Transport Et Environnement

UNIVERSITE DU LITTORAL COTE D’OPALE
DESS Manager de la Distribution
Option Transport et Logistique
Transport et Environnement.
Daniel DE WOLF.
Dunkerque, Octobre 2003

Table des matières
I Quelques rappels mathématiques 7
1 Introduction 9
1.1 Objectifs du cours . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Parties du cours . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 La notion de matrice . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Calcul matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Les notions de graphe, de flot et de réseau. 19

2.1 Un exemple de transport . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Notion de graphe . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Notion de flot . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Formulation en modèles d’optimisation. 27

3.1 Un exemple simple . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Solution graphique d’un problème linéaire . . . . . . . . . . . . . 30
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4 Le solveur d’EXCEL. 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.1 Résolution avec Excel . . . . . . . . . . . . . . . . . . . 37
4.2 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 Le rapport des réponses . . . . . . . . . . . . . . . . . . 40
3
4 Table des matières
4.2.2 Le rapport de sensibilité . . . . . . . . . . . . . . . . . . 41

4.2.3 Le rapport des limites . . . . . . . . . . . . . . . . . . . 42
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5 Résolution des modèles non linéaires. 45

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Différence avec la programmation linéaire . . . . . . . . . . . . . 45
5.3 Les problèmes convexes . . . . . . . . . . . . . . . . . . . . . . 47
5.4 Conditions de Kuhn et Tucker . . . . . . . . . . . . . . . . . . . 49
5.5 La méthode de Frank-Wolfe . . . . . . . . . . . . . . . . . . . . 52
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
II Modèles d’affectation du trafic 57
6 Modélisation du transport urbain. 59

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 La notion d’équilibre . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3 Représentation du réseau . . . . . . . . . . . . . . . . . . . . . . 62
6.4 La définition d’équilibre . . . . . . . . . . . . . . . . . . . . . . 63
6.5 Formulation du problème d’équilibre de l’utilisateur . . . . . . . . 64
6.6 Equivalence entre les deux problèmes . . . . . . . . . . . . . . . 71
6.7 Unicité de la solution . . . . . . . . . . . . . . . . . . . . . . . 72
6.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7 Résolution du problème d’affectation 77

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.2 Algorithme de résolution . . . . . . . . . . . . . . . . . . . . . . 77
7.3 Le problème du plus court chemin . . . . . . . . . . . . . . . . . 83
7.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Table des matières 5
III Facteurs explicatifs de la demande 87
8 Estimation de la demande de déplacements 89

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
8.2 Facteurs explicatifs la génération de déplacements . . . . . . . . . 90
8.2.1 Classification des déplacements . . . . . . . . . . . . . . 90
8.2.2 Facteurs explicatifs de la demande de déplacements . . . . 91
8.3 Modélisation de l’évolution . . . . . . . . . . . . . . . . . . . . 92
8.3.1 Méthodes basées sur les facteurs de croissance . . . . . . 92
8.3.2 Méthodes basées sur la régression linéaire . . . . . . . . . 93
8.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
9 Modèles de distributions de mouvements 101

9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
9.2 Modèle à facteur de croissance uniforme . . . . . . . . . . . . . 102
9.3 Modèle à facteur de croissance simplement contraint . . . . . . . 104
9.4 Modèle avec facteurs de croissance doublement contraints . . . . 105
9.5 Modèles de gravité . . . . . . . . . . . . . . . . . . . . . . . . . 108
9.6 Relation entre les deux modèles . . . . . . . . . . . . . . . . . . 109
9.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
10 Le transport de marchandises 113

10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
10.2 Facteurs influençant le trafic de marchandises . . . . . . . . . . . 113
10.3 Coût du transport de marchandises . . . . . . . . . . . . . . . . . 114
10.4 Modélisation de la demande agrégée . . . . . . . . . . . . . . . . 115
10.4.1 Estimation des générations et attractions . . . . . . . . . 115
10.4.2 Modèles de distribution . . . . . . . . . . . . . . . . . . 116
10.4.3 Choix du mode de transport . . . . . . . . . . . . . . . . 117
10.4.4 Affectation . . . . . . . . . . . . . . . . . . . . . . . . . 117
10.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6 Table des matières
IV Les externalités du transport 121
11 Les impacts sur l’environnement 123

11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
11.2 La pollution de l’atmosphère . . . . . . . . . . . . . . . . . . . . 124
11.2.1 Principaux polluants atmosphériques . . . . . . . . . . . 124
11.2.2 Conséquences des émissions de gaz polluants . . . . . . . 125
11.2.3 Lien avec les modèles de transport . . . . . . . . . . . . . 127
11.2.4 Facteurs de réduction . . . . . . . . . . . . . . . . . . . 129
11.3 Les émissions de bruit . . . . . . . . . . . . . . . . . . . . . . . 129
11.3.1 Mesure du bruit . . . . . . . . . . . . . . . . . . . . . . 129
11.3.2 Origine du bruit . . . . . . . . . . . . . . . . . . . . . . 130
11.3.3 Mesures de réduction du bruit . . . . . . . . . . . . . . . 131
11.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
12 Les coûts externes du transport 133

12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
12.2 Les coûts de la pollution . . . . . . . . . . . . . . . . . . . . . . 135
12.2.1 La pollution locale . . . . . . . . . . . . . . . . . . . . . 135
12.2.2 La pollution globale . . . . . . . . . . . . . . . . . . . . 137
12.3 Les coûts du bruit . . . . . . . . . . . . . . . . . . . . . . . . . 137
12.4 Les coûts de la congestion . . . . . . . . . . . . . . . . . . . . . 138
12.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Partie I
Quelques rappels mathématiques
7
Chapitre 1
Introduction
1.1 Objectifs du cours
L’objectif de ce cours est double. Il s’agit, d’une part, de donner une introduction
aux modèles de simulation et prévision d’évolution de la circulation, principa-
lement en zone urbaine où se posent les principaux problèmes de congestion. Il
s’agit, d’autre part, de voir les conséquences de ces flux de circulation sur l’envi-
ronnement en ce qui concerne la congestion, la pollution de l’air et l’émission de
bruit. Il s’agit de pouvoir chiffrer ces conséquences dans leurs unités appropriées
(par exemple, en heures perdues pour la congestion) mais également en termes
monétaires (le coût économique de la congestion).
1.2 Parties du cours
Le cours est divisé en quatre parties. La première sera consacrée à des rappels
mathématiques qui seront utiles pour comprendre certaines parties plus tech-
niques dans la suite du cours. On fera un rappel de la notion de matrice qui est
utilisée pour représenter la demande de transport sous la forme d’une matrice
origine destination. On rappellera également la notion de graphe qui est utilisée
pour représenter l’offre, c’est-à-dire le réseau de transport. Nous verrons ensuite
comment formuler un problème d’optimisation et comment le résoudre. En effet,
le problème d’affectation du trafic (c’est-à-dire voir comment offre et demande
s’équilibrent) sur un réseau de transport peut être formulé et résolu comme un
problème d’optimisation.
La deuxième partie sera consacrée à une introduction aux modèles de trans-
port et plus particulièrement au transport de personnes et de marchandises. Nous
verrons quelles sont les données du problème, à savoir l’offre et la demande. Nous
verrons alors comment on peut déterminer les flux de circulation qui en résultent.
9
10 Chapitre 1. Introduction
Du côté offre, celle-ci est représentée dans le cas du transport par route par
l’infrastructure routière et autoroutière. Celle-ci peut être représentée par la notion
mathématique de graphe où chaque nœud représente un croisement de rues et
chaque arc une portion de rue. Il faudra bien sûr tenir compte de la capacité des
arcs qui est fonction notamment du nombre de bandes de circulation mais aussi
d’autres facteurs comme la présence de feux de croisement.
Du côté demande, celle-ci est donnée par le nombre de véhicules qui veulent
se rendre de tel point de départ vers tel point d’arrivée. On représente généralement
ceci par une matrice origine-destination qui indique en position (i, j) le nombre
de véhicules désirant se rendre de i vers j.
Enfin, il faut déterminer comment offre et demande s’équilibrent, c’est-à-dire
comment les usagers du réseau de transport vont se répartir sur celui-ci. Pour
cela, on fera appel à la notion d’affectation d’équilibre de l’utilisateur. On dit que
l’équilibre est atteint lorsqu’aucun usager du réseau ne peut améliorer sa position en
changeant unilatéralement son itinéraire. Il s’agit d’un équilibre non coopératif.
En effet, globalement, une situation meilleure pourrait être atteinte si certains
usagers se sacrifiaient à prendre des détours pour décongestionner le réseau pour
les autres usagers. On parle, dans ce cas, d’équilibre social. Il est cependant à
remarquer que l’équilibre de l’utilisateur reflète sûrement mieux le comportement
des conducteurs de voitures particulières ou de camions.
Une troisième partie cours sera consacrée à l’analyse des facteurs explicatifs
de la demande de transport. En particulier, ceci sera utilisé pour faire de la
prévision d’évolution de la demande de déplacement.
On mettre en évidence le lien entre la demande de transport de personnes
et les facteurs explicatifs suivants : la population, l’emploi, la localisation des
écoles. On mettre aussi en évidence le lien entre le transport de marchandises et
les facteurs explicatifs suivants : la population, l’emploi industriel et l’emploi dans
la distribution.
Enfin, la dernière partie du cours sera consacrée à l’étude des conséquences
sur l’environnement des flux de circulations ainsi déterminés. On s’attachera à
déterminer les émissions de polluants de l’air, le bruit et la congestion résultant de
ces flux. On verra également comment évaluer économiquement les coûts sociaux
de ces externalités du transport. Par exemple, le coût du bruit peut être évalué
par le surcoût de l’isolation acoustique des logements en bordure des axes à forte
circulation.
Dans la suite de ce chapitre, nous allons rappeler une notion mathématique
importante pour la modélisation de la demande de déplacements, à savoir la notion
de matrice. Nous verrons la notion de graphe au chapitre 2 ainsi que la notion de
modèle linéaire au chapitre 3 et la notion de modèle non linéaire au chapitre 5.
Section 1.3. La notion de matrice 11
1.3 La notion de matrice
Une matrice est un outil mathématique très pratique sur le plan des calculs. Une
matrice est un tableau de nombres sur lequel des opérations peuvent être effectuées.
Définition 1.1 Une matrice de genre (m × n) dans R est un tableau rectangulaire

de m lignes et n colonnes de nombres réels.
Elle est notée de la manière suivante :

 
 a11 a12 . . . a1n 
 

 a21 a22 . . . a2n 

 . (1.1)
 
 ... ... ... ... 
 
 
am1 am2 . . . amn
Définition 1.2 Le coefficient aij de la matrice l’élément du tableau en position

(i, j), à l’intersection de la ième ligne et de la j ème colonne.
Ainsi, par exemple, la matrice suivante :

   
 a11 a12   2 1 
   
   
 a21 a22  =  3 6 
   
   
a31 a32 4 5
est une matrice de genre (3, 2), c’est-à-dire qu’elle comporte 3 lignes et 2 colonnes.
Il y a deux façons de spécifier une matrice : la définition sous forme extensive
et la définition sous forme compréhensive. La forme extensive consiste à décrire
explicitement la matrice en tant que tableau rectangulaire de nombres, en mettant
un nombre ou un symbole pour chacun de ses coefficients. La matrice (1.1) illustre
cette forme.
Dans la définition sous forme compréhensive, on indique d’abord le symbole
utilisé pour représenter la matrice dans sa totalité, celui utilisé pour représenter
un élément quelconque, de ligne i et colonne j, enfin le genre de la matrice, en
indiquant les valeurs possibles des indices. Par exemple, on définit la matrice A
suivante :
A = {aij }i=1,2,...,m; j=1,2,...,n . (1.2)
Une formule accompagne cette description pour expliciter l’élément en fonction
de son indice de ligne et de colonne. Un cas remarquable est celui de la matrice
identité. On la désigne par la notation I n . Il s’agit d’une matrice carrée d’ordre n

qui comporte des zéros partout sauf sur sa diagonale principale où les coefficients
sont égaux à un :  
 1 0 ... 0 
 

 0 1 ... 0 

In =  .
 
 ... ... ... ... 
 
 
0 0 ... 1
Une définition sous forme compréhensive la matrice identité est la suivante :
I n = {δij }i=1,...,n; j=1,...,n ,
où δij désigne l’indice de Kronecker qui est défini de la manière suivante :


 1 si i = j,
δij = 
 0 sinon.
Voyons maintenant quelques cas particuliers importants.
1. Si n = 1, c’est-à-dire si on a une seule colonne, on parle dans ce cas de

vecteur colonne. C’est, par exemple, le cas du vecteur x suivant :
 
x1 
x=
 .
x2
2. Si m = 1, c’est-à-dire si on n’a qu’une seule ligne, on parle de vecteur

ligne. C’est le cas, par exemple, du vecteur y suivant :

y= y1 y2 .
Lorsqu’on ne précise pas qu’un vecteur est un vecteur colonne ou ligne,

on convient de considérer qu’il s’agit d’un vecteur colonne. On parle du
nombre de composantes d’un vecteur plutôt que du nombre de ses éléments.
D’un vecteur qui a n composantes, on dit qu’il est de dimension n.
3. Dans le cas où m = n, on parle pour une raison évidente de matrice carrée :
le tableau rectangulaire représentant la matrice devient en effet dans ce cas
un carré. Plutôt que de dire d’une matrice carrée qu’elle est de genre (n×n),
on dit qu’elle est d’ordre n.
4. Dans le cas où m = n = 1, on a donc une matrice qui se réduit à un seul
coefficient réel : on parle dans ce cas de scalaire.
Section 1.4. Calcul matriciel 13
1.4 Calcul matriciel
Addition de deux matrices :
La motivation pour l’étude d’une telle opération sur les matrices est de pouvoir,
dans un modèle d’affectation du trafic, additionner les demandes de différents
groupes d’utilisateurs se déplaçant sur un même réseau. Ainsi, on additionnera,
par exemple, les matrices origines-destinations des voitures particulières et des
camions.
Définition 1.3 Deux matrices sont dites de même genre, si elles ont le même
nombre de lignes et de colonnes.
Définition 1.4 Pour deux matrices de même genre, A (m × n) et B (m × n), on

définit la somme des deux matrices comme une troisième matrice de même genre
(m × n), notée C. Elle est obtenue en additionnant les termes occupant des places
identiques dans les deux matrices A et B. On note
C = A + B,
avec
cij = aij + bij .
Exemple 1.1 Calculer :

   
2 3 −1  −3 5 2 
C=


+ .
4 −2 7 6 1 4
Solution :
   
2−3 3 + 5 −1 + 2  −1 8 1 
C=
  =

.
4 + 6 −2 + 1 7+4 10 −1 11
On remarquera qu’une des conséquences de la définition d’addition de matrices

est que cette opération est commutative, c’est-à-dire que :
A + B = B + A.
Multiplication par un scalaire :
La motivation pour l’étude d’une telle opération sur les matrices est de pou-
voir, dans un modèle d’affectation du trafic, tenir compte d’une augmentation
générale de la demande de déplacements. Cela se traduira, pour la matrice origines-
destinations par la multiplication par un scalaire.
Définition 1.5 La multiplication d’une matrice A par un scalaire α ∈ R donne

une matrice B, de même genre dont chaque élément est l’élément correspondant
de A multiplié par le scalaire.
Autrement dit :
B = αA,
avec
bij = αaij .
Exemple :    
1 2 7  2 4 14 
2
 

= .
−3 8 15 −6 16 30
La transposition d’une matrice :
La motivation pour l’étude d’une telle opération sur les matrices est de pouvoir,
dans un modèle d’affectation du trafic, passer de la demande d’heure de pointe
du matin à la demande d’heure de pointe du soir. Comme généralement les gens
retournent chez eux le soir, la matrice origines-destinations du soir est la transposée
de celle du matin.
Définition 1.6 La matrice transposée d’une matrice A de genre (m × n) est une

matrice à n lignes et m colonnes, notée AT où l’élément en position (i, j) est aji
Autrement dit :
AT = {aij T },
avec
aij T = aji .
Exemple :  
3 −2   

  3 4 8 
  
A= 
 4 5 

AT =  .
  −2 5 −1
8 −1
Définition 1.7 Une matrice carrée A d’ordre n est dite symétrique si

∀i, j : aij = aji .
Ce qui peut encore se noter matriciellement par

A = AT .
L’interprétation sur le tableau est que les éléments situés symétriquement par rap-
port à la diagonale principale doivent être identiques.
Produit scalaire de deux vecteurs :
Définition 1.8 Soient x et y, deux vecteurs colonnes de dimension n. Le produit

scalaire de x par y est défini comme la somme des produits des éléments occupant
des places identiques dans les deux vecteurs :

n
xT y = xi yi . (1.3)
i=1
En notation matricielle, on peut écrire le produit scalaire de la manière suivante :

 
y1
 
 y2 
 
x1 x2 . . . xn 



= x1 y1 + x2 y2 + . . . + xn yn .
 ... 
yn
On vérifie bien, dans la notation reprise ci-dessus, que le ième élément du vecteur
ligne xT est multiplié par le ième du vecteur colonne y et qu’ensuite on effectue
la somme de ces produits.
Exemple 1.2 Calculer de produit scalaire de :

   
3 1
   
 2   2 
   
x=  , y=  .
 1   4 
   
1 1
Solution : on a alors le produit scalaire suivant :

xT y = 3 · 1 + 2 · 2 + 1 · 4 + 1 · 1 = 12.
Remarquons que le produit scalaire est une opération commutative. En effet :

n
n
xT y = xi yi = yi xi = y T x.
i=1 i=1
Le produit matriciel :
La motivation pour l’étude d’une telle opération sur les matrices est de pou-
voir, dans un modèle d’affectation du trafic, faire des changements non uni-
formes de la matrice origines-destinations. Par exemple, une augmentation du
nombre de véhicules quittant une zone ou arrivant dans une zone se traduit par la
prémultiplication ou la postmultiplication de la matrice origines-destinations par
une matrice différent de la matrice identité par une seul élément diagonal.
Définition 1.9 Considérons deux matrices A et B de genre (m × n) et (n × p)

avec
   
 a11 a12 . . . a1n   b11 b12 . . . b1p 
   

 a21 a22 . . . a2n 


 b21 b22 . . . b2p


A=

 et
 B=

.

 ... ... ... ...   ... ... ... ... 
   
   
am1 am2 . . . amn bn1 bn2 . . . bnp
Le produit matriciel
C = AB
est une matrice C de genre (m × p) qui se calcule comme suit :
 
 c11 c12 . . . c1p 
 

 c21 c22 . . . c2p 

C=

,

 ... ... ... ... 
 
 
cm1 cm2 . . . cmp
avec l’élément cij qui est le produit scalaire de la ligne i de A par la colonne j de
B: n
cij = aik bkj .
k=1
On a visualisé, à titre d’exemple, dans les matrices A et B, les coefficients

concernés par le calcul du coefficient c21 . Il est obtenu en faisant le produit scalaire
de la deuxième ligne de A (i = 2) par la première colonne de B (j = 1).
Exemple 1.3 Calculez C = AB, où les matrices A et B sont données par :
 
2 1
  2 1
A= 3 6  B=
1 3
4 5
Solution : la matrice C est calculée comme suit :

     
2 1 2·2+1·1 2·1+1·3 5 5
 2 1
AB = 
 3 6 
   
=  3 · 2 + 6 · 1 3 · 1 + 6 · 3  =  12 21  .
1 3
4 5 4·2+5·1 4·1+5·3 13 19
Voyons maintenant quelques cas particuliers importants.
1. Cas où p = 1. C’est le cas où l’on multiplie une matrice (m × n) par un
vecteur. Le membre de gauche d’un système d’équations linéaires rentre
dans cette catégorie. En effet, le système


 a11 x1 +a12 x2 . . . +a1n xn = b1






 a21 x1 +a22 x2 . . . +a2n xn = b2



 ... ... ... ... ... ...




 am1 x1 +am2 x2 . . . +amn xn = bm
peut se noter matriciellement de la manière suivante :

    
 a11 a12 . . . a1n   x1   b1 
    

 a21 a22 . . . a2n   
  x2 

 b2 

  =  ,
    
 ... ... ... ...   ...   ... 
    
    
am1 am2 . . . amn xn bm
ou encore
Ax = b.
2. Si m = 1 et p = 1. C’est le cas du produit scalaire :

 
 y1 
 
 
 y2 
x y=T
x 1 x 2 . . . xn   = x1 y1 + x2 y2 + . . . + x n yn .
 
 ... 
 
 
yn
Enfin signalons que, contrairement au produit de réels, le produit de matrices

est une opération non commutative. En général, AB = BA.
1.5 Exercices
1.1. Transposition d’une matrice. Calculez la transposée des matrices sui-

vantes :
   
 2 5   1 3 1 
   
   
A= 
 1 −1 ;B

= 
 2 6 7 ;C

= 1 5 6 2 .
   
3 2 4 1 5
1.2. Le produit matriciel est non commutatif. Calculez les produits AB et

BA pour les matrices suivantes :
 
  5 1 

1 2 3   
  
A=   et B= 
 6 −2 

.
3 2 1  
−3 1
Quelle conclusion en tirez-vous ?
1.3. Multiplication par un scalaire. Calculez D = AB T + αC T avec

   
 
 −2   1 0 2 
 2     
  

 
  0  1  4 7 0 

A= 
 −1 

, B=

,
 α= et C = 

.

   1  2  3 −2 6 
   
3    
43 −1 5 1
1.4. Ecriture en forme extensive. Ecrire sous sa forme extensive la matrice

X = {xij }i=1,...3;j=1,...3 , où


 1
i+j
si i < j,
xij = 
 δij si i ≥ j.
Dans cette dernière expression, δij est l’indice de Kronecker (utilisé dans la
définition de la matrice identité).
Chapitre 2
Les notions de graphe, de flot et de réseau.
2.1 Un exemple de transport
Nous allons introduire la notion de graphe ainsi que la notion de flot sur un graphe
sur un exemple de transport non routier. Considérons le problème d’une société
locale de distribution de gaz dans une région comme la région du Nord. Les données
du problème utilisées ici sont purement fictives. En effet, seule la société de distri-
bution, en l’occurrence, Gaz de France, dispose de ces informations stratégiques
que sont, par exemple, la consommation de ses gros clients industriels.
Supposons donc que la région du Nord soit alimentée en gaz naturel, d’une
part, par des importations de gaz arrivant par bateaux au terminal de Dunkerque,
et, d’autre part, par des importations de gaz norvégien et néerlandais qui arrivent
par gazoducs souterrains via la Belgique de Mons (voir figure 2.1).
Par contrat, les prélèvements que doit prendre Gaz de France sur chacun de
ses contrats peuvent varier d’un jour à l’autre dans une fourchette, par exemple de
90% à 110%, autour du montant nominal du contrat. Par exemple, si, par contrat,
Gaz de France s’est engagé à prélever 100 unités à Dunkerque chaque jour, son
enlèvement peut être de 90, un jour donné et de 110, le jour suivant, du moment
que, globalement sur l’année, la moyenne du prélèvement soit de 100 unités. Le
tableau 2.1 reprend les données concernant ces contrats.
Point Quantité Quantité Quantité

d’entrée nominale minimum maximum
Dunkerque 100 90 110
Mons 60 54 66
Tableau 2.1: Quantités contractuelles minimum et maximum.
En plus de ces contrats, Gaz de France dispose de stockages pour pouvoir faire
face à des pointes de demande (par exemple lorsque le gel devient très sévère et
19
20 Chapitre 2. Les notions de graphe, de flot et de réseau.
que les chauffages domestiques sont utilisés au maximum). Ces stockages sont
le plus souvent effectués dans des anciennes galeries de mines. Le prélèvement
que Gaz de France peut faire est limité ici par la puissance des compresseurs qui
pompent le gaz hors des stocks. Le tableau 2.2 reprend la quantité maximum que
l’on peut prélever du stockage chaque jour.
Stockage Quantité Maximum

Tertre 40
Tableau 2.2: Déstockage maximum.
Du côté demande, la société de distribution doit satisfaire la demande do-

mestique d’une part (chauffage, cuisson, ...etc.), ainsi que la demande de grosses
industries, particulièrement les industries chimiques qui sont de grosses consom-
matrices de gaz dans leur processus de fabrication. Les 4 grandes agglomérations
et/ou centres industriels importants de la région sont Lille, Lens, Denain et Valen-
ciennes. Leurs demandes journalières cumulées pour les secteurs domestique et
industriel sont reprises au tableau 2.3.
Ville Demande journalière

