Rech. Transp. Secur.

(2012) 28:190-200
DOI 10.1007/s13547-012-0037-5

ARTICLE ORIGINAL / ORIGINAL ARTICLE

La place des modèles de trafic dans les récentes modélisations

des impacts environnementaux des transports. Importance
de l’explicitation des méthodes et hypothèses
The role of travel demand models in recent modelings of environmental impacts of transport.
Importance of the explication of methods and hypotheses

L. Fouillé · J.-S. Broc · B. Bourges · J. Bougnol · P. Mestayer

Reçu le 12 décembre 2011 ; accepté le 12 juillet 2012
© IFSTTAR et Springer-Verlag France 2012

Résumé Les auteurs présentent une évolution récente dans
l’usage qui est fait des modèles de déplacements classiques,
en les employant à des fins d’évaluation des impacts environ-
nementaux des transports, très éloignés de leur cible initiale.
En comparant des cas précédents relevés dans la littérature
(Chester, Séoul, Florence, Brisbane et Saint-Étienne) avec
leurs propres travaux du moment (Eval-PDU à Nantes), les
auteurs constatent à regret que leurs prédécesseurs ont ten-
dance à être évasifs sur leur utilisation du modèle de trafic.
Ainsi, les données de trafic sont peu discutées dans ces tra-
vaux, alors qu’elles constituent un des enjeux principaux de
ce genre d’étude. En effet, les hypothèses retenues pour la
modélisation du trafic se répercutent sur les modélisations
suivantes de la chaîne (émission/dispersion de polluants).
L’importance de cette première étape de modélisation exclut
la possibilité de la laisser hors-champ.
tal impact assessment of transport, far from its initial target.
By comparing previous cases found in the literature (Ches-
ter, Seoul, Florence, Brisbane and Saint-Etienne) with their
present works (Eval-PDU in Nantes), the authors notice that
their predecessors tend to be evasive on their use of TDM.
Hence, traffic data are little discussed in these works, while
their works constitute one of the main stakes in this kind of
study. Indeed, the hypotheses for traffic modeling are impac-
ting the next steps of the modeling chain (pollutants emis-
sion/dispersion). The importance of this first modeling stage
implies that relevant attention has to be brought to their
assumptions and input data.
Keywords Traffic model · Environmental impacts ·
Methodology · Assessment · Urban policies

