1
ELABORATION D’UN MODELE DE
MOTORISATION
Comparaison des différents modèles de motorisation et application dans le cadre du
projet SIMBAD
Président du jury : Robert THOMAZEAU
Maître de TFE : Patrick BONNEL
Expert : Laurent SABATIER
30 Juin 2009
Guillaume TREMBLIN
Transports et Territoires
Promotion 54
ELABORATION D’UN MODELE DE
MOTORISATION
Comparaison des différents modèles de motorisation et application dans le cadre du
projet SIMBAD
Président du jury : Robert THOMAZEAU
Maître de TFE : Patrick BONNEL
Expert : Laurent SABATIER
30 Juin 2009
Guillaume TREMBLIN
Transports et Territoires
Promotion 54
3
NOTICE ANALYTIQUE
NOM PRENOM
AUTEUR TREMBLIN Guillaume
TITRE DU TFE Elaboration d’un modèle de motorisation
ORGANISME D'AFFILIATION ET
LOCALISATION NOM PRENOM
MAITRE DE TFE Laboratoire d’Economie des Transports
BONNEL Patrick
COLLATION Nbre de pages du rapport 72
Nbre d'annexes (Nbre de pages)
39
Nbre de réf. biblio. 16
MOTS CLES Motorisation, modèle, variables explicatives, enquête ménage déplacement, SIMBAD, corrélation, modalité, analyse statistique
TERMES
GEOGRAPHIQUES Agglomération lyonnaise, secteur de tirage, Aire urbaine
RESUME
Ce travail de fin d’études pose les bases de l’élaboration d’un modèle de motorisation adapté aux besoins du projet SIMBAD (SImuler les MoBilités pour une Agglomération Durable) développé par le LET (Laboratoire d’Economie des Transports). Au travers de l’analyse de la littérature scientifique traitant de ce sujet et du traitement statistique des données disponibles sur les ménages résidant dans l’aire urbaine de Lyon, il a pour objectif la compréhension et l’analyse des comportements des ménages à l’égard de leur équipement automobile.
ABSTRACT
This paper is the first step towards the conception of a car ownership predicting model responding to the expectations and needs of the SIMBAD project developed by the Transport Economics Laboratory. Trough a review of the scientific literature dealing with this subject and a statistical analysis of the data available on households residing in the urban area of Lyon, it aims to understand and analyse the households’ behaviours towards their automobile equipment level.
4
REMERCIEMENTS
Je tiens à remercier Patrick BONNEL, Jean-Pierre NICOLAS, et Didier PLAT du
Laboratoire d’Economie des Transports pour la disponibilité dont ils ont fait preuve tout
au long de mon travail de fin d’études et pour toute l’aide qu’ils ont pu m’apporter.
Je tiens également à remercier Robert TOMAZEAU et Lionel ROYER pour l’aide qu’ils
m’ont apportée afin que la soutenance de mon travail de fin d’études se passe dans les
meilleures conditions.
Enfin, un grand merci à Laurent SABATIER du Centre d’Etudes sur les Réseaux, les
Transports, l’Urbanisme et les constructions publiques qui a gracieusement accepté de tenir
le rôle d’expert lors de la soutenance.
5
SOMMAIRE
1 INTRODUCTION 9
2 HISTOIRE DE LA MOTORISATION ET METHODOLOGIE 11
2.1 Histoire de la motorisation 11
2.2 Méthodologie 13
3 ANALYSE DES DETERMINANTS DE LA MOTORISATION 16
3.1 Catégorisation des variables explicatives 16
3.2 Les variables sociodémographiques 16
3.2.1 Le revenu 16
3.2.2 Variables de composition du ménage 18
3.2.3 Variables d’occupation du ménage 21
3.2.4 Variables de logement du ménage 23
3.2.5 Variables d’accès à la voiture du ménage 24
3.3 Les variables de contexte local 26
3.3.1 Variables d’environnement du lieu de résidence 26
3.3.2 Variables d’accessibilité aux transports 29
3.3.3 Variables d’accessibilité au lieu de travail 31
3.4 Les variables globales 33
3.4.1 Variables de coûts 33
3.4.2 Variables de tendance 34
4 COMPARAISON DES MODELES DE MOTORISATION 35
4.1 Synthèse des modèles employés 35
4.2 Les modèles agrégés 37
4.2.1 Le modèle de Dargay et Gately 37
4.2.2 Le modèle de Romilly, Song, et Liu 38
4.2.3 Le modèle de Madre et Lambert 38
4.3 Les modèles désagrégés 39
4.3.1 Les modèles ordonnés 39
4.3.2 Les modèles non-ordonnés 40
4.3.3 Les autres modèles 41
4.4 Les modèles dynamiques 41
4.4.1 Le modèle de Collet 41
4.4.2 Le modèle de Golob et Van Wissen 42
6
5 APPLICATION DANS LE CADRE DU PROJET SIMBAD 43
5.1 Présentation du projet SIMBAD 43
5.1.1 Objectifs et moyens mis en œuvre pour le projet 43
5.1.2 Spécificités du modèle de motorisation requis 43
5.2 Présentation des données disponibles 44
5.2.1 Présentation de l’enquête ménage déplacement de 2006 44
5.2.2 Variable de revenu 45
5.2.3 Variables de composition du ménage 46
5.2.4 Variables d’occupation du ménage 48
5.2.5 Variables de logement du ménage 49
5.2.6 Variables d’accès à la voiture du ménage 50
5.2.7 Variables d’environnement du lieu de résidence 51
5.2.8 Variables d’accessibilité aux transports 52
5.2.9 Variables d’accessibilité au lieu de travail 52
5.2.10 Variables globales 53
5.3 Analyse des déterminants de la motorisation 53
5.3.1 Analyse des corrélations entre variables 53
5.3.2 Analyse qualitative 57
5.3.3 Analyse de variance 66
5.3.4 Choix des variables du modèle 67
5.4 Choix du modèle 68
6 CONCLUSION 69
7
LISTE DES FIGURES
Figure 1 : Evolution du taux de motorisation des ménages français ......................................................11 Figure 2 : Carte mondiale des taux de motorisation pour 1000 habitants..............................................12 Figure 3 : Carte de localisation des études analysées .................................................................................15 Figure 4 : Taux de motorisation en fonction du PIB par habitant par Dargay et Gately ....................37 Figure 5 : Répartition de la motorisation en fonction du revenu ............................................................57 Figure 6 : Répartition de la motorisation en fonction de la taille du ménage ........................................57 Figure 7 : Répartition de la motorisation en fonction du type de ménage .............................................58 Figure 8 : Répartition de la motorisation en fonction du nombre d’adultes ..........................................58 Figure 9 : Répartition de la motorisation en fonction du nombre d’enfants .........................................59 Figure 10 : Répartition de la motorisation en fonction de l’âge du chef de ménage ............................59 