Lille 60
Valenciennes 50
Lens 40
Denain 20
Tableau 2.3: Quantités demandées.
Pour acheminer le gaz depuis les points d’entrée dans le réseau régional jus-
qu’aux clients finaux, Gaz de France dispose d’un réseau de gazoducs comparables
au réseau d’autoroutes liant les grands centres de la région entre eux. Le réseau
est représenté schématiquement à la figure 2.1.
Chacun de ces gazoducs a une capacité maximum que l’on a représentée à
la figure 2.1 par la quantité notée |c| le long de l’arc correspondant au gazoduc.
Par exemple, la capacité journalière maximum pour le gazoduc liant Dunkerque
à Lens est de 50. On a également repris le plan actuel d’exploitation du réseau,
c’est-à-dire l’ensemble des prélèvements et des flux de gaz dans le réseau. Par
exemple, on prélève 110 à Dunkerque dont 50 sont envoyés vers Lens et 60 vers
Lille. Le gazoduc de Lille vers Lens n’est pas utilisé.
Supposons maintenant qu’une nouvelle grosse industrie chimique s’installe à
Lens et que la demande totale de Lens passe de 40 à 50. Comment la société
va-t-elle modifier son plan d’exploitation du réseau pour répondre à cette nouvelle
demande tout en respectant ses contraintes de contrats et de capacité ?
Section 2.2. Notion de graphe 21
0
Dunkerque
110 60 Lille |20| Tertre
|70| 0
60
0
50 |50| |20| |20| Valenciennes 60
0 60 Mons
|70|
Lens 10
|20| |40|
10 50
40
Denain
20
Figure 2.1: Représentation des principaux gazoducs.
Nous allons voir comment formuler mathématiquement ce problème. Pour

cela, nous allons introduire le concept mathématique de graphe qui permet de
représenter le réseau.
2.2 Notion de graphe
Définition 2.1 Un graphe est défini comme la paire G = (N, A) ou N représente

un ensemble de nœuds et A un ensemble de couples (i, j), appelés arcs, avec i ∈ N
et j ∈ N .
Dans l’exemple, chaque ville représente un nœud du réseau. Les arcs sont
les gazoducs liant deux nœuds. Par exemple, si on attribue des numéros comme
indiqué à la figure 2.2 aux villes, (c’est-à-dire aux nœuds), on peut décrire les arcs
directement comme au tableau 2.4.
La flèche à la figure 2.2 indique le sens conventionnel donné à l’arc (i, j).
Ainsi, l’arc (i, j) avec une flèche de i vers j est dit prendre son origine au nœud i
et avoir son extrémité en j. Ce sens, bien que conventionnel, est important pour
la suite. En effet, un flot de gaz de i vers j n’est pas la même chose qu’un flot de
j vers i.
Arc De A (i, j)
1 Dunkerque Lille (1, 2)
2 Dunkerque Lens (1, 3)
3 Lille Lens (2, 3)
4 Tertre Lille (4, 2)
5 Lille Valenciennes (2, 6)
6 Mons Valenciennes (5, 6)
7 Valenciennes Denain (6, 7)
8 Lens Denain (3, 7)
Tableau 2.4: Arcs du réseau.
Dunkerque
1 arc 1 Lille
arc 4
4 Tertre
2
arc5
arc2 arc 3
Valenciennes
5 Mons
6
arc 6
Lens 3 arc 7
arc 8
7
Denain
Figure 2.2: Représentation du réseau via un graphe
2.3 Notion de flot
Nous allons maintenant introduire la notion de flot. Dans chaque arc, on va faire
circuler un flux, c’est-à-dire une quantité par unité de temps. Dans notre exemple,
il s’agissait de la quantité de gaz circulant par jour du nœud i au nœud j. On note
par fij cette quantité qui traverse l’arc (i, j) par unité de temps.
N’importe quel ensemble de quantités fij n’est pas acceptable. En effet, l’en-
semble de ces variables de flux doit satisfaire une équation de conservation du flux
en chaque nœud. Cette loi de conservation exprime simplement que la somme
des flux sortant d’un nœud i est égale à la somme des flux entrant. Elle s’exprime
par (voir figure 2.3) :
fij = fki (2.1)
j|(i,j)∈A k|(k,i)∈A
Elle est aussi appelée équation au nœud pour une raison évidente.
Section 2.3. Notion de flot 23
fki i fij
Figure 2.3: Nœud d’interconnexion i
En un nœud d’offre, c’est-à-dire en un nœud d’injection dans le réseau, notons

si , l’injection dans le réseau. L’équation (2.1) devient (voir figure 2.4) :

fij = fki + si (2.2)
si
fki i fij
Figure 2.4: Nœud d’offre i

En un nœud de demande, c’est-à-dire avec une sortie de gaz, notons di la
demande au nœud i. L’équation (2.1) devient (voir figure 2.5) :

fij + di = fki (2.3)
fki i fij
di
Figure 2.5: Nœud de demande i

Remarquons qu’une façon de ne pas distinguer entre les 3 types de nœuds
(d’interconnexion, de demande et d’offre) est de relier tous les nœuds d’offre à un
nœud fictif 0 qui sera l’entrée dans le réseau et de relier tous les nœuds de demande
à un nœud de sortie n + 1. Ceci est fait à la figure 2.6.
Comme la somme des entrées doit être égale à la somme des sorties, on peut
relier le nœud de sortie n + 1 au nœud d’entrée 0 par un arc de retour (n + 1, 0).
110
0
Dunkerque 60
1 60 Lille 0 4
2
Tertre
50 0
Valenciennes
6 5 Mons
60
Lens 3 10 10
Denain
40 50
60 7
20
Figure 2.6: Représentation du réseau avec arc de retour.
Définition 2.2 L’ensemble des flux traversant les arcs d’un graphe est appelé flot
pour autant qu’il respecte en chaque nœud l’équation de conservation (2.1). Le
flux traversant l’arc de retour est appelé le flot total traversant le réseau.
On note cij , la capacité de l’arc (i, j), c’est-à-dire le flux maximum qui peut
traverser l’arc et semblablement, on note bij la borne inférieure (éventuelle) sur ce
flot de sorte que l’on a :
bij ≤ fij ≤ cij (2.4)
Définition 2.3 Un graphe muni d’une entrée, d’une sortie et d’un arc de retour et
de capacités est appelé un réseau de transport.
Terminons cette introduction aux notions de graphe, de flot et de réseau par la

remarque suivante. Les arcs peuvent être orientés. Auquel cas, on a que le flux ne
peut aller que de i vers j dans l’arc (i, j) (c’est le cas des axes routiers) et la borne
inférieure bij = 0. Mais on peut aussi avoir des arcs bidirectionnels (c’est le cas
du gaz). Dans ce cas il faut étendre la définition de fij au cas de fij < 0. En effet
un fij < 0 signifie que le flot −fij va du nœud j au nœud i. Dans ce cas, la borne
inférieure est bij = −cij .
Section 2.4. Exercices 25
2.4 Exercices
2.1. Amélioration d’un réseau routier. On prévoit une augmentation du trafic

entre les villes A et F. On veut déterminer si le réseau routier actuel entre les
deux villes peut supporter une telle augmentation. Les données (exprimées
en milliers de voitures par heure) sont reprises au tableau 2.5.
Arc Origine Destination Capacité

1 A B 3
2 A C 7
3 C B 2
4 C D 2
5 B D 4
6 C E 4
7 E D 2
8 D F 6
9 E F 5
Tableau 2.5: Capacités et flux actuels d’un réseau routier.
(a) Représenter le réseau sous forme d’un graphe.

(b) Compléter le graphe de manière à y faire apparaı̂tre le flot total.
(c) Formuler mathématiquement le problème linéaire correspondant à la
détermination du flot maximal entre les deux villes.
(d) Représenter les équations de conservation sous forme matricielle du
type Ax = b. Qu’a de particulier la matrice A des coefficients du
problème ?
2.2. Migration entre la banlieue et le centre ville. Le trafic matinal entre une
banlieue dortoir (nœud 1) et le centre ville (nœud 9) est illustré à la figure 2.7.
On a représenté le trafic actuel ainsi que la capacité maximum de chacune
des routes en nombre de véhicules par heure (chiffres entres deux barres).
On demande si l’on peut augmenter le trafic global entre 1 et 9 et quelle est
la valeur de ce trafic maximum ?
(a) Formuler mathématiquement le problème linéaire correspondant à la

détermination du flot maximal entre les deux villes.
(b) Montrer que si l’on considère le trafic inverse qui concerne la fin de
journée (avec les mêmes capacités pour le retour), le flot maximum
sera le même que celui du matin.
|500| 5 400
|200| |450|
500 0 200
|100| 550 750
2 100 100 |100| 7 8 9
|700| |750|
350
|100| |700|
600 4 200 300
|700| 350 100 |200| |400|
|500| |100|
1 6
100 |150|
500 |500|
|500| 3 400
Figure 2.7: Migration entre banlieue et capitale.
2.3. Les voies d’évitement lors de la réfection d’un viaduc. Pendant la répara-
tion d’un viaduc de contournement du centre ville, il faudra interrompre
la circulation sur cette voie dans le sens ouest-est de la ville. Des voies
d’évitement ont été prévues à même les rues du centre ville. Toutes les voies
d’évitement seront mises à sens unique, mais il reste à déterminer le sens
à donner au tronçons BD, BE, CD et CE de façon que le système de voies
d’évitement maximise le nombre de véhicules qui pourront l’emprunter. On
a indiqué à la figure 2.8 la capacité maximale en milliers de véhicules par
jour en regard de chaque tronçon.
12
B C
8 13
A 4 6 F
2 4 10
12 6
D E
Figure 2.8: Viaduc en réparation
Formuler le modèle de transport (choix des variables, expression de l’objectif

et des contraintes) permettant de déterminer quel sens donner aux tronçons
BD, BE, CD et CE de manière à maximiser le flux de transit.
Indication : pensez à la notion d’arcs bidirectionnels.
Chapitre 3
Formulation en modèles d’optimisation.
Ce chapitre a un double objectif. Le premier objectif est de donner une intro-

duction à la formulation en modèles d’optimisation. Nous allons voir une manière
systématique de construire un modèle d’optimisation : choix des variables de
décision, formulation de l’objectif et des contraintes.
Le second objectif de ce chapitre est de donner une introduction aux techniques
de résolution de ces problèmes. Lorsqu’il n’y a que deux variables de décisions, un
problème linéaire peut être résolu de manière purement graphique. Lorsqu’il y a
un plus grand nombre de variables, un algorithme mis en œuvre sous la forme d’un
programme informatique s’avère nécessaire : il s’agit de l’algorithme du Simplexe.
La programmation linéaire sera utilisée dans les modèles de distribution pour le
transport de marchandises (voir chapitre 10).
En ce qui concerne les problèmes non linéaires, nous verrons au chapitre 5 la
méthode de Franck-Wolfe qui est particulièrement bien adaptée pour résoudre le
problème de l’affectation du trafic d’équilibre (voir chapitre 7).
3.1 Un exemple simple
Considérons une usine d’assemblage automobile qui a la possibilité, vu la présence

de deux chaı̂nes, d’assembler deux modèles simultanément. On peut produire 100
voitures du premier type en 6 heures. On peut aussi produire 100 voitures du
second type en 5 heures. Le nombre d’heures de travail que l’on peut globalement
affecter à la production est au maximum de 60 heures par semaine. Les voitures
produites sont enlevées une fois par semaine et doivent être stockées dans un dépôt
de 15 000 m2 . Une voiture du type 1 occupe 10 m2 et une voiture du type 2 occupe
20 m2 .
La marge (différence entre le prix de vente et le coût de production) sur le
premier type de voiture est de 500 euros par véhicule tandis que, sur le second,
27
28 Chapitre 3. Formulation en modèles d’optimisation.
elle est de 450 euros. La demande pour le premier type de véhicule est limitée à
800 unités par semaine. La demande pour le second type est tellement forte qu’on
peut la considérer que sa production sera absorbée par le marché quel que soit son
niveau de production.
Combien de voitures de chaque type le constructeur doit-il produire par semaine
pour maximiser son profit net ?
Le problème étant posé, nous allons voir comment le mettre sous forme d’équa-
tions mathématiques, c’est-à-dire voir comment le formuler. La formulation com-
porte toujours les trois étapes suivantes :
1. choix des variables de décision;

2. formulation de l’objectif;
3. formulation des contraintes.
Définition 3.1 On appelle variables de décision toute quantité utile à la résolution

du problème dont le modèle détermine la valeur.
C’est en fonction de ces quantités que l’on pourra exprimer les contraintes et l’ob-
jectif. Généralement, on utilisera les lettres de la fin de l’alphabet (x, y, z, t) pour
ces inconnues alors que celles du début (a, b, c) sont utilisées pour les constantes
du problème (des prix donnés, par exemple).
Ici les quantités utiles à connaı̂tre sont les productions de voitures de type 1 et
de type 2 par semaine. Notons donc :
x1 = nombre de centaines de voitures de type 1 produites par semaine,

x2 = nombre de centaines de voitures de type 2 produites par semaine.
Définition 3.2 On appelle objectif du problème le critère de choix entre les di-
verses solutions possibles.
Ici l’entreprise désire maximiser son profit net (ou encore sa marge). La marge
unitaire étant de 500 pour le premier type de voiture et de 450 pour le second.
En tenant compte du fait que x1 et x2 sont exprimés en centaines de voitures par
semaine, l’objectif s’exprime comme suit
max z = 50 000x1 + 45 000x2
ce qui peut encore se récrire après division par 1 000 :
max z = 50x1 + 45x2

Section 3.1. Un exemple simple 29
Définition 3.3 On appelle contrainte du problème toute relation limitant le choix

des valeurs possibles des variables.
Ces relations peuvent être de simples bornes sur les variables. Par exemple, la
demande pour le premier type de voitures est limitée à 800 unités par semaine.
Mathématiquement :
x1 ≤ 8.
Elles peuvent être plus complexes comme la contrainte de capacité de produc-

tion. Le temps pour construire une centaine de voitures de type 1 est de 6 heures
alors qu’il est de 5 heures pour une centaine de voitures du type 2. Pour produire
x1 centaines de voitures du type 1, il faut donc 6x1 heures et pour produire x2
centaines de voitures du second type, il faut 5x2 heures. D’où la contrainte :
6x1 + 5x2 ≤ 60.
Une voiture de type 1 demande 10 m2 pour son stockage. Une centaine de

voitures de type un demande donc 1000 m2 . Une voiture de type 2 demande 20 m2 .
Une centaine de voitures de type 2 demande donc 2000 m2 . D’où la contrainte :
1 000x1 + 2 000x2 ≤ 15 000,
ou encore, après simplification par mille :
x1 + 2x2 ≤ 15.
Il ne faut pas oublier les contraintes, très fréquentes, de positivité des variables :

 x1 ≥ 0
 x2 ≥ 0
traduisant le fait que l’on ne peut produire des quantités négatives de voitures.
Il est alors très utile de reprendre sous une forme condensée la formulation
complète du problème. Ici, on obtient la formulation suivante :
max z = 50x1 + 45x2



 6x1 + 5x2
 ≤ 60



 ≤ 15
 x1 + 2x2

(3.1)
s.c.q.  x1 ≤ 8



 x1 ≥ 0




x2 ≥ 0
3.2 Solution graphique d’un problème linéaire
Lorsque le problème ne comporte que deux variables de décision, on peut repré-

senter de manière graphique, à la fois les contraintes et l’objectif. On peut alors
résoudre le problème de manière purement graphique. La procédure consiste en
trois étapes :
1. Représentation de la région réalisable;
2. Représentation des lignes d’isovaleurs de l’objectif;
3. Détermination du point optimum.
Définition 3.4 On appelle région réalisable l’ensemble des valeurs des variables
qui satisfont toutes les contraintes.
Dans le cas de l’exemple, c’est l’ensemble des valeurs de x1 et x2 qui satisfont les
inégalités de (3.1).
Graphiquement une inégalité du type 6x1 +5x2 ≤ 60 correspond à un demi-plan
limité par la droite d’équation 6x1 + 5x2 = 60. Lorsque l’on fait l’intersection des
cinq demi-plans correspondant aux cinq inégalités, on obtient le polygone hachuré
à la figure 3.1.
x2
12
6x1 + 5x2 = 60
7, 5 z = 1000
P ∗ x1 = 8
z=0 x1 + 2x2 = 15
8 10 15 x1
z = 500
Figure 3.1: Région réalisable.
Voyons maintenant comment représenter la fonction objectif. Ici, à la diffé-

rence d’une équation dont le membre de droite est fixé, la fonction objectif est dite
non contrainte : chaque valeur fixée de l’objectif correspond à une droite dans le
Section 3.2. Solution graphique d’un problème linéaire 31
plan. Par exemple :

z = 50x1 + 45x2 = 0
z = 50x1 + 45x2 = 500
z = 50x1 + 45x2 = 1000
ont été représentées à la figure 3.1. On voit qu’il s’agit de droites parallèles se
déplaçant vers la droite lorsque z augmente. Chaque droite représente un lieu
d’isomarge. C’est l’ensemble des couples (x1 , x2 ) donnant le même profit z.
Comme on maximise le profit on a intérêt à prendre la droite d’isovaleur la plus
élevée possible.
Bien sûr, il faut que le plan de production soit encore réalisable : autrement dit,
il faut se restreindre à la région réalisable. On a alors la très important remarque
suivante :
Observation 3.1 Pour maximiser l’objectif, il faut prendre la droite d’isovaleur

de l’objectif qui touche encore la région réalisable et qui donne la plus grande
valeur à l’objectif. Le point de contact est un point optimum.
Ici, il s’agit de la droite qui touche la région réalisable au point P ∗ , intersection

des deux droites : 
 6x1 + 5x2 = 60,
 x1 + 2x2 = 15.
Il s’agit du point
45 30
P ∗ = (x1 , x2 ) = ( , ).
7 7
Observation 3.2 On constate que la solution optimale est à un sommet de la
région réalisable.
La question qui se pose est donc la suivante : est-ce que la solution optimale sera
toujours à un sommet de la région réalisable ? En fait, lorsque la ligne d’iso-marge
est parallèle à un côté du polygone, on a que tout le côté du polygone est optimal.
Observation 3.3 Même si tout un côté du polygone est optimal, on peut toujours
choisir une solution optimale correspondant à un sommet.
En conclusions, on voit qu’il suffit de limiter la recherche de l’optimum d’un

problème linéaire aux seuls sommets de la région réalisable. Le principe de l’al-
gorithme du Simplexe est, partant d’un sommet de la région réalisable, d’aller de
sommet en sommet adjacent jusqu’à détermination de l’optimum.
On peut donc suggérer l’algorithme suivant :
Algorithme 3.1 Algorithme schématique du Simplexe.
i) Choisir comme point de départ un sommet x∗ de la région réalisable.
ii) Déterminer les côtés passant par ce sommet x∗ . Trouver un côté le long
duquel z croı̂t. S’il n’y en n’a pas, STOP : le x∗ courant est optimal.
iii) Déterminer le sommet y ∗ à l’autre bout du côté et poser x∗ = y ∗ .

Retour en ii).
Appliquons cet algorithme à l’exemple.
i) Point de départ : le sommet P0 = (0,0).
ii) Comme z s’accroı̂t le long des deux cotés (x1 , 0) avec x1 > 0 et (0, x2 )
avec x2 > 0, on va choisir la direction le long de laquelle z a le taux
d’augmentation le plus élevé. Comme z = 6x1 + 5x2 , on prend la direction
x1 > 0.
iii) On va jusqu’au bout de l’arête : P1 = (8, 0). Retour au pas ii).
ii) Seul le coté (8, x2 ) avec x2 > 0 accroı̂t l’objectif.
iii) On va jusqu’au bout de l’arête : P2 = (8, 12

5
). Retour au pas ii).
ii) On suit le coté 6x1 + 5x2 = 60 avec x1 < 8.

45 30
iii) On va jusqu’au bout de l’arête : P3 = ,
7 7
. Retour au pas ii).
ii) Aucune direction ne permet d’améliorer z : le point P3 est optimal. Stop.

On a déterminé la solution optimale :
45
x∗1 =
7
30
x∗2 =
7
On peut généraliser cet algorithme au cas de Rn : on obtient alors l’algorithme

du Simplexe. Cet algorithme est mis en œuvre dans de nombreux logiciels tel que
le solveur d’Excel (voir chapitre 4) ou le logiciel d’optimisation GAMS [4].
3.3 Exercices
3.1. Recyclage du papier. Une société privée de tri de déchets et recyclage de

papier peut se fournir en déchets auprès de deux villes. Son rôle consiste à
séparer les listes d’ordinateur et les journaux. La répartition entre ménages
et sociétés est différente d’une ville à l’autre expliquant un pourcentage
différent de listes d’ordinateur et de journaux dans les déchets. Ces pour-
centages ainsi que la quantité maximum de déchets que peuvent fournir par
an ces deux villes sont reprises au tableau suivant :
Ville Listes Journaux Offre

(%) (%) (tonnes par an)
Ville 1 5 20 10.000
Ville 2 15 30 20.000
La société offre aux villes un prix de 35 euros par tonne de déchets. Elle
doit décider du montant optimal de déchets à acheter à chaque ville pour
minimiser son coût d’achat. Pour couvrir ses frais fixes, la société doit au
moins collecter 1.500 tonnes de listing d’ordinateur par an. Au delà de 6.000
tonnes de journaux mis sur le marché par an, le prix que la société reçoit
pour la vente de journaux chute et donc la compagnie ne désire pas vendre
plus que cette quantité. Combien la société doit-elle acheter de déchets par
an à chacune des deux villes ?
(a) Formuler mathématiquement le problème (choix des variables, expres-
sion des contraintes et de l’objectif);
(b) Déterminer graphiquement le plan d’achat optimal et le coût d’achat
minimum.
3.2. Affectation de lignes aériennes. Une compagnie aérienne régionale désire
affecter sa flotte d’avions aux 4 lignes qu’elle exploite (lignes A, B, C et
D). Le nombre de passagers désirant effectuer chaque jour un parcours sur
la ligne A est 100, sur la B de 200, sur la C de 150 et sur la D de 300. La
compagnie dispose de deux types d’avions : 10 petits avions de 40 places et
5 avions moyens de 180 places. Le coût d’exploitation d’un avion dépend de
sa taille et de la ligne à laquelle il est affecté : ils sont donnés au tableau 3.1.
On désire minimiser le coût d’exploitation en satisfaisant la demande.
(a) Formuler mathématiquement le problème de la meilleure affectation
de la flotte de cette compagnie.
(b) Vos variables peuvent-elles prendre toutes les valeurs réelles non né-
gatives ? Si non, précisez la restriction à imposer.
Lignes A B C D
Petits avions 10 17 15 23
Grands avions 90 210 140 250
Tableau 3.1: Coûts d’exploitation.
3.3. Organisation de la distribution d’eau. Une agence pour l’eau est chargé,
dans son district, du captage de l’eau et de la fourniture des agglomérations
situées dans son district. Le captage est possible auprès de 3 sources d’offre
maximum donnée (le captage est limité pour ne pas diminuer trop le niveau
des nappes souterraines). Le tableau 3.2 donne en dernière colonne l’offre
de chaque source. Il y a quatre villes à servir dans ce district. Le problème
est la répartition de l’eau disponible entre ces quatre villes durant la saison
sèche. Chaque ville, a des besoins vitaux en eau qui sont repris en avant
dernière ligne du tableau 3.2. La compagnie de transport d’eau est obligée
de fournir ces quantités au minimum. Chaque ville, a une demande effective,
qui peut être plus élevée (elle est donnée en dernière ligne du tableau 3.2).
Chacune des villes peut être alimentée par n’importe quelle source, sauf la
ville 4 qui ne peut être alimentée à partir de la source 3. Cependant, vu
l’éloignement géographique, le coût unitaire de fourniture dépend à la fois
du lieu de production et du lieu de consommation de l’eau (voir le tableau
3.2 pour les données.) Malgré cette différence de coût, le prix de vente de
l’eau pratiqué dans les quatre villes est le même.
Coût de Destination Offre

fourniture Ville Ville Ville Ville de la
venant de 1 2 3 4 source
Source 1 16 13 22 17 50
Source 2 14 13 19 15 60
Source 3 19 20 23 - 50
Besoin 30 70 0 10
Demande 50 70 30 60
Tableau 3.2: Coût de fourniture

On se demande comment organiser le transport de toute l’eau disponible de
sorte à assurer à toutes les villes, leurs besoins minimaux tout en minimisant
les coûts de transport totaux pour le district
Formuler le problème de transport (choix des variables, expression de l’ob-
jectif et des contraintes).
Chapitre 4
Le solveur d’EXCEL.
4.1 Introduction
Le solveur d’EXCEL est un résolveur d’équation ainsi qu’un optimiseur exploitant

les techniques de la programmation linéaire, de la programmation en nombres
entiers et de la programmation non linéaire.
Illustrons ceci sur un exemple tiré de Hillier et Lieberman [12]. Le problème
s’énonce ainsi : une entreprise de fabrication de chassis envisage la mise en pro-
duction de deux nouveaux modèles, le chassis en aluminium et le chassis en bois,
au moyen des capacités résiduelles de ses trois ateliers : à savoir l’atelier 1, où
sont fabriqués les cadres en aluminium, l’atelier 2, où sont fabriqués les cadres en
bois et l’atelier 3 où le montage du verre sur le chassis est réalisé pour les deux
types de chassis.
Le nombre d’heures nécessaires par produit dans les trois ateliers et le nombre
d’heures encore disponibles par semaine dans ces ateliers sont donnés au ta-
bleau 4.1.
Atelier Chassis Chassis Capacité

aluminium bois disponible
1 1h 0h 4 h/semaine
2 0h 2h 12 h/semaine
3 3h 2h 18 h/semaine
Tableau 4.1: Temps nécessaires et capacités résiduelles
Les marges unitaires sont de 3 $ pour le chassis en aluminium et de 5 $ pour

le chassis en bois
On se pose la question suivante : combien produire de chassis de chaque type
35
36 Chapitre 4. Le solveur d’EXCEL.
par semaine pour maximiser le profit net ?