Mots clés Modèle de trafic · Impacts environnementaux ·

Méthodologie · Évaluation · Politiques urbaines Introduction

Le présent article part du constat que les modèles de trafic

Abstract The authors present a recent development in the
use of classic travel demand models (TDMs) to environmen-
L. Fouillé · J.-S. Broc · B. Bourges (*)
IRSTV FR CNRS 2488, GÉPEA UMR CNRS 6144,
institut de recherche en sciences et techniques de la ville,
École des mines de Nantes, LUNAM université,
4, rue Alfred-Kastler, BP 20722, F-44307 Nantes cedex 03, France
e-mail : bernard.bourges@mines-nantes.fr
J. Bougnol
CETE OUEST, MAN, rue René-Viviani,
F-44262 Nantes cedex 02, France
P. Mestayer
IRSTV FR CNRS 2488, institut de recherche en sciences
et techniques de la ville, LUNAM université, CNRS,
1, rue de la Noë, BP 92101, F-44321 Nantes cedex 03, France
dont le principe séquentiel est demeuré inchangé depuis
plus d’un demi-siècle sont aujourd’hui utilisés à des fins
très différentes de leurs objectifs de conception. Ces outils
opérationnels initialement dédiés au dimensionnement
d’infrastructures de transport sont désormais employés
dans des chaînes de modèles de natures différentes, pour
réaliser des évaluations environnementales stratégiques
des politiques de transports, autrement dit pour estimer
les nuisances engendrées ou évitées par telle ou telle action
publique. Cette évolution des usages, vers une gouver-
nance plus soucieuse de l’environnement, suppose de
rediscuter le fonctionnement du modèle utilisé pour estimer
le trafic : avant de mesurer la validité des politiques
menées, il semble nécessaire d’avoir éprouvé préalable-
ment la validité de la modélisation qui évaluera ces
Rech. Transp. Secur. (2012) 28:190-200
politiques. Avant de mesurer, il faut se mettre d’accord sur
l’instrument de mesure utilisé.
Modèles de trafic, tradition et continuité
technique
L’histoire des modèles de trafic et de leurs évolutions tech-
niques a déjà été décrite avec talent [1,2], c’est pourquoi
nous ne nous attarderons pas sur ce sujet. Malgré un per-
fectionnement incrémental permanent (désagrégation
croissante, itérations, multimodalité), les modèles de prévi-
sion de la demande de transports ont conservé une remar-
quable stabilité structurelle autour de ce qu’il est convenu
d’appeler le « modèle à quatre étapes » : ainsi, les prototy-
pes employés à Détroit et Chicago dans les années 1950 [3]
et leurs descendants actuels partagent cette caractéristique
séquentielle.
La première étape, dite de génération, détermine un
volume de déplacements émis et reçus par chaque zone
du territoire et pour chaque motif selon des caractéristiques
de mobilité associées aux données démographiques et à
la répartition spatiale des générateurs de trafic (emplois,
commerces, administrations, équipements scolaires, hospi-
taliers et de loisirs).
La seconde étape, dite de distribution, apparie les émis-
sions et les réceptions de chaque zone formant ainsi une
matrice d’origine–destination (O–D) de zone à zone. Cette
étape est assurée par une formule gravitaire1 paramétrée à
l’aide de valeurs d’impédance2 issues d’enquêtes en suppo-
sant que l’on va d’abord au plus proche, mais que le terri-
toire résiste plus ou moins bien selon les personnes et les
motifs. Par exemple, le fait de posséder une automobile
limite la perte d’attractivité liée à la distance, et de la même
manière une longue distance peut être tolérée pour des
motifs contraints tels que les déplacements domicile–
travail.
La troisième étape, celle du choix modal, assigne un
mode de transport à chacun des déplacements, selon la per-
tinence des offres alternatives en termes de prix et de temps
de trajet, de manière à reconstituer globalement les parts
modales constatées dans les enquêtes sur les déplacements.
1
La formule est dite gravitaire parce qu’elle transpose la célèbre
équation newtonienne dans laquelle les masses des astres sont
remplacées par des populations (la masse d’un secteur) : Tij = k(PiPj)/
dijα. Ainsi, le trafic Tij entre deux zones i et j est proportionnel à leur
masse (PiPj) et inversement proportionnel à la distance qui les sépare
(dij) élevée à la puissance α. On utilise également comme fonction
décroissante une exponentielle négative de l’impédance.
2
L’impédance est comprise comme la résistance du territoire. Ce
dernier n’est pas homogène et isotrope, on y circule plus ou moins
facilement d’un secteur à un autre selon la morphologie, les obstacles,
les effets de coupure, la forme du réseau…
191
Toutefois, le nombre de modes est limité3, et si le modèle est
parfois multimodal, il est plus rarement intermodal (chaque
déplacement est attribué intégralement à un unique mode, le
mode « principal »).
Enfin, l’ultime étape de l’affectation attribue un itinéraire
à chaque déplacement en réalisant par exemple des équili-
bres de Nash (dits de Wardrop dans ce domaine) pour les
itinéraires concurrents, afin de prendre en considération la
rétroaction de la fréquentation liée à la congestion. Ainsi,
un itinéraire bis peut devenir attractif au-delà d’un certain
niveau de saturation de l’itinéraire le plus direct, en consé-
quence de décisions individuelles convergentes. Il devient
alors intéressant d’utiliser une route différente qui bien que
plus longue sur la carte peut s’avérer plus rapide à ce
moment-là. Le choix de la route s’apparente donc à un jeu
dans lequel chaque joueur doit prendre en compte les choix
de ses concurrents4.
Comme évoqué précédemment, les étapes de distribution,
choix modal et affectation peuvent être réitérées, pour pren-
dre en compte les rétroactions de congestion. Ainsi, certaines
destinations peuvent devenir plus ou moins attractives au
terme d’un premier round, et il en va de même pour le choix
du mode de transport, puis de l’itinéraire.
Bien que nécessaire à la compréhension du propos dans
son ensemble, ce résumé du mode de fonctionnement des
modèles de trafic ne constitue pas le cœur de notre exposé.
Le thème que nous souhaitons approfondir ici ne relève pas à
proprement parler de la structure des modèles de trafic, mais
bien plus de leur usage. Il faut cependant garder à l’esprit que
le principe de fonctionnement d’un outil dépend de la finalité
à laquelle il répond (le cahier des charges qui a présidé à son
développement) et que son domaine de validité est restreint
par son mode de fonctionnement. Nous souhaitons rappeler
les limites intrinsèques des modèles de trafic statiques, celles
qui constituent des verrous aujourd’hui non résolus, malgré
les améliorations évoquées. Les modèles que nous évoquons
ici sont dits statiques, car ils assignent un débit et une vitesse
moyenne pour une unité de temps donnée (une tranche
horaire ou une journée). Cette vitesse ne peut être nulle, car
sinon les véhicules engagés sur le tronçon seraient pour ainsi
dire bloqués, ce segment serait alors systématiquement évité
(l’écoulement est donc forcé, pour maintenir une vitesse non
nulle au-delà de la saturation). La vitesse est supposée homo-
gène par file et constante sur la période simulée, ce qui n’est
3
Le vélo n’est jamais proposé, faute d’enquêtes fiables sur son usage,
du fait de sa marginalité. La prise en compte de la marche sert
principalement à estimer la part de déplacements à exclure de la
modélisation, car les piétons comme les cyclistes ne font pas « appel
aux dimensions de la route » [4]. Cela démontre la finalité de
dimensionnement d’infrastructure inhérente à l’outil.
4
Les anglophones parlent poétiquement de « rat running » pour
qualifier cette pratique du raccourci qui rallonge mais fait gagner du
temps.
192
pas le cas dans la réalité, où les vitesses sont fluctuantes et
oscillent en permanence à l’intérieur d’une tranche horaire ; le
modèle statique lisse donc cette variabilité temporelle. De
plus, les courbes intégrées aux modèles statiques font évoluer
inversement débit et vitesse, ce qui n’est pas le cas en régime
congestionné. En conséquence, la dynamique réelle du trafic a
peu à voir avec l’écoulement continu du modèle statique, sur-
tout lors d’épisodes de congestion : phénomène de stop-
and-go, propagation de la congestion en amont avec des
remontées de files, etc.
Des modèles de trafic dynamiques prennent mieux en
considération ces phénomènes, mais ils sont souvent
déployés à une échelle plus microscopique (une intersection,
un boulevard, voire un petit quartier). Ils ont d’ailleurs éga-
lement été utilisés à des fins d’évaluation environnementale
[5–7], mais on se limitera dans ce papier aux modèles stati-
ques parce qu’ils sont d’un usage plus courant à l’échelle
d’une agglomération.