Figure 11 : Répartition de la motorisation en fonction de l’occupation du chef de ménage ..............60 Figure 12 : Répartition de la motorisation en fonction du nombre d’actifs ..........................................60 Figure 13 : Répartition de la motorisation en fonction du nombre d’inactifs .......................................61 Figure 14 : Répartition de la motorisation en fonction du type de logement ........................................61 Figure 15 : Répartition de la motorisation en fonction de l’occupation du logement ..........................62 Figure 16 : Répartition de la motorisation en fonction du nombre de permis ......................................62 Figure 17 : Répartition de la motorisation en fonction du nombre de permis par adulte ...................63 Figure 18 : Répartition de la motorisation en fonction de la localisation ...............................................63 Figure 19 : Répartition de la motorisation en fonction de la densité de population ............................64 Figure 20 : Répartition de la motorisation en fonction de la disponibilité des TC ...............................64 Figure 21 : Répartition de la motorisation en fonction de la distance DT .............................................65
8
LISTE DES TABLEAUX
Tableau 1 : Synthèse des publications analysées ...............................................................................................14 Tableau 2 : Synthèse des variables de composition du ménage .....................................................................18 Tableau 3 : Synthèse des variables d’occupation du ménage ..........................................................................21 Tableau 4 : Synthèse des variables de logement du ménage ...........................................................................23 Tableau 5 : Synthèse des variables d’accès à la voiture du ménage ...............................................................24 Tableau 6 : Synthèse des variables d’environnement du lieu de résidence...................................................26 Tableau 7 : Synthèse des variables d’accessibilité aux transports ..................................................................29 Tableau 8 : Synthèse des variables d’accessibilité au lieu de travail ...............................................................31 Tableau 9 : Synthèse des variables globales .......................................................................................................33 Tableau 10 : Synthèse des modèles de motorisation utilisés ..........................................................................36 Tableau 11 : Description de la variable Motorisation ......................................................................................44 Tableau 12 : Description de la variable Revenu ...............................................................................................45 Tableau 13 : Description de la variable Taille du ménage ...............................................................................46 Tableau 14 : Description de la variable Type de ménage ................................................................................46 Tableau 15 : Description de la variable Nombre d’adultes .............................................................................47 Tableau 16 : Description de la variable Nombre d’enfants ............................................................................47 Tableau 17 : Description de la variable Age du chef de ménage ...................................................................47 Tableau 18 : Description de la variable Occupation du chef de ménage .....................................................48 Tableau 19 : Description de la variable Nombre d’actifs ................................................................................48 Tableau 20 : Description de la variable Nombre d’inactifs ............................................................................49 Tableau 21 : Description de la variable Type de logement .............................................................................49 Tableau 22 : Description de la variable Occupation du logement ................................................................49 Tableau 23 : Description de la variable Nombre de permis ...........................................................................50 Tableau 24 : Description de la variable Nombre de permis par adulte ........................................................50 Tableau 25 : Description de la variable Localisation .......................................................................................51 Tableau 26 : Description de la variable Densité ...............................................................................................51 Tableau 27 : Description de la variable Disponibilité TC ...............................................................................52 Tableau 28 : Description de la variable Distance DT ......................................................................................52 Tableau 29 : Tableau des corrélations entre variables (première moitié) .....................................................54 Tableau 30 : Tableau des corrélations entre variables (seconde moitié) .......................................................55 Tableau 31 : Classement des variables en fonction du pourcentage de variance expliquée ......................66
9
1 INTRODUCTION
Ce travail de fin d’études s’inscrit dans le cadre du projet SIMBAD (SImuler les MoBilités
pour une Agglomération Durable) développé par le LET (Laboratoire d’Economie des
Transports) en lien avec l’Agence d’Urbanisme de Lyon. Ce projet ambitionne de modéliser
les interactions entre le domaine des transports et celui de l’urbanisme à l’échelle du bassin de
vie d’une agglomération. Son objectif principal est de permettre de tester l’influence de
différentes politiques d’aménagement du territoire sur les pratiques de mobilités des
populations concernées, et de mesurer leurs répercussions sur les trois dimensions du
Développement Durable : environnementale, économique, et sociale.