La formulation de ce problème est particulièrement simple. En posant x1 , le
nombre de chassis en aluminium fabriqués par semaine et x2 , le nombre de chassis
en bois fabriqués par semaine, on obtient la formulation suivante :
max z =
3x1 + 5x2


 x1 ≤ 4



 2x2 ≤ 12

s.c.q.  3x1 + 2x2 ≤ 18




 x1 ≥ 0


x2 ≥ 0
Comme vu au chapitre 3, pour un problème linéaire à deux variables, on peut

déterminer sa solution optimale graphiquement. A la figure 4.1, on a représenté la
région réalisable ainsi que quelques lignes d’isovaleur de la fonction objectif.
x2
10
8
(2, 6)
6
4
z = 36
2
z = 20
0 2 6 8 x1
z = 10
Figure 4.1: Résolution graphique du problème de production de chassis
Le point optimum est déterminé comme étant le sommet de la région réalisable

situé sur la droite d’isovaleur donnant la valeur la plus élevée à l’objectif. Il s’agit
ici du point :
x∗ = (2, 6)
donnant la valeur maximum du profit suivante :
z ∗ = 36.
Section 4.1. Introduction 37
4.1.1 Résolution avec Excel
Nous allons maintenant résoudre le problème de chassis au moyen du solveur

d’Excel. La première chose à faire est de rentrer les données numériques du
problème et les formules de calcul de la fonction objectif ainsi que du membre de
gauche des contraintes. Pour la clarté du modèle, il est indispensable de mettre
également des commentaires. Comme le problème est linéaire, on peut rentrer, les
coefficients numériques sous forme d’une matrice. On remarquera au tableau 4.2
que les coefficients d’une même équation ainsi que sa formule de calcul ont été
A B C D E
1 x1 x2 b
2
3 Profit : 3 5 =B3*$B$2+C3*$C$2
4 Atelier 1 : 1 0 =B4*$B$2+C4*$C$2 4
5 Atelier 2 : 0 2 =B5*$B$2+C5*$C$2 12
6 Atelier 3 : 3 2 =B6*$B$2+C6*$C$2 18
7 x1 positif : 1 0 =B7*$B$2+C7*$C$2 0
8 x2 positif : 0 1 =B8*$B$2+C8*$C$2 0
Tableau 4.2: Exemple de problème linéaire
rangés dans une même ligne qui contient comme commentaire le nom de l’équation
(Atelier 1, Atelier 2, . . . ). De même, les coefficients se rapportant à une même
variable ont été rangé en colonne sous le nom de la variable (x1 , x2 ). Remarquez
ici, pour comprendre les formules, que l’on a choisi de placer la valeur de x1 en
cellule $B$2$ tandis que celle de x2 est placée en cellule $C$2.
Il reste maintenant à indiquer à Excel, où se trouvent les variables, la fonction
objectif, le membre de gauche, de droite et le sens des contraintes. Ceci peut être
mis en œuvre en Excel 5.0 de la manière suivante :
1. Dans le menu “Outils”, choisir le sous-menu “Solveur”.
2. Dans la zone “Cellule à définir”, mettre la référence de la cellule de calcul

de l’objectif (ici $D$3).
3. Dans la zone “Egale à”, choisir Max ou Min (ici Max).
4. Dans la zone “Cellules variables”, mettre les références des cellules conte-
nant les variables (ici $B$2:$C$2) .
5. Dans la zone “Contraintes”, choisir “ajouter une contrainte” et pour chaque

contrainte :
• Dans la zone “Cellule” mettre la référence de la cellule contenant la
formule de calcul du membre de gauche (par exemple, pour l’atelier 1 :
$D$4).
• Dans la zone “Relation” choisir au moyen du menu déroulant le sens
de la contrainte (par exemple, pour l’atelier 1 : <=).
• Dans la zone “Contrainte” mettre la référence de la cellule contenant
le membre de droite (par exemple, pour l’atelier 1 : $E$4) ou entrer
directement une valeur (par exemple, pour les contraintes de positivité :
0).
6. Dans ”Option”, choisir ”Modèle supposé linéaire”.
7. Lancer la commande “Résoudre”.
On obtient alors le modèle illustré par la copie d’écran de la figure 4.2
Figure 4.2: Paramètres du solveur
Plusieurs remarques sur les particularités d’Excel s’imposent ici :
1. Pour modifier le modèle on peut utiliser :

• la commande “supprimer la contrainte”;
• la commande “modifier la contrainte”.
2. Il est important de bien choisir le nom de la contrainte et le nom des variables
pour une présentation claire du rapport (voir à la section suivante comment
Excel détermine le nom des variables et des contraintes).
Section 4.1. Introduction 39
3. La solution est mise dans les cellules variables.
4. Les contraintes de positivité des variables doivent être entrées explicitement,

ceci contrairement à la convention d’autres optimiseurs qui considèrent par
défaut des variables non négatives. Remarquez que l’on peut directement
entrer la contrainte sous la forme suivante :
$B$2:$C$2 >= 0
5. Seules les variables non calculées (les variables indépendantes du modèle)

doivent être rentrées dans la section variables. Ainsi, si l’on avait calculé dans
une cellule le nombre d’heures passées dans l’atelier 1, cette cellule contien-
drait une variable (au sens mathématique du terme) mais ne devrait pas être
rentrée dans les cellules variables pour Excel, sans quoi Excel considérerait
qu’il s’agit d’une variable indépendante et effacerait sa formule de calcul.
6. Si le modèle est linéaire (contraintes linéaires et fonction objectif linéaire),

on a tout intérêt à sélectionner l’option “Modèle supposé linéaire”, ce qui
déclenchera l’algorithme du Simplexe plutôt qu’un algorithme général de
programmation non linéaire.
7. Remarquez enfin que on peut rentrer d’une seule commande tout un groupe
de contraintes ayant le même sens. Ainsi, dans l’exemple, on aurait pu
rentrer les trois contraintes de capacités par la commande suivante :
$D$4:$D$6 <= $E$4:$E$6
La solution du solveur est illustrée au tableau 4.3. On retrouve bien les valeurs
A B C D E
1 x1 x2 b
2 2 6
3 Profit : 3 5 36
4 Atelier 1 : 1 0 2 4
5 Atelier 2 : 0 2 12 12
6 Atelier 3 : 3 2 18 18
Tableau 4.3: Solution du problème linéaire
optimales déterminées graphiquement.

4.2 Les rapports du solveur
Lorsque le solveur a terminé, soit qu’il ait trouvé la solution optimale, soit qu’il
ne parvienne pas à en trouver (problème non réalisable ou non convergence de
l’algorithme de résolution), la boı̂te de dialogue illustrée à la figure 4.3 apparaı̂t.
Figure 4.3: Rapports possibles du solveur
Elle laisse le choix entre garder dans les cellules variables la solution obte-
nue par le solveur soit rétablir la solution initiale (généralement zéro partout).
Cette boı̂te permet également de générer trois types de rapport : le rapport des
réponses, le rapport de sensibilité et le rapport des limites.
4.2.1 Le rapport des réponses
Le rapport des réponses (voir figure 4.4) fournit :
• la référence de la cellule, le nom, la valeur originale et finale de la “cellule

cible (à Maximiser)”;
• la référence de la cellule, le nom, la valeur originale et finale des “cellules

variables”;
• les informations sur les contraintes : la référence de la cellule, le nom, la

valeur finale du membre de gauche, la formule de calcul, son status (active
ou non à la solution finale), ainsi que la marge (valeur de l’écart entre les
deux membres de l’inégalité).
Remarquez que pour déterminer le nom, Excel fait, dans chaque cas, la conca-
ténation du premier commentaire rencontré dans la même ligne que la cellule et
du premier commentaire rencontré dans la même colonne que la cellule. Ceci
est particulièrement utile si l’on a des variables à deux indices comme dans un
problème de transport. En effet, les variables seront stockées dans un tableau où les
Section 4.2. Les rapports du solveur 41
Figure 4.4: Rapports des réponses
lignes correspondront, par exemple, aux origines et les colonnes, aux destinations.
Il suffira de mettre “de i” à gauche de la ligne et “vers j” en haut de la colonne pour
que le nom de la variable à l’intersection de la ligne et la colonne se voit attribuer
le nom “de i vers j” par le rapport d’Excel (voir exercice 4.2 ci-dessous). On peut
tester ceci en mettant en A2 ”Production de chassis”, en B1, ”en aluminium” et en
C1 ”en bois”.
4.2.2 Le rapport de sensibilité
Le rapport de sensibilité (voir figure 4.5) fournit :
• les informations sur les variables : la référence de la cellule, le nom et la

valeur finale de la variable, le coût réduit, le coefficient dans la fonction
objectif, l’accroissement et la diminution maximale de ce coefficient avant
qu’une variable ne change de valeur. Le coût réduit mesure l’accroissement
de l’objectif par unité d’accroissement de la variable. Pour un produit non
fabriqué, le coût réduit s’interprète donc comme la perte de profit si on
fabrique un unité du produit. C’est donc le montant par lequel il faut réduire
son coût de production pour que le produit devienne intéressant.
• les informations sur les contraintes : la référence de la cellule, le nom et la

valeur finale de la contrainte, le coût dual, la valeur du membre de droite,
l’augmentation et la diminution maximum de ce membre de droite telle que
la base optimale reste la même. Le coût dual mesure l’accroissement de
Figure 4.5: Rapport de sensibilité
l’objectif par unité d’accroissement du membre de droite de la contrainte.

Ce coût dual s’interprète donc comme l’augmentation de profit si on dispose
d’une heure supplémentaire dans l’atelier. C’est donc le prix maximum que
l’on est prêt à payer pour cette heure.
4.2.3 Le rapport des limites
le rapport des limites (voir figure 4.6) fournit pour chaque variable :
Figure 4.6: Rapport des limites
• sa limite inférieure, c’est-à-dire la plus petite valeur de la variable qui satisfait

les contraintes en maintenant les autres variables fixées à leur valeur;
• la limite supérieure, c’est-à-dire plus grande valeur de la variable qui satisfait

les contraintes en maintenant les autres variables fixées à leur valeur.
4.3 Exercices
4.1. Valorisation des déchets. Résoudre au moyen du Solveur d’Excel l’exercice

3.1 du chapitre 3.
4.2. Problème de livraison de marchandises. Une firme possède trois usines

situées à Anvers, Liège et Mons de capacités mensuelles de production de
25, 15 et 15 respectivement. Le directeur des ventes de cette firme sait,
au vu de ses fiches de commandes, que, pour la fin du moins, il doit livrer
20, 12, 9 et 14 unités du produit à quatre clients qui habitent Bruxelles,
Charleroi, Namur et Ostende, respectivement. Les coûts de transport d’une
unité de produit entre les usines et les villes sont donnés au tableau 4.4.
Comment ce directeur doit-il organiser le transport entre ses usines et clients
Coût de transport Anvers Liège Mons

Bruxelles 100 120 70
Charleroi 150 170 30
Namur 180 80 90
Ostende 90 210 140
Tableau 4.4: Coûts unitaires de transport.
pour en minimiser les frais, tout en satisfaisant les commandes ? Les coûts
de production sont identiques dans les trois usines et n’entrent donc pas en
considération.
(a) Formuler mathématiquement le problème.

(b) Résoudre au moyen du solveur d’Excel.
4.3. Transport de pondéreux. L’entreprise Bâtiment Travaux Publics Nantes

Atlantique a 3 chantiers en cours : C1, C2, C3. Elle possède 2 unités de
production de béton, B1 et B2, et 2 carrières, G1 et G2, où sont produits
les gravillons qui entrent dans la fabrication du béton. Si la production
interne ne suffit pas, il est possible de faire appel à la sous-traitance pour la
production de gravillons (unité G3) et/ou pour la production de béton (unité
B3). Dans la mesure du possible, on évite d’utiliser la sous-traitance. Il
faut 1/2 tonne de gravillons pour 1 tonne de béton. Les quantités de béton à
fournir dans la période aux chantiers C1, C2 et C3 sont respectivement 100,
200 et 130 tonnes. Les capacités de production en gravillons des unités G1
et G2 sont respectivement 75 et 60 tonnes pendant la période. La carrière
du sous-traitant G3 peut fournir 100 tonnes au maximum. Les capacités de
production en béton des unités B1 et B2 sont respectivement de 60 et 120
tonnes. Le sous-traitant B3 a une capacité de 600 tonnes pendant la même

période. Les coûts de transport unitaire (en EURO/tonne) des gravillons
EURO/tonne vers B1 vers B2 vers B3

de G1 100 80 85
de G2 60 70 65
de G3 120 180 140
Tableau 4.5: Coûts de transport des gravillons
sont donnés à la table 4.5 tandis que les coûts de transport unitaire (en
EURO/tonne) des bétons sont donnés à la table 4.6. On veut déterminer
EURO/tonne vers C1 vers C2 vers C3

de B1 40 50 60
de B2 25 30 30
de B3 40 45 60
Tableau 4.6: Coûts de transport des bétons
comment satisfaire les commandes acceptées à coût de transport minimum

tout en n’ayant recours à la sous-traitance que pour les capacités manquantes
de façon interne.
(a) Formuler mathématiquement le problème.

(b) Le résoudre au moyen du solveur d’Excel.
Indication : pour éviter de recourir à la sous-traitance au delà du strict

nécessaire, pensez à réduire la capacité de B3 et C3.
Chapitre 5
Résolution des modèles non linéaires.
5.1 Introduction
Dans ce chapitre, nous présenterons la méthode de Franck-Wolfe qui est parti-

culièrement bien adaptée pour résoudre le problème de l’affectation du trafic (voir
chapitre 7).
Un problème de programmation mathématique est dit linéaire s’il s’agit de la
maximisation (ou de la minimisation) d’une fonction linéaire sous des contraintes
purement linéaires. Un modèle est dit non linéaire si l’objectif ou au moins une
contrainte est non linéaire.
Nous allons souligner par quelques exemples les différences avec la program-
mation linéaire.
5.2 Différence avec la programmation linéaire
Tout d’abord, contrairement à la programmation linéaire, on peut avoir une solution

optimale qui n’est pas située en un point extrême de la région réalisable.
Reprenons l’exemple de la section 3.1 et considérons que la marge par voiture est
fonction de la quantité de voitures construites. Comme le prix de vente est donné,
on va minimiser le coût de production. Si x1 représente le nombre de centaines
de voitures du premier type produites par semaine, le coût de production est de
(8 − x1 ) par centaine de voitures. Pour le second type de voiture, le coût moyen de
production est de (16 − x2 ) par centaine de voitures. Autrement dit, le coût total
de production est de
z = (8 − x1 )x1 + (16 − x2 )x2

= [16+]8x1 − x21 + (64+)16x2 − x22 + [−16] + [−64]
= (4 − x1 )2 + (8 − x2 )2 − 16 − 64
45
46 Chapitre 5. Résolution des modèles non linéaires.
Le problème non linéaire se formule alors comme suit :
min z = (4 − x1 )2 + (8 − x2 )2 − 80

 6x1 + 5x2 ≤ 60




 x + 2x ≤ 15 (5.1)
1 2
s.c.q. 



x1 ≤ 8


x1 , x2 ≥ 0
A la figure 5.1, on a représenté des courbes d’isovaleurs de la fonction objectif.

Il s’agit, dans le cas présent, de cercles concentriques autour du point (4,8). On a
x2
8
P∗
4 8 x1
Figure 5.1: Programme non linéaire.
intérêt à se situer sur la courbe (et non plus la droite) d’isovaleur de l’objectif la
moins élevée qui touche encore la région réalisable. On constate que la solution
optimale, P ∗ , est située au milieu d’une arête et non plus à un sommet du
polyèdre. Ceci rend évidemment l’algorithme proposé au chapitre 3 caduque pour
résoudre des problèmes non linéaires.
Mais la solution ne doit même pas être située sur la frontière de la région.
Ainsi, on peut avoir une solution optimale strictement intérieure à la région
réalisable. Ceci peut être illustré par le même exemple où le centre des cercles
concentriques serait un point strictement intérieur à la région réalisable.
Mais la principale difficulté de la programmation non linéaire est que l’on
peut avoir des optimaux locaux qui ne sont pas globaux. Un optimum local
est un point qui optimise l’objectif dans un voisinage de la solution tandis qu’un
optimum global optimise l’objectif sur toute la région réalisable. Illustrons ceci
Section 5.3. Les problèmes convexes 47
sur l’exemple suivant tiré de Hillier et Lieberman [12] :
max z = 3x1 + 5x2



 x1 ≤ 4


s.c.q. 
8x1 − x21 + 14x2 − x22 ≤ 49


 x1 , x2 ≥ 0
Pour pouvoir tracer sa représentation graphique, remarquons que la deuxième
contrainte peut se récrire (après complétion des carrés) :
(x1 − 4)2 + (x2 − 7)2 ≥ 16
Ce qui correspond au plan moins un cercle centré en (4,7) de rayon 4. La
représentation graphique est donnée à la figure 5.2 où l’on peut voir que (4,3)
est un maximum local non global. Le maximum global est situé en (0, 7).
x2
(0, 7)
z = 3x 1 + 5x 2 = 35
6
4 (4, 3)
z = 3x 1 + 5x 2 = 27
2
2 4 x1
Figure 5.2: Minimum local
C’est là une des plus grandes difficultés des problèmes non linéaires : on
peut avoir des optimaux locaux qui ne sont pas globaux.
Cependant, il existe une classe de problèmes pour lesquels ce problème ne
se produit pas dans le sens que tous les optimums locaux sont des optimum
globaux. Il s’agit des problèmes convexes. Nous allons définir cette notion à la
section suivante.
5.3 Les problèmes convexes
Définition 5.1 L’ensemble S ⊂ Rn est convexe, si et seulement si que soient

les points P et Q pris dans l’ensemble, tout le segment [P, Q] est contenu dans
l’ensemble.
Ceci est illustré à la figure 5.3. Ces ensembles n’ont pas de partie rentrante à la
différence des ensembles non convexes illustrés à la figure 5.4.
Q P
P
Q
Figure 5.3: Ensembles convexes.
Q
Q
P
Figure 5.4: Ensembles non convexes.
Définition 5.2 Une fonction f est convexe si l’ensemble de Rn+1 des points situés
au dessus du graphe
Epif ≡ {(x, y)|y ≥ f (x)}
est un ensemble convexe.
Ceci est illustré à la figure 5.5 pour l’exemple de la fonction x2 . La définition

de fonction convexe se ramène donc à celle d’ensemble convexe moyennant la
définition de l’épigraphe de la fonction, c’est-à-dire de l’ensemble de Rn+1 des
points dont la dernière composante est partout supérieure à la valeur de la fonction.
Définition 5.3 Une fonction f est concave si la fonction −f est convexe.
Un exemple de fonction concave est illustrée à la figure 5.6.

Maintenant que nous avons défini les notions d’ensemble et de fonction conve-
xes, nous pouvons définir la notion de problème convexe :
Définition 5.4 Un programme mathématique est dit convexe s’il s’agit de la mi-
nimisation d’une fonction convexe sur une région réalisable convexe, soit de la
maximisation d’une fonction concave sur une région réalisable convexe.
Avant de présenter l’algorithme de résolution, nous allons écrire les très impor-
tantes conditions d’optimalité vérifiées à l’optimum d’un problème non linéaire.
Section 5.4. Conditions de Kuhn et Tucker 49
f (x)
Figure 5.5: Exemple de fonction convexe

y
f (x)
Figure 5.6: Exemple de fonction concave
5.4 Conditions de Kuhn et Tucker
Nous considérons le problème de minimisation sous contraintes suivant :
min f (x)

 hi (x) = 0, i = 1, 2, . . .m (5.2)
s.c.q.
 gk (x) ≤ 0, k = 1, 2, p
où f (x), hi (x), i = 1, 2, . . .m et gk (x), k = 1, 2, . . .p sont des fonctions de Rn

dans R.
Une notion importante en programmation non linéaire est celle de contraintes
actives :
Définition 5.5 Une inégalité gk (x) ≤ 0 est active en x si gk (x) = 0.
Il découle immédiatement de cette définition que hi (x) = 0 sont actives pour tout i.
Par exemple, à la figure 5.7, seule g2 est active en x∗ . Le concept de contrainte active
est important car, tout comme en programmation linéaire, seules les contraintes
x∗
g2 (x) = 0
g1 (x) = 0
région
réalisable
g3 (x) = 0
Figure 5.7: Concept de contraintes actives
actives à l’optimum importent pour le problème. On pourrait résoudre le problème

sans les autres et obtenir la même solution : ce sont uniquement les contraintes
actives qui déterminent la solution optimale.
Pour écrire les conditions d’optimalité, on a besoin qu’une condition de régu-
larité soit satisfaite.
Définition 5.6 Définition de point régulier des contraintes. Soit x∗ satisfaisant

les contraintes :
h(x∗ ) = 0, g(x∗ ) ≤ 0 (5.3)
Alors x∗ est dit régulier pour les contraintes (5.3) si les gradients des contraintes
actives sont linéairement indépendants.
Rappelons la notion de gradient pour une fonction de Rn dans R.
Définition 5.7 Le gradient d’une fonction de Rn dans R est le vecteur constitué

des dérivées partielles de la fonction par rapport à chaque variable :

∂f ∂f ∂f
∇f (x) = , , ...,
∂x1 ∂x2 ∂xn
La dérivée partielle de f par rapport à xj est obtenue en dérivant f en considérant

les autres variables comme des constantes. Illustrons ceci sur l’exemple suivant :
f (x) = 2x21 + 2x1 x2 + x22 − 10x1 − 10x2
Le gradient se calcule composante par composante comme :
∂f
= 4x1 + 2x2 − 10
∂x1
∂f
= 2x1 + 2x2 − 10
∂x2
Section 5.4. Conditions de Kuhn et Tucker 51
D’où :
∇f (x) = (4x1 + 2x2 − 10, 2x1 + 2x2 − 10)
On peut alors écrire les très importantes conditions nécessaires suivantes :
Théorème 5.1 Conditions de Kuhn-Tucker. Soit x∗ un minimum local pour le

problème
min f (x)
(5.4)
s.c.q. h(x) = 0, g(x) ≤ 0
et supposons x∗ régulier pour les contraintes. Alors il existe des multiplicateurs
λ ∈ Rm et µ ∈ Rp avec µ ≥ 0 tels que

m
p
∗ ∗
∇f (x ) + λi ∇hi (x ) + µk ∇gk (x∗ ) = 0 (5.5)
i=1 k=1
µk gk (x∗ ) = 0, ∀k = 1, . . .p (5.6)
Les conditions (5.6) sont les conditions de complémentarité disant que si une
contrainte n’est pas active, son multiplicateur µk doit être nul. Pour bien com-
prendre la signification pratique des conditions (5.5), nous allons les récrire au
moyen de la fonction de Lagrange. La fonction de Lagrange est obtenue en mul-
tipliant le membre de gauche de chaque contrainte d’égalité par un multiplicateur
λi , le membre de gauche de chaque contrainte d’inégalité par son multiplicateur
µk et en additionnant le tout à la fonction objectif :

m
p
L(x, λ, µ) = f (x) + λi hi (x) + µk gk (x)
i=1 k=1
Remarquez que ce faisant, on passe d’un problème d’optimisation sous contraintes

à un problème d’optimisation sans contrainte. Les conditions d’optimalité pour
une fonction définie sur Rn sont simplement l’annulation de son gradient. On
remarque que précisément les conditions de Kuhn et Tucker (5.5) ne sont rien
d’autre que l’annulation du gradient par rapport à x du gradient du Lagrangien :
∇x L(x∗ , λ, µ) = 0.
Tandis que les contraintes (5.5) peuvent s’interpréter en disant que
L(x∗ ) = f (x∗ )
Illustrons ceci sur l’exemple suivant :
= 2x21 + 2x1 x2 + x22 − 10x1 − 10x2
min f (x)
x21 + x22 ≤ 5
s.c.q.
3x1 + x2 ≤ 6
Ecrivons le Lagrangien :
L(x) = 2x21 + 2x1 x2 + x22 − 10x1 − 10x2

+µ1 (x21 + x22 − 5) + µ2 (3x1 + x2 − 6).
Les conditions de Kuhn et Tucker s’écrivent ici simplement :
4x1 + 2x2 − 10 + 2µ1 x1 + 3µ2 = 0

2x1 + 2x2 − 10 + 2µ1 x2 + µ2 = 0
µ1 (x21 + x22 − 5) = 0
µ2 (3x1 + x2 − 6) = 0
µ1 ≥ 0
µ2 ≥ 0
Terminons par la remarque suivante. Si le problème est un problème convexe,

les conditions nécessaires sont aussi suffisantes pour montrer que l’on est à
l’optimum.
5.5 La méthode de Frank-Wolfe
L’idée de la méthode est la suivante. Il s’agit d’un algorithme d’approxima-

tions linéaires successives. Appliquons cette idée au problème suivant dont les
contraintes sont purement linéaires :
max f(x)
Ax ≤ b
s.c.q.
x ≥ 0
En effet, c’est le type de problème que nous allons rencontrer pour la résolution
du problème d’affectation du trafic.
Une itération de la méthode comporte les étapes suivantes :
a) Calcul de la direction. On calcule la direction de recherche en résolvant un

problème linéaire obtenu en remplaçant la fonction objectif par son approxi-
mation linéaire (pas 1 et 2 ci-dessous).
b) Calcul du pas. On calcule le pas à faire dans la direction en minimisant la

fonction f (x) le long de la direction déterminée en a) (pas 3 et 4 ci-dessous).
Section 5.5. La méthode de Frank-Wolfe 53
Algorithme 5.1 Algorithme de Franck-Wolfe.
1. Comme seul l’objectif est non linéaire, on va remplacer f (x) par son ap-
proximation de Taylor limitée à l’ordre 1 :

n
∂f (xk )
f (x) ∼ f (xk ) + ∇f (xk )(x − xk ) = f (xk ) + (xj − xkj )
j=1 ∂x j
En éliminant les constantes, cela revient à minimiser la fonction linéaire :

n
∂f (xk ) n
g(x) = xj = cj xj
j=1 ∂xj j=1
2. On peut donc résoudre le problème linéaire :

n
max g(x) = j=1 cj xj


 Ax ≤ b
s.c.q. 
 x ≥ 0
par l’algorithme du Simplexe. Soit xLP sa solution optimale.
3. Comme, plus on s’éloigne du point de départ xk , plus l’approximation
linéaire g(x) s’éloigne de la fonction f (x), on a probablement été trop loin
en allant jusqu’au point xLP . Cependant, en se dirigeant dans la direction
de xLP , au début du mois, on pourra réduire f (x). On va déterminer le pas
dans la direction :
xk+1 = xk + αk (xLP − xk ).
avec αk ∈ [0, 1] qui minimise cette fois la vraie fonction :
h(α) = f (xk + α(xLP − xk )).
On obtient un problème de minimisation unidimensionnelle.
4. Critère d’arrêt : si xk+1 et xk sont suffisamment proches, stop.
Voyons son application sur l’exemple suivant :

max f (x) = 5x1 − x21 + 8x2 − 2x22


 3x1 + 2x2 ≤ 6


s.c.q. 
x1 ≥ 0


 x2 ≥ 0
Nous partons du point initial x0 = (0, 0).
Itération 1 :
1. Evaluation du gradient en x0 = (0, 0) :

∂f
= 5 − 2(0) = 5
∂x1
∂f
= 8 − 4(0) = 8
∂x2
2. Résoudre le problème linéaire :
max z = 5 x1 + 8 x2

 3x1 + 2x2 ≤ 6


s.c.q.  x1 ≥ 0


x2 ≥ 0
Ceci est fait à la figure 5.8. La solution optimale est x1LP = (0, 3).
x2
P1
3
z = 5x 1 + 8x 2
P2
P0
1 2 x1
Figure 5.8: Méthode de Franck-Wolfe : itération 1
3. Recherche unidimensionnelle :
x1 = x0 + α(xLP − x0 )

x1 0 0−0 0
= +α =
x2 0 3−0 3α
On obtient donc le problème de minimisation unidimensionnelle :
max h(α) = 24α − 18α2
dont le maximum est obtenu en annulant la dérivée : α = 2/3. D’où
x1 = (0, 0) + 2/3 [(0, 3) − (0, 0)] = (0, 2)