Usages des modèles :
des politiques d’infrastructures aux
« politiques de la nature »
Nos travaux nous ont conduits à constater que la finalité des
modèles de trafic tend à changer de direction et que leur
usage se réoriente progressivement.
Leur vocation première était d’organiser l’expansion du
réseau routier sur le territoire, la motorisation généralisée ou
encore « la mobilisation infinie » [8]. En effet, pendant que
les ménages s’équipaient en véhicules, les territoires se
dotaient d’un réseau viaire capable de les accueillir en nom-
bre croissant. Il fallait donc calibrer et dimensionner les
infrastructures afin d’éviter leur saturation, pour quelques
années au moins. Puis, une fois qu’un réseau que l’on pour-
rait qualifier d’armature eut été achevé, les modèles furent
utilisés pour estimer des gains de temps potentiels et évaluer
l’utilité socio-économique de différents projets, afin de choi-
sir le meilleur ou le plus urgent [9]. Nous étions encore dans
une logique de politique d’infrastructure : quel arc ajouter
en priorité au réseau ? Quelle capacité accroître pour éviter
l’engorgement ? Comment assurer la pérennité du « mouve-
ment vers le mouvement » [8] ?
Lorsque l’utopie du tout automobile et de la ville fluidi-
fiée par l’auto s’avéra finalement n’être qu’un mirage, les
modèles devinrent multimodaux, afin de permettre de modé-
liser une concurrence de la part des transports collectifs.
Nous étions toujours dans une logique de prévision de la
demande en vue de la mise en place d’infrastructures sup-
plémentaires, mais cette fois pour concurrencer la route ou la
décongestionner, selon le point de vue adopté.
Enfin, au tournant du siècle, les modèles de trafic et leurs
résultats (les trafics modélisés) ont commencé à servir un
Rech. Transp. Secur. (2012) 28:190-200
nouvel objectif, celui qui nous intéresse ici : l’évaluation
des nuisances environnementales imputables à la circulation
urbaine, notamment les impacts sur les niveaux sonores et la
qualité de l’air en ville. Notons que cet objectif est très
éloigné du but initial. Aux dimensions qui comptaient dans
l’ancienne perspective, les unités comptables de temps et de
prix devaient désormais s’ajouter des concentrations atmos-
phériques de polluants et des niveaux de pression acous-
tique. C’est pourquoi nous considérons que, par le truche-
ment d’autres modèles enchaînés au traditionnel modèle de
trafic, ce dispositif de calcul s’est retrouvé au service de
« politiques de la nature » [10] entendues comme l’extension
des entités et des phénomènes pris en compte dans l’orienta-
tion de l’action publique, autrement dit l’intégration de faits
« externes » dans les affaires humaines. Les politiques de
transports ne doivent plus seulement faire gagner du temps
ou de l’argent pour accroître le bien-être collectif, elles doi-
vent aussi minimiser les nuisances sonores et les émissions
atmosphériques. Dès lors, l’investissement dans des infra-
structures nouvelles n’est plus forcément la solution privilé-
giée. Il faut souligner en passant que ce changement paradig-
matique survient au moment où la pérennité des finances
publiques fait question et menace la durabilité de l’interven-
tion, y compris sur le plan purement comptable [11].
Nous allons relater ici quelques-unes de ces initiatives,
relevées dans la littérature du domaine.
Modélisations d’impacts environnementaux
à partir des modèles de trafic
Cette section tente de résumer des expériences antérieures
que nous avons analysées. Elle ne vise évidemment pas l’ex-
haustivité, et il est probable que d’autres études auraient leur
place ici5. Nous les présentons en respectant la chronologie
et en nous focalisant autant que possible sur leur usage d’un
modèle de trafic.
Chester [14]
Dans ce premier cas, les effets modélisés sont sommaires,
seul l’impact sur la qualité de l’air résultant d’une éventuelle
piétonisation du centre-ville est testé. Si le périmètre est
étroit (le secteur piéton représente sept arcs et Chester ne
compte que 80 000 habitants), le niveau de détail est ambi-
tieux, puisque le modèle distingue sur chaque arc quatre por-
tions selon le régime de circulation des véhicules (accéléra-
tion, croisière, décélération, arrêt). Ces fractions d’arc
varient selon la congestion. Le modèle de trafic est SATURN
(Simulation and Assignment of Traffic in Urban Road
5
Parmi elles, nous pouvons au moins citer les cas de Lille [12] et de
Toronto [13] qui n’ont pas été résumés ici faute de place.
Rech. Transp. Secur. (2012) 28:190-200
Network) et le modèle d’émission/dispersion des polluants
utilisé est celui développé par le Transport Research Labo-
ratory en 1982. C’est un modèle gaussien ne prenant en
considération que la direction et la vitesse du vent. L’usage
qui en est fait à Chester consiste à calculer les concentrations
de polluants (CO, CO2, HC, NOx et PM) aux « emplacements
critiques du réseau en termes d’émissions liées au trafic,
afin de représenter les plus hauts niveaux de pollution là
où les activités piétonnes sont attendues. Ces emplacements
sont situés à proximité des intersections, là où les flux sont
typiquement interrompus. Des points de réception ont été
placés sur tous les arcs, sur l’accotement des voies où les
remontées de file peuvent se former, à un mètre de chaque
bordure de l’intersection. Les conditions de dispersion ont
été considérées défavorables » [14], c’est-à-dire avec un
vent « faible » dans toutes les directions représentant le seul
effet de la circulation.
Les éléments d’information apportés sur le modèle de tra-
fic sont pour le moins évasifs : « SATURN est un modèle
puissant, sophistiqué et largement accepté pour simuler
l’affectation du trafic urbain, et il a été employé dans diver-
ses études à travers le monde. » [14]. Il en va de même en
conclusion : « Les modèles individuels utilisés dans ce tra-
vail ont été validés ailleurs » [14]. Nous comprenons que
l’objet de cet article n’était pas d’argumenter sur la perti-
nence des modèles utilisés6, mais seulement de les appliquer
à une étude de cas. Toutefois, nous voyons pointer ici le
risque inhérent à l’usage de telles boîtes noires : les effets
calculés sont-ils réalistes ou résultent-ils seulement des
outils mobilisés, autrement dit sont-ils des artefacts
méthodologiques ?
Séoul [15]
Ce travail coréen consiste à évaluer l’impact sur les consom-
mations de carburant et les émissions de CO et NOx de trois
types de mesures : une amélioration technologique des véhi-
cules neufs par l’application de normes, une optimisation des
vitesses moyennes de circulation et une augmentation des
prix du carburant. La méthodologie employée reste la même :
« Le modèle consiste en quatre sous-modèles : un modèle de
demande de trafic, un modèle de consommation d’énergie,
un modèle d’émission et un modèle de dispersion des pol-
luants de l’air. Deux de ces sous-modèles ont été adaptés de
modèles existants déjà en usage. L’adaptation a été
accomplie en ajoutant des modifications pour les rendre
appropriés à l’utilisation qui en est faite dans cette étude »
6
La bibliographie ne mentionne aucun document complémentaire
concernant la production des données de trafic. Dans les
remerciements, nous trouvons : « Au Dr John Bolland, de Steer
Davies Gleave, pour avoir fourni le logiciel d’affectation SATURN et
les données requises pour Chester ».
193
[15]. Les modèles « adaptés » sont TRANPLAN pour le
trafic et HIWAY pour le modèle de dispersion. En réalité,
l’adaptation du modèle de trafic reste modeste, puisque ce
dernier ne proposait pas initialement de vitesses moyennes
sur les arcs du réseau, les chercheurs ont « donc programmé
une relation vitesse-débit qui calcule les niveaux de vitesse
de l’arc à partir de son volume de trafic et de sa capacité »
[15]. Les données de sortie du modèle de trafic semblent
donc avoir été adoptées en l’état, bien que traduites en vites-
ses, ce qui n’est pas si novateur. Ces deux chercheurs du
Korea Transport Institute ont certainement maîtrisé cette
étape de la chaîne de modèle, mais ils ne la discutent finale-
ment que très peu, considérant probablement que l’intérêt
scientifique se situe davantage du côté des résultats de
l’étude, qu’ils commentent et comparent, plutôt que de celui
de la méthode qui n’est décrite que dans ses grandes lignes.
Par exemple, le périmètre modélisé n’est spécifié ni en ter-
mes de territoire (population, zones, arcs) ni en termes de
période (journée ou heure de pointe ?). Pourtant, il nous
aurait paru intéressant de savoir comment les auteurs ont
modélisé un territoire comptant entre 10 et 20 millions
