicules lgers sont
trs peu protgs par la carrosserie qui ne joue alors pas son rle "d'absorbeur" d'nergie. Ce
problme a t identifi et les poids lourds rcents sont maintenant quips d'un pare-choc
abaiss. Cependant, l'ensemble du parc de vhicules n'est pas totalement renouvel. Dans le
second cas, la gravit des blessures est rapprocher du type daccident qui a lieu dans ce
contexte, notamment les chocs frontaux entre vhicules dus des dpassements hasardeux et
risqus.

26
D. Route-dimensions en hauteur et longitudinales: virages et sommets

Enchanement de trois virages ; sommet de rayon variable. On constatera au Tableau 7


que deux variables relies la dimension en hauteur ou longitudinale rduisent la probabilit
daccident mais augmentent la gravit des accidents, mme aprs avoir tenu compte des
ajustements de vitesse. Il sagit dune zone dapproche contitue dun enchanement de trois
virages (par rapport une quasi-droite), et dun sommet en bosse , cest--dire de rayon
variable (par rapport une monte).

Les lments en plan : le cercle gauche. Mais dautres variables longitudinales


ninfluencent que la frquence des accidents. Nous avons en effet tudi l'impact des
diffrents lments gomtriques en plan, car les relevs des stations gyroscopiques
permettent de distinguer 5 lments en plan: l'alignement droit, le cercle droite, le cercle
gauche et les raccordements vers la droite et vers la gauche. Nous avons tabli au Tableau 8
les risques de circulation lis aux quatre derniers lments cits, par rfrence un
dplacement sur section droite.

Dans un premier temps, les rsultats prsents au Tableau 8 mettent en vidence que le type
d'lment sur lequel les usagers circulent a un impact sur la probabilit d'accident. La
circulation sur raccordement a un effet significativement diffrent par rapport un
dplacement sur section droite alors que la circulation en virage n'a pas un impact significatif.
Il ressort du modle que la circulation sur les entres ou sorties de virage (raccordements)
rduit la probabilit d'accident, par comparaison un dplacement sur une section droite.

Tableau 7. Effets de la route: enchanement de trois virages et sommet de rayon variable


I. Probabilit daccident (a) Modle prob:2
Points de probabilit et t de Student des var. (a) t=0
G 6. Zone dapproche en plan (e.r. : quasi-droite)
enchanement de trois virages virvirvir -.082 (-1.77)
G 7. Nature de llment en long (e.r. : monte)
raccordement en bosse racbos -.144 (-2.12)

I. Probabilit de gravit (g):


1. Blessures Lgres = (B .L.) Modle grav:2
2. Blessures Graves = (B.G.)
3. Mortelle = (M.)
Points de probabilit et t de Student des var. (g) t=0
G 6. Zone dapproche en plan (e.r. : quasi-droite)
enchanement de trois virages virvirvir (B .L.) -.152 (e.r.)
(B.G.) .113 (1.75)
(M.) .040 (1.39)
G 7. Nature de llment en long (e.r. : monte)
raccordement en bosse racbos (B .L.) -.181 (e.r.)
(B.G.) .096 (1.15)
(M.) -.085 (1.94)

27
Tableau 8. Effets de la route: les lments gomtriques en plan
I. Probabilit daccident (a) Modle prob:2
Points de probabilit et t de Student des var. (a) t=0 t=1
G 8. Nature de llment en plan (e.r. : section droite)
cercle droite cerdro .004 (0.12)
cercle gauche cergau .031 (1.05)
raccordement droite racdro -.168 (-3.60)
raccordement gauche racgau -.068 (-1.75)

Ce rsultat est sujet un certain nombre de rserves, lies notamment la localisation des
accidents. Lorsqu'un vhicule quitte la chausse suite une perte de contrle, au moins deux
localisations d'accident sont envisageables: le lieu o le conducteur perd le contrle et
l'endroit o le vhicule sort de la chausse. Ces deux ventualits peuvent se traduire par une
localisation en virage ou en raccordement. Il est donc trs difficile, parfois hasardeux d'isoler
ces deux paramtres.

Toutefois, une analyse plus fine de la base de donnes nous a permis didentifier prcisment
un facteur de confusion important. Il en ressort que les raccordements indiquent la prsence
de cercles faible rayon alors que les cercles reprsentent des virages large rayon nayant
pas besoin dtre introduits par des raccordements. Le modle postule donc que les cercles
grand rayon ne sont pas plus risqus que les alignements droits, et ce rsultat est conforme
nos anticipations. Par ailleurs, les estimations indiquent que les raccordements sont moins
risqus que la circulation sur section droite. Ce rsultat parat a priori surprenant mais les
raccordements sont associs la prsence de clothodes pour l'introduction du virage (les
usagers sont correctement guids dans l'analyse de la difficult associe la partie circulaire)
et pour la sortie du virage (les usagers peuvent rtablir progressivement la vitesse de parcours
dsire), ces lments ne surprennent pas l'usager et la route apparat parfaitement lisible pour
une ngociation sre de ces lments gomtriques.

Dans un second temps, il ressort du modle que le sens de l'lment joue galement un rle
important. On observe, en effet, que les courbures vers la gauche sont plus risques que les
courbures vers la droite.

Les raccordements droite prsentent moins de risques (-16,8 % sur la probabilit d'avoir un
accident) que les raccordements gauche (-6.8 %). Un rsultat similaire a dj t prsent
dans un document SETRA-CETE Normandie Centre (1997). Les auteurs expliquent cette
situation par le fait que dans les courbes gauche, l'acclration transversale s'applique par la
droite et est amplifie par le dvers, gnralement inclin vers la droite. En cas de perte de
contrle, les vhicules se dirigent vers l'accotement droit o les manoeuvres de rcupration
sont limites et dpendent des caractristiques de l'accotement, notamment, lies au
revtement ou la prsence d'obstacles. Dans les courbes droite, l'acclration transversale
s'applique au vhicule vers la gauche et, dans la majorit des cas, le dvers attnue l'effet de
cette acclration. En cas de perte contrle, le vhicule est dport sur la voie de circulation
en sens inverse. En l'absence de trafic, les chausses jouent le rle d'une zone de rcupration
large, revtue et sans obstacle.

28
Les rsultats obtenus confirment galement les statistiques d'accident selon lesquelles il y a
davantage d'accidents dans les courbes gauche que dans les courbes droite. On se
rappellera toutefois que, comme lindique le Tableau 3, ces variables du Groupe 8 navaient
pas dinfluence sur la gravit des accidents.

E. Route-dimensions en largeur: trois voies

Par contre, dautres variables nont pas dinfluence sur la frquence mais influencent la
gravit. Les routes trois voies (par rapport aux routes deux voies) augmentent la gravit
des accidents avec blessures graves mais rduisent la gravit des autres accidents, mme si les
effets ne sont pas trs significatifs : il faut croire quil y a une forme de compensation du
risque qui conduit cette concentration manifeste dans le pattern des signes au Tableau 9.

Tableau 9. Effets de la route: les routes trois voies


I. Probabilit de gravit (g):
1. Blessures Lgres = (B .L.) Modle grav:2
2. Blessures Graves = (B.G.)
3. Mortelle = (M.)
Points de probabilit et t de Student des var. (g) (t = 0)
G 12. Classe de profil (e.r. : deux voies)
trois voies troisv (B .L.) -.031 (e.r.)
(B.G.) .040 (0.67)
(M.) -.010 (-.10)

F. Route-indices de surface: l uni

Parmi les indices de surface, on constatera, lAnnexe 2, que la variable uni, qui dcrit les
ondulations de surface, n'affecte que la probabilit d'accident. Elle prsente un intrt
particulier d aux relations troites qu'elle entretient avec la vitesse de parcours : plus l'uni est
lev, plus la surface de chausse est dgrade par des irrgularits longitudinales et la
difficult dy circuler vitesse leve augmente. Il nest ds lors gure surprenant de
constater au Tableau 10 que la prise en compte de la vitesse fait baisser substantiellement le
niveau de significativit de la variable uni sur les deux probabilits concurrentes.