Section 5.5. La méthode de Frank-Wolfe 55
Itération 2 :
1. Evaluation du gradient en x1 = (0, 2) :

∂f
= 5 − 2(0) = 5
∂x1
∂f
= 8 − 4(2) = 0
∂x2
2. Résoudre le problème linéaire :
max z = 5 x1 + 0 x2

 3x1 + 2x2 ≤ 6


s.c.q.  x1 ≥ 0


x2 ≥ 0
Ceci est fait à la figure 5.9. La solution optimale est x2LP = (2, 0).
x2
P1
3
z = 5x 1
2
P2
P0
1 2 x1
Figure 5.9: Méthode de Franck-Wolfe : itération 2.
3. Recherche unidimensionnelle :
x2 = x1 + α(xLP − x1 )

x1 0 2−0 2α
= +α =
x2 2 0−2 2 − 2α
On obtient donc le problème de minimisation unidimensionnelle :
max h(α) = 8 + 10α − 12α2
qui est maximum pour α = 5/12 d’où :
x2 = (0, 2) + 5/12 [(2, 0) − (0, 2)] = (5/6, 7/6)
5.6 Exercices
5.1. Conditions de Kuhn et Tucker. On vous donne le problème de la maxi-

misation de la fonction 14x − x2 + 6y − y 2 + 7 sous les contraintes que
x + y ≤ 2 et x + 2y ≤ 3.
(a) Ecrire les conditions nécessaires d’optimalité de Kuhn et Tucker pour

ce problème.
(b) Résoudre graphiquement en traçant les courbes d’iso-valeurs de la fonc-
tion objectif et la région réalisable. Pour cela, compléter les carrés pour
la fonction objectif.
(c) Vérifier si la solution déterminée graphiquement satisfait les conditions
de Kuhn et Tucker.
(d) Indiquez quelles sont les contraintes actives à l’optimum.
5.2. Méthode de Franck-Wolfe. Faire une troisième itération de la méthode de

Franck-Wolfe pour le problème considéré à la section 5.5.
Partie II
Modèles d’affectation du trafic
57
Chapitre 6
Modélisation du transport urbain.
6.1 Introduction
Comme souligné par Sheffi [24], le flux de véhicules présents à un moment donné
sur un axe dans une zone urbaine dépend de beaucoup de décisions individuelles.
Les usagers du réseau doivent décider s’ils se déplacent ou non, à quelle heure
ils partent, quel mode de transport ils utilisent (voiture particulière ou transport
public) et enfin leur itinéraire pour gagner leur destination.
D’une part, ces décisions dépendent, en partie tout au moins, du niveau de
congestion du réseau et de la localisation des points de congestion. D’autre part, la
congestion en tout point du réseau est fonction du nombre de véhicules présents en
ce point et donc des décisions individuelles des usagers du réseau. Nous allons voir
dans ce chapitre comment modéliser ces interactions entre congestion et décisions
de déplacement pour obtenir les flux de véhicules résultants sur chacun des axes
du réseau de transport urbain.
L’utilité de ce genre de modèle de simulation du trafic est de pouvoir prédire
l’impact de différents scénarios de transport. En effet, une fois calculés les flux
de véhicules sur chacun des axes du réseau de transport urbain, on peut en déduire
une série de mesures résultantes telles que, par exemple : la congestion mesurée
par le temps d’accès moyen à chaque zone, la pollution de l’air par émission de
gaz de combustion ou le niveau du bruit.
Dans cette deuxième partie du cours, nous allons nous concentrer sur la pre-
mière phase du travail, à savoir la détermination du flot sur le réseau. Afin de
déterminer ces flux pour chacun des axes du réseau, on partira de la remarque
suivante : la congestion s’accroı̂t avec le flux de véhicules sur l’arc, mais, d’autre
part, la congestion fait dévier les véhicules des axes encombrés. Les flux résulteront
donc d’un équilibre entre ces deux mouvements en sens opposé.
59
60 Chapitre 6. Modélisation du transport urbain.
6.2 La notion d’équilibre
Pour illustrer la manière dont un point d’équilibre est atteint sur un réseau de
transport, utilisons l’exemple d’un grand axe de pénétration urbain à deux voies
dans chaque sens qui est systématiquement congestionné à l’heure de pointe.
Les autorités responsables de l’infrastructure estiment que le flux actuel pourrait
être fluidifié moyennant une troisième voie dans chaque sens. On construit cette
troisième voie et que constate-t-on au bout de quelques jours ? Le flux total
sur l’axe a augmenté car des usagers qui se déroutaient sur les voies latérales
voyant l’amélioration sur l’axe principal vont rejoindre cet axe principal. Ceci
va décongestionner à son tour les voies latérales qui vont voir arriver un nouveau
trafic. L’équilibre sera atteint lorsqu’aucun usager n’aura plus intérêt à changer
d’itinéraire pour diminuer son temps de trajet.
La notion d’équilibre entre offre et demande sur un marché est bien connue
en économie. Pour rappel, le comportement des producteurs sur un marché est
caractérisé par une fonction d’offre qui exprime le montant de bien produit en
fonction du prix (plus le prix est élevé, plus la production est importante). Le
comportement des consommateurs est caractérisé par la fonction de demande qui
exprime la quantité totale demandée en fonction du prix (plus le prix est élevé,
plus la demande est faible).
Q Quantité
Fonction d’offre
Fonction
Q∗
de demande
Prix
p2 p∗ p1 p
Figure 6.1: Point d’équilibre du marché.
A la figure 6.1, des fonctions d’offre et de demande sont illustrées. Le point

d’intersection des courbes (p∗ , Q∗ ) définit le point d’équilibre du marché. A un
prix p1 plus élevé, la production sera plus élevée que la consommation et les
producteurs se retrouveront avec des invendus. A un prix p2 plus faible que le prix
Section 6.2. La notion d’équilibre 61
d’équilibre, la demande est plus forte que l’offre et les consommateurs sont prêts
à payer plus pour obtenir le produit. Les producteurs auront tendance à augmenter
le prix. D’où une diminution de la demande.
Prenons un second exemple qui est plus proche de la notion d’équilibre que
nous allons considérer ici. C’est celui du nombre de clients qui se présentent à une
station service d’autoroute. Bien sûr, si le prix est compétitif, le nombre de clients
qui vont s’y présenter va augmenter mais à partir d’un certain moment des files
vont se former et décourager les nouveaux arrivants car le délai d’attente pour être
servi va fortement augmenter.
Pour un prix de l’essence fixé, la situation peut être caractérisée par deux
fonctions. La première donne le taux d’arrivée de nouveaux clients (exprimé en
véhicules par minute) en fonction du délai d’attente (décroissante). La seconde
donne le temps d’attente en fonction du nombre d’arrivée (croissante). La première
est analogue à une fonction de demande : elle donne le nombre de clients qui
se présentent en fonction du délai. La seconde n’est pas une fonction d’offre.
Elle traduit un phénomène physique de file d’attente. C’est une mesure de la
performance du système à accepter de nouveaux clients. Aussi appelle-t-on cette
fonction une fonction de performance.
t délai
performance
t2
t∗
t1 demande
t2
taux d’arrivée
x2 x1 x∗ x1 x
Figure 6.2: Relation entre le délai et la demande.
Le point d’équilibre est obtenu à l’intersection des deux courbes lorsque le taux
d’arrivée est tel que le taux d’arrivée des nouveaux clients correspond exactement
à celui que peut absorber le système (t∗ , x∗ ). Pour un délai t1 plus court, le taux
d’arrivée (x1 ) sera plus élevé que ce que peut supporter le système (x1 ) et les files
vont s’allonger. Pour un temps t2 plus élevé, le nombre d’arrivée x2 sera faible et le
délai d’attente va chuter en t2 , suscitant ainsi l’arrivée de clients supplémentaires.
6.3 Représentation du réseau
Le réseau physique (les rues, les croisement) va être représenté par un graphe tel
celui de la figure 6.3 qui représente un réseau de 5 nœuds connectés par 10 arcs.
Remarquez qu’en matière de circulation routière on travaille uniquement avec des
arcs orientés. Ainsi l’arc 2 représente le flux de 1 à 3 et l’arc 3 le flux de 3 vers 1.
1
2
5
1 2
6
3
3 8 10
4
7
5
9
4
Figure 6.3: Un réseau d’arcs orientés.
Pour terminer la représentation du réseau, il faut définir les fonctions de per-

formance des arcs. En trafic urbain, ce qui est déterminant pour le choix d’un
itinéraire c’est le temps de parcours, plutôt que la distance. Ainsi, généralement,
c’est ce critère de mesure de la performance d’un arc qui est retenu.
temps de traversée
de l’arc (min)
temps à vide
flux (véhicule/heure)
capacité
Figure 6.4: Fonction de performance.
Comme nous l’avons déjà vu, le temps de traversée d’un arc dépend du flux
traversant cet arc : plus l’arc est chargé, plus le temps de traversée augmente. La
Section 6.4. La définition d’équilibre 63
fonction de performance donne la relation entre le temps de traversée de l’arc

et le flux qui le traverse. Elle a typiquement la forme illustrée à figure 6.4. Elle
est croissante depuis le temps de traversée à vide jusqu’à une asymptote verticale
correspondant à la capacité de l’arc. Si la forme générale est toujours la même,
ses paramètres dépendent des caractéristiques physiques de la voirie (longueur,
largeur, présence de feu de croisement, etc,. . . )
6.4 La définition d’équilibre
La distribution des utilisateurs sur le réseau urbain peut être modélisée grâce à la
notion d’équilibre. On veut déterminer comment les voitures se répartissent sur
le réseau. On déterminera ainsi le flux (et, en conséquence, le temps de traversée)
sur chaque arc du réseau. Ce problème est connu sous le nom de problème
d’affectation du trafic.
Il faut encore spécifier la règle en fonction de laquelle les conducteurs vont
choisir leur itinéraire. Il semble raisonnable de penser que, en ville, chaque utili-
sateur du réseau choisit sa route de façon à minimiser son temps de trajet total.
Le temps de trajet d’un automobiliste est la somme des temps de traversée des
arcs de son itinéraire. Le temps de traversée de chaque arc dépendant du nombre
d’usagers qui le traversent au même moment.
Définition 6.1 Une condition d’équilibre est qu’aucun usager ne puisse améliorer
son temps de trajet en changeant unilatéralement de route. Cette caractérisation
est connue sous le nom d’équilibre de l’utilisateur.
Deux remarques sur cette définition :
1. Cette définition suppose que les usagers sont parfaitement informés de l’état
de congestion du réseau et connaissent les déviations.
2. Cette définition est statique, c’est-à-dire pour une demande donnée. Hors la
demande évolue dans la journée. Aussi, généralement, le genre de modèle
est calculé pour l’heure de pointe du matin.
Voyons maintenant un exemple très simple d’équilibre de l’utilisateur. Con-

sidérons le réseau constitué de deux arcs entre la même paire origine destination
représentée à la figure 6.5.
Soit t1 et t2 respectivement les temps de traversée des arcs 1 et 2 et x1 et x2 les
flux sur ces arcs. Le flot total entre l’origine et la destination est noté q :
q = x 1 + x2 .
arc 1
O D
arc 2
Figure 6.5: Exemple d’équilibre de l’utilisateur.
Les fonctions de performance d’arc t1 (x1 ) et t2 (x2 ) sont représentées à la figure

6.6.
t
t2 (x2 ) t1 (x1 )
q x
Figure 6.6: Fonctions de performances des arcs 1 et 2.
Si le flot total entre O et D est faible, en tout cas inférieur à q (voir figure
6.6), tous les usagers vont choisir l’arc 1 car son temps de traversée est inférieur
au temps à vide de l’arc 2. Il s’agit d’un équilibre puisqu’aucun usager n’a intérêt
à aller sur l’arc 2. Pour un flot total q > q , les deux arcs vont être utilisés chacun
à un niveau qui va égaliser leur temps de traversée, c’est-à-dire que :
t1 (x1 ) = t2 (q − x1 ),
sans quoi, certains auront avantage à changer de chemin.
6.5 Formulation du problème d’équilibre de l’utilisateur
Une situation d’équilibre est atteinte lorsqu’aucun utilisateur ne peut diminuer

son temps de trajet en changeant unilatéralement de route. Cette condition est
appelée condition d’équilibre de l’utilisateur. Une formulation mathématique
plus précise de l’équilibre de l’utilisateur peut s’énoncer de la manière suivante :
Section 6.5. Formulation du problème d’équilibre de l’utilisateur 65
Définition 6.2 Au point d’équilibre, pour chaque paire origine-destination,
• les temps de trajet de tous les chemins utilisés sont égaux,

• ces temps de trajet sont inférieurs au temps de trajet qui serait expérimenté
par un véhicule unique sur un chemin non utilisé pour cette paire.
Nous allons maintenant voir comment on peut formuler le problème de l’é-

quilibre de l’utilisateur comme un problème d’optimisation. Nous verrons au
chapitre 7 comment on peut résoudre ce problème d’optimisation par application
de l’algorithme de Franck-Wolfe vu au chapitre 5.
Le réseau sera représenté par un graphe noté G = (N , A) où N est un ensemble
de nœuds numérotés consécutivement et A est un ensemble d’arcs également
numérotés consécutivement. Notons O l’ensemble des nœuds origine et D l’en-
semble des nœuds de destination. Il est clair que ces deux ensembles ne doivent
pas être disjoints : un nœud peut à la fois être lieu de départ et d’arrivée.
La matrice origine destination est noté q, autrement dit qod est le taux de voyage
entre l’origine o et la destination d exprimé en véhicules par unité de temps (souvent
l’heure). Soit xa et ta respectivement le flux et le temps de traversée de l’arc a.
La fonction de performance de l’arc a donnant le temps de traversée de l’arc en
fonction du flux est notée :
ta = ta (xa )
On notera par p un chemin dans le graphe. Un chemin est constitué d’arcs
consécutifs. Aussi, le coût de parcours (ici réduit au temps de parcours) d’un
chemin quelconque p entre l’origine o et la destination d est la somme des temps
de parcours des arcs successifs du chemin entre o et d :

cp = ta δa,p (6.1)
a
où cp note le coût total du parcours p et δa,p = 1 si l’arc a appartient au chemin p,

et vaut zéro dans le cas contraire.
Un flux sur un arc a, soit xa , sera décomposé en la somme des flux le long des
différents chemins p qui passent par cet arc :

xa = fp δa,p ∀a ∈ A (6.2)
p
où fp note le flux le long du chemin p.

Enfin, la demande total entre o et d, soit qod , est répartie entre les chemins p
liant o à d :

fp δp,od = qod ∀od (6.3)
p

où δp,od est une matrice d’incidence chemins-paires indiquant à quelle paire od un
chemin p appartient. Elle est définie comme suit :

1 si p ∈ od
δp,od =
0 sinon.
Pour illustrer les choses, considérons le réseau de la figure 6.7 qui comprend
deux paires origines-destinations : 14 et 24 respectivement.
arc 3
1 arc 1
3 4
arc 4
arc 2
2
Figure 6.7: Un réseau avec deux paires origines-destinations.
Pour la paire origine-destination 14, il y a deux chemins possibles :
p = 1 : (arc 1, arc 3) et p = 2 : (arc 1, arc 4)
auxquels correspondent les temps de parcours totaux suivants :
c1 = t1 + t3 et c2 = t1 + t4
Pour la paire origine-destination 24, il y a deux chemins possibles :
p = 3 : (arc 2, arc 3) et p = 4 : (arc 2, arc 4)
auxquels correspondent les temps de parcours totaux suivants :
c3 = t2 + t3 et c4 = t2 + t4
Ceci illustre la relation (6.1).

Le flux sur l’arc 1, x1 , est la somme du flux le long du chemin 1 et du flux le
long du chemin 2 :
x1 = f1 + f2
Semblablement, pour les autres arcs, on peut écrire les relations de décomposition
du flux total sur l’arc en deux flux partiels le long des chemins passant par cet arc :
x2 = f3 + f4
x3 = f1 + f3
x4 = f2 + f4

Enfin si q14 et q24 notent respectivement le nombre d’usagers entre 1 et 4 et
le nombre d’usagers entre 2 et 4, ces usagers se répartissent entre les chemins
possibles comme suit :
f1 + f2 = q14
f3 + f4 = q24
On va abondamment utiliser la notation vectorielle et matricielle. Aussi notons
x = (. . ., xa , . . .), le vecteur des flux sur les arcs, t = (. . ., ta , . . .), le vecteur des
temps de traversées des arcs. On regroupe également en un seul vecteur tous les
flux le long des chemins f = (. . ., fp , . . .) où l’on range l’un à la suite de l’autre
tous les flux le long de tous les chemins de la première paire origine-destination,
puis tous les chemins le long de la seconde paire origine-destination, etc. . . De la
même manière, on regroupe en un seul vecteur tous les coûts le long de tous les
chemins c = (. . ., cp , . . .) également classés d’abord par paire origine-destination
puis par chemin à l’intérieur d’une même paire origine-destination.
On peut écrire les équations (6.1) et (6.2) matriciellement moyennant la défi-
nition de la matrice d’incidence arc/chemin suivante :

1 si l’arc a appartient au chemin p
δa,p =
0 sinon.
Ainsi les quatre chemins entre les deux paires origines-destinations de l’exemple
se représenterons par la matrice d’incidence arc-chemin illustrée au tableau 6.1.
δa,p p=1 p=2 p=3 p=4

a=1 1 1 0 0
a=2 0 0 1 1
a=3 1 0 1 0
a=4 0 1 0 1
Tableau 6.1: Matrice d’incidence arc-chemin.
Les relations (6.1) et (6.2) se récrivent matriciellement (voir exercice 6.3) :

c = t∆ (6.4)
x = ∆f (6.5)
On utilisera également une seconde matrice d’incidence, la matrice d’inci-

dence chemins-paires pour indiquer à quelle paire od un chemin p appartient.
Elle est définie comme suit :

1 si p ∈ od
δp,od =
0 sinon.
Elle est représentée à la figure 6.2 pour l’exemple considéré ci-dessus. On peut

δp,od od = 14 od = 24
p=1 1 0
p=2 1 0
p=3 0 1
p=4 0 1
Tableau 6.2: Matrice d’incidence chemin paire origine-destination
récrire (6.3) sous la forme matricielle suivante :
fT ∆ = q
Le flot correspondant à un équilibre de l’utilisateur peut être obtenu en résolvant

le problème de programmation mathématique suivant :
xa
min z(x) = ta (w)dw
 a 0



scq 
p

 fp ≥ 0 ∀p
La relation entre les variables xa et les variables fp étant donnée par :

xa = fp δa,p (6.7)
p
Dans cette formulation, la fonction objectif est la somme des intégrales des
fonctions de performance des arcs. Cette fonction est purement mathématique :
elle n’a pas d’interprétation économique.
Le premier jeu d’équation représente les équations de conservation du flux :
elles établissent que la somme des flux sur tous les chemins p reliant la paire od est
égale au taux de voyage entre o et d. Le deuxième jeu de contraintes assure que la

solution soit physiquement réaliste : elles assurent que les flux soient positifs ou
nuls.
Il y a deux hypothèses sous-jacentes pour que cette formulation soit équivalente
au problème d’équilibre de l’utilisateur :
Hypothèse 1. On suppose que le temps de traversée d’un arc n’est fonction que
du flux de cet arc. Mathématiquement :
∂ta (xa )
= 0, ∀a = b (6.8)
∂xb
Hypothèse 2. Les fonctions de performance des arcs sont strictement croissantes :

∂ta (xa )
> 0, ∀a (6.9)
∂xa
La formulation du problème d’équilibre de l’utilisateur sous forme du pro-

blème d’optimisation (6.6) est due à Beckmann (1956). Mais ce n’est que dans
les années 1970, lorsque des algorithmes de résolution de (6.6) ont été définis, que
cette formulation a pris toute son importance.
Nous devons encore prouver que la solution du problème (6.6) fournit bien
une solution du problème d’équilibre de l’utilisateur, à savoir que les conditions
d’équilibre seront vérifiées. Nous illustrons d’abord les choses sur l’exemple de
la figure 6.8.
qOD = 5 x1
O D
x2
Figure 6.8: Exemple d’équilibre des utilisateurs.
Considérons les fonctions de performance linéaires suivantes :
t1 = 2 + x1 (6.10)
t2 = 1 + 2x2 (6.11)
Le flux entre O et D est qOD = 5. Donc, en substituant directement f1 = x1 et

f2 = x2 :
x1 + x2 = 5 (6.12)
Au vu des courbes de la figure 6.9, on peut voir que x1 et x2 seront utilisés à

l’équilibre et donc que :
t1 = t2 (6.13)
t2 (x 2)
t
Temps
t1 (x 1)
traversée
4
(min)
3
1 Flux
(véh./min.)
1 2 3 x
Figure 6.9: Forme des fonctions de performance des arcs.
La résolution du système de quatre équations à quatre inconnues (6.10), (6.11),

(6.12) et (6.13) donne le point d’équilibre suivant :
x∗1 = 3, x∗2 = 2, t∗1 = 5, t∗2 = 5
Formulé comme un problème d’optimisation, le problème s’écrit :
x1 x2
min z(x1 , x2 ) = (2 + w)dw + (1 + 2w)dw
 0 0

 x1 + x2 = 5
s.c.q. 
 x1 , x2 ≥ 0
En posant x2 = 5 − x1 , on passe à un problème unidimensionnel :
x1 5−x1
min z(x1 ) = (2 + w)dw + (1 + 2w)dw
0 0
s.c.q. 0 ≤ x1 ≤ 5
En effectuant les intégrales et en regroupant les termes de même degré, l’objectif
devient :
z(x1 ) = 1, 5x21 − 9x1 + 30
Minimisons cet objectif sans les contraintes :
∂z
= 3x1 − 9 = 0
∂x1
Et donc x∗1 = 3. Comme de plus ce point satisfait les deux contraintes, il s’agit de
l’optimum sous contraintes. La solution du problème d’optimisation mathématique
est donc la même que celle du problème d’équilibre de l’utilisateur.
Section 6.6. Equivalence entre les deux problèmes 71
6.6 Equivalence entre les deux problèmes
Nous allons montrer que le flot qui résout (6.6) satisfait aussi les conditions
d’équilibre de l’utilisateur. Rappelons qu’en l’optimum d’un problème d’opti-
misation les conditions de Kuhn et Tucker doivent être satisfaites (voir chapitre 5).
Nous verrons que ces conditions correspondent pour le problème (6.6) précisément
aux conditions d’équilibre de l’utilisateur. Pour écrire ces conditions, écrivons le
Lagrangien correspondant à (6.6) :

L(f, µ, λ) = z(x(f)) + λod (qod − fp δp,od )− µp fp
od p p
où λod note le multiplicateur associé à l’équation de conservation de flux de la

paire origine-destination od et µp note le multiplicateur associé à l’inéquation :
−fp ≤ 0
Remarquons aussi que l’on a substitué à x son expression en fonction de f donnée

par (6.7) pour avoir un problème en terme de flux de chemins uniquement.
Les conditions du premier ordre s’écrivent :
∂L(f, λ, µ)
= 0
∂fp
µp fp = 0
µp ≥ 0
Calculons chacun des termes de la dérivée partielle du Lagrangien par rapport à

fp :
∂z(x(f)) ∂z ∂xa
= ( )( )= (ta )(δa,p ) = cp
∂fp a∈A ∂xa ∂fp a∈A
D’autre part :

∂ λod (qod − fp δp,od )
od p
= −λod
∂fp
où od est la paire à laquelle appartient le chemin p. Donc les conditions du premier
ordre s’écrivent :
cp − λod − µp = 0
µp fp = 0
µp ≥ 0
On peut éliminer µp du système pour obtenir :

(cp − λod ) ≥ 0 (6.14)
fp (cp − λod ) = 0 (6.15)
Remarquons que les conditions de complémentarité (6.15) impliquent que :
si fp > 0, alors cp = λod
D’autre part, les inéquations (6.14) impliquent que :
si fp = 0, alors cp ≥ λod
Ce sont précisément les conditions d’équilibre. Le multiplicateur de Lagrange λod
représentant le temps minimum entre l’origine o et la destination d.
6.7 Unicité de la solution
On peut également prouver que la solution de (6.6) est unique. Pour cela, il faut
montrer que z(x) est une fonction strictement convexe. Comme la région est
linéaire, elle est convexe et ne pose pas de problème.
Ceci peut être fait en montrant que la matrice Hessienne des dérivées partielles
seconde ∇2 z(x) est définie positive. Une matrice H est définie positive si pour
tout vecteur x, xT Hx ≥ 0. Les dérivées du premier ordre sont :
∂z(x)
= ta (xa )
∂xa
et les dérivées du second ordre sont, par l’hypothèse 1 :

∂z(x) ta (xa ) si a = b
=
∂xa ∂xb 0 sinon.
Ce qui donne une matrice des dérivées partielles secondes diagonale :
 
t1 (x1 ) 0 ... 0
 
 0 t2 (x2 ) . . . 0 
∇ z(x) =
2  .. 
 ... 
 . 
0 0 . . . tn (xn )
Cette matrice est définie positive car elle est diagonale et tous ses éléments diago-
naux sont strictement positifs par l’hypothèse 2.
On en conclut qu’il existe une solution unique au problème (6.6) en terme
de flux d’arc xa . Remarquez que l’équilibre n’est pas nécessairement unique en
terme de flux de chemins fp . On peut construire des exemples où des solutions
multiples existent en terme de flux décomposés mais dont la somme donne une
solution unique en terme de flux sur les arcs.
6.8 Exercices
6.1. Calcul de l’équilibre. Trouver les flux et les temps de traversée correspon-
dant à un équilibre de l’utilisateur pour le réseau de la figure 6.10. Supposer
que tous les chemins possibles sont utilisés.
arc 1
4 arc 3 4
1 2 3
arc 2
Figure 6.10: Equilibre des utilisateurs : exercice 1.
Les fonctions de performances sont :
t1 = 2 + x21
t2 = 1 + 3x2
t3 = 3 + x3
Le taux de voyage entre le nœud 1 et le nœud 3 est de 4 :
q13 = 4.
6.2. Cas d’arcs parallèles. Le réseau représenté à la figure 6.11 inclut de mul-
tiples liens entre le nœud 1 et le nœud 2.
.
1 . 2
.
Figure 6.11: Equilibre des utilisateurs : exercice 2.
Les fonctions de performances sur les arcs sont :
ta = Aa + Ba xa ,
où Aa et Ba sont des constantes.