d’habitants selon que l’on se limite à la ville de Séoul ou à
son aire urbaine. Cette taille impose de simplifier à l’extrême
le territoire sous peine de dépasser les capacités des logiciels
de modélisation, surtout en 19957.
Florence [16,17]
Ce cas est plus complexe à résumer, car deux articles le
présentent sous un jour différent, sans faire référence l’un à
l’autre. Nul doute cependant qu’il s’agit de la même méthode
(même territoire, même créneau horaire, même année de réfé-
rence) et nous devons donc croiser les deux vues partielles
pour tenter de reconstituer une vue d’ensemble satisfaisante.
À la différence du cas précédent, pour Florence, les résultats
obtenus ne sont pas mis en avant puisque le projet se concen-
tre sur l’élaboration et l’explicitation de la méthodologie.
Nous ne devrions donc pas y retrouver le travers précédem-
ment évoqué.
La méthode est globalement la même : un modèle de tra-
fic (EMME2 et AIMSUN2) combiné à un modèle d’émis-
sion/dispersion (TEE/UADM), pour trois polluants (CO,
NOx et HC). La modélisation se concentre sur l’heure de
pointe du matin (7 h 15–8 h 15), car c’est celle retenue pour
la modélisation du trafic. « Il est important de noter que,
comme la modélisation du trafic fut réalisée en utilisant
des données O–D se référant aux heures 7 h 15–8 h 15, cette
période de temps fut également utilisée comme période de
référence aussi bien pour le modèle d’émission que de
7
Leur bibliographie renvoie vers des rapports qui expliquent
certainement plus en détail la méthode employée, mais qui sont tous
publiés en coréen, sauf le manuel du logiciel TRANPLAN.
194
dispersion. » [16]. Le territoire étudié est plus vaste que celui
de Chester (Florence comptait 400 000 habitants en 1991) et
le réseau modélisé compte 800 arcs. Le modèle de dispersion
se base sur deux hypothèses météorologiques : un scénario
moyen et l’autre reflétant le pire des cas (vitesse du vent la
plus faible, température minimale, classe de forte stabilité de
l’atmosphère) tous deux formulés à partir de données réelles
de 1994. Le modèle de dispersion est plus fin que celui
employé à Chester, puisqu’il distingue deux situations : il
est purement gaussien en l’absence d’obstacle et sa formu-
lation se complexifie dans les rues–canyons. Mais ce raffi-
nement explicatif en aval de la chaîne de modèles se paie par
un survol rapide du fonctionnement du modèle de trafic en
amont. « Une fois que les données de demande de trafic sont
fournies, il est possible de reproduire le comportement du
trafic sur chacun des arcs du réseau, et une fois que les flux
de trafic sur chaque arc ont été affectés par le modèle de
trafic, il est possible d’évaluer leur vitesse moyenne relative
au moyen de données de transport, par exemple des courbes
débit–vitesse. Les mouvements le long de chaque arc peu-
vent ainsi être calculés ; cela, à l’aide de la répartition de
la flotte de véhicule, fait qu’il est possible d’estimer les émis-
sions de polluants sur l’intégralité du réseau routier. » [16].
Les auteurs ajoutent quelques généralités techniques dans
leur description du modèle : « modèle déterministe », « affec-
tation sous contrainte de capacité », « optimum de War-
drop », « algorithme d’approximation linéaire » [16] ou
encore une référence à l’usage de données de comptages de
la voirie équipée de capteurs [17]. Ces caractéristiques géné-
rales du modèle ne vont pas jusqu’à présenter les hypothèses
de calcul et les algorithmes utilisés.
Dans ces deux articles, la chaîne de modèle est présentée
sans que les éléments de la chaîne ne soient questionnés,
mais seulement décrits. Le premier maillon de la chaîne, le
modèle de trafic, est décrit avec beaucoup moins de préci-
sion que les suivants. Il est à nouveau considéré comme
évident, stabilisé et fiable8.
Brisbane [18,19]
Ce cas australien est exposé dans deux articles, mais les
auteurs sont les mêmes et nous sommes cette fois cer-
8
Le premier article [16] ne mentionne aucun rapport permettant de
documenter davantage la modélisation du trafic. En revanche, le
second [17] fait référence au rapport suivant SLAM/SAVE Project,
1996, Final Report, ATAF, Firenze. Ce dernier demeure introuvable.
L’auteur de l’article, Giorgio Ambrosino, contacté à ce sujet le 14
février 2012, n’est pas parvenu à retrouver le document, mais il nous
a confirmé que dans ce projet, les données de trafic étaient utilisées
comme une donnée entrante et non un obtenu. La discussion portait
sur l’intégration de ces données dans un modèle environnemental et
l’élaboration d’un manuel à destination des utilisateurs potentiels de
ce modèle sans validation ou interrogation vis-à-vis des données de
trafic dont disposerait cet utilisateur.
Rech. Transp. Secur. (2012) 28:190-200
tains qu’il s’agit bien du même travail. Les chercheurs
qui ont conduit cette recherche la voulaient opération-
nelle : ils souhaitaient mettre en place un dispositif qui
se greffe aux modèles de trafic et permette d’obtenir une
évaluation environnementale simple d’usage et rapide
(émissions de CO, CO2, HC, NOx, consommation de car-
burant, émissions de bruit), afin de comparer différents
scénarios d’aménagement en amont de la prise de déci-
sion. L’outil qu’ils proposent est baptisé Transport Add-
on Environmental Modelling System (TRAEMS), ce qui
illustre bien la démarche retenue qui consiste à ajouter un
module au modèle de trafic. Ce dernier est donc « taken
for granted » [20] et sort donc de l’exposé et de l’ana-
lyse. Toutefois, ce parti pris est délibéré et explicité en
tant que tel. L’approche TRAEMS est pragmatique : les
modèles de trafic sont largement utilisés, les modèles de
dispersion/concentration existants sont trop compliqués
d’utilisation, donc il faut proposer un module simple
d’utilisation qui permettra de générer des cartographies
de la pollution atmosphérique et du bruit à partir des
modèles à quatre étapes.
Pour simplifier encore la démarche, les auteurs propo-
sent d’utiliser un scénario météorologique représentant
les « pires conditions » [19] afin de pallier la complexité
du calcul avec les véritables données météo et faire face
à l’indisponibilité de cette ressource lors des évaluations
ex ante. L’approche retenue est donc celle d’une carto-
graphie des points noirs du territoire, qui sont comparés
dans différents scénarios, par exemple avec ou sans
contournement routier du centre-ville [18]. Le dispositif
proposé est livré clé en main avec des paramètres par
défaut, mais reste entièrement paramétrable par l’utilisa-
teur s’il le désire. Le premier article étudié ici ne précise
pas l’origine des données de trafic, sinon que : « Le
réseau routier et les données de trafic pour trois scéna-
rios furent analysés et testés durant la phase de modéli-
sation des transports du processus de planification du
contournement. Ces scénarios sont […] l’année de réfé-
rence 1995 et […] deux scénarios prospectifs pour
l’année 2011 : 1) un avec le contournement et l’autre,
le scénario ne rien faire, sans le contournement. Pour
chaque scénario, les informations disponibles issues du
travail de modélisation des planificateurs des transports
incluaient la géométrie du réseau, les flux de trafic, les
vitesses des arcs et le nombre de voies sur chaque arc
routier. Le réseau modélisé avait une longueur totale de
88,2 km » [18]. Le second article précise qu’« à l’échelle
de la ville entière, le réseau et les données de trafic
furent obtenus d’une étude de modélisation de la
demande de transport (TDM) ; 2) l’étude Transport
Usage du sol de la Ville de Brisbane (Veitch Lister
Consulting, 1995) avec 1991 comme année de référence
et 2011 comme scénario prospectif modélisé. TRAEMS
Rech. Transp. Secur. (2012) 28:190-200
fut facilement capable d’importer les données de sortie
du modèle de demande de transport. » [19]9.
Saint-Étienne [22]
L’étude réalisée par le bureau d’étude MVA s’appuie sur un
logiciel d’ARIA Technologies qui fonctionne par module
(trafic, émissions, dispersions, indicateurs sanitaires). Le
module de trafic est en fait le modèle TRIPS. Les quatre
étapes du modèle sont rappelées, et il est précisé que les
traitements se focalisent sur l’heure de pointe du soir. De
plus, les motifs et les modes retenus sont détaillés, et l’ori-
gine des données ayant servi à paramétrer les lois comporte-
mentales est précisée (l’enquête ménages de 1991).
Quelques pages décrivent comment les données de sortie
du modèle de trafic sont ensuite transformées pour être adap-
tées au modèle d’émission/dispersion de polluant. C’est cer-
tainement la description la plus détaillée, qu’il nous ait été