Pour atteindre cet objectif, le projet SIMBAD intègre un modèle de simulation des
déplacements de l’ensemble des acteurs intervenant dans la zone étudiée : les résidents dans
l’accomplissement quotidien de leur mobilité, les activités économiques via les trafics de
marchandises qu’elles génèrent, et les flux entrants, sortants, et traversant l’agglomération, flux
générés par des acteurs implantés hors de la zone d’étude ou ayant des relations avec
l’extérieur.
Dans la prise en compte de la mobilité des résidents, c’est la cellule du ménage qui est
retenue pour l’analyse, or les chercheurs s’accordent à dire que le nombre d’automobiles à
disposition des ménages a un impact indéniable sur leur mobilité. Sur le plan qualitatif, il influe
significativement sur le choix des modes de déplacement. Sur le plan quantitatif, il accentue le
nombre de déplacements et amplifie leurs distances. C’est pourquoi la modélisation du
comportement d’équipement en automobiles des ménages devient une nécessité lorsque l’on
veut comprendre et prévoir leur demande de déplacement. L’objet du présent rapport est
justement la compréhension du comportement des ménages à l’égard de l’acquisition d’une ou
de plusieurs automobiles.
Dans les pays industrialisés la voiture est devenue en l’espace d’une trentaine d’année un
bien d’équipement pratiquement indispensable. Célébrée dans les années 70 comme symbole
de progrès, elle a transformé la France en faisant de son réseau routier le plus long et l’un des
plus denses d’Europe. Parallèlement l’apprentissage de la conduite est devenu une véritable
institution faisant de l’obtention du permis de conduire un rite de passage presque obligé vers
l’âge adulte. Dans ces conditions il n’est pas surprenant que le taux de motorisation des
ménages ait littéralement explosé au point d’approcher aujourd’hui la saturation.
10
Avant les années 1970, la possession d’une voiture était avant tout une affaire de revenus,
et son exposition à la société était un moyen pour les ménages de faire valoir leur statut social,
mais depuis la survenue des deux chocs pétroliers, la relation des ménages à la voiture a
évoluée. De bien d’équipement du ménage, elle est progressivement devenue un bien
d’équipement individuel notamment en raison de la motorisation des femmes, ce qui a
provoqué une multiplication du nombre de véhicules par ménage.
Avec la banalisation de l’usage de la voiture ce sont aussi les limites spatiales qui ont été
remises en cause en permettant aux ménages de vivre éloignés de leur lieu de travail laissant
s’installer une dynamique d’étalement urbain de plus en plus difficile à contenir, tout en
allongeant les distances parcourues par chaque individu avec les conséquences que l’on
connaît pour l’Environnement.
Toute ces évolutions nous laissent aujourd’hui dubitatifs sur les règles tacites qui
gouvernent désormais l’acquisition d’une ou de plusieurs automobiles par ménage. Or ce sont
précisément ces règles et leurs évolutions futures qu’il nous faut cerner pour pouvoir agir
durablement dans le sens d’une mobilité raisonnable et respectueuse de l’Environnement. Il
s’agit là d’une préoccupation de premier rang à la fois pour la gestion de l’environnement et
des infrastructures routières, pour l’industrie automobile et pour les services d’assurance.