(a) En supposant qu’à l’équilibre tous les arcs supportent du flux, déve-
lopper une expression pour le flux sur chaque arc.
(b) Même question dans le cas où tous les arcs ne sont pas utilisés.
6.3. Utilité de la matrice d’incidence arcs-chemins. Vérifier les relations mat-
ricielles (6.4) et (6.5) sur l’exemple de réseau illustré à la page 67.
6.4. Matrice d’incidence arcs-chemins. Pour le réseau illustré à la figure 6.12,
il y a deux paires O-D, 1-4 et 2-4 respectivement.
1
4
1
3
3 4
2
5
2
Figure 6.12: Exemple de réseau.
(a) Énumérer tous les chemins pour les deux paires origines-destinations.
(b) Écrire la matrice d’incidence arc-chemin.
(c) utiliser la matrice pour exprimer x3 en fonction de f.
6.5. Calcul de l’équilibre par résolution des conditions de Kuhn et Tucker.
Résoudre l’exemple du réseau illustré à la figure 6.8 de la page 69 en écrivant
la formulation sous forme de minimisation et en résolvant les conditions de
Kuhn et Tucker.
6.6. Construction d’un nouvel axe. Considérons le réseau de transport de la
figure 6.13. Les fonctions de temps de traversée des différents arcs, notée ta
pour l’arc a, sont exprimées ci-dessous en minutes en fonction de xa , le flux
de l’arc exprimé en milliers de voitures à l’heure :
t1 (x1 ) = 50 + x1
t2 (x2 ) = 50 + x2
t3 (x3 ) = 10x3
t4 (x4 ) = 10x4
Le nombre de milliers de voitures désirant se rendre du point 1 (l’origine)
vers le point 4 (la destination) est de 6 durant l’heure de pointe soit :
q14 = 6
2
arc 1 arc 4
6 6
1 4
arc 3 arc 2
3
Figure 6.13: Réseau initial
(a) Enumérer tous les chemins possibles entre l’origine et la destination.

(b) En utilisant la symétrie du problème, il est facile de déterminer que les
flux à l’équilibre de l’utilisateur seront égaux sur chacun des chemins.
En déduire les flux sur chacun des arcs, le temps de traversée de chaque
arc, le temps de parcours de chaque chemin et le temps total passé par
les usagers sur le réseau.
(c) Les autorités responsables estiment que ce temps est trop élevé et
décident de construire une nouvelle route entre les nœuds 3 et 2 comme
2
arc 1 arc 4
6 6
1 arc 5 4
arc 3 arc 2
3
Figure 6.14: Réseau renforcé
on peut le voir à la figure 6.14. La fonction de temps de traversée de

ce nouvel arc est la suivante :
t5 (x5 ) = 10 + x5
Enumérer tous les chemins possibles entre l’origine et la destination

pour ce nouveau réseau.
(d) Un nouvel équilibre de l’utilisateur s’établit : cet équilibre est tel que
le flux total entre l’origine et la destination se réparti équitablement
entre les trois chemins possibles :
2+2+2=6
En déduire les flux sur chacun des arcs, le temps de traversée de chaque
arc, le temps total de parcours de chaque chemin et vérifier si les condi-
tions d’équilibre de l’utilisateur sont satisfaites pour cette solution.
(e) Calculer le temps total passé par les usagers sur le réseau. En comparant
avec le temps total avant renforcement, quelle est votre conclusion sur
l’utilité de cet investissement ?
6.7. Equilibre de l’utilisateur versus équilibre social. Considérons un réseau

de transport très simple reliant une banlieue au centre ville. Il y a deux routes
parallèles : l’autoroute, dont le flux en milliers de véhicules par heure est
noté x1 et une voie nationale, dont le flux de véhicule en milliers de véhicules
par heure est noté x2 . L’origine et la destination sont les mêmes pour les
deux axes. Seules varient leurs fonctions de performance donnant le temps
de traversée de l’axe (ta ) en fonction du flux sur l’axe (xa ). Ces fonctions
sont données par :
t1 (x1 ) = 3 + 0, 5x1
t2 (x2 ) = 1 + x2
Le nombre de voitures désirant se rendre de la banlieue vers le centre ville

est de 1500 (1,5 milliers) durant l’heure de point du matin (entre 8 heures et
9 heures).
(a) Déterminer un point d’équilibre de l’utilisateur en écrivant un problè-

me de minimisation équivalent et en résolvant les conditions de Kuhn
et Tucker pour ce problème équivalent (Examiner tous les cas possibles
pour les axes utilisés).
(b) On appelle équilibre social un point où les usagers se répartissent sur
le réseau de manière à minimiser le temps total passer sur le réseau :

min z = xa ta (xa ).
a
Ecrire le problème d’optimisation équivalent et le résoudre par les

conditions de Kuhn et Tucker.
(c) En déduire, dans les deux cas, le temps total passé par les usagers sur
le réseau. En comparant ces deux valeurs, quelle est votre conclusion
sur l’attitude des automobilistes donc le comportement est modélisé
par un équilibre de l’utilisateur ?
Chapitre 7
Résolution du problème d’affectation
7.1 Introduction
Pour rappel, le problème d’affectation du trafic, formulé au chapitre 6 a pour but

la détermination des flux sur le réseau de sorte que le temps de parcours sur tous
les chemins utilisés entre une même paire origine-destination soit égal au temps
minimum entre l’origine et la destination.
Nous avons également vu au chapitre 6 comment ce problème pouvait être
formulé comme un problème d’optimisation. Nous allons voir dans ce chapitre
comment résoudre ce problème.
Comme le problème d’optimisation concerne la minimisation d’une fonction
convexe sous des contraintes purement linéaires, une méthode particulièrement
bien adaptée est la méthode de Franck-Wolfe vue au chapitre 5. Nous ver-
rons à la section 7.2 que cette méthode utilise largement le sous-problème de
la détermination du plus court chemin sur un graphe. Aussi nous verrons à la
section 7.3 comment résoudre ce sous-problème.
7.2 Algorithme de résolution
Nous avons vu au chapitre précédent que le problème d’équilibre de l’utilisateur

pouvait être formulé comme le problème d’optimisation convexe suivant :
xa
min z(x) = ta (w)dw
 a 0



scq 
p

 fp ≥ 0 ∀p
77
78 Chapitre 7. Résolution du problème d’affectation
où xa note le flux sur l’arc a et fp note le flux sur le chemin. La relation entre les
variables xa et les variables fp étant donnée par :

xa = fp δa,p
p
Une méthode d’optimisation particulièrement bien adaptée dans ce contexte

est la méthode de Franck-Wolfe (voir chapitre 5).
Rappelons ici son principe. Comme toute méthode d’optimisation non linéaire,
cette méthode comporte les deux étapes essentielles que sont :
1. le choix d’une direction de descente pour la fonction objectif;
2. le choix du pas le long de cette direction de descente.
Pour le choix de la direction, on va déterminer celle-ci par :
d k = y k − xk
où yk minimise l’approximation linéaire de z(x) en xk sous les contraintes linéai-

res. Ensuite une recherche unidimensionnelle sera effectuée le long de la direction
dk .
On a donc que yk est solution du problème linéaire suivant :
miny z(xk ) + ∇z(xk )(y − xk )




gp δp,od = qod ∀od
 (7.2)
scq 
p

 gp ≥ 0 ∀p
La relation entre les variables ya et les variables gp étant donnée par :

ya = gp δa,p
p
Examinons plus en détails la fonction objectif du problème linéaire (7.2). Les

constantes n’intervenant pas dans la minimisation, il est équivalent de minimiser :
∂z(xk )
min ya = tka ya
∂x
a a a


gp δp,od = qod (7.3)

s.c.q.  p

 gp ≥ 0
Section 7.2. Algorithme de résolution 79
avec tka = ta (xka ). Autrement dit, un problème linéaire en y dont les contraintes
sont les contraintes du problème original (7.1) et les coefficients objectifs sont
simplement les temps de traversées des arcs fixés en xka .
Ce programme cherche donc un flot y réalisable qui minimise la somme des
temps de traversée des arcs pondérés par le flux, c’est-à-dire le temps total passé sur
le réseau en supposant que les temps de traversées des arcs sont fixes (indépendants
des flux). Or une telle affectation sera atteinte en affectant tous les usagers d’une
paire origine-destination au plus court chemin de la paire. Cette affectation pourra
être réalisée par un chargement tout ou rien du réseau. Le cœur de ce programme
étant la recherche du plus court chemin dans un graphe que nous verrons à la section
7.3.
Pour prouver que la résolution de (7.3) n’implique pas plus que le chargement
“tout ou rien”, remplaçons dans l’expression de l’objectif les variables de flux
totaux ya par celles de flux sur les chemins gp :

min tka gp δa,p = tka δa,p gp = cp gp
a p

p a p


gp δp,od = qod , ∀od (7.4)

s.c.q.  p

 gp ≥ 0, ∀p
Le problème (7.4) peut être décomposé en un programme par paire origine-

destination od :

min cp gp
p∈od


 gp = qod , (7.5)

s.c.q.  p∈od

 gp ≥ 0, ∀p ∈ od
dont la solution optimale est obtenue en affectant tout qod au chemin p dont le coût
cp est minimum : il s’agit donc bien d’une affectation tout ou rien. Une fois les
gp déterminés, la direction peut être calculée comme suit :

yak = gp δa,p
p
dk = yk − xk
Dans le cas où plusieurs chemins sont minimaux, n’importe lequel peut être choisi.
Pour initialiser l’algorithme, on fera une affectation sur base des temps de traversées
à vide :
t0a = ta (0), ∀a ∈ A
Reste maintenant la seconde partie de la méthode de Franck-Wolfe, à savoir la

recherche unidimensionnelle. On va déterminer le pas αk dans la direction dk
qui minimise :
z(xk + α(yk − xk ))
en limitant α à l’intervalle [0, 1] de manière à ne pas sortir de la région réalisable.
Ceci peut être fait, par exemple, en utilisant la méthode de bissection.
Le critère d’arrêt de l’algorithme itératif sera la proximité de deux solutions
successives :
k+1 − xk )2
a (xa a
k ≤ (7.6)
x
a a
L’algorithme peut être résumé comme suit.
Algorithme 7.1 Algorithme de calcul d’un Equilibre de l’Utilisateur.
Pas 0. Initialisations. Chargement tout ou rien du réseau sur base des plus courts
chemins calculés avec les temps :
t0a = ta (0), ∀a
Ceci fournit x1a . Soit k = 1.
Pas 1. Détermination de la direction. Chargement tout ou rien sur base des plus
courts chemins calculés avec les tka . Ceci fournit les flots yak .
Pas 3. Recherche unidimensionnelle. Déterminer αk qui minimise :

xka +α(yak −xka )
min ta (w)dw
0≤α≤1 a 0
Pas 4. Effectuer le pas. Mettre
xk+1
a = xka + αk (yak − xka )
Pas 5. Test de convergence. Si le critère (7.6) est satisfait, stop. Sinon, mettre
k =k+1
et retour au pas 1.
Section 7.2. Algorithme de résolution 81
Nous allons illustrer la convergence de cet algorithme sur le réseau à trois arcs
de la figure 7.1 où

x1 4
t1 = 10 1 + 0, 15
2
4
x2
t2 = 20 1 + 0, 15
2
4
x3
t3 = 25 1 + 0, 15
2
et le flot total entre o et d est qod = 10. D’où :
x1 + x2 + x3 = 10
En effet, ici les flux d’arc xa se confondent avec les flux de chemins fp .
arc 1
qOD = 10 arc 2
O D
arc 3
Figure 7.1: Illustration du calcul de l’équilibre.
Les itérations successives sont présentées au tableau 7.1. A l’étape initiale (k

= 0), sur base des temps de traversée à vide, on affecte tout le monde au chemin
1. Ce chemin devient congestionné et à l’itération 1, on aura tendance à prendre
des gens pour les mettre sur le chemin 2. A l’itération 2, une partie des gens des
chemins 1 et 2 sont mis sur le chemin 3 qui a un temps inférieur. Et ainsi de suite.
Il est clair qu’au bout de six itérations, les temps de traversées sont très proches
sur les trois chemins. On peut également conclure qu’à chaque itération du flux est
retiré des chemins les plus congestionnés pour être affectés aux chemins les moins
congestionnés de manière à égaliser les temps de parcours sur les trois chemins.
Remarquons aussi que l’algorithme fournit une solution proche de l’équilibre
en quelques itérations : ceci est important car il ne faut pas pousser trop loin la
précision car l’effort de calcul deviendrait énorme pour peu de différence dans les
flux successifs. Dans les applications pratiques, avec des réseaux de grande taille,
souvent quatre à six itérations suffisent.
L’application de la méthode de Franck-Wolfe nécessite une suite d’affectation
tout ou rien du réseau. Ces affectations consistent à mettre tous les voyageurs
d’une même paire sur le plus court chemin de cette paire. Le problème central
consiste donc à déterminer le plus court chemin dans un réseau.
k a=1 a=2 a=3 z(x) αk

0 t01 = 10 t02 = 20 t03 = 25
x11 = 10 x12 = 0 x13 = 0
1 t11 = 947, 5 t12 = 20 t13 = 25 z = 1975
y11 = 0 y21 = 10 y31 = 0 α1 = 0, 596
x21 = 4, 04 x22 = 5, 96 x23 = 0
2 t21 = 35 t22 = 35 t23 = 25 z = 197
y12 = 0 y22 = 0 y32 = 10 α2 = 0, 161
x31 = 3, 39 x32 = 5 x33 = 1, 61
3 t31 = 22, 3 t32 = 27, 3 t33 = 35, 3 z = 189, 98
y13 = 10 y23 = 0 y33 = 0 α3 = 0, 035
x41 = 3, 62 x42 = 4, 83 x43 = 1, 55
4 t41 = 26, 1 t42 = 26, 3 t43 = 25, 3 z = 189, 44
y14 = 0 y24 = 0 y34 = 10 α4 = 0, 02
x51 = 3, 54 x52 = 4, 73 x53 = 1, 72
5 t51 = 24, 8 t52 = 25, 8 t53 = 25, 4 z = 189, 33
y15 = 10 y25 = 0 y35 = 0 α5 = 0, 007
x61 = 3, 59 x62 = 4, 7 x63 = 1, 71
6 t61 = 25, 6 t62 = 25, 7 t63 = 25, 4 z = 189, 33
Tableau 7.1: Illustration de l’algorithme

Section 7.3. Le problème du plus court chemin 83
7.3 Le problème du plus court chemin
Pour exposer l’algorithme de plus court chemin, nous allons revenir à la notation
du chapitre 1 pour les arcs, à savoir un arc est noté (i, j) avec i ∈ N et j ∈ N .
Ainsi, nous noterons tij le temps de traversée de l’arc (i, j) ∈ A. Pour les besoins
de l’algorithme, deux informations vont être stockées en chaque nœud :
1. le label courant du nœud, noté di , qui indique la distance entre le nœud

origine et le nœud i par le plus court chemin trouvé jusqu’à présent;
2. le prédécesseur courant du nœud, noté pi , qui note le nœud juste avant i dans
le plus court chemin trouvé jusqu’à présent entre o et i. Ainsi le plus court
chemin pourra être retracé en allant à rebours.
De plus, l’algorithme utilise et met à jour deux ensembles :
1. L’ensemble T des nœuds dont on a déterminé exactement le plus court

chemin entre le nœud origine et ce nœud. C’est l’ensemble des nœuds déjà
traités et qui ne nécessitent donc plus de traitement ultérieur.
2. L’ensemble S = N \ T des nœuds qui sont encore à traiter.
Dans le jargon de l’algorithme, on dit qu’un nœud du premier ensemble a un label

définitif, puisqu’il ne sera plus modifié, tandis qu’un nœud du second ensemble a
un label provisoire qui pourra encore éventuellement être amélioré.
Algorithme 7.2 Algorithme de Dijkstra. L’initialisation consiste à mettre tous

les labels à ∞, sauf celui du nœud origine o qui sera mis à zéro :

+∞ si i = o
di =
0 sinon
On initialise l’ensemble des nœuds qui sont encore à traiter S = N .
A chaque itération, on sélectionne l’élément i ∈ S de label provisoire di
minimum. Soit
i ∈ S|di = min
di
i ∈S
Pour tous les nœuds j ∈ S qui peuvent être atteints directement à partir de i par
un seul arc (i, j), on examine si le chemin menant à j en passant par i ne serait
pas plus court que l’ancien chemin menant à j. Dans ce cas, dj et pj sont remis à
jour comme suit :
Si di + tij < dj , alors dj = di + tij
et pj = i
Enfin, i le nœud traité est déplacé de l’ensemble S vers l’ensemble T .

L’algorithme s’arrête dès que l’on a déterminé le label définitif de d, le nœud
de destination, c’est-à-dire dès que d ∈ T .
Voyons maintenant l’application de cet algorithme sur l’exemple illustré à la

figure 7.2 où l’on cherche le plus court chemin entre le nœud 1 et le nœud 4.
t14 = 4
1 4
t12 = 1 t34 = 1
t23 = 1
2 3
Figure 7.2: Illustration du calcul du plus court chemin.
La suite des itérations est donnée au tableau 7.2. A la première itération, le
k i d1 d2 d3 d4 p1 p2 p3 p4
0 0 ∞ ∞ ∞ − − − −
1 1 0 1 ∞ 4 − 1 − 1
2 2 0 1 2 4 − 1 2 1
3 3 0 1 2 3 − 1 2 3
4 4 0 1 2 3 − 1 2 3
Tableau 7.2: Illustration de l’algorithme de plus court chemin
nœud 1 est traité. Cela permet de réduire les labels des nœuds 2 et 4 qui étaient à
plus l’infini. A la deuxième itération, le nœud 2 est traité. Cela permet de réviser
à la baise le label du nœud 3. A la troisième itération, le nœud 3 est traité, cela
permet de réduire le label du nœud 4. Enfin, à la quatrième itération, le nœud 4
est traité et son label devient définitif. On a trouvé le plus court chemin entre 1 et
4. Il est de longueur 3.
On peut alors reconstituer le chemin le plus court en partant de la fin et en
reprenant les prédécesseurs successifs : on obtient le chemin 4, 3, 2 et 1.
7.4 Exercices
7.1. Calcul des flux d’équilibre. Trouver les flux d’équilibre de l’utilisateur
pour le réseau de la figure 7.3.
2 1 4
1 2
3 2 5
2 4
3 4
Figure 7.3: Résolution du problème d’équilibre.
Les paires origines-destinations sont au nombre de deux :
q12 = 2
q32 = 2
Les courbes volume-délai sont données par :

4
x
ta = 1 + 0, 15
a
avec les constantes a données à la figure 7.3 au dessus de chaque arc. Pour
cela, résoudre au moyen du solveur d’Excel un problème d’optimisation non
linéaire équivalent.
7.2. Calcul du plus court chemin. Utiliser l’algorithme de plus court chemin
6 2
1 2 3
3 2 3 1
3
2
4 5
4 5 6
Figure 7.4: Calcul du plus court chemin.
pour déterminer le plus court chemin entre le nœud 1 et tous les nœuds du
réseau de la figure 7.4.
7.3. Vérification des conditions d’équilibre de l’utilisateur. On considère le

réseau dont les différents arcs sont repris au tableau 7.3. Leur fonction de
performance d’arc est du type
ta (xa ) = aa + ba xa
où le temps de traversée de l’arc est exprimé en minutes en fonction du flot

sur l’arc qui est exprimé en véhicules par heure. Les coefficients ai et bi sont
aussi repris au tableau 7.3.
Origine Destination ai bi
A B 21 0,01
A C 8 0,1
B D 6 0,1
C B 4 0,02
C D 19 0,01
Tableau 7.3: Description des arcs
On considère ici deux paires origine destination. La première va du nœud

A vers le nœud D. La seconde va du nœud C vers le nœud D. Il y a un flot
de qAD = 50 véhicules par heure allant de A vers D et un flux qCD = 50
véhicules par heure allant de C vers D.
(a) On demande de calculer, en résolvant au moyen du solveur d’Excel le

problème d’optimisation équivalent, les flux d’équilibre de l’utilisateur
et d’en déduire les temps de traversée des arcs et le temps total passé
sur le réseau.
(b) La solution est-elle unique en terme de flux de chemin (en terme des
variable fp ) ? Si non, donner une autre solution.
(c) Déterminer si ce point fournit bien un point d’équilibre de l’utilisateur
(autrement dit, vérifier les conditions d’équilibre de l’utilisateur).
(d) Peut-on, en modifiant le comportement de certains usagers, diminuer le
temps total passé sur le réseau ? Indiquer comment (donner un exemple
de solution diminuant la congestion).
Partie III
Facteurs explicatifs de la demande
87
Chapitre 8
Estimation de la demande de déplacements
8.1 Introduction
Comme nous l’avons vu plus haut, une donnée essentielle pour les modèles d’af-
fectation du trafic est la demande modélisée par une matrice origines-destinations
donnant le nombre de véhicules désirant, partant de l’origine, rejoindre la destina-
tion.
Nous allons voir dans ce chapitre comment on peut estimer une telle matrice
et quels sont les facteurs explicatifs de la demande de transport de personnes en
milieu urbain. Ainsi, si une relation entre ces facteurs explicatifs et la demande de
transport peut être mise à jour, on pourra faire une prévision de l’évolution de la
demande sur base de prévisions de l’évolution de ces facteurs explicatifs.
Généralement, pour l’estimation d’une matrice origines-destinations, on pro-
cède en deux temps. Dans un premier temps, on cherche à déterminer le nombre
de déplacements totaux générés par la zone i et le nombre de déplacements totaux
attirés par la zone j. Ce sont évidemment les sommes en lignes et en colonnes
de la matrice. Ce problème est connu sous le nom de problème de génération
de déplacements. Nous verrons que la génération de déplacements est fonction,
notamment, de la population de la zone, de son revenu moyen, du nombre moyen
de voitures par ménage, de son taux de travailleurs. Nous verrons également que
l’attraction d’une zone est fonction de son nombre d’emplois mais aussi de la
superficie des emplacements commerciaux et industriels.
Une fois ces “attractions” et “générations” de chaque zone déterminées, se
pose la question de savoir comment les différents mouvements issus d’une zone se
répartissent entre les destinations. Ce problème est connu sous le nom de problème
de distribution des déplacements. Nous verrons au chapitre 9 deux techniques
qui permettent de déterminer une matrice origines-destinations à partir de la somme
de ses lignes et de ses colonnes : il s’agit de la méthode de Furness et de la méthode
de gravité.
89
90 Chapitre 8. Estimation de la demande de déplacements
8.2 Facteurs explicatifs la génération de déplacements
Nous nous intéresserons ici uniquement au trafic de personnes en reportant la

question du trafic de marchandises au chapitre 10.
8.2.1 Classification des déplacements
Comme le souligne Ortuzar et Willumsen [20], dans la pratique, il s’avère que les
modèles de générations de déplacements sont meilleurs lorsque les mouvements
dûs à différentes causes sont identifiés séparément. Pour les mouvements issus de
la maison, on distingue généralement cinq catégories de déplacements :
• mouvement pour aller au travail;
• mouvement pour aller à une institution d’enseignement;
• mouvement pour aller faire des achats;
• mouvement à buts sociaux ou récréatifs;
• autres (hôpital, administrations, etc. . . ).
Les deux premières catégories sont des mouvements dits “contraints” et repré-
sente l’essentiel (87 %) des déplacements de l’heure de pointe en agglomération
comme le montre le tableau 8.1. Ce tableau donne les déplacements pour Santiago
du Chili pour les heures de pointe du matin (7:00-9:00) et pour les heures creuses
du matin (10:00-12:00).
On voit également sur ce tableau que la classification en fonction de l’heure de
la journée est un autre critère très important. Le nombre et le type de déplacements
sont très différents en fonction de l’heure de la journée comme le montre la com-
paraison des colonnes heures de pointe du matin et heures creuses du matin.
Un troisième type de classification (outre la classification en fonction du but et
de l’heure de la journée) est la classification en fonction du type d’individu qui se
déplace. En effet, le comportement individuel est fortement dépendant de facteurs
sociaux économiques tels que ;
• le niveau de revenus du ménage;
• le nombre de voitures du ménage;
• la taille du ménage et sa structure.