Si, dans le premier modle, on observe que plus l'uni est mauvais, moins la probabilit d'avoir
un accident est leve (la significativit de 1,42 ne permet pas de discuter de l'importance des
effets mais permet d'accepter la direction), le modle ne permet pas d'tablir un tel rsultat. En
consquence, il apparat nettement que, dans le premier modle, l'effet non matris de la
vitesse des vhicules se retrouve dans la variable uni. L'estimation de cette variable est alors
biaise. En outre, la fonction de vraisemblance maximise du modle prob:2 peut tre
compare celle du modle identique dans lequel on a supprim la variable uni. Il ressort que
la diffrence entre ces deux fonctions de vraisemblance est gale 0,62, ce qui indique que la
variable uni n'a plus aucun poids dans l'explication de la probabilit d'accident. La seule
variable qui n'est pas affecte sensiblement par second l'inclusion des paramtres relatifs la

29
Tableau 10. Effets de la route: la surface unie
G 14. Uni, frottement, ornirage, dsenrobage...
I. Probabilit daccident (a) Modle prob:1
Points de probabilit et t de Student des var. (a) t=0 t=1
valeur de planit de chausse valuni -.070 (-1.42)
binaire associe bvaluni .074 (1.23)
Transformation B-C de valuni 1 .535 [2.77] [-2.40]
I. Probabilit daccident (a) Modle prob:2
Points de probabilit et t de Student des var. (a) t=0 t=1
uni valuni -.035 (-.60)
binaire associe bvaluni .073 (1.12)
Transformation B-C de valuni ??1 .525 [2.56] [-2.31]

vitesse est le paramtre de la transformation Box-Cox auquel est soumis la variable.


Toutefois, ce paramtre est galement appliqu la variable relative la longueur de la
section courante, qui appartient au Groupe 13, dont l'estimation n'est pas affecte par la
considration de la vitesse. Aussi, l'estimation de ce paramtre ne reposant pas sur la seule
variable uni, sa valeur d'un modle l'autre est ici difficilement apprciable.

On observe ici qu'un modle purement mcanique reliant les caractristiques de chausses
l'occurrence d'accident conduit donner un poids la variable uni, qui contient en ralit les
effets de la vitesse. Ainsi, l'uni affecte la perception de l'usager et engage le conducteur
ajuster sa vitesse en fonction des conditions de roulement qui lui sont offertes mais n'a pas
vraiment d'impact direct sur la probabilit d'accident.

G. Route-indices de surface ou de structure

On peut constater lAnnexe 2 que toutes les variables de surface ou de structure ont une
variable binaire associe. Ces variables sont gales un lorsque la variable continue est
positive et sont gales zro autrement. Dans le cas o la variable continue apparat sous
forme linaire, la variable binaire associe dsigne leffet de la prsence du phnomne et la
variable continue capture leffet de la la quantit du phnomne. Toutefois, lorsque la
variable continue est assujettie une transformation Box-Cox, la variable binaire joue de plus
le rle dassurer linvariance de la transformation aux units de mesure utilises pour
reprsenter le phnomne. Le lecteur remarquera que les signes des variables binaires sont
gnralement opposs ceux de leurs variables continues, except dans le cas de la variable
G (partiellement) et de la variable I (totalement). Linterprtaion des effets de ces variables
exige donc de combiner les effets de paires de variables.

30
5.3. Rsultats complets: l'quation de vitesse

La modlisation des mesures de vitesse moyenne, VM, et d'cart-type des vitesses, ET, permet
de les relier au risque peru et des variables d'infrastructure associes au confort de
roulement. Bases sur l'analyse de seulement 17 sections courantes de caractristiques
diffrentes, nos estimations sont considrer avec prcaution. Les deux modles estims
prsents au Tableau 11 servent ensuite gnrer, selon les quations (8) et (11), des mesures
de vitesse attendue pour les sections de lchantillon destimation des quations (6)-(7).

La premire partie de ce tableau prsente les lasticits, calcules selon lquation (24) et
values la moyenne de lchantillon, et les t de Student associs aux estimateurs retenus
par des tests du 2 . La seconde partie prcise les formes fonctionnelles utilises et deux tests
dhypothse relatifs la linarit et la forme logarithmique. Finalement, la troisime partie
prsente les rsultats lis la qualit de lajustement.

A. Commentaires statistiques

On remarque dabord que les t de Student des transformation de Box-Cox, calculs par la
mthode des drives premires de Berndt et al. (1974), semblent ici mal approxims - sans
doute cause du faible nombre dobservations - puisquils refltent mal le gain certain en log-
vraisemblance : il faut plutt faire confiance aux tests du 2 qui demeurent exacts, et
suggrent une forme logarithmique des termes transforms. Les variables "uni", "fissures
transversales graves" et "risque peru en gravit" apportent, par exemple, un gain faible sur la
vraisemblance lorsqu'elles ne sont pas transformes, dans lune et lautre des quations.

Cela dit, la transformation Box-Cox associe aux deux valeurs inclusives de frquence et de
gravit dans lquation de vitesse moyenne savre proche de 0 : nous pouvons donc accepter
ces termes comme mesures desprance dutilit, dfinies au sens strict par le logarithme
naturel de la valeur inclusive. Dans lquation de lcart-type toutefois, la forme linaire des
valeurs inclusives est retenue, mais ces mesures sont moins significatives.

Une troisime chose remarquer est que toutes les variables dinfrastructure retenues par les
tests de 2 sont bien associes au confort de roulement : en prsence des variables de risque
peru, les tests ont en effet exclu les autres variables dinfrastructure, conformment aux
anticipations signifies la Figure 2 par lexpression (k(N-I)).

En quatrime lieu, sagissant des rsultats relatifs l'estimation du modle de l'cart-type, on


observe que la variable binaire dftgrav associe la variable ftgrav , et gnre par
lusage de la transformation de Box Cox sur ftgrav , est particulirement significative.
Nous avons donc test l'impact de cette variable introduite de manire directe dans la forme
linaire du modle : dans ce cas, la variable binaire dftgrav reprsente seulement la
prsence de fissures transversales graves, et la variable ftgrav reprsente la quantit de
fissures: la valeur de la fonction de vraisemblance ainsi obtenue (- 42.856) confirme le rle de
la prsence de fissures transversales graves, en sus de celui de la quantit de telles fissures,
puisque le gain en log-vraisemblance est de 3 points (par rapport - 45.864).