donné de voir, ce qui est sans doute lié au format de présen-
tation (un rapport d’étude et non un article dans une revue).
Mais là encore, aucun questionnement sur le domaine de
validité du modèle de trafic, sur ses travers, sur sa sensibilité
plus ou moins forte à certaines variables. Ce qui n’est pas
une critique puisque la démarche, encore une fois, se veut
opérationnelle et non académique.
Toutes ces études qui partagent la méthodologie de la
chaîne de modèles (trafic + impacts environnementaux) ont
également en commun la particularité d’être évasives sur le
premier élément de la chaîne. Dans la plupart des cas, cette
mise en retrait peut s’expliquer par le format de rédaction,
car un article ne permet pas de développer in extenso l’inté-
gralité des thèmes abordés. Certains cas se concentrent sur
l’étude des impacts et préfèrent donc commenter les résultats
plutôt que d’expliciter plus en détail la méthode. Pour
l’équipe australienne, l’impasse faite sur la question du trafic
9
Le document mentionné dans ce passage n’est pas disponible,
puisqu’il s’agit d’un document de travail d’un bureau d’étude à
destination exclusive de son client, la ville de Brisbane. Les articles
étudiés ici ne font référence à aucun rapport qui serait plus complet.
Dans un rapport plus volumineux [21], les auteurs évaluent avec la
même méthode, les impacts environnementaux d’un projet de ligne
ferroviaire légère située sur la côte Est de l’Australie au Sud de
Brisbane (Gold Coast City). Les données de trafic qui sont présentées
en trois pages et demie (pp. 20–23), ce qui comprend l’évolution du
trafic dans les cinq situations modélisées, l’évolution de la
composition du parc automobile, l’évolution de la fréquentation et de
l’offre de la ligne. Ces données ne sont pas plus discutées que cela :
« Les jeux de données du transport routier qui ont été utilisés ont été
fournis par la municipalité de la Gold Coast et comprennent les
données de sorties générées par leur modèle de transport EMME2.
Les jeux de données transmis comprennent : 1) les réseaux routiers
modélisés pour les années 2000, 2011 et 2021, les trafics observés en
2000 et les trafics modélisés pour 2011 et 2021 ; 2) deux scénarios
pour chaque année (avec et dans le système) » [21, p. 20]. Les
auteurs restent ainsi conformes à leur approche.
195
s’explique par une volonté de répondre à un besoin précis
des collectivités, en s’appuyant sur l’outillage dont elles dis-
posent déjà. Toujours est-il que l’élaboration des données de
trafic demeure un sujet minoré et délaissé dans ces études,
alors que son importance ne doit pas être sous-estimée,
puisque ces données entrantes déterminent la validité de
toute la chaîne qui les suit.
Nous pouvons aussi retenir de cette présentation chrono-
logique que les travaux se complexifient progressivement.
Nous sommes critiques vis-à-vis de la présence elliptique
de la modélisation du trafic, mais nous sommes également
reconnaissants envers ces pionniers qui ont ouvert la voie.
Le projet sur lequel nous travaillons actuellement a juste-
ment pris le parti inverse d’accorder une attention maximale
à la production des données de trafic, mais s’inscrit dans leur
continuité. Nous allons donc le présenter maintenant.
Projet Eval-PDU : évaluation des impacts
environnementaux d’un PDU et de leurs
conséquences socio-économiques :
développements méthodologiques et tests
sur le PDU de Nantes Métropole
Le contrat de recherche Eval-PDU (en cours), ANR « villes
durables » 2008 piloté par l’IRSTV de Nantes, reprend cette
idée de chaîne de modèles (trafic → émission/dispersion) à
laquelle il ajoute des études complémentaires (méthodes
simplifiées d’évaluation ascendante, enquête sur le bien-
être et la qualité de vie, analyse du marché de l’immobilier
par la méthode des prix hédoniques, etc.). Nous ne parlerons
ici que de ce qui est comparable avec les études précédem-
ment présentées, c’est-à-dire le couplage d’un modèle de
trafic avec des modèles d’impact environnementaux. Pour
une vision d’ensemble de la méthode d’Eval-PDU, nous ren-
voyons le lecteur à une présentation antérieure [23].
L’objectif de la chaîne de modèles physiques déployée
par Eval-PDU est explicitement d’élaborer une méthodo-
logie d’évaluation des impacts environnementaux d’un plan
de déplacements urbains (PDU) et de la tester sur le cas du
PDU nantais 2000–2010. C’est probablement ce qui
explique notre vigilance à l’égard des outils utilisés, puisque
notre objectif n’est pas d’évaluer le PDU nantais en soi, mais
de bâtir et expérimenter une méthode d’évaluation environ-
nementale des PDU. Ce travail méthodologique répond à un
besoin concret des collectivités, consécutif de l’évolution
législative. En effet, la directive européenne communé-
ment appelée « évaluation environnementale stratégique »
(2001/42/CE du 27 juin 2001) s’applique désormais en droit
français (par l’ordonnance ministérielle 2004/489 du 3 juin
2004) aux plans et programmes dont les PDU font partie.
Dans les grandes lignes, le dispositif reste le même que
ceux décrits à plusieurs reprises jusqu’ici : une modélisation
196
du trafic (Visem, Visum), suivie d’une modélisation des
consommations de carburant et d’émissions de polluants
atmosphériques (CIRCUL’AIR, basé sur les facteurs d’émis-
sion COPERT IV) et d’une modélisation de la dispersion de
ces polluants dans l’air (ADMS Urban). Les polluants
atmosphériques étudiés sont nombreux (CO, NOx, PM10,
C6H6, CH4, SO2, O3) et les valeurs cartographiées (concen-
tration moyenne ou dépassement de valeurs seuils) pour cha-
cun d’eux se basent sur les 8 760 heures de l’année afin de
prendre en compte les variations météorologiques réelles, et
ne se limitent pas à une seule heure de pointe confrontée à
une condition météo moyenne ou correspondant aux pires
conditions locales, comme nous avons pu le voir ailleurs.
Le dispositif est complété par la production d’un modèle
simplifié d’émission/dispersion du bruit permettant de réali-
ser rapidement des cartographies du niveau d’exposition
sonore dans la ville.
Nous ne développerons pas plus en détail la présentation
des modèles situés en aval de la chaîne de modélisation (les
modèles de bruit et de qualité de l’air ont été présentés ail-
leurs [24,25]), puisque notre intérêt se concentre ici sur la
première étape : le calcul du trafic.
Place du modèle de trafic dans Eval-PDU
Ce qui différencie véritablement Eval-PDU des cas précités,
c’est que les trafics modélisés n’y tombent pas du ciel. Ce
premier travail de modélisation n’a pas été externalisé, il fait
partie intégrante du projet scientifique et du champ d’ana-
lyse. De fait indiscutable, car escamotée et placée hors-
champ, la question du calcul du trafic redevient un domaine
discuté, car les partenaires s’interrogent sur l’élaboration de
cette donnée cruciale, qui servira d’entrée pour les modèles
de qualité de l’air et de niveau sonore qui lui succèdent. Les
modélisateurs du trafic (du CETE de l’Ouest), dont c’est le
métier, sont tenus d’expliciter leur méthode aux autres mem-
bres du consortium dont certains sont totalement étrangers à
ce domaine. Cette démarche conduit à ouvrir la boîte noire, à
dévoiler et argumenter la moindre hypothèse de simplifica-
tion, et les choix parfois arbitraires qui transforment des
variables socio-économiques en données (construites) de tra-
fic : les formules de choix modal, de coûts généralisés de
déplacement, les paramètres d’impédance, les valeurs du
temps, la typologie des voies, les courbes débit-vitesse rete-
nues pour chaque type de voie, la méthode de calage vis-
à-vis des données de comptage, etc.
Nous allons maintenant développer quelques exemples
afin d’illustrer cette intégration complète de la modélisation
du trafic dans la chaîne de modèles d’Eval-PDU et dans le
travail de recherche.
Le territoire modélisé couvre presque l’intégralité du
département de Loire-Atlantique afin d’être vraiment fiable
Rech. Transp. Secur. (2012) 28:190-200
sur le périmètre de la communauté urbaine de Nantes (terri-
toire administratif du PDU), car un modèle de trafic est tou-
jours meilleur en son cœur s’il intègre une frange plus large.
Le territoire modélisé compte 397 zones (des IRIS 2000 dans
la communauté urbaine et un maillage plus lâche vers la péri-
phérie), et le réseau de transport qui irrigue ce territoire se
compose d’un peu moins de 11 000 arcs (représentant le
réseau routier, le réseau de transport collectif urbain et le
réseau ferré). Chaque arc est renseigné pour chacune de ses
propriétés (mode, sens, vitesse, capacité, sauf pour les TC
dont la capacité est supposée illimitée, nombre de files pour