Section 8.2. Facteurs explicatifs la génération de déplacements 91
But Pointe du matin Heures creuses

Travail 52 % 13 %
Ecoles 35 % 5%
Achats 2% 11 %
Social 1% 5%
Santé 2% 3%
Administratifs 4% 18 %
Autres 1% 3%
Retour 3% 42 %
100 % 100 %
Tableau 8.1: Classification des déplacements par causes
8.2.2 Facteurs explicatifs de la demande de déplacements
Les principaux facteurs qui influencent la génération de déplacements de per-

sonnes sont :
• le niveau de revenus du ménage;
• le nombre de voitures possédées par le ménage;
• la taille et la structure du ménage;
• la densité de l’habitat;
• l’accessibilité de la zone.
Les principaux facteurs qui influencent l’attraction de déplacements sont :
• le niveau de l’emploi de la zone;
• l’occupation du sol (en étendue) par des surfaces commerciales, industrielles

ou de services;
• l’accessibilité de la zone.
8.3 Modélisation de l’évolution
8.3.1 Méthodes basées sur les facteurs de croissance
Depuis les années 50, des techniques de prévision de l’évolution du nombre de

déplacements générés ou attirés par une zone ont été basées sur des techniques de
facteurs de croissance :
Ti = Fi ti (8.1)
où Ti et ti sont les nombres futur et actuel de mouvements de la zone i et Fi le
facteur de croissance.
Le problème de la méthode réside dans l’estimation du facteur de croissance
Fi . Ce facteur est relié, comme vu plus haut, à des variables explicatives telles que
le niveau de revenus (I), la population (P ) et le taux de motorisation (C) :
f (Pi , Ii , Ci )
Fi =
f (pi , ii , ci )
où les termes en minuscules désignent les valeurs actuelles et en majuscules les
valeurs futures. La fonction f peut même être une simple fonction multiplicative
sans paramètre.
Exemple 8.1 Considérons une zone avec 500 familles : 250 sans voiture et 250
avec voiture. On a observé le taux de déplacement de chacun des groupes : 6
mouvements par jour pour les ménages avec voiture et 2,5 mouvements par jour
pour les familles sans voiture. On veut déterminer l’effet d’un accroissement du
parc de voiture à 100 % de ménages possédant une voiture.
On peut en déduire le nombre de déplacements actuels :

ti = 250 × 6 + 250 × 2, 5 = 2 125 déplacements par jour.
Si on estime le facteur multiplicatif par le simple rapport des populations motorisées
Ci 500
Fi = = = 2,
ci 250
on obtiendra par application de (8.1) :
Ti = 2ti = 2 × 2 125 = 4 250 déplacements par jour.
Alors que si l’on suppose que le taux de déplacement reste le même dans chaque
groupe, on aura :
Ti = 500 × 6 = 3 000 déplacements par jour.
On a donc fait, par application de la méthode de facteur de croissance (8.1) une
surestimation de 42 % ! Aussi doit-on secourir à des méthodes plus efficaces.
C’est ce que nous allons voir maintenant.
Section 8.3. Modélisation de l’évolution 93
8.3.2 Méthodes basées sur la régression linéaire
Pour mettre en évidence la relation entre la variable à expliquer Y (le taux de

déplacements) et une ou plusieurs variables explicatives Xi (le niveau de revenus,
le nombre de voitures du ménage, etc. . . ), on peut utiliser la régression linéaire.
Dans le cas d’une seule variable explicative, la régression linéaire a pour but de
calculer les coefficients de la droite représentative d’une tendance de type linéaire.
Illustrons ceci sur l’exemple des demandes de déplacements trimestrielles re-
prises au tableau 8.2. On considère comme variable explicative ici uniquement le
temps noté t = 1, 2. . .12.
Trimestre 1993 1994 1995

Premier 220 280 340
Deuxième 240 280 380
Troisième 280 370 450
Quatrième 300 390 420
1040 1320 1590
Tableau 8.2: Demandes trimestrielles
On veut calculer les paramètres a et b de la droite :
Y = aX + b
La régression emploie la méthode des moindres carrés qui minimise la somme des
carrés des écarts entre les données et les points de la droite :

n
min z = [Yi − (aXi + b)]2
i=1
Les conditions d’optimisation de Kuhn et Tucker (voir chapitre 5) s’écrivent pour

ce problème sans contrainte sous la forme suivante :
∂z n
= −Xi (Yi − aXi − b) = 0 (8.2)
∂a i=1
∂z
n
= −(Yi − aXi − b) =0 (8.3)
∂b i=1
De (8.3), on tire b :

n
n
Yi Xi
b= i=1
−a i=1
= Ȳ − aX̄,
n n
que l’on reporte dans (8.2) :

n
Xi (Yi − Ȳ ) − a(Xi − X̄) = 0
i=1
On en déduit que la solution de ce modèle de régression linéaire aux moindres

carrés est donnée par

Xi Yi − ( i Xi )( Yi )
n i
a =
n i Xi2 − ( i Xi )2

i Yi a i Xi
b = −
n n
Le calcul des coefficients est effectué au tableau 8.3. On en déduit :
Xi Yi Xi2 Xi Yi
1 220 1 220
2 240 4 480
3 280 9 840
4 300 16 1 200
5 280 25 1 400
6 280 36 1 680
7 370 49 2 590
8 390 64 3 120
9 340 81 3 060
10 380 100 3 800
11 450 121 4 950
12 420 144 5 040
78 3 950 650 28 380
Tableau 8.3: Calcul des coefficients

n iXi Yi − ( i Xi )( i Yi )
a = = 18, 916
n i Xi2 − ( i Xi )2

i Yi a i Xi
b = − = 206, 2
n n
D’où la droite de régression :
Y = 18, 916X + 206, 2
On peut alors utiliser le modèle pour prévoir les demandes futures par simple
extrapolation de la droite. Ainsi, au première trimestre de 1996 :
D13 = 18, 916 × 13 + 206, 22 = 452, 13
Dans le cas de plusieurs variables explicatives, on aura recours à sa géné-

ralisation, la régression multilinéaire. Supposons que la variable à expliquer (Y )
dépende de deux variables explicatives (X1 et X2 ). Si on suppose une relation
linéaire entre les variables du type :
Y = a + b1 X1 + b2 X2 +
où représente un écart aléatoire tenant compte, par exemple, d’autres facteurs
explicatifs non pris en considération dans le modèle.
Pour déterminer une estimation des paramètres a, b1 et b2 , on peut utiliser
le critère des moindres carrés en régression multiple. Soit (Xi1 , Xi2 , Yi ), i =
1, 2, . . .n un ensemble d’observations. On va déterminer a, b1 et b2 de manière à
minimiser : n
z= [Yi − (a + b1 Xi1 + b2 Xi2 )]2
i=1
En écrivant les conditions de Kuhn et Tucker pour ce problème d’optimisation sans
contrainte, on obtient :
∂z n
= − [Yi − (a + b1 Xi1 + b2 Xi2 )] = 0 (8.4)
∂a i=1
∂z
n
= −Xi1 [Yi − (a + b1 Xi1 + b2 Xi2 )] = 0 (8.5)
∂b1 i=1
∂z
n
= −Xi2 [Yi − (a + b1 Xi1 + b2 Xi2 )] = 0 (8.6)
∂b2 i=1
On tire de (8.4) la valeur de a en fonction de b1 et b2 :
a = Ȳ − b1 X̄1 − b2 X̄2 (8.7)
que l’on reporte dans les relations (8.5) et (8.6) qui deviennent :

n
−Xi1 (Yi − Ȳ ) − b1 (Xi1 − X̄1 ) + b2 (Xi2 − X̄2 ) = 0
i=1
n
−X21 (Yi − Ȳ ) − b1 (Xi1 − X̄1 ) + b2 (Xi2 − X̄2 ) = 0
i=1
Le système est équivalent à

n
n
n
b1 (Xi1 − X̄1 )2 + b2 (Xi1 − X̄1 )(Xi2 − X̄2 ) = (Xi1 − X̄1 )(Yi − Ȳ )
i=1 i=1 i=1
n
n n
b1 (Xi1 − X̄1 )(Xi2 − X̄2 ) + b2 (Xi2 − X̄2 )2 = (Xi2 − X̄2 )(Yi − Ȳ )
i=1 i=1 i=1
De ce système de deux équations à deux inconnues, on tire b1 et b2 que l’on reporte

dans (8.7) pour en déduire la valeur de a.
Exemple 8.2 Supposons connues les observations du tableau 8.4 concernant la

variable à expliquer Y et les variables explicatives X1 et X2 .
Y X1 X2
40 100 10
50 200 20
50 300 10
70 400 30
65 500 20
65 600 20
80 700 30
Ȳ = 60 X̄1 = 400 X̄2 = 20
Tableau 8.4: Observations pour la régression multiple
On demande d’identifier la relation entre la variable à expliquer Y et les deux

variables explicatives X1 et X2 en utilisant la régression linéaire multiple.
Solution : on va d’abord calculer les écarts. Ceci est fait au tableau 8.5.
yi = Yi − Ȳ xi1 = Xi1 − X̄1 xi2 = Xi2 − X̄2

-20 -300 -10
-10 -200 0
-10 -100 -10
10 0 10
5 100 0
5 200 0
20 300 10
Tableau 8.5: Calcul des écarts pour la régression multiple
Ensuite on calcule les produits. Ceci est fait au tableau 8.6.

x1 y x2 y x21 x22 x1 x2
6 000 200 90 000 100 3 000
2 000 0 40 000 0 0
1 000 100 10 000 100 1 000
0 100 0 100 0
500 0 10 000 0 0
1 000 0 40 000 0 0
6 000 200 90 000 100 3 000
16 500 600 280 000 400 7 000
Tableau 8.6: Calcul des produits pour la régression multiple
On en déduit le système :



n
n
n

 b x2i1 + b2 xi1 xi2 = xi1 yi
 1
i=1 i=1 i=1

 n
n n

 x2i2 =
 b1 xi1 xi2 + b2 xi2 yi
i=1 i=1 i=1
Ce qui donne ici le système :



 280 000b1 + 7 000b2 = 16 500

 7 000b1 + 400b2 = 600
dont la solution est la suivante :

b1 = 0, 0381
b2 = 0, 833
D’où l’on tire a par la relation :
a = Ȳ − b1 X̄1 − b2 X̄2
Ce qui donne ici :
a = 60 − 0, 0381(400) − 0, 833(20) = 28, 1
Le modèle d’estimation s’écrit donc :
Y = 28, 1 + 0, 038X1 + 0, 83X2
Dans le cas de plusieurs variables explicatives, une question importante est de

savoir combien inclure de variables explicatives dans le modèle de prévision.
Pour répondre à cette question, on peut :
• se baser sur le signe du coefficient de la variable explicative pour voir s’il

est conforme à l’intuition;
• utiliser le test de Student pour voir si le coefficient de la variable est signifi-

cativement différent de zéro;
• comparer la valeur prédite par le modèle et la valeur observée et donc estimer

les résidus.
On peut également progressivement ajouter des variables et voir si l’influence de

l’ajout d’une nouvelle variable est important au non : on parle alors de régression
par étapes.
Exemple 8.3 Considérons la variable à expliquer “nombre de déplacements par

ménage” (Y ) et les variables explicatives “nombre de travailleurs de la famille”
(X1 ), “nombre de voitures de la famille (X2 ). Le tableau 8.7 présente les étapes
successives d’un modèle d’estimation par étapes.
Etape Equation R2
1 Y = 2, 36X1 0, 203
2 Y = 1, 80X1 + 1, 31X2 0, 325
3 Y = 0, 91 + 1, 44X1 + 1, 07X2 0, 384
Tableau 8.7: Régression par étapes
Dans ce tableau, R2 note les résidus qui sont le rapport entre les variations
expliquées par le modèle et les variations totales. On vous demande de choisir le
meilleur modèle.
Un modèle parfaitement expliqué correspond donc à un coefficient R2 de 1. Le

troisième modèle est le meilleur bien que son R2 soit faible : on choisit donc
ce modèle mais peut conclure qu’il y a probablement encore d’autres variables
explicatives importantes oubliées, vu la faible valeur du coefficient R2 .
8.4 Exercices
8.1. Prévision par régressions linéaires multiples. Supposons connues les

observations du tableau 8.8 concernant la variable à expliquer “nombre de
voitures du ménage”, notée Y , et les variables explicatives “revenus du
ménage”, notée X1 et “nombre d’enfants du ménage”, notée X2 .
X1 X2 Y
15 2 2
28 4 3
20 4 2
22 3 2
10 2 1
Tableau 8.8: Observations pour la régression multiple
(a) Déterminer la relation entre, d’une part le nombre de voitures du

ménage, et d’autre part le montant de ses revenus et le nombre d’enfants
par régression multiples.
(b) Quelle conclusion tirez-vous du signe du coefficient de X2 ?
8.2. Prévisions par facteur de croissance. Considérons les caractéristiques

suivantes de la zone :
Type Nombre Revenus personnes taux de

de ménage de ménages (EURO/mois) du ménage déplacement
0 voiture 180 4 000 4 6
1 voiture 80 18 000 4 8
2 voitures 40 50 000 6 11
Suite à un accroissement du revenu des ménages de 30 % dans cinq ans, on

estime que 50 % des ménages sans voiture en auront acquis une.
(a) En utilisant la méthode du facteur de croissance Ci /ci , estimez le taux

de déplacements de la zone dans cinq ans.
(b) Vérifiez si votre méthode est la meilleure disponible.
8.3. Prévisions par régression linéaire. Un comptage automatique du nombre

de véhicules par jour a été effectué pour une période de 20 jours . Les
données relevées sont fournies au tableau 8.9.
Jours Nombre de véhicules Jours Nombre de véhicules

1 9 500 11 6 390
2 1 530 12 7 710
3 2 070 13 8 390
4 420 14 9 200
5 2 950 15 71 700
6 3 400 16 11 800
7 4 130 17 12 600
8 4 500 18 13 400
9 4 900 19 14 700
10 5 620 20 15 600
Tableau 8.9: Comptages automatiques de véhicules
On voudrait déterminer s’il y a une relation linéaire entre le jour et le nombre

de véhicules.
(a) Identifiez les données pathologiques et éliminez-les.
(b) Proposer un modèle de prévision du nombre de véhicules sur l’axe basé
sur la régression linéaire.
8.4. Régressions par étapes. Considérons les trois modèles suivants estimant
l’attraction de déplacements. Ils sont obtenus par utilisation d’un logiciel
statistique :
Y = 123, 2 + 0, 89X1 , R2 = 0, 9
Y = 40, 1 + 0, 14X2 + 0, 61X3 + 0, 25X4 , R2 = 0, 925
Y = −1, 7 + 2, 57X1 − 1, 78X4 , R2 = 0, 996
où Y est le nombre de déplacements attirés par la zone, X1 est le nombre
total d’emplois de la zone, X2 est le nombre d’emplois industriels, X3 est le
nombre d’emplois commerciaux et X4 est le nombre d’emplois de service.
Choisir le modèle le plus approprié.
Chapitre 9
Modèles de distributions de mouvements
9.1 Introduction
Nous avons vu au chapitre précédent comment on pouvait estimer le nombre total

de déplacements émanant d’une zone (génération) ou ceux attirés par une zone (att-
raction). Pour pouvoir estimer les flux de véhicules sur le réseau, cette information
n’est pas suffisante. Il faut savoir vers quelles destinations vont les déplacements
issus d’une zone. Autrement dit, il faut distribuer les déplacements entre les
destinations.
Comme nous l’avons vu plus haut, on représente la demande par une matrice
origine destination dont les lignes représentent les zones de départ et colonnes les
zones d’arrivée. Notons T cette matrice :
Attraction

Génération 1 2 3 ... n j Tij
1 T11 T12 T13 . . . T1n O1
2 T21 T22 T23 . . . T2n O2
3 T31 T32 T33 . . . T3n O3
.. .. .. .. . ..
. . . . . . . .. .
n Tn1 Tn2 Tn3 . . . Tnn On

i Tij D1 D2 D3 . . . Dn T
Fixons nous la notation suivante : Tij est le nombre de déplacements issus de

la zone i et ayant pour destination la zone j. Le nombre total de déplacements est
noté T :
T = Tij
ij
101
102 Chapitre 9. Modèles de distributions de mouvements
Le nombre de déplacements originaires de la zone i est noté Oi :

Oi = Tij (9.1)
j
Le nombre de déplacements ayant pour destination la zone j est noté Dj :

Dj = Tij (9.2)
i
Si seules les informations sur les Oi sont disponibles, le modèle de distribution est
dit simplement contraint. Si les Oi et les Di sont disponibles, le modèle est dit
doublement contraint car (9.1) et (9.2) doivent toutes deux être respectées.
Notons également par cij le coût généralisé d’aller entre i et j. Ce coût
généralisé peut être simplement le temps de déplacement entre les deux points
mais peut aussi inclure des temps d’attente au départ (cas du mode transport en
commun) ou de recherche d’une place de parking à l’arrivée (cas du mode de
déplacement voiture particulière),. . . etc.
Un modèle de distribution de mouvements essaie d’estimer chaque case de la
matrice. Nous allons d’abord voir un modèle dit de facteur de croissance qui
est utilisé lorsqu’une matrice origines-destinations du passé est disponible et que
l’on veut la mettre à jour. Notons t cette matrice du passé. On voudrait prévoir la
matrice quelques années plus tard, soit T.
9.2 Modèle à facteur de croissance uniforme
Si la seule information disponible est un facteur global d’accroissement du trafic

τ , on peut simplement appliquer ce facteur à toutes les cases de la matrice :
Tij = τ tij
avec τ = T /t, le facteur d’accroissement global prévu.

Ainsi, si le tableau 9.1 représente la matrice origines-destinations originale, il
suffit de le multiplier case par case par 1,2 si on prévoit un accroissement de 20 %
dans les trois ans. On obtient ainsi le tableau 9.2.
Cependant, l’hypothèse d’une croissance uniforme est généralement peu réa-
liste sauf à court terme (un ou deux ans). Dans les autres cas, il y a fort à parier
que la demande va croı̂tre différemment en fonction des zones.
Section 9.2. Modèle à facteur de croissance uniforme 103
Attraction

Génération 1 2 3 4 j Tij
1 5 50 100 200 355
2 50 5 100 300 455
3 50 100 5 100 255
4 100 200 250 20 570

i Tij 205 355 455 620 1635
Tableau 9.1: Matrice origines-destinations originale
Attraction

1 6 60 120 240 426
2 60 6 120 360 546
3 60 120 6 120 306
4 120 240 300 24 684

i Tij 246 426 546 744 1962
Tableau 9.2: Matrice origines-destinations avec accroissement de 20 %.

9.3 Modèle à facteur de croissance simplement contraint
Considérons maintenant la situation où l’on connaı̂t le facteur d’évolution de cha-

cune des zones en ce qui concerne l’émission, soit τi . On a donc :
Oi = τi oi
où oi est l’émission actuelle et Oi est l’émission future. La même approche que
précédemment peut être appliquée : appliquer le facteur de croissance à tous
les éléments de la ligne :
Tij = τi tij
Ceci suppose que la distribution des destinations ne va pas être modifiée par un
accroissement du taux de départ.
Si par exemple, les augmentations en ligne sont données par le tableau suivant :
oi 355 455 255 570

Oi 400 460 400 702
on obtient le tableau 9.3 où
τ1 = 1, 13
τ2 = 1, 01
τ3 = 1, 57
τ4 = 1, 23
Attraction

1 5, 6 56, 3 112, 7 225, 4 400
2 50, 5 5, 1 101, 1 303, 3 460
3 78, 4 156, 9 7, 8 156, 9 400
4 123, 2 246, 3 307, 9 24, 6 702

i Tij 257, 7 464, 6 529, 5 710, 2 1962
Tableau 9.3: Matrice origines-destinations avec accroissement par ligne.

Section 9.4. Modèle avec facteurs de croissance doublement contraints 105
9.4 Modèle avec facteurs de croissance doublement contraints
Supposons maintenant que nous disposions de facteurs de croissance en ligne

τi = Oi /oi et en colonne γi = Dj /dj . Furness [9] a proposé une méthode itérative
de correction de la matrice en introduisant les facteurs de correction Ai et Bj de
manière à avoir :
Tij = tij τi γj Ai Bj (9.3)
ou encore en posant les facteurs de correction en ligne ai = τi Ai et de colonne
bj = γj Bj ,
Tij = tij ai bj .
Les facteurs ai et bj doivent être calculés de manière à satisfaire :

Tij = Oi
j

Tij = Dj
i
Ce qui peut s’écrire comme suit :

ai tij bj = Oi
j

bj tij ai = Dj
i
ou encore :
Oi
ai =
j tij bj
Dj
bj =
i tij ai
On voit que, pour calculer les ai , il faut disposer des bj et réciproquement. Le

processus itératif proposé par Furness consiste à calculer les ai en fixant les bj , à
appliquer ces facteurs de correction ai , puis de calculer les bj en fixant les ai et
d’appliquer ces bj . Ensuite, on itère.
Algorithme 9.1 Méthode de Furness. Une itération de la méthode de furness

consiste en les deux pas suivants :
1. Avec les bj déterminés précédemment (au départ, mettre bj = 1), déterminer

les facteurs de corrections ai tels que les conditions (9.1) soient vérifiées :

Tij = ai bj tij = Oi
j j
On obtient donc :
Oi
ai =
j bj tij
Appliquer ces facteurs de correction en ligne :
tij = ai tij
2. Avec les ai déterminés précédemment, déterminer les bj satisfaisant les cont-

raintes sur les colonnes (9.2) :

Tij = bj ai tij = Dj
i i
On obtient donc :
Dj
bj =
i ai tij
Appliquer ces facteurs de correction en colonne :
tij = tij bj
Retour au pas 1.
Illustrons ceci sur l’exemple suivant :
Attraction
Génération 1 2 3 4 oi Oi
1 5 50 100 200 355 400
2 50 5 100 300 455 460
(9.4)
3 50 100 5 100 255 400
4 100 200 250 20 570 702
dj 205 355 455 620 1635
Dj 260 400 500 802 1962
Au pas 1, en considérant bj = 1, il suffit d’appliquer les taux en ligne :
Oi
ai = τ i =
oi
Section 9.4. Modèle avec facteurs de croissance doublement contraints 107
On obtient le tableau suivant :
Attraction

Génération 1 2 3 4 oi =
j tij
1 5, 6 56, 3 112, 7 225, 4 400

2 50, 6 5, 0 101, 1 303, 3 460
3 78, 4 156, 9 7, 8 156, 9 400
4 123, 2 246, 3 307, 9 24, 6 702

dj = t i ij 257, 8 464, 5 529, 5 710, 2 1962
Dj 260 400 500 802
Au pas 2, il suffit d’appliquer les facteurs de croissance en colonne suivant

Dj
bj =
i ai tij
où le dénominateur est exactement la somme sur les lignes des coefficients tels que
modifiés au pas 1. On obtient le tableau suivant :
Attraction

Génération 1 2 3 4 j Oi
1 5, 65 48, 48 106, 42 254, 54 415, 09 400
2 51, 03 4, 31 95, 47 342, 50 493, 31 460
3 79, 07 135, 11 7, 37 177, 18 398, 73 400
4 124, 25 212, 10 290, 74 27, 78 654, 87 702

i 260 400 500 802
Dj 260 400 500 802 1962
Les méthodes basées sur des facteurs d’accroissement se révèlent utiles pour
des changements peu importants de la matrice (mise à jour). Lors de changements
plus importants (par exemple, l’ajout de nouvelles zones, la modification du réseau,
etc. . . ), d’autres méthodes plus efficaces doivent être utilisées. Elles sont basées
sur une analogie avec le modèle de gravité.
9.5 Modèles de gravité
La première utilisation du modèle de la gravité pour prédire les mouvements de

personnes est due à Casey [5]. Dans sa formulation, le nombre de mouvements de
personnes entre i et j est donné par :
αPi Pj
Tij =
d2ij
où Pi et Pj sont les populations des zones et dij leur distance, α étant un facteur
de proportionnalité.
Adapté à notre modèle ceci devient (avec Pi remplacé par Oi et Pj remplacé
par Dj ) :
Tij = αOi Dj f (cij )
où f (cij ) est une fonction du coût généralisé du trajet qui reflète la propension à
voyager en fonction du coût généralisé (ou de la distance généralisée).
Si on observe la distribution des déplacements en zone urbaine en fonction de
la longueur de ceux-ci, on a typiquement un graphique de la forme 9.1 où l’on peut
voir qu’il y a principalement une distribution entre 20 et 40 minutes.
Mouvements
Temps
1020304050607080100110 (minutes)
Figure 9.1: Distribution des déplacements en fonction de leur durée.
Ce genre de distribution est assez bien représenté par une fonction du type :
f (cij ) = cnij exp(−βcij )
Venons-en maintenant au modèle doublement contraint. Pour assurer que (9.1)

et (9.2) soient satisfaites, on remplace α par deux facteurs de poids Ai et Bj comme
Section 9.6. Relation entre les deux modèles 109
dans le modèle de Furness pour obtenir :
Tij = Ai Oi Bj Dj f (cij ) (9.5)
En sommant par rapport à i et j et en imposant l’égalité à Dj et Oi respectivement,

on obtient :

Oi = j Tij = Ai Oi Bj Dj f (cij )
j

Dj = i Tij = Bj Dj Ai Oi f (cij )
i
Ou encore que :

Ai = 1/( Bj Dj f (cij ))
j

Bj = 1/( Ai Oi f (cij ))
i
On voit que pour calculer les Ai , il faut disposer des Bj et réciproquement. Ceci
suggère un processus à la Furness. On commence avec Bj = 1, on résout par
rapport aux Ai . On utilise ces valeurs pour calculer les Bj et on recommence.
9.6 Relation entre les deux modèles
On peut même établir une relation entre le modèle de gravité et le modèle de

Furness. En effet, Evans [8] montre que, à la limite, β = 0 dans l’expression
f (cij ) = cnij exp(−βcij )
va produire une matrice de mouvements où les coûts ne jouent aucun rôle : on
obtiendra la solution de Furness.
Nous verrons au chapitre 10 consacré au transport de marchandise un troisième
modèle basé sur la programmation linéaire. Evans montre également qu’une valeur
importante de β va générer une solution plus proche du modèle linéaire car les
coûts de transport seront dominants. A la limite, β = +∞ reproduira la solution
du problème linéaire.
En conclusions, on peut donc utiliser le modèle de gravité pour représenter
un large spectre de comportement dans le choix de la destination : de l’usager
indifférent aux coûts de transport à l’usager où le coût de transport est prépondérant.
Pratiquement, les différences entre la méthode de Furness et le modèle de
gravité résident dans la présence de la fonction f (cij ) et l’absence de matrice
initiale pour le second modèle.
9.7 Exercices
9.1. Méthode de Furness. Faire deux itérations de plus (une itération est une
révision des lignes et des colonnes) en plus pour l’exemple (9.4).
9.2. Installation d’une école. On vous charge de remettre à jour les données d’un
modèle de simulation de flux de circulation à l’heure de pointe du matin dans
une commune afin de tenir compte de l’installation d’une nouvelle école. La
zone d’étude est divisée en quatre régions. Une étude réalisée il y a cinq ans
a permit d’établir la matrice origine/destination suivante :
Attraction
Génération 1 2 3 4
1 0 60 275 571
2 50 0 410 443
3 123 61 0 47
4 205 265 75 0
(a) Calculer les émissions totales (oi ), les attractions totales (dj ) de chaque
zone ainsi que le nombre total de déplacements à l’époque.
(b) On estime que l’installation d’un nouveau centre scolaire dans la zone
3 va attirer 250 voitures supplémentaires dans cette zone et que 200
voitures supplémentaires vont sortir de cette zone tous les matins. En
déduire les futures attractions (Dj ) et émissions (Oi ) de chaque zone.
(c) Vérifier la condition de faisabilité :