31
Tableau 11. Rsultat d'estimation de l'quation de vitesse
Modle VM Modle ET

I. lasticits et t de Student des variables (t = 0) (t = 0)


G 2. Risque peru
risque peru en probabilit EMUp -.207 (-.68) .047 (.07)
transformation Box-Cox de EMUp LAM2 [ 2 ]
risque peru en gravit EMUgr -.124 (-1.67) .043 (.52)
transformation Box-Cox de EMUgr LAM2 [ 2 ]
G 3. Quantit de trafic
moy. journalire annuelle tous vh. MJA -.071 (-.56)
G 6. Zone dapproche en plan (e.r. : section droite)
virage virage -.226 (-1.76)
G 11. Classe hirarchique dans le rseau national (e.r. : route nationale)
liaison autoroutire LACRA .243 (1.39) .450 (3.02)
G 14. Uni, frottement, ornirage, dsenrobage...
valeur de planit de chausse valuni .242 (1.50)
transformation Box-Cox de valuni LAM1 [ 1 ]
G 15. Structuraux : fissurations diverses
fissures transversales graves ftgrav -.002 (-2.01)
transformation Box-Cox de ftgrav LAM1 [ 1 ]
variable binaire associe dftgrav .535 (6.85)
G 17. Liant de couche de roulement : bitume,...(e.r. : grave bitume)
grave hydraulique GH .230 (0.76)
non trait NT -.248 (-1.59)

II. Valeurs de ; t de Student [] t=0;t=1 [] t = 0; t = 1


Transformation 1 -.135 -.04 ; -.34 -9.99 -.01 ; -.01
Transformation 2 -.327 -.27 ; -1.08

III. Statistiques gnrales


Log-vraisemblance avec estims -57.185 -37.431
Log-vraisemblance avec = 1 -59.842 -45.864
Log vraisemblance avec = 1 et la variable dftgrav incluse -42.856
Pseudo-R-2 .746 .861
Pseudo-R-2 ajust aux degrs de libert .549 .683
Nombre dobservations 17 17
Nombre de paramtres estims
- Btas - Variables 5 7
- constantes 1 1
- binaires associes 0 1
- Transformations Box-Cox 2 1

32
B. Lquation de vitesse moyenne

Les paramtres influants sur la vitesse moyenne des vhicules mesure en un point sont les
variables de risque peru, le trafic de tous les vhicules exprim en nombre moyen de
vhicules par jour, le type de voies et l'uni. Conformment aux attentes, les caractristiques
dinfrastructure autres que celles relies au confort nont pas t retenues par les tests du 2 .

Les mesures de risque peru. Le concept de risque peru constitue un facteur trs important
reli au phnomne des accidents. Le risque peru illustre l'ampleur, value par le
conducteur, des difficults prsentes par l'infrastructure. Ainsi, on postule que, lorsqu'il
peroit un risque plus grand, le conducteur a tendance soutenir davantage son attention, et
on peut ds lors s'attendre ce qu'il rduise sa vitesse de parcours.

Le coefficient estim relatif au risque peru en probabilit d'accident n'a pas un effet
significativement diffrent de zro sur la vitesse moyenne, contrairement au risque peru en
gravit. Nanmoins, tel qu'attendu, il ressort du modle qu'une hausse du risque peru en
gravit s'accompagne d'une diminution de la vitesse moyenne.

On dcouvre que les usagers ragissent fortement un risque supplmentaire. Un


accroissement de 10 % du niveau de risque relatif la gravit potentielle de l'accident
occasionne une rduction de 12.4 % de la vitesse. Ce rsultat est valu toutes choses tant
gales par ailleurs.

L'effet important du risque peru li la gravit indique que l'automobiliste a une certaine
apprciation du danger. Pour le conducteur, la vitesse moyenne semble davantage associe
un niveau de dommage. On cite communment l'exemple des autoroutes sur lesquelles les
usagers ont le sentiment que les accidents sont peu frquents mais, lorsqu'ils surviennent, ont
des consquences beaucoup plus graves, voire mortelles. Ce rsultat permet de formuler
l'hypothse suivant laquelle les conducteurs, conscients de l'ventuelle gravit en cas
d'accident, adoptent un comportement routier plus prudent de sorte qu'il prsente un risque de
blessure grave et de dcs moins lev. Cette prudence de comportement se traduit par une
diminution forte de la vitesse et par une raction plus intense un niveau de gravit qu' une
probabilit d'accident.

Par ailleurs, il ressort du modle que la forme estime des ajustements de la vitesse moyenne
en fonction de la perception du risque est voisine de la fonction inverse de la racine carre.
Alors que les tests t d'hypothse, dont on a dit plus haut quils taient numriquement
fragiles, ne permettent de rejeter ni la forme linaire ni la forme logarithmique, le test du 2 ,
toujours exact, montre que la transformation Box-Cox offre un gain significatif sur la
vraisemblance. Si l'on accepte la forme estime selon une puissance - 0.33, cela indique qu'
compter d'un certain niveau de risque, l'impact d'une variation sur la vitesse tend se
stabiliser alors qu' de faibles niveaux, cette mme variation a un fort effet.

Ce comportement s'explique par plusieurs lments. D'abord, on peut supposer l'existence


d'un phnomne d'accoutumance au risque. Dans un milieu sans contrainte et d'apparence
sre, l'apparition du moindre facteur risqu aura un effet majeur. A contrario, dans un

33
environnement routier trs dense et trs complexe, ce risque supplmentaire n'aura pas
d'impact comparable. A cette situation vient s'ajouter le niveau des limites lgales de vitesse.
On peut supposer que les automobilistes estiment scuritaire une vitesse de parcours proche
de la limite lgale et rechignent adopter une vitesse significativement infrieure. La
principale raison vient du fait que la vitesse n'est pas seulement motive par les paramtres
d'infrastructure mais galement par des caractristiques lies aux conducteurs et leurs
vhicules.

Le trafic. Les sections tudies sont situes en rase campagne. La circulation des vhicules
est libre et aucun problme de congestion n'est prsent. Dans ce contexte, on s'intresse
particulirement la faon dont l'usager moyen du rseau se comporte face diffrentes
densits de trafic. Selon toute vraisemblance, on s'attend ce qu'un nombre suprieur de
vhicules contraigne le conducteur rduire sa vitesse. L'estimation ne permet pas d'accepter
cette anticipation avec une grande certitude, compte tenu de la faible significativit du t
associ au coefficient estim de cette variable pourtant retenue dans la liste.

L'uni. L'uni dcrit le niveau de planit de la chausse. Un trs bon niveau d'uni caractrise
une chausse parfaite sur laquelle aucun sentiment d'inconfort n'est ressenti. Le paramtre
estim prsente un niveau de significativit faible (1.50), ce qui indique que la variance
associe cette estimation est relativement importante. Malgr cette incertitude, l'estimation
est conforme nos attentes. Le modle rvle qu'une dgradation de l'uni entrane une baisse
de la vitesse. De nombreuses tudes confirment ce rsultat (Gambard, 1986). Les dfauts
d'uni provoquent des vibrations de la caisse du vhicule, particulirement sensibles pour
l'usager. Pour des raisons de confort celui-ci a tendance ralentir spontanment.

C. Lquation de lcart-type des vitesses

L'cart-type dpend surtout des caractristiques gomtriques de la chausse (virage, nombre


de voies), de la prsence et du niveau de dformations graves sur la chausse, et de la nature
de la chausse (non traite, grave bitume ou grave hydraulique).

Le risque peru. Contrairement la vitesse moyenne, l'cart-type des vitesses n'est pas
significativement influenc par les mesures de risque peru tant en probabilit qu'en gravit.
Cette situation s'explique par les perceptions diffrentes des usagers lies leurs aptitudes de
conduite et aux vhicules utiliss. La majorit des automobilistes va rduire sa vitesse de
parcours lorsqu'un risque sera peru. Cependant, la vitesse n'est pas rduite de la mme
intensit par tout le monde, ce qui a pour consquence de ne pas affecter sensiblement les
carts types.

Les deux groupes de variables qui permettraient d'approfondir l'analyse sont la description du
vhicule (quipement en scurit, puissance, ge, type...) et la caractrisation du conducteur
(age, sexe, motif de dplacement...). Malheureusement, la base de donnes dont nous
disposons ne contient pas ces renseignements et ne nous permet pas d'tablir les
responsabilits respectives lies ces paramtres dans les diffrentiels de vitesse.