le réseau routier).
Pour chacune de ces zones sont renseignés les emplois,
les populations, les établissements scolaires, les équipements
commerciaux et de loisir. Une matrice d’impédance à vide
reliant toutes ces zones est calculée en considérant les temps
généralisés de transport à l’aide d’une voiture personnelle en
considérant le réseau routier à vide10, ce qui revient à consi-
dérer que le temps d’accès automobile est la référence, et que
le voyageur est optimiste sur ses temps de parcours (la
congestion est ignorée au stade de la distribution).
La population est ensuite partiellement désagrégée en 15
segments homogènes, à partir de la dernière enquête ména-
ges déplacements (EMD) disponible (celle de 2002) et selon
une combinatoire d’attributs (activité principale, localisation
et accès ou non à un véhicule personnel). Ensuite, 59 chaînes
de déplacements (combinant deux à quatre motifs parmi
huit) ont été distinguées à l’aide d’une analyse des motifs
de l’enquête ménages et une probabilité d’occurrence pour
chacun des segments de population a été calculée. Ainsi, les
paramètres α de sensibilité à l’impédance11 ont été calés pour
chaque segment de population et les motifs de déplacement
qu’elles pratiquent, soit 75 valeurs α. L’ensemble de ces
paramètres constitue les lois comportementales qui assignent
à chaque segment de population des probabilités de se dépla-
cer d’une manière ou d’une autre selon son programme d’ac-
tivité. Cette partie de la préparation du modèle de trafic a été
présentée et explicitée dans un rapport [26].
Les courbes débit/vitesse ont également fait l’objet de dis-
cussions, puisqu’elles sont déterminantes dans la sensibilité
de la prise en compte de la congestion par le modèle. Ainsi,
10
Ce temps généralisé est celui du chemin le plus court reliant deux
zones en prenant en compte le temps de parcours (selon la vitesse
maximale sur les arcs utilisés) et les coûts de transports convertis en
temps (selon le coût kilométrique moyen en voiture et avec une
valeur du temps moyenne prise égale à 11 €, puisqu’à ce stade on
ignore qui se déplace). Tgeni→j = (di→j/Vmax) + di→j.CkmVP/11.
11
La formule de la fonction d’impédance dans Visem est f(wij) = e-αWij
autrement dit si α tend vers 0, la fonction d’impédance tend vers 1 et
n’a aucun effet sur les trajets, ces derniers s’allongent (ce sera le cas des
déplacements domicile–travail pour les personnes qui ont une voiture).
Inversement, lorsque α prend une valeur élevée, la fonction tend vers 0
et les courts trajets seront privilégiés, limitant ainsi les destinations
possibles.
Rech. Transp. Secur. (2012) 28:190-200
les courbes dites « BPR » (bureau of public roads) que nous
avons utilisées de manière conventionnelle (après calage sur
des mesures de temps de parcours réalisées sur le périphé-
rique) ont été comparées dans leurs effets avec celles dites
« Akcelik » (du nom de son inventeur), mais sans aucun
recalage spécifique. Cette comparaison a d’ailleurs fait
l’objet de plusieurs communications [27,28]. Il ressort de
cette comparaison que l’utilisation de courbes Akcelik para-
métrées a priori diminue par exemple la vitesse moyenne de
31 % et les distances parcourues de 2 % sur le territoire de la
communauté urbaine pour la seule heure de pointe du matin
(7 h 00–9 h 00), la variation étant plus faible en heure creuse.
Ces variations dans le trafic modélisé se traduiraient par une
augmentation des émissions de 7 % pour le CO2, de 6 %
pour les NOx et de 3 % pour les PM [28, p. 7]. Le choix
du type de courbe débit/vitesse retenu par le modélisateur
n’est donc pas neutre et exige un paramétrage minutieux
s’appuyant sur des mesures conjointes de débit et de temps
de parcours.
La circulation sur ce réseau modélisé est ensuite simulée
pour les années 2002 (année de l’EMD et proche du début du
PDU) et 2008 (année de début du projet de recherche et pro-
che de la fin du PDU). Ensuite la variation de différentes
variables est testée pour l’année 2008 : hausse de la demande
de transport de 20 %, taux d’occupation des véhicules aug-
menté de 33 %, doublement des prix du carburant : nous y
reviendrons dans la section suivante. Enfin, différents scéna-
rios sont simulés : absence de l’aménagement du Busway12,
réalisation d’un PDU optimisé, modification du parc auto-
mobile… Chacun de ces tests et de ces scénarios a fait l’objet
de discussions préalables quant à son contenu et à l’inter-
vention concrète dans le modèle de trafic qu’il suppose.
Autrement dit, les secrets de fabrication des données de
trafic ne sont plus passés sous silence. Ils sont rendus visi-
bles et donc discutables. Cette discussion sur la méthode de
modélisation du trafic permet de cerner le domaine de vali-
dité et de pertinence du modèle. En effet, de nombreuses
actions menées dans le cadre du PDU ne sont pas modélisa-
bles. Par exemple, l’hypothèse de stabilité des lois compor-
tementales stipule que le membre d’un groupe donné aura
une sensibilité constante dans son choix entre deux modes
pour un motif, lui aussi donné. Cela signifie que sa pondé-
ration des paramètres de temps et d’argent restera inchangée,
et donc que les mesures de sensibilisation environnementale
ou citoyenne seront axiomatiquement inefficaces dans le
modèle de trafic, puisque l’agent modélisé n’est sensible
qu’aux variations de temps de trajet et de coût de transport.
De ce fait, mettre en place des plans de mobilités ou des sites
12
Le Busway est un bus à haut niveau de service (BHNS) circulant en
site propre depuis la commune de Vertou au sud jusqu’au pied de la
cathédrale dans le centre de Nantes. Il constitue une des actions
phares du PDU nantais.
197
Internet de covoiturage ne pourra en rien modifier la situa-
tion telle que représentée par un modèle de trafic.
Exemples de tests de sensibilité
Nous avons évoqué précédemment quelques tests de sensi-
bilité que nous avons réalisés pour observer l’impact de
certaines variables sur les résultats du modèle de trafic (et
en aval de la chaîne de modèles) et du modèle d’émission.
Ces tests imposant, pour la plupart, de réaliser une modéli-
sation complète ou partielle (trafic + émissions + dispersion),
leur nombre fut limité à huit. Leur choix résulte d’une dis-
cussion entre les membres du consortium de recherche et
avec des représentants de la collectivité concernée, Nantes-
Métropole, et ils ont vocation à représenter des variations
réalistes à un horizon de court à moyen termes. Les
réflexions collectives menées lors de la définition de ces tests
et de la manière dont ils sont pris en charge par le modèle de
trafic montrent l’intégration de la modélisation du trafic dans
la démarche Eval-PDU et non l’externalisation de ce travail,
comme nous avons pu l’observer dans la littérature.
La liste des tests réalisés est présentée dans le Tableau 1.
Les résultats sont présentés dans le Tableau 2 à partir de
deux indicateurs synthétiques du trafic que sont les distances
parcourues par les véhicules (v.km) et les vitesses moyennes
sur les arcs du réseau modélisé, complétés par les émissions
de trois polluants. Tous ces indicateurs utilisent la base 100
pour le scénario 2008 de référence.
Commentons tout d’abord les variations du trafic. Hormis
celles imputables à une action directe sur la demande de
transport (auto –25 % et déplacements +20 %), ces varia-
tions sont dans l’ensemble inférieures à 1 %. Bien entendu,
la réduction des vitesses autorisées engendre une baisse
conséquente des vitesses. Il est enfin intéressant d’observer
que le doublement du prix des carburants fait diminuer de
4,15 % les distances parcourues, ce qui signifie une élasticité
prix faible et/ou une valeur du temps élevée (fixée toutefois
entre 10 et 14 €/h seulement selon les segments).
L’ordre de grandeur des variations présentées ici ne doit
pas être comparé à celui évoqué précédemment à propos des
courbes débit/vitesse, puisque les périodes ne sont pas les
mêmes (24 heures ici, les deux heures de pointe du matin
pour les courbes D/V). En effet, les heures de pointe sont
plus sujettes à variabilité que les heures creuses qui repré-
sentent pourtant 67,8 % du trafic journalier (dans le scénario
de référence).
Les émissions sont fonction linéaire du trafic mais possè-
dent une relation plus complexe avec les vitesses. Étant
donné la forme parabolique des facteurs d’émission fonction
de la vitesse, une hausse des vitesses élevées tout comme
une baisse des vitesses faibles engendrent une surémission.
La vitesse moyenne n’est donc pas un indicateur suffisant
198 Rech. Transp. Secur. (2012) 28:190-200

