Académique Documents
Professionnel Documents
Culture Documents
Transport et Environnement.
Daniel DE WOLF.
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
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
7
Chapitre 1
Introduction
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).
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
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.
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
12 Chapitre 1. Introduction
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.
C = A + B,
avec
cij = aij + bij .
Solution :
2−3 3 + 5 −1 + 2 −1 8 1
C=
=
.
4 + 6 −2 + 1 7+4 10 −1 11
A + B = B + A.
14 Chapitre 1. Introduction
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.
Autrement dit :
B = αA,
avec
bij = αaij .
Exemple :
1 2 7 2 4 14
2
= .
−3 8 15 −6 16 30
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.
Autrement dit :
AT = {aij T },
avec
aij T = aji .
Exemple :
3 −2
3 4 8
A=
4 5
AT = .
−2 5 −1
8 −1
Section 1.4. Calcul matriciel 15
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.
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
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
Section 1.4. Calcul matriciel 17
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
ou encore
Ax = b.
1.5 Exercices
Dans cette dernière expression, δij est l’indice de Kronecker (utilisé dans la
définition de la matrice identité).
Chapitre 2
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.
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.
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.
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.
22 Chapitre 2. Les notions de graphe, de flot et de réseau.
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
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
si
fki i fij
fki i fij
di
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
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 :
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.
2.4 Exercices
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 ?
|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
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
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 :
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 :
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
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.
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 :
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
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.
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.
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.
3.3 Exercices
Lignes A B C D
Petits avions 10 17 15 23
Grands avions 90 210 140 250
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.
Le solveur d’EXCEL.
4.1 Introduction
35
36 Chapitre 4. Le solveur d’EXCEL.
max z =
3x1 + 5x2
x1 ≤ 4
2x2 ≤ 12
s.c.q. 3x1 + 2x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
x2
10
8
(2, 6)
6
4
z = 36
2
z = 20
0 2 6 8 x1
z = 10
z ∗ = 36.
Section 4.1. Introduction 37
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
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 :
4. Dans la zone “Cellules variables”, mettre les références des cellules conte-
nant les variables (ici $B$2:$C$2) .
38 Chapitre 4. Le solveur d’EXCEL.
$B$2:$C$2 >= 0
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 :
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
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.
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.
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
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”.
le rapport des limites (voir figure 4.6) fournit pour chaque variable :
4.3 Exercices
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.
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
5.1 Introduction
45
46 Chapitre 5. Résolution des modèles non linéaires.
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
x2
8
P∗
4 8 x1
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
4 (4, 3)
z = 3x 1 + 5x 2 = 27
2
2 4 x1
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.
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.
48 Chapitre 5. Résolution des modèles non linéaires.
Q P
P
Q
Q
Q
P
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.
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)
f (x)
min f (x)
hi (x) = 0, i = 1, 2, . . .m (5.2)
s.c.q.
gk (x) ≤ 0, k = 1, 2, p
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
50 Chapitre 5. Résolution des modèles non linéaires.
x∗
g2 (x) = 0
g1 (x) = 0
région
réalisable
g3 (x) = 0
D’où :
∇f (x) = (4x1 + 2x2 − 10, 2x1 + 2x2 − 10)
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
Ecrivons le Lagrangien :
µ1 (x21 + x22 − 5) = 0
µ2 (3x1 + x2 − 6) = 0
µ1 ≥ 0
µ2 ≥ 0
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 :
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
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
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 :
Itération 2 :
z = 5x 1
2
P2
P0
1 2 x1
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)
56 Chapitre 5. Résolution des modèles non linéaires.
5.6 Exercices
57
Chapitre 6
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.
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
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
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.
62 Chapitre 6. Modélisation du transport urbain.
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.
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
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.
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.
arc 1
O D
arc 2
q x
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.
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
c1 = t1 + t3 et c2 = t1 + t4
c3 = t2 + t3 et c4 = t2 + t4
x2 = f3 + f4
x3 = f1 + f3
x4 = f2 + f4
Section 6.5. Formulation du problème d’équilibre de l’utilisateur 67
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
fT ∆ = q
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
Section 6.5. Formulation du problème d’équilibre de l’utilisateur 69
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
qOD = 5 x1
O D
x2
t1 = 2 + x1 (6.10)
t2 = 1 + 2x2 (6.11)
1 Flux
(véh./min.)
1 2 3 x
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
−fp ≤ 0
∂L(f, λ, µ)
= 0
∂fp
µp fp = 0
µp ≥ 0
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
72 Chapitre 6. Modélisation du transport urbain.
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.
Section 6.8. Exercices 73
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
t1 = 2 + x21
t2 = 1 + 3x2
t3 = 3 + x3
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
.
ta = Aa + Ba xa ,
(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
Section 6.8. Exercices 75
2
arc 1 arc 4
6 6
1 4
arc 3 arc 2
3
Figure 6.13: Réseau initial
2
arc 1 arc 4
6 6
1 arc 5 4
arc 3 arc 2
3
Figure 6.14: Réseau renforcé
t5 (x5 ) = 10 + x5
2+2+2=6
76 Chapitre 6. Modélisation du transport urbain.
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 ?
t1 (x1 ) = 3 + 0, 5x1
t2 (x2 ) = 1 + x2
7.1 Introduction
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
d k = y k − xk
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
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
80 Chapitre 7. Résolution du problème d’affectation
Pas 0. Initialisations. Chargement tout ou rien du réseau sur base des plus courts
chemins calculés avec les temps :
t0a = ta (0), ∀a
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 .