34
La nature de la voie. La nature de la voie contient implicitement plusieurs caractristiques
de chausses. Elle fait notamment rfrence la largeur et au nombre de voies, au niveau de
trafic, aux quipements scuritaires des infrastructures.... Les 17 sections utilises ne peuvent
pas tre significativement reprsentes dans les cinq classes existantes, tiquetes
lAnnexe 1 : Liaison Autoroutire en Continuit du Rseau Autoroutier (LACRA), Grande
Liaison d'Amnagement du Territoire (GLAT), Voie Routire Urbaine (VRU), Route
Nationale de Liaison (RNL), et Route Nationale (RN).

Nous avons donc regroup diffrentes classes. La premire contient les RN et les RNL, la
seconde contient les autres types de routes. Une rserve peut tre mise sur la place des Voies
Routires Urbaines mais ce type de route tant, la plupart du temps, un axe deux fois deux
voies, nous avons choisi de l'intgrer la catgorie dsigne supra. En outre, les ventuelles
erreurs de prdiction auront peu d'impact sur le rsultat final de l'tude compte tenu du faible
nombre de ces sections dans la base de donnes.

La nature de la voie prsente un impact majeur sur les carts de vitesse. Sur les sections
deux fois deux voies, le modle annonce des carts type moyens de vitesse suprieurs de
45 % par comparaison aux carts type sur route deux voies seulement. Ce rsultat est
cohrent avec les anticipations. La diffrence norme s'explique essentiellement par les
diffrences de puissance et de confort des vhicules sur le march et par les diffrents
conducteurs; la diffrence la plus frappante tant, videment, celle existant entre les vhicules
lgers et les poids lourds. Cependant, dans une mme gamme de vhicules, d'importantes
diffrences existent en termes de puissance, d'quipements et de confort. Comme dans
l'analyse des variables de risque, les informations relatives au conducteur et son vhicule
font cruellement dfaut pour expliquer ce rsultat qui, du reste, pourrait tre modul si ces
variables taient inclues dans le modle.

La nature du liant et les fissures transversales graves. Les fissures transversales et la


nature du liant sont deux caractristiques de structure de chausse. Le liant dsigne le
matriau utilis pour solidariser les graviers composant la couche infrieure de chausse. On
distingue trois types de liant: Non Trait (NT), Grave Bitume (GB) et Grave
Hydraulique (GH). Les chausses non traites (NT) prsentent souvent un niveau de
dformation lev, surtout lorsque le trafic est important.

Les chausses NT sont plus sujettes aux fissures que les structures GB ou GH. Cela tient la
composition de la couche de base dont les graviers ne sont pas solidariss. Par ailleurs, il
existe, entre les structures GB et GH, d'importantes diffrences, galement lies au
phnomne de fissuration. Les structures GH sont rigides et sujettes des phnomnes de
dilatation ds essentiellement aux variations de temprature. Ce phnomne se caractrise par
l'apparition de fissures transversales sur les couches suprieures du revtement. En revanche,
les chausses GB, plus souples, ne souffrent pas de ces variations climatiques et sont
beaucoup moins exposes aux fissures.

Il ressort du modle que les carts type des vitesses sont diffrents selon les natures de liant.
Plus prcisment, l'impact de la circulation sur une chausse prsentant un liant GB ou GH
n'est pas significatif. En revanche, les carts type sur chausses non traites sont
significativement plus faibles que ceux observs sur chausse GB. Ce rsultat peut s'expliquer

35
par les fissures prsentes sur les chausses et est confirm par les rsultats concernant le
paramtre relatif aux fissures transversales graves.

Les impacts de cette variable se dclinent selon deux modalits: le niveau et la prsence de
fissures. Le modle rvle que, plus que le niveau de fissures graves, leur prsence a un
impact fort. Ceci est confirm par la variable binaire associe ce paramtre caractrisant la
prsence ou l'absence de fissures sur la section.

Il en ressort que la prsence de fissures sur la chausse a pour consquence d'augmenter les
carts type de vitesse de plus de 50 %. Il apparat donc que les automobilistes n'ajustent pas
leur vitesse avec la mme sensibilit cette caractristique de surface de chausse. Les
fissures transversales sont visibles par les usagers. Il est possible que ceux-ci y associent un
niveau de scurit de la chausse dficient.

Les deux rsultats relatifs la structure de la chausse sont donc cohrents.

D. Conclusion

L'ensemble des rsultats obtenus est cohrent avec nos attentes et, mme si l'estimation ne
repose que sur 17 sections, les valeurs de vitesse moyenne et d'cart-type gnres ne sont
absolument pas aberrantes. Les vitesses infres sont peut-tre imparfaites, car certaines
sections de l'chantillon prsentent des configurations gomtriques particulirement
contraignantes ou des caractristiques de surfaces influentes qui n'apparaissent pas dans le
modle. La base de donnes dont nous disposons est une limite certaine une infrence plus
prcise mais aucune valeur absurde n'est gnre et les histogrammes de vitesse associs sont
trs cohrents.

6. Conclusion gnrale
Nous avons estim un systme simultan dinteractions de comportement entre vitesse choisie
et risque peru, en mesurant celui-ci comme un esprance maximale dinscurit (EMI)
dcomposable, au sens de Knight, entre incertitude et risque calcul. Nous navons pas
trouv dautres tudes routires utilisant lune ou lautre de ces trois dimensions.

Nos rsultats sont gnralement robustes en ce sens que la pertinence des divers facteurs a t
tablie laide de tests de 2 et la forme de leur inclusion dtermine de manire endogne
par des transformations de Box et Cox. En particulier, la forme logarithmique, dite log-sum,
exige par la thorie de lesprance maximale dutilit sest avre optimale pour reprsenter
le risque peru dans lquation de vitesse moyenne. Les transformations Box-Cox se sont
encore une fois avres utiles, tant pour la qualit dajustement aux donnes que pour le
caractre plus raisonnable des rsultats obtenus, par comparaison avec des rsultats de forme
prdtermine, en particulier linaire.

36
Lexceptionnelle richesse de la banque de donnes en variables descriptives de la gomtrie
et de ltat des routes a permis un premier dfrichage du problme, dans un contexte
multiniveaux de type DRAG. Toutefois, labsence de variables sur dautres facteurs comme
les caractristiques du conducteur, du vhicule et du climat, ainsi que la faible reprsentativit
de lchantillon de vitesses, impliquent certainement des rsultats biaiss.

Mais nous proposons une structure thorique pour tablir un modle de comportement trs
complet, grce la stratification de l'chantillon ralise dans le cadre du modle Logit,
stratification qui permettrait de complter la base de donnes sans engendrer de cots
exorbitants, tant au niveau financier qu'humain. Une enqute auprs de 1 500 usagers de la
route permettrait, dans un premier temps, de tenir compte des caractristiques lies aux
conducteurs et leurs vhicules. Pour pouvoir tirer grand avantage de la structure simultane
estimable, une enqute supplmentaire sur les vitesses pratiques par les usagers serait
ncessaire. Bien que moins coteuse qu'un sondage global, un recueil correct sur 1 500
sections de route gnrerait des dpenses importantes. On pourrait alors obtenir un modle
aux rsultats tout fait crdibles et utilisables, au lieu dtre seulement intressants.

Complt de nouvelles variables explicatives, le modle permettrait en particulier de bien


dterminer les parts respectives de lincertitude et du risque calcul dans lexplication du
risque observ. Cette distinction claire ouvre la porte la mesure de lutilit de diverses
interventions du gestionnaire, comme la signalisation, les avertissements, ainsi qu la
dtermination des limites de ces interventions. Si certaines mesures correctives peuvent en
principe rduire lincertitude, il y a sans doute une limite cette rduction, ou un irrductible
fond dincertitude : notre structure permettrait de lisoler.

La rentabilit des interventions de ce type rduction dincertitude nest pas moins


importante que celle de mesures correctives lies directement aux vitesses de parcours,
sagissant des consquences sur la probabilit et la gravit des accidents.