Tableau 1 Définition des tests. En gras, figurent les étapes de modélisation qui ont été relancées

Parc relais (P+R) Ajout de 3 P+R sur l’axe Busway au sud de Nantes (pour l’heure de pointe matin, on
retire à la main des trajets VP en direction du centre et on les arrête au parc relais, jusqu’à
ce qu’il soit plein, puis on relance l’affectation ; la symétrie est réalisée pour l’heure
de pointe du soir. Les heures creuses ne sont pas modifiées) A-E-D’
Auto_-25 % Baisse de la demande auto en supprimant 25 % des déplacements auto qui traduisent
un taux de remplissage des véhicules en hausse de 33 % A-E-D’
Déplacements_+20 % Augmentation de la demande globale de déplacements de 20 % (hausse de la population
ou de la mobilité de 20 %) G-CM-A-E-D’
Prix_carburant_+100 % Multiplication par 2 des prix du carburant D-CM-A-E-D’
Parking_+cher Doublement des pénalités de stationnement et extension des zones de stationnement
payant (mesure entrée en application en 2011) CM-A
TC_+fréquents Hausse de 30 à 50 % de la fréquence des TC (en fait, les temps d’attente sont divisés
par 2) CM-A
TC_-chers Division par 2 des tarifs TC (à mettre en lien avec la prise en charge par l’employeur)
CM-A
Vitesse_limitée Limitation de la vitesse routière (50 → 30 et 90 → 70 km/h) D-CM-A-E-D’