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
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 :
t14 = 4
1 4
t12 = 1 t34 = 1
t23 = 1
2 3
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
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.
Section 7.4. Exercices 85
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
q12 = 2
q32 = 2
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
pour déterminer le plus court chemin entre le nœud 1 et tous les nœuds du
réseau de la figure 7.4.
86 Chapitre 7. Résolution du problème d’affectation
ta (xa ) = aa + ba xa
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
87
Chapitre 8
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
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 :
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 ;
• la densité de l’habitat;
• l’accessibilité de la zone.
• l’accessibilité de la zone.
92 Chapitre 8. Estimation de la demande de déplacements
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.
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
De (8.3), on tire b :
n
n
Yi Xi
b= i=1
−a i=1
= Ȳ − aX̄,
n n
94 Chapitre 8. Estimation de la demande de déplacements
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
Section 8.3. Modélisation de l’évolution 95
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
Solution : on va d’abord calculer les écarts. Ceci est fait au tableau 8.5.
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
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
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
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.
8.4 Exercices
X1 X2 Y
15 2 2
28 4 3
20 4 2
22 3 2
10 2 1
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
9.1 Introduction
101
102 Chapitre 9. Modèles de distributions de mouvements
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.
Tij = τ tij
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
Attraction
Génération 1 2 3 4 j Tij
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
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 :
τ1 = 1, 13
τ2 = 1, 01
τ3 = 1, 57
τ4 = 1, 23
Attraction
Génération 1 2 3 4 j Tij
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
ou encore :
Oi
ai =
j tij bj
Dj
bj =
i tij ai
On obtient donc :
Oi
ai =
j bj tij
tij = ai tij
On obtient donc :
Dj
bj =
i ai tij
tij = tij bj
Retour au pas 1.
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
Oi
ai = τ i =
oi
Section 9.4. Modèle avec facteurs de croissance doublement contraints 107
Attraction
Génération 1 2 3 4 oi =
j 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.
108 Chapitre 9. Modèles de distributions de mouvements
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 :
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.
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.
110 Chapitre 9. Modèles de distributions de mouvements
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
Attraction
Génération 1 2 3 4
1 0 50 60 120
2 100 0 110 250
3 150 50 0 70
4 20 140 80 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) 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
112 Chapitre 9. Modèles de distributions de mouvements
Le transport de marchandises
10.1 Introduction
• mesures contraignantes sur les heures de livraisons (à faire en dehors des
heures de pointe);
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.
113
114 Chapitre 10. Le transport de marchandises
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.
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 :
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
• Des enquêtes directes aussi bien auprès des producteurs qu’auprès des clients
pour des produits tel que les pondéreux, le pétrole, etc,. . .
• Des régressions multilinéaires sur les variables explicatives sont aussi large-
ment utilisées;
Les deux techniques les plus utilisées sont le modèle de gravité et la programmation
linéaire.
Dans le cas du modèle de gravité, on utilise :
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 :
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 :
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
10.5 Exercices
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
121
Chapitre 11
11.1 Introduction
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 :
• l’émission de bruit.
3. Comment peut-on réduire ces dommages ? C’est-à-dire quels sont les fac-
teurs de réductions des nuisances.
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.
• le plomb : P b;
• le benzène.
• l’effet de serre.
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.
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
128 Chapitre 11. Les impacts sur l’environnement
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
HC + O2 → CO2 + H2 O
CO + O2 → CO2
N Ox + CO + HC → N2 + CO2 + H2 O
Le bruit émis par la circulation automobile vient souvent en tête des nuisances
perçues par les riverains, bien avant la pollution et l’insécurité.
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
130 Chapitre 11. Les impacts sur l’environnement
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
Les normes d’émission sonore pour les véhicules à moteur sont progressivement
renforcées dans la CE. Voir à ce propos le tableau 11.6.
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 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,
132 Chapitre 11. Les impacts sur l’environnement
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.
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 ?
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.
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
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.
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.
136 Chapitre 12. Les coûts externes du transport
CO N Ox Cx Hy SO2 Particules
Toxicité 1 125 100 100 100
• L’évaluation des dommages causés par le bruit sur la santé et leur coût
de réparation. Ils sont très difficiles à apprécier.
138 Chapitre 12. Les coûts externes du transport
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.
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
12.5 Exercices
[2] BATES JJ et ROBERTS M., Value of time research, Proceedings 14th Summer
Annual Meeting, University of Sussex, July 83.
[6] Conférence Européenne des Ministres des Transports, Internaliser les coûts
sociaux des transports, OCDE, Paris, 1994.
[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.
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.