37
7. Rfrences

ALJANI, A. A. M., RHODES, A. H. and A. V. METCALFE, Speed, Speed Limits and Road Traffic
Accidents under Free Flow Conditions , Acident Analysis and Prevention, 31, 161-168, 1998.

AMEMIYA, T., Advanced Econometrics, Harvard University Press, Cambridge Massachusetts.


1985.

ARELLANO, M. and C. MEGHIR, Female Labour Supply and On-The-Job Search : An Empirical
Model Estimated Using Complementary Data Sets , Review of Economic Studies, 59, 537-
557, 1992.

ATO EGUAKUM, G. and F. WILSON, Modelling Risk as a Choice Process, Compte rendu de la
9eme conf. canadienne multidisciplinaire sur la scurit routire, pp. 173-184, 23-25 mai 1995,
Montral. 1995.

BADEAU, N., BAASS, K. et C. POIRIER, Stabilit des vhicules dans les courbes:
Exprimentations, analyse et interprtation des rsultats, Non Publi, Centre de Recherche
sur les Transports, Universit de Montral, 75 p., janvier 1997.

BARBER, P., BADEAU, N. et K. BAASS, Leffet des profils horizontal et vertical sur la scurit
routire, Tome I , Non Publi, Laboratoire de circulation et de scurit routire, cole
Polytechnique, Montral, 73 p., dcembre 1998.

BEN-AKIVA, M. and S. R. LERMAN, Discrete Choice Analysis: Theory and Application to Travel
Demand Analysis, Massachusetts, MIT Press. 1985.

BERGERON, R., Le Livre Noir de lAutomobile, Hypothse, Montral, 435 p., 1999.

BERNDT, E. R., HALL, B. H., HALL, R. E. and J. A. HAUSMAN, Estimation and Inference in
Nonlinear Models , Annals of Economic and Social Measurement, 3, 653-665, 1974.

BOLDUC, D. and S. BONIN, Bayesian Analysis of Road Accidents: A General Framework for the
Multinomial Case , in Dionne, G. and C. Laberge-Nadeau, eds, Automobile Insurance: Road
Safety, New Drivers, Risks, Insurance Fraud and Regulation, Kluwer Academic Publishers,
Boston, MA, pp. 79-100, 1999.

BOYER, M., DIONNE, G. and C. VANASSE, Econometrics Models of Accident Distribution in G.


Dionne (ed.) Contributions to Insurance Economics, Kluwer Academic Publishers, Boston,
MA, pp.169-213, 1992.

BOX, G. P. and D. R. COX, An Analysis of Transformations, Journal of the Royal Statistical


Society, Series B, 26, 211-243. 1964.

BUTT, A. A., SHASHIN, M. Y., CARPENTER, S. H. and J. V. CARNAHAN, Application of


Markov Chain Process to Pavement Management Systems at Network Level, Third
International Conference on Managing Pavement, Transportation Research Board, Vol. 2,
pp.159-172. 1994.

38
CARDOSO, J. L., Accident rates and Speed Consistency on Horizontal Curves in Carriageway
Rural Roads, International Conference Traffic Safety on two Continents, 22-24 Dec. 1997,
Lisboa. 1997.

COLLINS, K. M. and R. A. KRAMMES, Preliminary Validation of a Speed-profile Model for


Design Consistency Evaluation, TRB, Preprint 960590. 1996.

CONTI, T. C., McMINIMEE, J. C. and P. SENEVIATRE, Maintenance Skid Correction Program in


Utah, Transportation Research Record 1410, pp. 32-40. 1990.

DELHOMME , P., et G. MALATERRE, Analyse bibliographique des mthodes d'investigation du


comportement de conducteur par observation embarques, Programme DRIVE V1040,
INRETS, Arcueil. 1990.

GAMBARD, J. M., Approche du comportement cinmatique du vhicule libre sur un axe routier,
Thse de docteur ingnieur, E.N.P.C., 1986.

GAUDRY, M., DRAG, un modle de la Demande Routire, des Accidents et de leur Gravit,
appliqu au Qubec de 1956 1982, Publication CRT 359, Centre de recherche sur les
transports, Universit de Montral, 1984.

GAUDRY, M., Some Perspective on the DRAG Approach and Family of National Road Safety
Models, Working Paper 9808, Bureau dconomie thorique et applique, Universit Louis
Pasteur, et Publication CRT 9807, Centre de recherche sur les transports, Universit de
Montral. 1998.

GAUDRY, M. et al., TRIO Tutorial, Reference and Model Types Manuals, Version 2.0, ,
Publications CRT 902, 903, 904, Centre de recherche sur les transports, Universit de
Montral, 1995.

GODLEWSKI, D., Optimisation de la gestion routire: Utilisation de l'uni longitudinal, Thse de


docteur ingnieur, E.N.P.C., 1985.

JAEGER, L., Dveloppement d'un modle explicatif des accidents de la route en France sur une
base mensuelle de 1956 1993, Thse de doctorat, Universit Louis Pasteur, Strasbourg.
1998. Publication CRT-99-11, Centre de recherche sur les transports, Universit de Montral,
1999.

KANG, K., Ordered Probit Model of the Speed Selection Behavior : Results Based on a Korean
Micro Data , Fourth Annual Conference on Transportation, Traffic Safety and Health,
Tokyo, Japan, October 1998.

KNIGHT, F. H., Risk, Uncertainty and Profit, Houghton, Mifflin, 1921.

KULKARNI, R. B., Dynamic Decision Model for Pavement Management System, Transportation
Research Record 997, pp.19-27. 1984.

KULKARNI, R. B., GOLABI, K., FINN, F. and E. ALVITI, Development of a Network


Optimization System, Arizona Department of Transportation, Final Report, Vol. 1 et 2,
Woodward-cycle Consultants, San Francisco. 1990.

39
LAMM, R. and E. M. CHOUEIRI, Rural Roads Speed Inconsistency Design Method. Part 1.
Operating Speed and Accident Rates on Two-Lane Rural Highway Curved Sections:
Investigation about Consistency and Inconsistency in Horizontal Aligment, Clarkson
University, Report 87026, Postdam. 1987.

LAMM, R., CHOUEIRI, E. M. and T. MAILAENDER, Comparison of Operating Speeds on dry


and wet Pavements of two Lane Rural Highways, Transportation Research Record, 1280,
pp.199-207. 1990.

LIEM, T. and M. GAUDRY, PROBABILITY: The P-2 Program for the Standard and Generalised
Box- Cox Logit Models with Disagreggate Data, Publication CRT 527, Centre de recherche
sur les transports, Universit de Montral, 1993.

MANSKI, C. F. and S. R. LERMAN, The Estimation of Choice Probabilities from Choice Based
Samples, Econometrica, vol. 45. 1977.

McCARTHY, P. S., and S. MADANAT Highway Accident Data Analysis: Alternative Econometric
Method, Transportation Research Record 1467, pp. 44-49. 1994.

OCDE, Systmes de gestion des chausses, Recherche en matire de route et de transports routiers.
1987.

OCDE, Recherche en matire de route et de transports routiers: Perspectives 2000, Recherche en


matire de route et de transports routiers, Trentime anniversaire, 1996.

O'DONNEL, C. J. and D. H. CONNOR, Predicting The Severity of Motor Vehicle Accident Injuries
Using Models of Ordered Multiple Choice, Accident Analysis and Prevention, Vol. 28, pp.
739-753, 1996.

ORTUZAR, J. D. and L. G. WILLUMSEN, Modelling Transport, John Wiley and Sons. 1990.

PLANCO CONSULTING, Evaluation macro-conomique des investissements dans les


infrastructures de transport, Publications du ministre des transports, Cahier 72, Essen,
Bonn. 1993.