Heureusement la place de l’automobile dans les pays développés et ses problématiques
d’intérêt croissant ont accéléré la constitution de sources de données et ont rendu encore plus
fort ce besoin de modélisation. Ainsi on constate depuis une vingtaine d’années une
multiplication des recherches dans ce domaine et une approche de plus en plus précise des
déterminants du processus d’équipement des ménages face à l’automobile. Le présent rapport
a pour objectif d’analyser ce processus à travers une étude bibliographique approfondie sur le
sujet et l’application de ses enseignements au cas particulier du projet SIMBAD.
Ainsi la section 2 décrit d’abord l’évolution de l’importance de l’automobile à travers le
monde depuis sa création, et ensuite la méthode employée pour réaliser l’étude
bibliographique servant de base à la compréhension des comportements des ménages. Les
sections 3 et 4 présentent les résultats de cette étude du point de vue des variables explicatives
les plus déterminantes d’une part, et des différents façons de modéliser les processus de
décisions d’autre part. Enfin la section 5 détaille l’application de ces outils dans le cadre du
projet SIMBAD.
11
2 HISTOIRE DE LA MOTORISATION ET METHODOLOGIE
2.1 Histoire de la motorisation
Considérée comme un objet de luxe pendant les premières années de sa mise en
circulation, l’automobile est rapidement devenue un bien d’équipement indispensable à la
majorité des ménages des pays industrialisés. Si la France peut-être considérée comme
pionnière dans la mise au point de cette invention révolutionnaire, la démocratisation de ce
nouveau bien de consommation est assurément redevable à l’industrie américaine grâce à
l’application du taylorisme dès le début du XXe siècle. La baisse des coûts de production et
l’augmentation du pouvoir d’achat des ménages ont permis un essor incroyable de l’industrie
automobile. Toutefois il faudra attendre la fin de la seconde guerre mondiale pour que la
détention et l’usage de ce moyen de transport se généralise à l’ensemble de la population des
pays riches. En France, il ne faut qu’une dizaine d’années aux habitants pour s’équiper
durablement, passant ainsi d’un taux d’équipement des ménages de 30% en 1960, à 60% en
1970 comme le montre la figure 1.
Figure 1 : Evolution du taux de motorisation des ménages français
Pour répondre à cette généralisation de l’usage de l’automobile, les pouvoirs publics de la
plupart des pays se lancent dans une politique intensive de construction d’infrastructures
routières adaptées à l’évolution de ces engins motorisés avec la participation financière des
constructeurs automobiles qui sont les premiers bénéficiaires de cette croissance.
12
C’est à partir des années 70 que commence à apparaître une nouvelle tendance. En effet
jusqu’alors la voiture était considérée comme un bien d’équipement du ménage, mais l’usage
qui en est fait s’individualise petit à petit avec la croissance de la multi-motorisation. Les
ménages ne se contente plus d’un véhicule, car celui-ci a fait naître en eux de nouvelles
pratiques de mobilités qui les amènent à considérer leur déplacement de manière individuel et
donc à recourir à l’usage d’un second véhicule. Ainsi malgré une certaine saturation du taux de
motorisation des ménages à partir des années 2000, le taux de ménages multi-motorisés
continue de croître et ne semble pas approcher la saturation.
Il convient alors de s’intéresser au taux de motorisation par individu, et non plus par
ménage. La figure 2 est une carte qui recoupe différentes sources d’information pour dresser
un bilan de cet indicateur à l’échelle internationale.
Figure 2 : Carte mondiale des taux de motorisation pour 1000 habitants
Elle fait clairement apparaître les Pays Développés comme étant les plus motorisés, là où
les pays d’Afrique, d’Amérique du Sud et d’Asie sont encore loin derrière. Toutefois les études
récentes rapportent que la croissance de la motorisation dans les Pays Emergents comme la
Chine est particulièrement forte ces dernières années, ce qui compte tenu de leur démographie
importante amène les pouvoirs publics occidentaux à s’interroger de plus en plus sur les
répercussions de l’automobile sur l’environnement.
L’analyse bibliographique développée dans les sections suivantes va tenter de montrer
comment les chercheurs ont abordé la question de la dynamique de la motorisation des
ménages et des individus à travers la construction de modèles explicatifs voire prédictifs.
13
2.2 Méthodologie
Les sections 3 et 4 sont consacrées respectivement à l’analyse des déterminants de la
motorisation et aux modèles de motorisation les plus couramment retenus dans la littérature
scientifique. Pour réaliser cette étude bibliographique, les ressources du centre de
documentation de l’Institut des Sciences Humaines ont été d’une grande aide en rassemblant
les différentes revues internationales de recherches en transport : Transportation,
Transportation Research Record, Transportation Research (Part A, B, C and E), Journal of
Transport Geography, International Journal of Transport Economics, Journal of Transport
Economics and Policy.