Oi = Dj
i j
Si cette condition n’est pas satisfaite, il faut corriger les données. On

considère ici que les estimations des attractions sont plus fiables que
celles des émissions. Aussi corrige-t-on les émissions d’un facteur
uniforme :
Dj
Oi = j Oi
i Oi
(d) Faire une itération de la méthode de Furness pour estimer la future

matrice origines-destinations.
9.3. Estimation d’une matrice origines-destinations. On vous charge de l’é-

tude d’impact sur le trafic de l’implantation d’un nouveau parking en centre
ville. Afin de simuler les nouveaux flux de circulation, vous devez remettre
à jour les données de votre modèle basé sur l’équilibre de l’utilisateur. La

zone d’étude est divisée en quatre zones. Une étude que vous aviez réalisée
il y a deux ans vous avait permit d’établir la matrice origines-destinations
suivante :
Attraction
1 0 100 175 125
2 150 0 210 450
3 250 50 0 50
4 150 260 100 0
(b) On estime que le trafic a augmenté de 10 % en deux ans. En plus de cet
accroissement général du trafic, on estime que l’installation du nouveau
parking dans la zone 2 va attirer 250 voitures supplémentaires dans cette
zone et que 250 voitures supplémentaires vont sortir de cette zone tous
les matins. En déduire les futures attractions (Dj ) et émissions (Oi ) de
chaque zone.
(c) Faire une itération complète de la méthode de Furness pour estimer la
future matrice origines-destinations.
9.4. Estimation de la demande en transport. On vous charge de mettre à jour
des données d’un modèle de simulation de la circulation dans une moyenne
agglomération. Afin de simuler les nouveaux flux de circulation, vous devez
remettre à jour les données de votre modèle basé sur l’équilibre de l’utilisa-
teur. La zone d’étude est divisée en quatre zones. Une étude réalisée il y a
cinq ans avait permit d’établir la matrice origine/destination suivante :
Attraction
1 0 50 60 120
2 100 0 110 250
3 150 50 0 70
4 20 140 80 0
(b) Afin de remettre à jour la matrice, on se base sur un seul facteur ex-
plicatif des émissions de voiture, à savoir le nombre de véhicules dans
la zone. Le nombre de voitures immatriculées dans chaque zone et le

nombre de déplacements émis étaient les suivants, il y a cinq ans :
Observation nombre de voitures nombre de déplacements émis

1 120 230
2 265 460
3 150 270
4 125 240
En vous basant sur le modèle de régression linéaire, estimer les pa-

ramètres de la relation entre le nombre de véhicules et le nombre de
déplacements émis par une zone quelconque.
(c) Au vu des résidus, estimez-vous le modèle satisfaisant ou manque-t-il
une autre variable explicative fondamentale ?
(d) Le nombre de voiture immatriculée dans chaque zone a évolué de la
manière suivante :
Zone nombre de voitures avant nombre de voitures après

1 120 130
2 265 300
3 150 160
4 125 140
Au moyen de la relation linéaire déterminée plus haut, estimer les

nouvelles émissions de la zone (les nouveaux Oi ).
(e) En ce qui concerne l’attraction, on estime que 70 % des nouveaux
déplacements sont à destination de la zone 2 (centre ville) et que les
30 autres % de nouveaux déplacements se répartissent équitablement
entre les zones 1, 3 et 4. Estimer les nouvelles attractions (nouveaux
Dj ).
(f) Faire une itération de la méthode de Furness pour remettre à jour la
matrice Origines/Destinations.
Chapitre 10
Le transport de marchandises
10.1 Introduction
Jusqu’à présent, nous nous sommes intéressés au transport de personnes qui

représente la majorité des déplacements en zone urbaine. Cependant, les problèmes
causés par le transport de marchandises sont loin d’être négligeables sur un réseau
au bord de la saturation. Les mouvements de camions peuvent être source de
congestion mais aussi d’autres nuisances : problème de bruit, de pollution et d’en-
combrement de la chaussée à cause des livraisons en voirie.
Les actions possibles pour limiter ces nuisances sont principalement :
• mesures contraignantes sur les heures de livraisons (à faire en dehors des
heures de pointe);
• mesures de limitation de la taille des véhicules (interdire certaines zones aux

camions au profit de camionnettes de livraison).
Il faut cependant garder à l’esprit que le transport de marchandises est vital pour
l’économie de l’agglomération : sans livraison, il n’y pas plus de commerce ni
d’usine, donc plus d’emploi.
10.2 Facteurs influençant le trafic de marchandises
Les facteurs qui influencent la demande de transport de marchandises sont princi-

palement les suivants :
• les facteurs de localisation : la localisation des centres de production (à la

génération) et la localisation des marchés (à l’attraction);
113
114 Chapitre 10. Le transport de marchandises
• les facteurs physiques : les caractéristiques des matières premières et des

produits finaux influencent fortement leur manière d’être transportés : en
citerne, en camion frigo, en camionnettes, etc. . .
• les facteurs dynamiques : certaines demandes de transport sont soumises

à des variations saisonnières (matériaux de construction, boissons,. . . )
Tous ceci fait que la modélisation du trafic de marchandises est plus complexe
que la modélisation du transport de personnes : on doit souvent recourir à plusieurs
matrices origines-destinations correspondant à différents types de marchandises.
10.3 Coût du transport de marchandises
Il est souvent très difficile d’obtenir des informations sur les coûts de transport des
marchandises. En effet, que ce soit pour le client (appelé le “chargeur” dans le
jargon des transporteurs) ou pour l’entreprise de transport, ces informations sont
stratégiques lors de la négociation ou du renouvellement de contrats de transport
pour d’importants chargeurs tels que les grandes surfaces.
Les facteurs influençant les coûts de transport (et donc, par exemple, le choix
du mode route ou rail) sont principalement :
• la longueur du contrat : de meilleures conditions peuvent être obtenues par

le chargeur s’il s’engage pour des livraisons régulières que pour des appels
au coup par coup;
• le volume transporté : à nouveau, des réductions de prix sont accordées si

le volume à transporter est important;
• l’aménagement du terminal : par exemple, une connexion directe avec le

réseau de chemin de fer peut rendre ce mode compétitif alors que s’il faut
prendre un camion pour aller jusqu’à une gare, il y a fort à parier que tout le
voyage se fera en camion;
• le fait de travailler à l’interne ou en sous-traitance : le fait de travailler

à l’interne (souvent pour des raisons d’image ou de fiabilité) occasionne en
général des coûts plus élevés que la sous-traitance à une société spécialisée
en transport.
Il est clair qu’il y a certaines contraintes sur le mode de transport (et donc sur
le coût) qu’il est difficile de modifier à court terme. Voici trois exemples :
Section 10.4. Modélisation de la demande agrégée 115
1. Généralement, les matières liquides ou gazeuses sont transportées par pipe-

lines. Il s’agit généralement de la solution technique qui s’impose.
2. Le transport régulier de charbon vers les centrales électriques ou vers les

hauts fourneaux se fait généralement par des trains spéciaux (ces trains
tournent en rond entre le port d’arrivée et la centrale).
3. Le pétrole est généralement apporté aux raffineries en super pétroliers et

repart en camions citernes par la route.
10.4 Modélisation de la demande agrégée
La grande majorité des modèles de transport de marchandises sont du type agrégé.

La démarche pour la modélisation de cette demande repose sur les étapes suivantes :
• Estimation des générations et des attractions de flux par zone;
• Distribution des volumes ainsi générés de manière à satisfaire les contraintes

de génération et d’attraction. On utilise généralement la programmation
linéaire (voir chapitre 3) ou la méthode de gravité.
• Affectation des mouvements origines-destinations aux modes et aux chemins

par mode choisi.
10.4.1 Estimation des générations et attractions
Les techniques utilisées pour obtenir le nombre de mouvements issus (origine ou

destination) d’une zone dépendent du type de produits considérés. On utilisera :
• Des enquêtes directes aussi bien auprès des producteurs qu’auprès des clients
pour des produits tel que les pondéreux, le pétrole, etc,. . .
• Les méthodes de facteurs de croissance vues au chapitre 8 sont largement

utilisées pour la prévision des émissions et attractions de flux futurs;
• Des régressions multilinéaires sur les variables explicatives sont aussi large-
ment utilisées;
• La demande peut aussi être associée directement à la capacité des surfaces

commerciales et industrielles de la zone.
10.4.2 Modèles de distribution
Les deux techniques les plus utilisées sont le modèle de gravité et la programmation
linéaire.
Dans le cas du modèle de gravité, on utilise :
Tijk = Aki Bjk Oik Djk e−β

k ck
ij (10.1)
où k indexe le type de marchandises k, Tijk sont les tonnes de produit k transportées
de i à j; Aki , Bjk sont les facteurs de poids; Oik , Djk sont respectivement l’offre du
produit k dans la zone i et la demande du produit k dans la zone j; ckij est le coût
généralisé de transport du produit k entre les zones i et j.
Ce coût généralisé de transport cij tient compte :
• du temps porte à porte entre i et j;

• du temps d’attente à la livraison (qui peut être relativement important dans
le cas de déchargements portuaires);
• d’un pourcentage d’imprévus (grève, perte de chargement, etc. . . )
Une seconde approche pour les modèles de distribution de marchandise est

la programmation linéaire (voir chapitre 3). On va minimiser le coût total du
transport en respectant les contraintes d’offre et de demande :

min Z= Tij cij
 ij

 Tij = Oi



 (10.2)

j
s.c.q.  Tij = Dj



 i

 Tij ≥ 0
Il s’agit du problème du flot à coût minimum sur un graphe qui peut être résolu
par un algorithme spécialisé, soit par l’algorithme du Simplexe (voir chapitre 3).
L’approche par la programmation linéaire (10.2) fait penser plus à un équilibre
social (minimiser la somme des temps perdus sur le réseau) qu’à un équilibre de
l’utilisateur (minimiser son propre temps de trajet). Cette formulation a du sens
pour une firme importante qui cherche à satisfaire ses clients à coût total minimum.
L’approche de la programmation linéaire a donc plus de chance d’être réaliste dans
les cas suivants :
• L’industrie est concentrée dans quelques firmes;

Section 10.4. Modélisation de la demande agrégée 117
• Il y a un coût de transport important par rapport à la valeur de la marchandise;
• Il y a peu de zones de demande, parfois même un client unique.
Dans le cas contraire, la solution de la programmation linéaire aura tendance

à être très creuse : une destination est desservie par une ou quelques origines. Le
modèle de gravité (10.1) est plus souple car il permet de faire varier l’importance
des coûts de transport via le facteur β.
On peut même établir une relation entre le modèle de gravité (10.1) et le
modèle linéaire (10.2). En effet, Evans [8] montre que, à la limite, β = 0 dans
(10.1) va produire une matrice de mouvements où les coûts ne jouent aucun rôle :
on obtiendra la solution de Furness. D’un autre côté, une valeur importante de β va
générer une solution plus proche du modèle linéaire car les coûts de transport seront
dominants. A la limite, β = +∞ reproduira la solution du problème linéaire.
En conclusions, on peut donc utiliser le modèle de gravité pour représenter un
large spectre de comportement dans le choix de la destination : du client qui est
indifférent aux coûts de transport au client où le coût de transport est prépondérant
dans la valeur du produit (comme le transport de ciment ou de briques).
10.4.3 Choix du mode de transport
Le choix du mode (route ou rail) dépend du coût relatif des deux modes mais
aussi de leur efficacité. Au niveau urbain, seul reste généralement possible le
mode route. La part du mode ferroviaire va en décroissant au point de disparaı̂tre
totalement en zone urbaine. Reste le mode fluvial utilisé essentiellement pour les
pondéreux mais qui repartent souvent vers les chantiers par la route.
10.4.4 Affectation
Il s’agit de choisir le meilleur itinéraire pour livrer la marchandise depuis son

origine jusqu’à sa destination. On fait généralement une affectation d’équilibre de
l’utilisateur sur un réseau restreint : les camions semi-remorques sont, soit pour
des raisons de code de la route, soit pour des raisons d’étroitesse des voiries, limités
à circuler sur les axes principaux. Il va de soi que la matrice n’est pas chargée
sur un réseau vide mais vient s’additionner à la matrice origines-destinations des
voitures particulières. On utilisera la notion de classes d’utilisateurs (1 = voitures
particulières, 2 = camions, par exemple) et certains axes seront interdits à certaines
classes d’utilisateurs.
10.5 Exercices
10.1. Problème de transport. On dispose de deux usines de production dont

les débouchés sont situés sur trois marchés distants géographiquement. On
connaı̂t la capacité de production de chacune des usines ainsi que la demande
de chacun des marchés. On dispose également (voir tableau 10.1 pour les
données précises) des distances, exprimées en milliers de miles, entre les
sites de production et les marchés.
Usines Marchés Offre

New York Chicago Topeka
Seattle 2.5 1.7 1.8 350
San Diego 2.5 1.8 1.4 600
Demande 325 300 275
Tableau 10.1: Les données numériques du problème de transport.
Les frais de transport sont de 90 $ par millier de miles. On se demande

combien d’unités du produit acheminer à chaque marché à partir de chaque
usine de manière à minimiser les coûts de transport, les coûts de production,
étant les mêmes dans toutes les usines, n’entrent pas en ligne de compte.
(a) Formulez mathématiquement le problème.
(b) Le résoudre avec le solveur d’Excel.
10.2. Organisation de la collecte de bouteilles en plastique. Une entreprise
spécialisée dans le recyclage de bouteilles en plastique possède deux usines,
l’une située à Liverpool et l’autre à Brighton. De plus, elle dispose de
quatre entrepôts de stockage intermédiaire situés à Newcastle, Birmingham,
London et Exeter respectivement. Cette entreprise achète son ingrédient à
six fournisseurs : six grosses villes avec lesquelles elle a un contrat d’achat
des bouteilles à recycler. Les bouteilles à recycler peuvent aller directement
aux usines, soit transiter via les dépôts. Les tableaux 10.2 et 10.3 fournissent
les coûts de transport unitaires (en Livres par tonne). Une barre indique que
le transport n’est pas possible entre les deux lieux. Chaque usine a une
capacité mensuelle de traitement qui ne peut être dépassée. Elle est donnée
en dernière ligne du tableau 10.2 en tonnes par mois. Chaque dépôt a une
capacité maximum de transit par mois donnée en dernière ligne du tableau
10.3. Chaque ville a une fourniture mensuelle donnée en dernière colonne
du tableau 10.3. On se demande comment organiser la collecte des bouteilles
pour minimiser les coûts de transport.
Coût de Réception
fourniture Usine de Usine de
venant de Liverpool Brighton
Newcastle 0,5 -
Birmingham 0,5 0,3
London 1,0 0,5
Exeter 0,2 0,2
Ville 1 1,0 2,0
Ville 2 - -
Ville 3 1,5 -
Ville 4 2,0 -
Ville 5 - -
Ville 6 1,0 -
Capacité 150 000 200 000
Tableau 10.2: Coût de fourniture et capacité
Coût de Réception Offre

fourniture Dépôt de Dépôt de Dépôt de Dépôt de
venant de Newcastle Birmingham London Exeter
Ville 1 - 1,0 - - 50 000
Ville 2 1,5 0,5 1,5 - 10 000
Ville 3 0,5 0,5 2,0 0,2 40 000
Ville 4 1,5 1,0 - 1,5 35 000
Ville 5 - 0,5 0,5 0,5 60 000
Ville 6 1,0 - 1,5 1,5 20 000
Capacité 70 000 50 000 100 000 40 000
Tableau 10.3: Coût de fourniture et offre des villes

(a) Formuler mathématiquement le problème (choix des variables, expres-

sion des contraintes et de l’objectif).
(b) Résoudre au moyen du Solveur d’Excel.
Partie IV
Les externalités du transport
121
Chapitre 11
Les impacts sur l’environnement
11.1 Introduction
Transport et environnement entretiennent, comme le souligne Christian Reynaud

[23] des relations complexes.
D’une part, les transports sont à la base même du développement économique
(pensez à un monde sans échange car sans transport) et social (pensez à un monde
sans déplacement possible en dehors du village d’origine). Mais d’autre part, le
transport a un certain nombre d’effets néfastes sur l’environnement : pollution
de l’air, émission de bruits, accidents,. . . La notion de développement durable
est l’idée d’essayer de réconcilier le développement économique et le respect de
l’environnement.
Les contributions du transport aux nuisances sonores et à la pollution de l’air
font depuis plusieurs années l’objet de nombreuses études d’organismes interna-
tionaux tels que l’ONU, l’OCDE et la CE. Voir à ce propos, les rapports de la
Conférence Européenne des Ministres des Transports [6, 7]. Ces études ont lar-
gement contribué à faire prendre conscience auprès des décideurs politiques et
du public de l’importance de ces problèmes : c’est ainsi que les réglementations
nationales et internationales deviennent de plus en plus contraignantes.
Une notion importante pour l’évaluation des effets nuisibles sur l’environne-
ment est la double distinction suivante :
• distinction suivant l’horizon d’espace : certains effets sont purement locaux

(comme le smog), d’autres ne peuvent se traiter qu’à l’échelle planétaire
(comme l’effet de serre);
• distinction suivant l’horizon de temps : certains effets sont à court terme
(comme les pics de pollution à l’ozone en ville en période de forte chaleur),
d’autres sont à long terme (comme la destruction de la couche d’ozone et le
réchauffement de la planète).
123
124 Chapitre 11. Les impacts sur l’environnement
Nous allons nous limiter dans l’étude des impacts du transport sur l’environ-
nement à deux nuisances particulièrement importantes :
• la pollution de l’atmosphère par l’émission de gaz toxiques;
• l’émission de bruit.
Nous verrons dans chaque cas :
1. Quels sont les principaux impacts sur l’environnement ?
2. Comment peut-on les quantifier ? C’est-à-dire quelle est l’unité de mesure

la plus adaptée ?
3. Comment peut-on réduire ces dommages ? C’est-à-dire quels sont les fac-
teurs de réductions des nuisances.
11.2 La pollution de l’atmosphère
Les polluants émis par les transports terrestres sont produits directement lors de
l’utilisation des véhicules, soit sont produits ultérieurement lors de réactions chi-
miques dans l’atmosphère. Les émissions directes proviennent bien sûr des gaz
d’échappement résultant de la combustion, mais aussi des gaz d’évaporation du
carburant ainsi que de l’usure des freins et des pneus.
11.2.1 Principaux polluants atmosphériques
Les principaux polluants sont :
• le dioxyde de carbone : CO2 ;
• le monoxyde de carbone : CO;
• les hydrocarbures : HC;
• les oxydes d’azote : N Ox ;
• le dioxyde de soufre : SO2 ;
• le plomb : P b;
• les particules en suspension;

Section 11.2. La pollution de l’atmosphère 125
• le benzène.
En effet, l’équation théorique de la combustion des moteurs à essence est la sui-

vante :
Cx Hy Oz + O2 + N2 → CO2 + H2 O + N2
Mais sont également présents les sous-produits suivants de la combustion :
+HC + CO + N O + SO2 + P b + particules.
11.2.2 Conséquences des émissions de gaz polluants
Les conséquences principales des émissions de gaz polluants sont :
• les dommages sur la santé des personnes (particulièrement importants en

zone urbaine où la concentration de ces polluants est plus élevée);
• l’atteinte à la végétation (sous forme de pluies acides);
• la destruction des bâtiments (par les particules et les pluies acides);
• l’effet de serre.
Le tableau 11.1 reprend chaque fois les conséquences du polluant et la part

de son émission due au transport par des véhicules à moteurs en France. On voit
que la part du transport dans l’émission globale de chacun de ces polluants est très
variable : allant de 22 % pour le dioxyde de carbone jusqu’à 80 % pour le benzène.
Il est aussi à noter que ces chiffres sont des moyennes nationales et que, localement
la part due au transport routier peut être plus importante : ainsi en agglomération,
la part du CO due au transport routier peut aller jusqu’à 90 %.
Donnons quelques explications sur ce tableau.
Le monoxyde de carbone (CO) dont les véhicules sont la principale source
d’émission en ville (entre 70 et 90 %) sont particulièrement dangereux pour la
santé. En effet, l’hémoglobine a une affinité deux fois plus élevée pour le CO que
pour l’oxygène. Le CO empêche donc l’hémoglobine d’assurer sa fonction de
transport de l’oxygène et accélère le rythme cardiaque avec les conséquences que
l’on peut imaginer pour les personnes cardiaques.
Les hydrocarbures (HC) sont produits principalement par évaporation aux
stations d’essence lors du remplissage et par les imbrûlés qui se retrouvent dans
les gaz d’échappement. Les hydrocarbures sont nocifs pour la santé : ils sont
suspectés d’être cancérigènes et agissent sur le système nerveux.
Gaz Impacts Part du Autre

polluant transport source
CO2 Principal facteur 22 %
de l’effet de serre
CO Gaz très toxique : 70 % Chauffage
Somnolance, maux de tête
HC Dangereux pour la santé : 38 % Raffineries,
provoque la toux, ateliers de
Facteur du smog peintures
N Ox Pluies acides 44 % Engrais
Danger pour la santé :
fonction respiratoire
Réduit la visibilité
SO2 Pluies acides 5% Industries
Danger pour la santé
Pb Danger pour la santé : 60 % Peinture
saturnisme
Particules Danger pour les poumons 20 % Chauffage
Benzène Danger pour la santé : cancérigène 80 %
Tableau 11.1: Les principaux polluants atmosphériques en France

Section 11.2. La pollution de l’atmosphère 127
Les oxydes d’azote (N Ox ) exercent divers effets nocifs sur la santé et sur
l’environnement. D’abord, ils réagissent chimiquement avec d’autres polluants
pour former l’ozone troposphérique, principal composant du smog. Ensuite, les
oxydes d’azote sont, après le dioxyde de Soufre, les principaux responsables des
pluies acides (effets sur les végétaux). Enfin, l’exposition du dioxyde d’azote
(N O2 ) accroı̂t le risque d’infection des voies respiratoires : toux, rhinite, et maux
de gorges sont souvent la conséquence de son inhalation.
Le plomb (P b) est ajouté à l’essence pour améliorer son indice d’octane. Il
est extrêmement nocif pour la santé : trouble du comportement, difficulté de
concentration,. . . Les voitures en sont le principal émetteur.
Les particules en suspension sont d’autant plus dangereuses qu’elles sont
fines car elles pénètrent dans les poumons (diamètre inférieur à 10 microns). Les
véhicules diesels émettent de 50 à 80 % de particules de plus que les véhicules
à essence. Les conséquences pour la santé sont des troubles respiratoires et une
augmentation des cancers.
Le benzène se répand dans l’atmosphère par les gaz d’échappement et par
évaporation lors du remplissage des réservoirs aux pompes à essence. Le benzène
est cancérigène.
Terminons cet aperçu des divers polluants et de leurs conséquences sur l’en-
vironnement en faisant une remarque sur l’ozone. L’ozone dans les couches
supérieures de l’atmosphère (au niveau de la stratosphère) fait écran aux rayons
ultraviolets du soleil et est utile. L’ozone, résultat de la réaction photochimique
des oxydes d’azote avec les hydrocarbures au niveau du sol et des couches basses
de l’atmosphère (troposphère) est un irritant nocif : il provoque irritation des yeux,
toux, oppressions respiratoires, maux de tête et asthme.
11.2.3 Lien avec les modèles de transport
Pour faire le lien entre les modèles de transport et les émissions de polluants, il
faut évaluer les émissions unitaires des différents polluants par voyageur kilomètre
et par tonne transportée.
Et c’est bien connu des conducteurs, la consommation et donc aussi les émis-
sions de polluants varient fortement suivant que l’on se déplace en ville (succession
d’accélérations et de freinages et nombreux départs à froid) ou à la campagne.
En fait, la pollution est en lien étroit avec le flux de véhicules mais aussi avec
la vitesse de circulation. Ainsi, dans une zone très congestionnée où la vitesse
moyenne se situe entre 10 et 20 km/h les émissions de CO2 , de CO et de HC
peuvent être deux à quatre fois supérieures aux émissions observées pour une
vitesse moyenne de 40 km/h. Remarquez que, hors cycle urbain, et à partir de 90

km/h, l’effet de la vitesse s’inverse : entre 80 km/h et 120 km/h, les émissions
de CO2 s’accroissent de 35 %, et entre 100 et 140 km/h, les émissions de CO2
s’accroissent de 60 %.
Outre la dépendance à la fluidité du trafic, les émission de polluants dépendent
aussi du type de carburant utilisé : ainsi, le diesel provoque au kilomètre parcouru
moins d’émissions d’hydrocarbures, de CO2 et de CO mais beaucoup plus de
particules et de N Ox qui sont très nocifs pour la santé.
Il est à remarquer que le transport urbain est responsable de la majorité des
émissions de polluants comme le montre le tableau 11.2.
Polluant Part du transport urbain

CO 72 %
HC 75 %
N Ox 33%
particules 38%
Tableau 11.2: Part du transport urbain dans les émissions
Dans cette part de pollution due au transport urbain, la voiture particulière se

taille la part du lion comme le montre le tableau 11.3.
Polluant Part de la voiture en ville