SCHLESSELMAN, J., Power Families : A Note on the Box and Cox Transformation , Journal of
the Royal Statistical Society, Series B, 33, 307-311, 1971.

SETRA-CETE Normandie Centre: Les accidents par sortie de chausse, Document interne
SETRA, 1997.

SETRA-CETE Mditerrane: Simulation de stratgies d'entretien sur le rseau national, Document


interne SETRA, 1997.

SHANKAR, V., MANNERING, F. and W. BARFIELD, Effect of Roadway Geometrics and


Environmental factors on Rural Freeway Accident Frequency, Accident Analysis and
Prevention, Vol. 27, pp. 371-389. 1995.

SHANKAR, V., MANNERING, F. and W. BARFIELD, Statistical Analysis of Accident Severity on


Rural Freeways, Transportation Research Board, Preprint 960112, 1996.

40
SOLOMON, D., Accidents on Main Rural Highways Related to Speed, Driver and Vehicle, U.S.
Department of Transportation, Federal Highway Administration, July 1964.

UNDERWOOD, G. C., JIANG, C. and C. I. HOWARTH, Modelling of Safety Measure Effects and
Risk Compensation, Accident Analysis and Prevention, Vol. 25, pp. 277-288. 1993.

VERNIER, K., Fonctions de survie et mthode des M-estimateurs : application au module


STRATGE du systme franais de gestion des chausses GiRR , Publication CRT-98-58,
Centre de recherche sur les transports, Universit de Montral, novembre 1998.

VERNIER, K., Les incidences du trac routier et des tats de chausse sur le comportement des
usagers vis--vis de la vitesse et de la scurit, Thse de doctorat, Universit Louis Pasteur,
Strasbourg. 1999, et Publication CRT-99-16, Centre de recherche sur les transports,
Universit de Montral, 1999.

WATANATADA, T., DHARESHWAR, A. M. and P. R. S. REZENDE-LIMA, Models for


Predicting Vehicle Speed and Operating Costs based on Mechanistics Principals: Theory and
Quantification, HDM III, Volume II. 1987.

WEISS, A. A., The Effects of Helmet Use on the Severity of Head Injuries Motorcycle Accidents,
Journal of The American Statistical Association, 87, pp. 48-56. 1992.

WILLIAMS, H. C. W. L., On the formation of travel demand models and economic evaluation
measures of user benefit . Environment and Planning, 9a(3), 285-344, 1977.

ZEEGER, C.V. et al., Cost-Effectiveness Geometric Improvements for Safety Upgrading of


Horizontal Curves , FHWA-RD-90-021, Federal Highway Administration, McLean,
Virginia, 237 p., 1991.

41
Annexe 1. Description des 78 variables disponibles

VARIABLES DE TRAFIC
G. 6. Zone d'approche en plan : dcrit les sec-
G. 3. Quantit de trafic (moyen annuel) tions adjacentes la section courante selon le trac
observ sur la section en plan. Nous avons retenu les sections adjacentes
sur une longueur de 450 m. Les quasi-droites sont
pourcPL Pourcentage de poids lourds des cercles de rayon suprieur 1000 m. Les virages
MJA Moyenne journalire annuelle dcrivent des arcs de rayon infrieur 1000 m.

de trafic tous vhicules


qdqdv Deux quasi-droites suivies
MJAPL Moyenne journalire annuelle
d'un virage
de trafic poids lourd
qdvv Quasi-droite suivie de deux
G. 4. Niveau de trafic : permet d'associer la
virages
section une classe de trafic dtermine par un
intervalle de moyennes journalires annuelles. virvirqd Deux virages suivis d'une
quasi-droite
T0 MJA [750;2000]
vqdv Enchanement d'un virage,
T1 MJA [300;750] d'une quasi-droite et d'un
T2 MJA [150;300] virage
T3 MJA < 150 virvirvir Enchanement de trois
virages
qd Quasi-droite
VARIABLES DINFRASTRUCTURE G. 7. Nature de l'lment en long :
l'lment en long de la section courante.
G. 5. Zone d'approche en long : dcrit les
sections adjacentes la section courante selon le
profil en long. Nous avons retenu les sections dpente Descente
adjacentes sur une longueur de 450 m.
drampe Monte
parbos Partie rayon constant
descente Descente continue sur 450
faisant la transition entre une
mtres
monte et une descente.
monte Monte continue sur 450
parcre Partie rayon constant
mtres
faisant la transition entre une
profalt Profil altern, succession
descente et une monte.
de montes /de descentes
racbos Partie rayon progressif
lginc Profil des sections
faisant la transition entre une
adjacentes inconnu
monte et une descente.
[ ] raccre Partie rayon progressif
faisant la transition entre une
descente et une monte

[ ]

42
Annexe 1. Description des 78 variables disponibles (suite)
[ ] [ ]
G. 8. Nature de l'lment en plan : Sud-Est Orientation Sud-Est
l'lment en plan de la section courante.
(100 200 Gr)
cerdro Cercle (rayon constant) Sud-Ouest Orientation Sud-Ouest (200
tournant vers la droite 300 Gr)
cergau Cercle (rayon constant)
G. 11. Type de route : indique l'appartenance
tournant vers la gauche hirarchique de la section.Classification faite en
droite Section droite fonction du trafic, du nombre de voies et du rle
de la section dans le rseau d'infrastructure.
racdro Sortie ou entre de virage
(rayon progressif) tournant GLAT Grande Liaison

vers la droite d'Amnagement du


Territoire.
racgau Sortie ou entre de virage
LACRA Liaison autoroutire en
(rayon progressif) tournant
Continuit du rseau
vers la gauche
G. 9. Difficult associe l'lment en Autoroutier.
long RN Route Nationale Ordinaire.
RNL Route nationale de liaison.
pen_ramp Degr de pente (%)
G. 10. Difficult associe l'lment en VRU Voie Routire Urbaine.
plan G. 12. Classe de profil : donne le nombre de
voies de la section courante.
ray_vir Rayon du virage (mtres)
anglecap Orientation par rapport au deux_2v Section deux fois deux

Nord gographique valu en voies chausses spares.

grades (Gr) quatrev Section deux fois deux


voies chausses non
Est Orientation vers l'est
spares
(50 150 Gr)
Nord Orientation vers le nord (350 troisv Section trois voies

400 ou 0 50 Gr) deuxv Sections deux voies

Sud Orientation vers le Sud (150 G. 13. Variables routires : lments


gnraux relatifs la section courante
250 Gr)
Ouest Orientation vers l'ouest (250 long Longueur de la section

350 Gr) courante

Nord-Est Orientation Nord-Est idroute Numro identifiant la section

(0 100 Gr) courante

Nord-Ouest Orientation Nord-Ouest (300 larg_ent Largeur de la chausse

400 Gr) entretenue

[ ] nbvoi Nombre de voies

43
Annexe 1. Description des 78 variables disponibles (suite et fin)

[ ] [ ]
G. 14. Caractristiques de surface G. 15. Caractristiques de structure
de chausse de chausse

valcft Coefficient de Frottement flfaib Fissures longitudinales


Transversal, mesure faibles
d'adhrence (microtexture) flgrav Fissures longitudinales
valhs Hauteur au Sable, mesure graves
d'adhrence (macrotexture) ftfaib Fissures transversales faibles
valuni Uni, mesure de planit de ftgrav Fissures transversales graves
chausse ind_pat Indice patrimoine indicateur
arrach Arrachements, dgradations agrg des tats lmentaires
de type caillage de la prcdents, compris entre 0 et
surface. 20
glac_res Glaage / ressuage, G. 16. Nature de la couche de roulement :
types de matriaux utiliss pour la couche de
dgradations du type
roulement
dsenrobage.
deffaib Dformations faibles BBC Bton bitumineux clout
(ornires, affaissements... de BBDR Bton bitumineux drainant
profondeur < 3 cm) BBM Bton bitumineux mince
defgrav Dformations faibles BBTM Bton bitumineux trs mince
(ornires, affaissements... de BBSG Bton bitumineux semi grenu
profondeur > 3 cm) ES Enduit superficiel
rep_loc Rparations localises T Technique spciale
Rfections ponctuelles de la ENROB Enrob
chausse (< voie de
roulement)
G. 17. Nature du liant utilis pour la
rep_imp Rparations localises couche de roulement : matriaux permettant
de solidariser les gravillons constituant la couche
Rfections ponctuelles de la de roulement.
chausse (> voie de
roulement) GB Liant grave bitume
ind_sur Indice de notation de surface, GH Liant grave hydraulique
indicateur agrg des tats NT Non trait
lmentaires prcdents, FIN du tableau
compris entre 0 et 20