Les différents articles qui en ont été extraits ont été analysés à l’aide d’une grille de lecture
consultable dans les annexes de ce rapport. En plus de ces articles, deux monographies
françaises ont fait l’objet d’une analyse similaire : l’une provenant de l’INRETS et ayant Roger
Collet (2007) pour auteur, l’autre du CREDOC menée par Madre et Lambert (1989). Pour
chaque article cette grille récapitule l’essentiel : titre, auteur, date de parution, période d’étude,
étendue géographique concernée par l’étude, type d’étude menée (analytique, comparative ou
prospective), objectifs de l’étude, variables disponibles, variables explicatives retenues,
modèles développés et résultats obtenus.
En tout ce sont donc seize publications scientifiques qui ont été analysées par cette
méthode. De plus deux de ses articles faisaient eux-mêmes référence explicitement à des
publications antérieures, et elles ont donc été ajoutées aux différents tableaux de synthèse qui
peuplent les pages suivantes afin d’accroître la représentativité de cette étude. Il est néanmoins
évident que la durée relativement courte de ce Travail de Fin d’Etudes (TFE) ne m’a pas
permis de couvrir l’ensemble des publications sur le sujet tant celui-ci intéresse un très grand
nombre de chercheurs depuis plusieurs dizaines d’années. Ce constat est d’autant plus vrai que
ma recherche est volontairement axée sur les modèles désagrégés non dynamiques dans la
mesure où c’est ce qui est le plus adapté aux besoins et aux moyens attribués au projet
SIMBAD.
La page suivante récapitule dans le tableau 1 les principales caractéristiques des vingt-et-une
publications prises en compte dans l’analyse.
14
Tableau 1 : Caractéristiques des publications analysées
AUTEURS PARUTION PERIODE ETENDUE GEOGRAPHIQUE TYPE
COLLET 2007 1999-2001 France métropolitaine Analytique
POTOGLOU, KANAROGLOU
2008 2005 Hamilton (Canada) Comparative
WHELAN 2007 2001-2031 Grande-Bretagne Prospective
BHAT, PULUGURTA
1998 1987, 1990,
1991
Boston, Baie de San Francisco, Puget Sound, Pays-
Bas Comparative
DARGAY, GATELY 1999 1960-2015 International (25 Pays) Prospective
BHAT, GUO 2007 2000 Comté d'Alaméda (Baie de
San Francisco) Analytique
CLARK 2009 2002-2004 Grande-Bretagne Analytique
CHU 2002 1997-1998 New York city Analytique
GOLOB, VAN WISSEN
1989 1984-1987 Pays-Bas Analytique
BJORNER, LETH-PETERSEN
2005 1992-2001 Danemark Comparative
STANOVNIK 1990 1976, 1978, 1983
Yougoslavie Analytique
MADRE, LAMBERT 1989 1972-2010 France métropolitaine Prospective
ROMILLY, SONG, LIU
1998 1953-2025 Grande-Bretagne Prospective
ZHANG, KUWANO, LEE, FUJIWARA
2009 2004 Hiroshima, Higashi Comparative
MOGRIDGE 1989 Royaume-Uni, Etats-Unis Prospective
MATAS, RAYMOND 2008 1980, 1990,
2000 Espagne Comparative
KIM, KIM* 2004 Etats-Unis Analytique
RYAN, HAN* 1999 Oahu, Honolulu Analytique
PURVIS* 1994 Baie de San Francisco Analytique
PREVEDOUROS, SCHOFER*
1992 1989 Banlieue de Chicago Analytique
TANNER** 1983 Grande-Bretagne Prospective
* : Extrait de l'étude de Potoglou&Kanaroglou (2008) ** : Extrait de l'étude de Romilly, Song&Liu (1998)
15
Les explications suivantes devraient faciliter la lecture de ce tableau. Le choix des
publications a été fait suivant plusieurs critères :
- la pertinence du sujet avec les objectifs de ce TFE
- la disponibilité des articles (via internet ou le centre de documentation)
- la renommée internationale des auteurs sur le sujet (souvent cités dans d’autres articles)
- la diversité des périodes d’études
- la diversité des zones géographiques concernées
Ainsi vous pouvez constater sur le tableau précédent une grande variété en ce qui concerne les
auteurs (les références en la matière sont bien présentes), les périodes de publication (les dates
de parutions ne remontent néanmoins pas à plus de vingt ans pour des raisons de
disponibilité) et les lieux d’études. Ces deux derniers points avaient pour but de confronter des
études produites dans des contextes très contrastés. La majeure partie des recherches sont
produites sur les territoires anglo-saxons (Etats-Unis et Grande Bretagne) car ils sont les
premiers à s’être intéressés au sujet et qu’ils disposent de données souvent plus détaillées,
réalisées sur des échantillons de populations plus importants. La figure 3 témoigne du souhait
initial de diversifier l’origine géographique des études analysées. L’absence de l’Afrique, de
l’Amérique du Sud et de la partie orientale de l’Eurasie s’explique par de faibles taux de
motorisation qui ne soulèvent donc pas ces types de questionnements.