CO 78 %
HC 85 %
N Ox 62 %
Particules 40%
Tableau 11.3: Part de la voiture dans la pollution due au transport urbain
C’est ainsi que la voiture particulière est largement responsable des pics d’ozone
observés par temps de forte chaleur et de peu de vents dispersant. Seules les
émissions de particules sont dues principalement aux véhicules utilitaires et aux
camions, vu leur mode de combustion (diesel uniquement).
Section 11.3. Les émissions de bruit 129
11.2.4 Facteurs de réduction
Un facteur important dans la réduction des émissions est l’introduction de l’es-

sence sans plomb qui réduit directement les émissions de P b.
Parallèlement, l’introduction du pot catalytique permet de réduire le CO, les
HC et le N Ox par les réactions d’oxydo-réductions suivantes :
HC + O2 → CO2 + H2 O
CO + O2 → CO2
N Ox + CO + HC → N2 + CO2 + H2 O
Malheureusement, si les effets de l’essence sans Plomb et du pot catalytique

limite la pollution unitaire, cette diminution ne se remarque pas au niveau global à
cause de l’augmentation du trafic dans les agglomérations et leurs périphéries.
Ainsi, au cours des 12 dernières années, on a observé une augmentation de 23 %
pour le SO2 , de 27 % pour le N O2 et même de 90% pour les particules ! De
plus, l’effet CO2 dû à la consommation de carburant reste très préoccupant car en
France, près de 60 % des produits pétroliers servent au transport.
Le tableau 11.4 donne les émissions de polluants en fonction du type de
véhicules et de l’endroit de circulation en grammes émis par véhicule kilomètre.
Si on tient compte du taux d’occupation des voitures particulières, celles-ci
sont largement les plus polluantes (voir exercice 11.1). Malheureusement, elles
sont le mode de transport en hausse dans les agglomérations.
11.3 Les émissions de bruit
Le bruit émis par la circulation automobile vient souvent en tête des nuisances
perçues par les riverains, bien avant la pollution et l’insécurité.
11.3.1 Mesure du bruit
La mesure de la gêne due au bruit est complexe car ce n’est pas un chiffre
absolu de niveau sonore qui est le plus dérangeant, c’est l’émergence d’un bruit
au dessus d’un fond de bruit qui est le plus gênant (mobylette en pleine nuit, avion
au décollage en pleine nuit). Interviennent aussi dans la mesure de la nuisance la
durée du bruit, sa fréquence qui sont deux facteurs difficiles à apprécier.
La mesure la plus souvent utilisée est le Leq dB(A) qui est le niveau équivalent
permanent en dB(A). Le dB(A) est une unité de puissance sonore se référent aux
Type de véhicule l/100 km CO N Ox HC CO2 SO2

Voiture essence ville 11,6 45 1,2 6,4 315 -
Voiture essence campagne 5,3 12,5 1,6 1,3 160 -
Voiture diesel ville 9,4 1,7 0,8 0,5 331 0,08
Voiture diesel campagne 5,8 0,7 1,7 1 201 0,06
Autobus en ville 33 18 15,5 12 1158 1,7
Autobus campagne 32 3,8 15 2,7 1123 1,5
Camionette ville 16 55,4 3 6 498 0,18
Camionette campagne - - - - - -
Poids lourd ville - - - - - -
Poid lourd campagne 33 8 17,5 2,8 1158 1,59
Moto ville 6 15,6 0,1 14 163 -
Moto campagne 3,5 8,5 0,2 4,7 106 -
Tableau 11.4: Emissions unitaire de polluants
puissances moyennes et hautes perçues par l’oreille humaine. On estime que le

bruit devient gênant lorsque le niveau sonore dépasse les 65 Leq dB(A).
Il est aussi à remarquer que l’échelle des décibels est logarithmique. On ne peut
donc additionner simplement des décibels. On retiendra que l’addition de deux
bruits de même niveau sonore conduit à une niveau total supérieur de 3 dB(A). Par
exemple :
70dB(A) + 70dB(A) = 73dB(A)
11.3.2 Origine du bruit
Les origines du bruit dans la circulation automobile sont multiples : il y a le bruit du

moteur, le bruit du roulement sur la chaussée, et les bruits intermittents (freinage,
klaxon,. . . etc). La présence de camions augmente fortement les niveaux sonores
(de l’ordre de 6 à 10 dB(A) par rapport au bruit d’une voiture.) Il en va de même
pour le bruit de motos ou des mobylettes dont le niveau sonore est très mal contrôlé.
Pour avoir une idée de l’échelle d’amplitude des dB(A), on se référera au
tableau 11.5.
Section 11.3. Les émissions de bruit 131
Situation dB(A)
Nuit à la campagne 20-26
Bruit de jour en ville 55-75
Seuil de gêne 65
A 300 m d’un avion au décollage 110-120
Tableau 11.5: Volume sonore émis
11.3.3 Mesures de réduction du bruit
Les normes d’émission sonore pour les véhicules à moteur sont progressivement
renforcées dans la CE. Voir à ce propos le tableau 11.6.
Norme 1972 1988 1995

Voiture 82 dB(A) 77 dB(A) 74 dB(A)
Camion 91 dB(A) 84 dB(A) 80 dB(A)
Tableau 11.6: Normes d’émission de bruit (CE).
C’est évidemment la première mesure que l’on peut prendre : réduire le bruit
à la source par une meilleure étude des moteurs. Ceci permet de réduire le bruit
de 5 à 7 dB(A).
Une deuxième mesure est l’utilisation d’un revêtement anti-bruit qui permet
de réduire le bruit de 3 dB(A).
Un autre type de mesures est la protection des logements par :
• la pose de panneaux anti-bruit le long des infrastructures;
• la mise en place de doubles vitrages le long des axes les plus soumis au bruit
qui permet de réduire le niveau sonore de 15 à 20 dB(A).
Pour voir où ces travaux sont les plus utiles, on peut, sur base des flux de
circulation, de leur vitesse et de leur composition (part des camions), établir une
cartographie du bruit le long des grands axes et prendre des mesures telles que
la pose de panneaux ou le versement de primes à l’isolation.
Ainsi en région bruxelloise l’Institut Bruxellois pour la Gestion de l’Environ-
nement a élaboré un cadastre du bruit routier pour 670 km de voiries correspondant
aux 35 % des axes où la circulation est la plus importante. Par tranche de 5 décibels,
des courbes d’émission de bruits ont été tracées. Il en résulte que 28 % de la po-
pulation bruxelloise sont ainsi exposés à un niveau de bruit supérieur à 65 dB(A).
Pour le détail, on se référera au tableau 11.7.
Niveau sonore Pourcentage d’habitations atteintes

60-65 dB(A) 6%
65-70 dB(A) 14 %
> 70 dB(A) 14 %
Tableau 11.7: Pourcentage de personnes concernées par le bruit.
Cependant vu la densité de l’habitat à traverser en zone urbaine, le coût de ces

mesures est souvent prohibitif (voir exercice 11.2 ci-dessous).
11.4 Exercices
11.1. Comparaison des émissions d’une voiture essence et d’un autobus. Sur
base du tableau des émissions unitaires 11.4, calculer, pour chaque polluant,
pour la conduite en ville, à partir de combien de passagers un autobus génère
la même pollution par kilomètre et par voyageur qu’une voiture essence
transportant une seule personne. Quelle conclusion en tirez-vous ?
11.2. Coût d’isolation en région bruxelloise. Pour l’exemple du tableau 11.7, en

supposant un coût d’isolation de 40.000 FF par habitation et sachant que la
région bruxelloise comporte quelques 448.000 habitations, calculer le coût
total annuel de l’isolation des logements gênés par le bruit en sachant que
10 % sont déjà en doubles vitrages et que la durée de vie d’un tel équipement
est estimée à 25 ans.
Chapitre 12
Les coûts externes du transport
12.1 Introduction
Les coûts externes, c’est-à-dire non pris en compte par le marché, sont énormes
au niveau du transport. Il suffit de se référer aux conséquences en matière de santé
et d’environnement de la pollution et du bruit vues au chapitre 11. Nous allons
voir dans ce chapitre comment évaluer les coûts externes du transport (pollution,
bruit, congestion). Mais avant cela, définissons la notion de coût externe et voyons
quelles sont les méthodes d’évaluation de ces coûts externes.
Définition 12.1 On parle de coût externe en économie pour le coût engendré pour
un agent économique par un autre agent qui n’en supporte pas les conséquences
financières.
Par exemple, le bruit du transport pour les riverains occasionne un coût (en double
vitrage) non payé par les transporteurs.
Définition 12.2 Il en résulte que le coût de transport pour l’ensemble de la collec-

tivité, appelé coût social, est égal à la somme du coût privé (celui que paie l’agent
qui occasionne le dommage) et du coût externe :
Coût social = coût privé + coût externe.
Dans notre exemple, au coût externe du bruit s’ajoute le coût payé par transporteur.
La traduction en termes monétaires des effets du transport sur l’environnement
est une nécessité pour l’évaluation des politiques de protection de l’environnement,
notamment, comme nous allons le voir pour comparer les différents modes de
transport quant à leurs coûts externes.
Cependant, leur évaluation en termes monétaires s’avère délicate, surtout lors-
que se pose des problèmes à long terme comme le réchauffement de la planète.
133
134 Chapitre 12. Les coûts externes du transport
Le coût de la disparition de vies humaines, d’espèces végétales ou animales ne

peut être exprimé de manière satisfaisante en termes monétaires. Aussi certaines
évaluations des coûts de la pollution, par exemple, préfèrent exclurent ces parties les
plus difficiles du calcul. Ceci d’autant plus lorsqu’il est souvent difficile d’établir
un lien de cause à effet entre la pollution et les dommages sur la santé.
Ceci explique aussi que l’on n’a souvent que des fourchettes assez larges
d’évaluation des coûts externes. Ainsi, aux Etats-Unis, les estimations de coûts
de santé, de dommages matériels et de baisse de productivité dans l’agriculture
à cause de la pollution varient de 10 à 200 milliards de dollars par an. La plus
grande partie des différences vient de l’estimation du nombre de décès causés par
la pollution.
La forte densité de trafic en milieu urbain fait que les grandes agglomérations
se taillent une part importante de ces coûts. Dans les zones rurales, c’est la perte
de productivité de l’agriculture (due à l’ozone et aux retombées acides) qui est le
principal facteur de surcoût. Une étude de 1984 a montré aux USA que les récoltes
de soja auraient été supérieures de 13 % si les seuils d’ozone avaient été respectés.
Globalement, la Conférence Européenne de Ministres de Transport [6] indique
dans sont rapport sur l’internalisation des coûts externes des transports une four-
chette de 5 à 8 % du PIB, les accidents représentant 70 % de ces coûts. Le coût du
bruit est à hauteur de 0,3 % du PIB et celui des effets de la pollution est estimé de
0,2 à 1,1 % du PIB.
Avant de voir le détails de ces coûts, disons un mot des méthodes courantes
d’évaluation des coûts d’environnement. On distingue généralement trois types de
méthodes d’évaluation des coûts externes :
1. Les marchés de substitution. Le prix de certains biens marchands (par

exemple, les logements) est influencé par des caractéristiques de qualité
(par exemple, l’exposition au bruit). En reliant la baisse de prix aux varia-
tions de qualité de l’environnement, on peut évaluer le coût des dommages.
Une autre façon d’utiliser le marché pour évaluer les coûts est d’évaluer les
dépenses qu’ils faudrait engager pour réduire ou réparer les dommages (coût
de l’isolation double vitrage dans le cas de l’exemple).
2. Les évaluations contingentes. Elles consistent à demander aux agents ce

qu’ils seraient prêts à payer pour éviter la nuisance ou prêt à recevoir pour
la supporter. Les gens auront malheureusement tendance à exagérer le prix
qu’ils désirent recevoir pour accepter la nuisance.
3. Les méthodes indirectes comportent deux phases :

Section 12.2. Les coûts de la pollution 135
• la première, technique, consiste à apprécier les conséquences en terme

physique (nombre de maladies des poumons, dégâts aux bâtiments et
aux végétaux).
• la seconde consiste à évaluer les coûts des dommages correspondant
(soins hospitaliers, ravalement de façades,etc. . . )
12.2 Les coûts de la pollution
On distingue généralement les coûts de la pollution locale (pluies acides, dégâts

sur la santé) des coûts de la pollution globale (effet de serre).
12.2.1 La pollution locale
La pollution locale s’exprime via les sulfures, les oxydes nitriques et les particules.
La pollution par le CO2 est de nature globale et sera analysée plus loin.
Les méthodes d’évaluation utilisées sont surtout de type indirect : d’abord on
estime, d’un point de vue technique, les dommages, ensuite, on cherche à évaluer
le coût de leur réparation.
Kageson [13] donne les dommages concernant la santé, les dégâts matériels et
les atteintes à la végétation par pays en pourcentage du PNB. Les résultats sont
dispersés autour de 0,4 % du PNB comme on peut le voir au tableau 12.1.
Pays Santé Dégâts matériels Végétation Total

Allemagne 0,11-0,42 0,05-0,06 0,03-0,15 0,19-0,63
Suisse 0,02-0,06 0,21 0,18-0,41 0,41-0,68
Suède 0,02-0,06 0,03 0,00-0,02 0,03-0,11
Tableau 12.1: Les coûts de la pollution atmosphérique
Behafy [1] indique les émissions unitaires de polluants du tableau 12.2 pour la
Belgique par mode de transport. L’UIC [25] fournit l’équivalence de toxicité des
différentes émissions donnée au tableau 12.3.
On verra (voir exercices 12.1 à 12.3) que le transport par route est de l’ordre
de 10 fois plus coûteux que le transport par chemin de fer pour l’environnement
et que le transport d’une tonne kilomètre est sensiblement plus coûteuse que le
transport d’un voyageur kilomètre.
CO CO2 N Ox Cx Hy SO2 Particules

Voyageurs (grammes/voyageur kilomètre)
Chemin de fer 0,008 48,7 0,120 0,003 0,209 0,074
TGV 0,005 28,9 0,071 0,002 0,124 0,044
Voiture (1,7 occ.) 1,038 126,4 1,367 0,168 0,084 0,046
Avion 1,266 210,0 0,588 0,198 0,078 0,028
Marchandises (grammes/tonne kilomètre)

Camion (> 10 T) 2,1 - 1,85 0,92 - 0,04
Fer 0,6 - 0,40 0,02 - 0,08
Eau 0,2 - O,58 0,08 - 0,04
Tableau 12.2: Les émissions de polluants par mode en Belgique
CO N Ox Cx Hy SO2 Particules
Toxicité 1 125 100 100 100
Tableau 12.3: La toxicité équivalente des polluants

Section 12.3. Les coûts du bruit 137
12.2.2 La pollution globale
On traite ici de l’effet de serre ou du réchauffement de l’atmosphère lié à l’augmen-

tation de teneur en CO2 . Si aucune mesure n’est prise on estime de 0,1 à 0,5 degré
le réchauffement climatique par période de 10 ans. Il est clair que l’on ne peut
évaluer les conséquences d’un tel réchauffement en simples termes monétaires.
Les émissions de CO2 dues au transport sont évaluées à 22 %. On a effectué
des estimations de taxes nécessaires à obtenir une stabilisation, voir une réduction
du taux d’émission de CO2 et on a analysé les conséquences économiques de telles
taxes. Selon Kagelson [13], il faudrait une réduction de 60 % des émissions dès
maintenant pour obtenir une stabilisation des températures. C’est évidemment
irréalisable.
Pour stabiliser les émissions en 2000 au niveau de 1992 (objectif de la conven-
tion de Rio), la CE estimait en 1994 qu’une taxe de 10 $ le baril de pétrole était
nécessaire. Des études des conséquences d’une telle taxe ont montré une diminu-
tion des coûts sociaux équivalent à la réduction directe de PNB due à la taxe.
12.3 Les coûts du bruit
Comme nous l’avons vu au chapitre précédent, il n’y a pas de mesure physique

pleinement satisfaisante du bruit et de la gène qu’il procure. Le dB(A) est la mesure
la plus courante. Cependant, la durée, la fréquence et la régularité du bruit jouent
aussi un rôle et leur mesure est difficile.
Les méthodes d’évaluation des coûts du bruit sont de trois ordre :
• L’évaluation de l’effet sur la valeur des immeubles. Ceci ne tient compte

que des effets sur les logement et supposent aussi que les acheteurs soient
parfaitement conscients des effets du bruit. Une étude basée en France, en
1986, sur la perte de valeur immobilière estime le coût du bruit à 0,08 % du
PNB.
• L’évaluation des actions à entreprendre pour atténuer ou supprimer le

bruit. Cette méthode est plus objective mais elle dépend crucialement de la
fixation de la norme à atteindre. Ainsi une étude en Allemange a montré
que le coût de prévention à 55 dB(A) était de 1,7 BDM et à 45 dB(A) était
de 10,0 BDM.
• L’évaluation des dommages causés par le bruit sur la santé et leur coût
de réparation. Ils sont très difficiles à apprécier.
On peut ramener le coût total du bruit à l’unité de trafic en divisant par le nombre
de kilomètres voyageurs ou par le nombre de tonnes kilomètres. En Allemagne,
Planco [22] cite les chiffres du tableau 12.4.
Coût du bruit Route Bus

Euros/100 km voyageur 0, 03 0, 5
Euros/100 tonnes kilomètre 0, 19
Tableau 12.4: Les coûts du bruit

Une étude de Hansson et Marckham [11] en utilisant un coût normalisé de 50
euros de suppression de la gêne pour les personnes supportant plus de 65 dB(A)
arrive au cour de 0,222 euro par 100 voyageurs kilomètres. Une étude en France
par Perez [21] pour le transport de marchandises fournit le chiffre de 5 euros par
100 tonnes kilomètre.
En conclusion, on voit que ces études arrivent à des résultats très dispersés.
12.4 Les coûts de la congestion
La figure 12.1 rappelle la forme de la courbe liant le débit au temps de traversée

sur un axe de circulation en agglomération.
Pour tenir compte du surcoût de la congestion, il faut tenir compte de la perte
de temps due à la présence des autres usagers sur l’arc : cette perte se mesure (voir
figure 12.1) par la différence t(q) − t(0).
Pour traduire ces pertes totales de temps (différences entre le temps réel et le
temps de traversée de l’arc parfaitement fluide), il faut donner la valeur du temps
passé dans sa voiture. Bates et Roberts [2] arrivent après une étude fouillée auprès
des usagers au Royaume Uni aux conclusions suivantes sur la valeur du temps
d’attente dans la voiture :
1. La valeur du temps durant les heures de service est égale au salaire brut de
l’employé augmenté des charges patronales;
2. La valeur lors des voyages pour autres raisons (comme, par exemple, aller
au bureau) sont de 27 à 43 % de ce montant.
Bouladon [3] arrive aux chiffres monétaires du tableau 12.5. On voit que la
perte de temps due à la congestion est loin d’être négligeable puisque sa traduction
monétaire représente une perte financière de l’ordre de 2 % du produit national
brut pour la France.
Section 12.4. Les coûts de la congestion 139
temps
t(q)
t(0)
q
Débit
Figure 12.1: Représentation des courbes débit-vitesse.
Pays % du PNB
France 2, 10
Royaume Uni 3, 20
USA 1, 3
Japon 2
Tableau 12.5: Les coûts de la congestion

12.5 Exercices
12.1. Mode le moins coûteux pour le transport de marchandises. En compa-

rant les chiffres sur base du rassemblement des deux tableaux 12.2 et 12.3,
calculer le mode le plus coûteux pour l’environnement en ce qui concerne
le transport de marchandise.
12.2. Mode le moins coûteux pour le transport de personnes. En comparant les

chiffres sur base du rassemblement des deux tableaux 12.2 et 12.3, calculer
le mode le plus coûteux pour l’environnement en ce qui concerne le transport
de voyageurs.
12.3. Comparaison du transport de marchandises et de personnes. Comparer

globalement le coût de transport d’une tonne kilomètre et d’un voyageur
kilomètre.
Bibliographie
[1] BEHAFY, L’environnement, les effets globaux et locaux, CEMT, Lisbonne,

1992.
[2] BATES JJ et ROBERTS M., Value of time research, Proceedings 14th Summer
Annual Meeting, University of Sussex, July 83.
[3] BOULADON, La mobilité en zone urbaine : apprendre l’économie des trans-

ports, Rapport OCDE, Paris, 1991.
[4] BROOKE Anthony, David KENDRICK et Alexander MEERAUS, GAMS

User’s guide Release 2.25, The Scientific Press, San Francisco, 1992.
[5] H.J. CASEY, Applications to engineering of the law of retail gravitation,

Traffic Quarterly, IX (1), 1955, pp 23-35.
[6] Conférence Européenne des Ministres des Transports, Internaliser les coûts
sociaux des transports, OCDE, Paris, 1994.
[7] Conférence Européenne des Ministres des Transports, Transports Urbains et

Développement Durable, OCDE, Paris, 1995.
[8] S.P. EVANS, A relationship between the gravity model for trip distribution
and the transportation problem in linear programming, Transportation Re-
search 7 (1), pp 39-61.
[9] K.P. FURNESS, Time function iteration, Traffic Engineering and Control 7,
(7), 1965, pp 458-460.
[10] FORD L.K. et D.K. FULKERSON, Flows in networks, Princeton University

Press, Princeton, New Jersey, 1962.
[11] HANSSON L. et J. MARCHAKHAM, Internalization of External Effets in

Transportation, UIC, Paris, 1992.
[12] F.S. HILLIER et G.J. LIEBERMAN, Introductions to Operations Research,

Mac Graw Hill International Editions, Singapore, 1995.
141
142 Bibliographie
[13] P. KAGESON, External Cost of Air Pollution. The Case of European Trans-
port, Conférence “Transport et Environnement”, Bruxelles, 1992.
[14] LACAZE Dominique, Optimisation appliquée à la gestion et à l’économie,
Economica, 1990.
[15] LUENBERGER D, Linear and Nonlinear Programming, Addison Wesley,
1984.
[16] MONTAUD René, Transport et Ecologie : la destruction de l’environnement
par le transport, Edition du troisième millénaire, 1993.
[17] Y. NORBERT, R. OUELLET et R. PARENT, La recherche opérationnelle,
Gaëtan Morin Editeur, Montréal-Paris, 1995.
[18] OCDE, La pollution des véhicules à moteur : stratégies de réduciton au delà
de 2.010, Paris, 1995.
[19] OPPENHEIM Norbert, Urban Travel Demand Modeling: From Individual
Choices to General Equilibrium, John Wiley.
[20] ORTUZAR Juan et Luis WILLUMSEN, Modelling Transport, John Wiley,
New York, 1994.
[21] M. PEREZ, Coût externes du transport de marchandises, LET, Lyon, 1992.
[22] PLANCO, Externe Kosten des Verkehrs, Schierre, Strasse, Binnenschiffort,
Essen, 1990.
[23] REYNAUD Christian, Transports et environnement en Méditerranée, Eco-
nomica, Paris, 1996.
[24] SHEFFI Yosef, Urban Transportation Networks: Equilibrium Analysis with
Mathematical Programming Methods, Prentice-Hall, New Jersey, 1985.
[25] UIC, Tarification de l’usage des infrastructures à imputer aux exploitants des
transports terrestres, 1987.
[26] M.P. WILLIAMS, Model building in Mathematical Programming, 3ème
édition, Wiley, New York, 1993.
[27] A.G. WILSON, Entropy in Urban and Regional Modelling, Pion, London,
1970.
[28] T.H. WONNACOTT et R.J. WONNACOTT, Statistiques, quatrième édition,
Economica, Paris, 1991.

Transport Et Environnement

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Transport Et Environnement

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DU LITTORAL COTE D’OPALE

DESS Manager de la Distribution

Option Transport et Logistique

Dunkerque, Octobre 2003

I Quelques rappels mathématiques 7

2 Les notions de graphe, de ﬂot et de réseau. 19

3 Formulation en modèles d’optimisation. 27

4.2.2 Le rapport de sensibilité . . . . . . . . . . . . . . . . . . 41

5 Résolution des modèles non linéaires. 45

II Modèles d’affectation du traﬁc 57

6 Modélisation du transport urbain. 59

7 Résolution du problème d’affectation 77

III Facteurs explicatifs de la demande 87

8 Estimation de la demande de déplacements 89

9 Modèles de distributions de mouvements 101

10 Le transport de marchandises 113

IV Les externalités du transport 121

11 Les impacts sur l’environnement 123

12 Les coûts externes du transport 133

1.1 Objectifs du cours

1.2 Parties du cours

1.3 La notion de matrice

Déﬁnition 1.1 Une matrice de genre (m × n) dans R est un tableau rectangulaire

Elle est notée de la manière suivante :

Déﬁnition 1.2 Le coefﬁcient aij de la matrice l’élément du tableau en position

Ainsi, par exemple, la matrice suivante :

identité. On la désigne par la notation I n . Il s’agit d’une matrice carrée d’ordre n

Voyons maintenant quelques cas particuliers importants.

1. Si n = 1, c’est-à-dire si on a une seule colonne, on parle dans ce cas de

2. Si m = 1, c’est-à-dire si on n’a qu’une seule ligne, on parle de vecteur

Lorsqu’on ne précise pas qu’un vecteur est un vecteur colonne ou ligne,

1.4 Calcul matriciel

Addition de deux matrices :

Déﬁnition 1.4 Pour deux matrices de même genre, A (m × n) et B (m × n), on

Exemple 1.1 Calculer :

On remarquera qu’une des conséquences de la déﬁnition d’addition de matrices

Multiplication par un scalaire :

Déﬁnition 1.5 La multiplication d’une matrice A par un scalaire α ∈ R donne

La transposition d’une matrice :

Déﬁnition 1.6 La matrice transposée d’une matrice A de genre (m × n) est une

Déﬁnition 1.7 Une matrice carrée A d’ordre n est dite symétrique si

Ce qui peut encore se noter matriciellement par

Produit scalaire de deux vecteurs :

Déﬁnition 1.8 Soient x et y, deux vecteurs colonnes de dimension n. Le produit

En notation matricielle, on peut écrire le produit scalaire de la manière suivante :

Exemple 1.2 Calculer de produit scalaire de :

Solution : on a alors le produit scalaire suivant :

Remarquons que le produit scalaire est une opération commutative. En effet :

Déﬁnition 1.9 Considérons deux matrices A et B de genre (m × n) et (n × p)

On a visualisé, à titre d’exemple, dans les matrices A et B, les coefﬁcients

Solution : la matrice C est calculée comme suit :

Voyons maintenant quelques cas particuliers importants.

peut se noter matriciellement de la manière suivante :

2. Si m = 1 et p = 1. C’est le cas du produit scalaire :

Enﬁn signalons que, contrairement au produit de réels, le produit de matrices

1.1. Transposition d’une matrice. Calculez la transposée des matrices sui-

1.2. Le produit matriciel est non commutatif. Calculez les produits AB et

Quelle conclusion en tirez-vous ?

1.3. Multiplication par un scalaire. Calculez D = AB T + αC T avec

1.4. Ecriture en forme extensive. Ecrire sous sa forme extensive la matrice

Les notions de graphe, de ﬂot et de réseau.

2.1 Un exemple de transport

Point Quantité Quantité Quantité