[ ]

44
Annexe 2. Rsultats relatifs la probabilit et la gravit conditionnelle d'accident

nom modle prob:1 modle prob:2 modle grav:1 modle grav:2


variable
Probabilit daccident (a) Probabilit de gravit (g):
Blessures Lgres = (B .L.)
Blessures Graves = (B.G.)
Mortelle = (M.)
I Points de probabilit ; t de Student (a) (t =0) (a) (t =0) (g) (t =0) (g) (t =0)
II Valeurs de ; t de Student [t =0;t=1] [t =0;t=1] [t =0;t=1] [t =0;t=1]
G 1. Vitesse
Ecart type attendu de et .001 (.03) .029
la vitesse .023 (.01)
-.052 (-1.31)
Vitesse moyenne vml -.202 (-1.63) -.247
attendue .138 (1.37)
.108 (1.54)
LAMBDA LAM 4 4.233[1.73][1.32] 1.802 [.29][.13]
G 3. Quantit de trafic
Moyenne Journalire MJA .114 (4.00) .101 (3.11)
Annuelle de trafic
tous vhicules
LAMBDA LAM 1 .535 [2.77][-2.40] .525 [2.56][-2.31]
Pourcentage Poids PourcPL -.107 (-3.81) -.110 (-3.66) -.047 -.025
Lourds -.030 (-.06) -.048 (-.33)
.077 (2.81) .073 (2.45)

G 5. Zone d'approche long (rfrence descente)


Monte continue monte -.035 (-1.25) -.033 (-1.11) .032 .041
.013 (-.15) .008 (-.29)
-.045 (-1.84) -.049 (-2.06)
Profil altern profalt -.006 (-.24) -.003 (-.13) .058 .063
-.005 (-.71) -.010 (-.84)
-.054 (-2.63) -.053 (-2.66)
Profil inconnu lginc -.005 (-.10) -.002 (-.03) .026 .035
-.027 (-.35) -.032 (-.44)
.001 (-.08) -.003 (-.21)
G 6. Zone d'approche plan (rfrence quasi-droite)
Quasi-droite suivie qdqdv -.015 (-.58) -.019 (-.67) -.124 -.129
d'un virage .130 (3.03) .141 (3.02)
-.006 (.56) -.011 (.39)
Quasi-droite suivie de qdvv -.021 (-.48) -.028 (-.59) -1.04 -.112
l'enchanement de .075 (1.24) .089 (.136)
deux virages .030 (1.06) .023 (.92)
Enchanement de virvirqd -.002 (-.05) .004 (.08) .136 .137
deux virages suivi -.006 (-.90) -.016 (-.99)
d'un alignement -.131 (-2.39) -.122 (-2.34)
quasi-droit
Enchanement d'un vqdv 0.006 (.15) .008 (.19) .033 .049
virage, d'une quasi- -.083 (-.94) -.082 (-.97)
droite et d'un virage .050 (1.16) .033 (.61)
Enchanement de virvirvir -0.69 (-1.62) -.082 (-1.77) -.127 -.152
trois virages .082 (1.48) .113 (1.75)
.045 (1.53) .040 (1.39)

45
Annexe 2. Rsultats relatifs la probabilit et la gravit conditionnelle d'accident (p.2)
G 7. Elment en long (rfrence monte)
Descente drampe -.007 (-.28) -.006 (-.22) .056 .058
-.015 (-.72) -.013 (-.71)
-.042 (-1.82) -.045 (-1.95)
Parabole en bosse parbos .011 (.29) .006 (.15) -.080 -.083
.111 (1.52) .114 (1.56)
-.031 (-.38) -.031 (-.38)
Parabole en creux parcre .037 (1.18) .034 (1.03) -.084 -.101
.038 (1.11) .047 (1.32)
.046 (1.93) .054 (2.23)
Raccordement en racbos -.129 (-2.01) -.144 (-2.12) -.172 -.181
bosse .090 (1.09) .096 (1.15)
.082 (1.82) .085 (1.94)
Raccordement en raccre -.016 (-.37) -.021 (-.47) -.163 -.187
creux .128 (1.93) .140 (2.12)
.035 (1.44) .047 (1.76)
G 8. Elment en plan (rfrence droite)
Cercle vers la droite cerdro .004 (.13) .004 (.12)
Cercle vers la cergau .029 (1.04) .031 (1.05)
gauche
Raccordement vers racdro -.163 (-3.67) -.168 (-3.60)
la droite
Raccordement vers racgau -.063 (-1.72) -.068 (-1.75)
la gauche
G 9. Difficult associe llment en long
Degr de pente ou de pen_ramp .004 .005
rampe .001 (.19) .001 (.28)
-.005 (2.01) -.006 (2.29)
G 10. Difficult associe llment en plan
Angle de cap anglecap .044 (2.51) .051 (2.62) .043 .054
-.082 (-2.08) -.086 (-2.24)
.039 (1.44) .032 (1.00)
LAMBDA LAM 2 2.439 [1.42][.84] 2.24 [1.39][.77]
G 11. Hierarchie (rfrence route nationale ordinaire)
Grande Liaison GLAT -.074 (-1.34) .013 (-.16) .072 .144
d'Amnagement du -.159 (-1.28) -.222 (-1.69)
Territoire .086 (1.51) 4
.079 (.84)
Liaison Autoroutire LACRA -.148 (-2.88) -.093 (-1.97) -.051 .001
en Continuit du -.061 (-.10) -.116 (-.47)
Rseau Autoroutier .112 (1.62) .115 (1.38)
Route Nationale de RNL .002 (.09) .007 (.24) .054 .051
Liaison -.048 (-1.18) -.045 (-1.11)
-.006 (-.55) -.006 (-.54)
Voie Routire VRU .110 (.98) .161 (1.28) .620 .583
Urbaine -.630 (-3.97) -.641 (-3.78)
.010 (-1.07) .059 (-.45)
G 12. Classe de profil (rfrence deux voies)
Deux fois deux voies deux_2v -.048 -.067
.197 (1.00) .211 (1.12)
-.149 (-1.78) -.144 (-1.69)
Quatre voies quatrev .015 .005
-.098 (-.75) -.094 (-.66)
.083 (1.84) .088 (2.03)
Trois voies troisv -.017 -.031
.026 (.42) .040 (.67)
-.010 (-.21) -.009 (-.10)

46
Annexe 2. Rsultats relatifs la probabilit et la gravit conditionnelle
d'accident (p.3)
G 13. Variable routire
Longueur de la long .072 (6.22) .072 (5.86) -.039 -.045
section courante .008 (1.10) .011 (1.32)
.031 (3.27) .035 (3.59)
LAMBDA LAM 1 .535 [2.77][-2.40] .525 [2.56][2.31]
G 14 et G 15. Caractristiques de surface ou de structure de chausse
Uni valuni -.070 (-1.42) -.035 (-.60)