G : génération ; D : distribution ; CM : choix modal ; A : affectation ; E : émission ; D’ : dispersion.

Tableau 2 Impacts sur le trafic (distances et vitesses) et les émissions (oxydes d’azote, dioxyde de carbone et particules fines)
des tests réalisés (indice 100 pour le scénario de référence 2008)

P+R Auto – Déplace- Prix Parking TC TC –chers Vitesse

25 % ments carburant +cher +fréquents limitée
+20 % +100 %
Distances 99,89 76,74 112,50 95,85 98,81 99,76 99,28 98,18
parcourues (v.km)
Vitesses moyennes 100,50 109,44 92,93 101,09 101,37 100,30 100,88 95,12
(km/h)
NOx 99,94 84,65 108,84 97,50 99,88
CO2 99,91 79,50 111,84 96,58 99,72
PM totaux 99,91 79,82 110,90 96,56 99,07

pour comprendre la relation des vitesses avec les émissions,
c’est la distribution des vitesses qui permet de comprendre
cette relation. En conséquence, à la lecture du Tableau 2,
nous voyons que les émissions suivent bien plus le trafic
que la vitesse moyenne. Toutefois, vitesses et trafic évoluant
inversement, les émissions varient moins que le volume de
trafic, atténuées par un effet inverse, mais faible, des vites-
ses. Seul le test qui limite les vitesses réglementaires ne suit
pas ce schéma, et une visualisation cartographique permet-
trait de comprendre pourquoi. Dans ce test, la circulation
chute sur le périphérique perdant de son attractivité, pourtant
c’est sur les voies rapides que la baisse de vitesse permet une
baisse des émissions à volume de trafic constant. Par consé-
quent, le trafic se reporte sur des itinéraires plus directs et
plus lents, sur des routes où la baisse de vitesse se traduit par
une forte surémission par kilomètre.
Cette considération géographique nous conduit à souli-
gner que parmi l’ensemble des tests, il faut bien distinguer
ceux dont l’action est à peu de choses près la même partout
et ceux dont les effets sont très différenciés dans l’espace. En
utilisant le périphérique comme séparateur du territoire, nous
observons les évolutions des v.km (par rapport au scénario
de référence 2008 en base 100), dont il est possible de
déduire les évolutions des émissions (Tableau 3).
Ainsi, par exemple, la variation des pénalités de station-
nement ou celle du prix des TC se répercutent plus fortement
dans l’intrapériphérique (leur zone d’action), alors que la
variation des prix du carburant se traduit quant à elle par
une diminution du trafic sur le périphérique (dont l’intérêt
est la vitesse en contrepartie de distances parcourues plus
longues). Ces tests permettent des traitements bien plus
conséquents, mais ils ne sont présentés ici qu’à titre
Rech. Transp. Secur. (2012) 28:190-200
Tableau 3 Disparités géographiques des variations de trafic (indice 100 pour le scénario de référence 2008)
P+R Auto Déplacement
–25 % +20 %
Interne 99,75 76,24 114,79
Périphérique 99,89 76,50 110,27
Externe 100,01 77,32 112,00
∑ Nantes 99,89 76,74 112,50
métropole
d’illustration de notre démarche, pour montrer comment la
modélisation du trafic a été pleinement intégrée à la modéli-
sation des impacts environnementaux dans le cadre du projet
Eval-PDU.
Conclusion
Dans cet article, nous avons voulu montrer un usage en plein
essor des modèles de demande de transports au service
d’objectifs éloignés de la mission de dimensionnement des
infrastructures à laquelle ils répondaient initialement. À tra-
vers un travail bibliographique, nous avons ainsi fait le
constat d’une multiplication de travaux d’évaluation des
impacts environnementaux des transports ayant pris le parti
de modéliser des émissions et dispersions de polluants de
l’air (ou du bruit) en partant de données de trafic modélisées.
En comparant ces différents travaux, nous avons été frappés
par le soin avec lequel ce jeu de données initial est systéma-
tiquement écarté de la discussion générale. Certes, comme
nous l’avons remarqué, les auteurs de ces différentes études
ont toujours de très bonnes raisons de ne pas entrer dans
cette discussion, soit que le format de l’article, soit que le
type de recherche, soit que l’angle de vue ne s’y prête pas.
Néanmoins, occulter cette partie du travail de construc-
tion de la preuve nous paraît pour le moins surprenant,
lorsque l’on sait les critiques récurrentes adressées aux
modèles à quatre étapes13 [29,30] et la large publicité faite
au phénomène dit « GIGO », pris dans ses deux acceptions
(garbage in, garbage out ! et garbage in, gospel out !). En
effet, comme dans le cas d’un cours d’eau, il est bien connu
que pour la modélisation aussi, la pollution à la source conta-
mine tout l’aval. Commenter les résultats d’un travail de
modélisation en évitant soigneusement la discussion sur les
13
Notamment le fait que depuis une quinzaine d’années, l’US
Department of Transportation tente de produire une alternative à
travers le Travel Model Improvement Program (TMIP) et le
développement du modèle TRANSIMS, toujours en cours de
fiabilisation après des tests partiels à Dallas, Portland, Salt Lake City
et une démonstration intégrale pour le cas de Blacksburg, Virginia
(moins de 40 000 habitants). Il faudra donc encore attendre quelque
temps avant que ce modèle puisse être livré « clé en main ».
199
Prix carburant Parking TC +fréquents TC –chers Vitesse
+100 % +cher limitée
96,95 97,34 99,55 98,61 101,20
93,87 99,07 99,79 99,42 90,12
96,17 99,85 99,91 99,75 100,74
95,85 98,81 99,76 99,28 98,18
jeux de données entrantes, et leur condition de production
revient à réciter un mantra et se convaincre de sa véracité
au seul titre de la quantification. Un mensonge chiffré vau-
drait alors vérité.
Nous avons ensuite montré comment le projet Eval-PDU
mettait en lumière ce premier maillon de la modélisation en
intégrant les modélisateurs du trafic au projet scientifique et
en les obligeant, comme les autres équipes, à expliciter leurs
travaux et à tester leurs résultats. Mieux comprendre l’élabo-
ration des données de trafic permet de se prémunir de certains
travers et de garder à l’esprit que le trafic n’est jamais donné,
et qu’il est toujours construit. Sans être nécessairement cri-
tique vis-à-vis du modèle à quatre étapes, comprendre son
fonctionnement et l’intégrer à la recherche académique
semble un prérequis nécessaire à une rigueur scientifique
minimale.
Remerciements Le projet Eval-PDU a été soutenu par
l’Agence Nationale de la Recherche (ANR) au titre du pro-
gramme « Villes Durables » de 2008. Il faisait suite à un
projet de recherche-action de l’IRSTV financé par Nantes-
Métropole en 2007-2008. Les auteurs remercient Thierry
Schmidt, François Ducroz et Arnaud Rebours (Air pays de
la Loire) pour les données d’émissions.
Références
1. Hensher D, Button K (eds) (2000) Handbook in transport mode-
ling. Pergamon, New York, 678 p
2. Bonnel P (2004) La prévision de la demande de transport. Presses
des Ponts et Chaussées, Paris, 425 p
3. Plummer A (2005) The Chicago Area Transportation Study.
Creating the first plan (1955–1962). A narrative. Rapport pour
le Chicago Area Transportation Study, Chicago, 35 p
4. Dupuy G (1975) Une technique de planification au service de
l’automobile : les modèles de trafic urbain. Document de travail,
action concertée de recherches urbaines, Paris, 114 p
5. Can A, Leclercq L, Lelong J, Defrance J (2009) Accounting for
traffic dynamics improve noise assessment: experimental evi-
dence. Applied Acoustics 70:821–9
6. Can A, Leclercq L, Lelong J, Botteldooren D (2010) Traffic noise
spectrum analysis: dynamic modeling vs experimental observa-
tions. Applied Acoustics 71:764–70
200
7. Chevallier E (2005) Approche microscopique pour l’estimation
des nuisances environnementales de politiques de gestion du tra-
fic. Rapport de TFE ENTPE dirigé par Robert Noland, Imperial
College London, 122 p
8. Sloterdijk P (2003) [éd. originale 1989] La mobilisation infinie.
Seuil, Paris, 336 p
9. Orfeuil JP (2004) Étudier et qualifier les mobilités et les espaces
urbains. CRETEIL, texte non publié, 18 p
10. Latour B (1999) Politiques de la nature. Comment faire entrer les
sciences en démocratie ? La Découverte, Paris, 382 p
11. Cohen MJ (2009) L’économie politique de la consommation
durable : les implications pour la décision publique. « Les enjeux
de la consommation durable », 16 janvier 2009, Sciences Po,
Paris
12. Lagache R, Declercq C, Sportisse B, et al (2006) Évaluation de
l’impact du plan de déplacements urbains de Lille Métropole
sur le trafic, les concentrations de polluants atmosphériques et la
mortalité. « 2e Conférence Environnement et Transports », 12–14
juin 2006, Reims
13. Hatzopoulou M, Miller EJ (2010) Linking an activity-based tra-
vel demand model with traffic emission and dispersion models:
transport’s contribution to air pollution in Toronto. Transportation
Research Part D 15:315–25
14. Chiquetto S, Mackett R (1995) Modelling the effects of transport
policies on air pollution. Sci Total Env 169:265–71
15. Lee S, Jo J (1995) Evaluating policy measures’ effectiveness in
reducing energy consumption and air pollution: case study of
Seoul. Sci Total Env 169:289–93
16. Gualtieri G, Tartaglia M (1998) Predicting urban traffic air pollu-
tion: a GIS framework. Transportation Research Part D 3:329–36
17. Ambrosino G, Sassoli P, Bielli M, et al (1999) A modeling fra-
mework for impact assessment of urban transport systems. Trans-
portation Research Part D 4:73–9
18. Brown AL, Affum JK (2002) A GIS-based environmental mode-
ling system for transportation planners. Comput Environ Urban
Syst 26:577–90
19. Affum JK, Brown AL, Chan YC (2003) Integrating air pollution
modelling with scenario testing in road transport planning: the
TRAEMS approach. Sci Total Env 312:1–14
Rech. Transp. Secur. (2012) 28:190-200
20. Schütz A (2000) [éd. originale 1962] Éléments de sociologie phé-
noménologique. L’Harmattan, Paris, 156 p
21. Brown AL, Affum J, Chan A (2004) Transport Pollution Futures
for Gold Coast City 2000, 2011, 2021, based on the Griffith Uni-
versity Transport Pollution Modelling System (TRAEMS) Urban
Policy Program. Brisbane, 88 p
22. Soleil L, Gaboriaud L, Noppe J, Vinot JP (2002) Évaluation de
l’impact sur la qualité de l’air de scénarios de déplacements
urbains (PDU, DVA, mesures d’urgence). Étude pilote de Saint-
Étienne. CERTU–ADEME, Lyon, 150 p
23. Mestayer P, Abidi A, André M, et al (2010) Urban mobility plan
environmental impacts assessment: a methodology including
socio-economic consequences. “10th Urban Environment Sym-
posium”, 9–11 June 2010, Gothenburg, Sweden
24. Picaut J, Fortin N (2011) Approche simplifiée de la réalisation de
cartographies sonores de grandes agglomérations à l’aide d’un
logiciel SIG. « La modélisation de la ville : du modèle au projet
urbain », 23–24 février 2011, ENPC, Marne la Vallée
25. Fouillé L, Schmidt T, Rebours A (2012) Modéliser les émissions
et les concentrations de polluants atmosphériques pour évaluer
les politiques de transport. Eval-PDU et le cas nantais. « Journées
interdisciplinaires de la qualité de l’air », 2–3 février 2012, Ville-
neuve d’Ascq
26. Prado C (2009) Projet Eval-PDU, Exploitation de l’EMD de Nan-
tes. Estimation des caractéristiques de mobilité. Mémoire de stage
d’ingénieur dirigé par Mestayer P, École centrale de Nantes, 98 p
27. Brutti-Mairesse E, Teillac S (2011) Plans de déplacements
urbains : modélisation des déplacements, du trafic et des émis-
sions de polluants. « La modélisation de la ville : du modèle au
projet urbain », 23-24 février 2011, ENPC, Marne-la-Vallée
28. Brutti-Mairesse E, Teillac S, André M, Leclercq L (2012) Estima-
tion of pollutant emissions from road trafic at a city scale, and its
sensitivity as regards the calibration of the static traffic assign-
ment models. Transport Research Arena 23–26 April 2012,
Athens, Greece
29. Boyce D (2002) Is the sequential travel forecasting paradigm
counterproductive? J Urban Plann Dev 128:169–83
30. Flyvbjerg B, Skamris-Holm MK, Buhl SL (2006) Inaccuracy in
traffic forecast. Transport Reviews 26:1–24