Figure 3 : Carte de localisation des études analysées
16
3 ANALYSE DES DETERMINANTS DE LA MOTORISATION
3.1 Catégorisation des variables explicatives
En parcourant la littérature scientifique sur le sujet de la modélisation de la motorisation
des ménages et des individus, on s’aperçoit que les variables explicatives généralement utilisées
comme déterminants de la motorisation peuvent être regroupées en trois catégories :
- Il y a dans un premier temps les variables sociodémographiques qui permettent de
caractériser l’échantillon observé en termes de nombre, de genre, d’occupation et de
rapport à l’automobile. On considère ici l’impact de l’individu sur sa propre
motorisation.
- Viennent ensuite les variables de contexte local qui affectent un ensemble d’individus
en fonction des caractéristiques de la zone dans laquelle ils résident ou travaillent. Il
s’agit alors de caractériser l’impact de l’environnement d’un individu sur sa
motorisation.
- Enfin il y a les variables globales qui concernent directement ou indirectement la
totalité des individus observés. Celles-ci décrivent les tendances générales sur lesquelles
l’individu n’a pas de prise directe comme les coûts d’usage et d’entretien d’une voiture,
les coûts temporels liés à la congestion, ou même la conjoncture économique. On
s’intéresse donc ici à l’impact de la société sur la motorisation du ménage.
Les paragraphes suivants s’intéressent successivement à ces trois groupes de variables.
3.2 Les variables sociodémographiques
3.2.1 Le revenu
Parmi les variables couramment retenues pour expliquer le niveau de motorisation des
ménages et des individus, il y a en une qui revient systématiquement : le revenu.
Que ce soit dans les modèles agrégés par l’intermédiaire du Produit Intérieur Brut, comme
dans l’étude internationale de Dargay et Gately (1998), ou dans les modèles désagrégés en
comptabilisant la totalité des revenus annuels du ménage enquêté, c’est la seule variable qui ne
fasse jamais défaut. Pourtant c’est sans doute l’une des variables les plus difficiles à obtenir
précisément tant le sujet de l’argent reste tabou dans la plupart des pays industrialisés. Il n’est
pas rare que dans les enquêtes le taux de non-réponse explose lorsque la question est posée de
17
but en blanc, c’est pourquoi l’alternative des classes a été mise en place, mais même à ce
niveau la question est encore délicate.
Malgré ce manque de précision, il arrive que cette donnée soit utilisée comme seul et
unique déterminant dans certains modèles. C’est le cas des études de Dargay & Gately (1998)
et de Stanovnik (1990). C’est aussi souvent le cas dans les modèles antérieurs aux années 70,
lorsque la motorisation était en plein essor et loin de la zone de saturation. A cette époque la
croissance de la motorisation était fortement corrélée à celle du Produit Intérieur Brut. Mais
avec les deux chocs pétroliers, les chercheurs ont commencé à prendre en compte d’autres
variables explicatives comme le coût des carburants.
Quoiqu’il en soit les chercheurs considèrent que les revenus reflètent un certain nombre de
caractéristiques qui favorisent la détention d’une ou plusieurs voitures :
- capacité à assumer les coûts d’usage et d’entretien d’un ou de plusieurs véhicules
- capacité d’investissement dans l’achat d’un véhicule
- reflet d’un niveau de vie autorisant plus ou moins d’activités de loisir
- besoin de reconnaissance du statut par la société
- besoin de déplacements liés au travail permettant d’avoir des revenus
Pour toutes ces raisons, les chercheurs s’accordent à dire que les revenus sont le facteur le
plus déterminant dans la motorisation des ménages. Ainsi plus un ménage est riche, plus il est
susceptible d’être motorisé, voire multi-motorisé. A l’inverse, plus un ménage est pauvre plus
il est susceptible de ne pas posséder de voiture. L’élasticité de la motorisation aux revenus est
donc positive.
S’il y a bien consensus sur l’impact positif des revenus sur la motorisation, l’ampleur de cet
impact est, encore aujourd’hui, sujette à discussion pour deux raisons : d’une part le
comportement global des ménages à l’égard de la motorisation est en constante évolution sous
la pression de facteurs extérieurs (conjoncture économique, flambée des prix des carburants,
sensibilisation au respect de l’environnement), d’autre part certaines études montrent que
lorsqu’un ménage ou un individu est soumis à un changement de revenu, il n’ajuste pas
systématiquement sa motorisation à la nouvelle situation à laquelle il doit faire face. Ainsi il y
aurait des distinctions dans les effets à court terme et à long terme. Toutefois l’analyse de ces
effets se heurte au manque de données suivant les mêmes individus sur plusieurs périodes
successives.