LAMBDA LAM 1 .535 [2.77][-2.40] .525 [2.56][-2.31]


Binaire associe bvaluni .074 (1.23) .073 (1.12)
Variable A A -.054 (-2.11) -.057 (-2.08)
Variable B B .005 .006
-.011 (-1.12) -.016 (-1.05)
.007 (1.08) .010 (1.19)
LAM1 1.691 [2.24][.97] 1.480 [2.51][.81]
binaire associe dB -.008 -.010
.070 (1.08) .072 (1.09)
-.062 (-2.29) -.062 (-2.27)
Variable C C .086 .087
-.092 (-2.42) -.097 (-2.48)
.006 (-.39) .009 (-.27)
Variable D D .022 .041
-.000 (-1.28) -.005 (-1.51)
-.021 (-1.94) -.036 (-2.14)
LAMBDA LAM1 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire associe dD -.049 -.086
.051 (.95) .074 (1.37)
-.002 (.17) .012 (.68)
Variable E E -.000 (-1.00) -.000 (-.86) .012 .030
-.005 (-1.10) -.016 (-1.24)
-.007 (-0.71) -.014 (-.77)
LAMBDA LAM2 / 2.439 [1.42] [.84] 2.240 [1.39] [.77] 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire associe LAM1 .144 (1.92) .138 (1.72) -.252 -.283
dE .087 (1.20) .117 (1.28)
.165 (2.58) .166 (2.59)
Variable F F -.028 -.051
.019 (3.54) .034 (3.68)
.009 (3.82) .017 (3.97)
LAMBDA LAM1 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire Associe dF .148 .154
-.077 (-2.12) -.085 (-2.21)
-.071 (-2.34) -.069 (-2.33)
Variable G G -.763 (-1.68) -.909 (-1.47) .003 .009
-.003 (-1.05) -.008 (-1.28)
-.000 (-.47) -.001 (-.63)
LAMBDA LAM3 / -.341 [-.31] [-1.23] -.516 [-.35] [-1.03] 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire associe LAM1 .124 (2.55) .129 (2.42) .031 .012
dG .061 (.42) .072 (.67)
-.092 (-2.07) -.085 (-1.84)

47
Annexe 2. Rsultats relatifs la probabilit et la gravit conditionnelle
d'accident (p.4)
Variable H H .013 (.86) .010 (.78) -.030 -.037
.036 (1.98) .043 (2.02)
-.006 (-.09) -.006 (.02)
LAMBDA LAM3 -.341 [-.31] [-1.23] -.517 [-.35] [-1.03] 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire associe / -.006 (-.13) -.012 (-.21) -.014 -.012
LAM1 -.017 (-.10) -.020 (-.15)
dH .031 (-.15) .032 (1.40)
Variable I I -.010 -.018
.008 (1.38) .013 (1.59)
.002 (1.20) .005 (1.62)
LAMBDA LAM1 1.691 [2.24][.97] 1.480 [2.51][.81]
Binaire associe dI .026 .027
.014 (-.10) .008 (-.20)
-.041 (-2.13) -.036 (-1.90)

III. Statistiques gnrales


Log-vrais. Finale -725.669 -724.371 -1064.15 -1061.46
Log-vrais avec const. seulement -847.365 -847.365 -1195.99 -1195.99
Rho carr .144 .145 .110 .112
Rho carr bar
Akaike .099 .097 .043 .041
Horowitz .121 .121 .076 .077
Hensher et Johnson .131 .131 .080 .080
Pourcentage de bonnes 55.057 55.293 57.143 57.796
prvisions
Nombre d'alternatives 2 2 3 3
Nombre d'observations 2541 2541 1225 1225
Nombre de paramtres estims
Btas - Variables 30 32 66 68
- constantes 1 1 2 2
- binaires associes 4 4 14 14
- Transformations Box-Cox 3 4 1 1
Note : le tableau dorigine sera disponible lorsque le SETRA en autorisera la diffusion.

48
Annexe 3. Binaires associes aux variables contenant des observations nulles

Nous avons dit plus haut que nous avions utilis des transformations de Box-Cox (BC) sur des
variables contenant une part dobservations nulles, en particulier les variables de structure et de
surface des groupes 14 et 15 occultes lAnnexe 2. Nous voulons prciser ii que ces variables
binaires associes des variables non strictement positives jouent un rle essentiel qui explique que le
progiciel TRIO les gnre automatiquement. Mais, comme elles changent le sens du modle, il y a lieu
den prciser le sens en partant dun cas linaire simple bien connu.

Variable binaire dinteraction en rgression linaire. Considrons un modle de rgression linaire


classique o la variable dpendante y dpend dune constante, dune variable Q qui nest pas
strictement positive, par exemple la chute de neige, et dune variable binaire associe D, cest--dire,
en ajoutant lindice t des observations :

y t = 0 + Qt + d Dt + ut (25)

o Dt = 1 si Qt 0 et Dt = 0 autrement. Dans ce modle, la variable Dt peut sinterprter simplement


comme une variable dinteraction ajoutant leffet dun tat celui de la quantit reprsente par Qt : on
mesurerait dans notre exemple leffet de la prsence de neige en sus de celui de la quantit de neige.
Bien sr, si on dfinit la variable dtat par son complment, Dt = 0 si Qt 0 et Dt = 1 autrement, on
ne fait quinverser le signe de d. Lajout dune telle variable dtat consomme un degr de libert,
modifie le modle formul sans elle, et ne contribue peut-tre rien lexplication.

Variable binaire et invariance en prsence de transformation BC. Si toutefois le modle est :

y t = 0 + Q(t ) + d D t + u t , (26)

o la transformation BC dfinie en (13)-(14) est applique seulement aux valeurs positives de Qt, la
variable binaire associe jouera un rle supplmentaire : celui de prserver linvariance de lestimation
du aux units de mesure utilises pour Qt. La preuve analytique de cette affirmation est difficile
faire, contrairement la preuve numrique, accessible si on a un logiciel de rgression. Cette dernire
a la structure suivante. Fixons une valeur arbitraire, 2 par exemple, et appliquons lestimateur des
moindres carrs ordinaires en conservant Qt en units originales. On obtient le vecteur $ 0 , $ , $ d .
~ ~ ~ ~
Restimons ensuite avec le facteur dchelle s : Q t = sQ t . On obtient alors 0 , , d et on constate
~ ~ ~ ~
que $ 0 = 0 , que $ = s , et que $ d = d + s( ) . Lajustement ncessit par labsence de
transformation des observations nulles de Qt se fait par le coefficient de la variable binaire associe. Le
modle sera invariant parce que le coefficient de la constante ne sajuste pas alors que le coefficient de
Qt sajuste comme dhabitude de manire inversement proportionnelle au facteur s. La variable
binaire associe a donc simultanment deux sens ii : celui dune variable dinteraction et celui dune
variable compensatoire.

Invariance lors de la transformation dune variable strictement positive. Il ne faut pas confondre
cette invariance constate avec celle qua dcrite Schlesselman (1971) dont nous avons parl plus haut
dans le cas des variables strictement positives assujetties aux transformations BC. Dans ce cas, en
prsence dune constante de rgression, le coefficient de celle-ci sajuste un changement dchelle s
de la variable Q transforme selon le mcanisme simple suivant :

49
0 + ( Q 1) ) (27)

0 + s (Q s)

(28)

~ ~ ~ ~
0 + Q + (29)

~ ~ ~
0 + ( Q 1) + (30)

~ ~ ~
0 + ( Q 1 ) (31)
~
o =s , comme dans le cas prcdent, mais o il est par contre facile de driver analytiquement le
~ ~
nouveau coefficient de la constante 0 = 0 + .

50