18
3.2.2 Variables de composition du ménage
Présentes sous une forme ou sous une autre dans la plupart des modèles désagrégés, les
variables de composition du ménage servent généralement à identifier la structure familiale du
ménage. Le tableau 2 récapitule l’occurrence de chacune d’elles dans les différentes
publications étudiées.
Tableau 2 : Synthèse des variables de composition du ménage
AUTEURS
VARIABLES SOCIODEMOGRAPHIQUES
COMPOSITION DU MENAGE
Nb Adulte
Nb Enfant
Nb Femme
Taille Ménage
Type Ménage
Cycle de vie
Age Enfant
Race d'Origine
Sexe CDM
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 4 5 2 4 4 5 1 1 1
On observe que les variables de composition du ménage les plus fréquemment retenues
pour expliquer la motorisation sont le nombre d’adultes, le nombre d’enfants, la taille et le
type de ménage ainsi que son cycle de vie. Les autres variables comme le nombre de femmes,
l’âge des enfants, la race d’origine ou le sexe du chef de ménage sont utilisées de façon
beaucoup plus marginale, c’est pourquoi nous ne nous attarderons pas sur leurs effets vis-à-vis
de la motorisation.
19
Le nombre d’adultes étant fortement corrélé au nombre d’actifs ou d’employés, les
chercheurs font souvent le choix de ne retenir que l’une de ces variables pour ne pas
compliquer inutilement leur modèle. C’est la raison pour laquelle cette variable peut sembler
sous-représentée par rapport à son fort pouvoir explicatif. En effet on observe que plus le
nombre d’adultes augmente plus le niveau de motorisation du ménage augmente. Cela
s’explique par deux raisons :
- D’une part les adultes se déplacent de façon autonome et individuelle pour répondre à
leurs besoins en déplacement, si bien qu’un adulte supplémentaire dans un ménage est
susceptible de s’équiper de son propre véhicule
- D’autre part le statut d’adulte est lié à celui d’actif ayant à la fois des ressources pour
s’équiper et des besoins de déplacement accrus dus à son activité
Ainsi l’élasticité de la motorisation au nombre d’adultes doit être positive.
Le nombre d’enfants permet d’ajouter la dimension familiale au ménage et la réalisation
éventuelle de déplacement conjoint entre les adultes et leurs enfants, par exemple pour se
rendre à l’école, si bien que les besoins en déplacement des enfants sont susceptibles de peser
dans le choix du niveau de motorisation des parents. Cependant cet impact est à relativiser
dans la mesure où l’augmentation du nombre d’enfants ne conduit pas directement à
l’augmentation du nombre de véhicules car ceux-ci peuvent généralement accueillir au moins 5
personnes. Ainsi le nombre d’enfant impacte plutôt la capacité d’accueil des véhicules à
disposition du ménage que leur niveau de motorisation. Ainsi une famille nombreuse ne
détiendra pas nécessairement plus de véhicules qu’un couple avec 2 enfants mais se distinguera
probablement par la détention d’un véhicule de type espace ou van. C’est pourquoi le
caractère déterminant retenu dans ce cas est davantage la présence ou l’absence d’enfants dans
le ménage. Néanmoins l’élasticité de la motorisation au nombre d’enfants est supposée
positive.
La taille du ménage regroupe plus ou moins les deux variables précédentes, et comme
celles-ci influent différemment sur la motorisation, on a tendance à perdre de l’information.
Toutefois en cas d’indisponibilité des deux variables précédentes, la taille du ménage se révèle
être une alternative raisonnable. L’élasticité de la motorisation à la taille du ménage est bien
entendu positive elle aussi.
20
Le type de ménage est une version améliorée de la taille du ménage. On s’intéresse ici à la
structure familiale en catégorisant celle-ci de la manière suivante :
- les célibataires (un ou une adulte),
- les couples (deux adultes de sexes opposés),
- les familles monoparentales (un parent et un ou plusieurs enfants),
- les familles biparentales (un couple et un ou plusieurs enfants),
- les autres cas de figure (collocation, …).
Cette approche a l’avantage d’intégrer à la fois le nombre d’adultes et la présence d’enfants
sans ambiguïté. Le ménage est alors perçu comme une unité cohérente, et non plus comme le
rassemblement de plusieurs individus sans lien explicite.
Le cycle de vie est la traduction littérale de la variable « household life-cycle stage » utilisée
dans les études de Björner & Leth-Peterson (2005) et de Matas & Raymond (2008) et qui se
rapproche du concept de génération développé dans l’étude de Madre & Lambert. En effet,
cette variable s’appuie sur l’âge du chef de ménage (ou l’âge moyen des adultes du ménage) qui
permet non seulement de refléter un certain avancement dans les différentes étapes de la vie
(par exemple : jeune célibataire, jeune couple, couple avec enfant en bas âge, couple avec
enfants plus âgés, retraités sans enfant à charge), mais aussi de rattacher le ménage à une
génération particulière. Ce dernier point rend possible l’intégration d’une évolution des
comportements dans le futur à partir de l’observation des différences entre les générations
actuelles et leurs aînés. Comme de nombreuses études le soulignent : le comportement des
personnes âgées d’hier est très différent de celui des personnes âgées d’aujourd’hui et donc
probablement de demain. Quoiqu’il en soit, il est assez évident que plus un individu prend de
l’âge plus il est susceptible d’être motorisé, jusqu’à atteindre finalement un âge où il sera peut-
être amené à se démotoriser.
Comme on a pu le voir les variables de composition du ménage constitue une première
approche déjà performante pour expliquer le niveau de motorisation des ménages, cependant
ce n’est pas la seule façon de caractériser un ménage. Le paragraphe suivant aborde donc cette
entité sous un nouvel angle : celui de l’occupation.
21
3.2.3 Variables d’occupation du ménage
Après l’approche structurelle du ménage, on s’intéresse aux variables qui décrivent l’activité
professionnelle du ménage à la fois source de revenu et génératrice de besoins de
déplacement. Le tableau 3 récapitule l’apparition de ces variables dans les différentes
publications analysées.
Tableau 3 : Synthèse des variables d’occupation du ménage
AUTEURS
VARIABLES SOCIODEMOGRAPHIQUES OCCUPATION DU MENAGE
Occup CDM
Nb Actif Nb
Inactif Nb
Employé Nb Tps Plein
Nb Tps Part
Nb Retraité
Nb Handicapé
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 4 4 2 6 1 1 1 1
La plupart des variables du tableau 3 font appel au même principe tout en y apportant
quelques nuances. Il s’agit de recenser les membres du ménage dont l’activité ou l’inactivité
permet l’achat, l’entretien et l’usage d’un ou de plusieurs véhicules par les ressources qu’elle
génère, et justifie cet achat par les besoins de déplacement qu’elle nécessite. Ainsi le nombre
d’actifs, le nombre d’employés, le nombre de temps pleins et de temps partiels dans le ménage
sont autant de variables qui font croître la motorisation, là ou le nombre d’inactifs, de retraités
ou d’handicapés la font baisser parce que les revenus ou les besoins en déplacement sont
moindres et ne permettent ou ne justifient pas la possession d’un véhicule.
22
La nuance qui existe entre ces différentes variables est la suivante : le nombre d’employés
(« number of workers », ou « number of employed adults ») regroupe le nombre de travailleurs
à temps plein et à temps partiel. On y ajoute les adultes en apprentissage, formation
professionnelle ou stage pour obtenir le nombre d’actif. Tous les autres types d’activités sont
rassemblés sous l’appellation « inactif » (demandeur d’emploi, étudiant, retraité, homme ou
femme au foyer, …). Ce qui justifie l’emploi de l’une ou l’autre de ces variables peut tenir au
fait que les apprentis et stagiaires ont des revenus plus faibles que les autres catégories de
travailleurs si bien qu’ils ne peuvent pas forcément se permettre d’utiliser une voiture. La
distinction entre les travailleurs à temps plein et à temps partiel dans l’étude de Potoglou &
Kanaroglou (2005) s’explique par le fait que la deuxième catégorie dégage de moindre revenu
mais a des besoins en déplacement comparable à ceux des travailleurs à temps plein.
Quant à la prise en compte du nombre d’inactifs, la question est plus délicate dans la
mesure où cette catégorie regroupe des individus au comportement et aux ressources très
diverses. En effet si l’absence de cette catégorie d’adulte dans un ménage favorise sa
motorisation (car cela signifie que le ménage ne contient que des adultes actifs et leurs
enfants), la présence d’un ou plusieurs inactifs ne signifie pas nécessairement que le ménage
sera moins motorisé. Entre les hommes et femmes au foyer qui peuvent se reposer sur les
revenus de leur conjoint pour subvenir aux besoins du ménage, les retraités et les demandeurs
d’emplois qui disposent de pensions ou d’indemnités, et les étudiants boursiers ou à la charge
de leurs parents, l’impact de ces individus sur la motorisation des ménages est difficile à
cerner.
Une autre solution permettant de récupérer partiellement le niveau d’occupation du
ménage est de choisir une personne de référence (Chef De Ménage) et de considérer son
activité comme représentative de la dynamique du ménage. Si cette approche ne permet pas de
capturer le volume d’activité du ménage, elle permet suivant le niveau de précision de la
variable de différencier les travailleurs entre eux. En effet un travailleur à temps plein peut
avoir des revenus très variables suivant le métier qu’il exerce, ainsi une variable qui distingue
les ménages en fonction des classes socioprofessionnelles auxquelles ils appartiennent peut
dans certains cas s’avérer plus pertinente que les variables précédemment décrites.
23
3.2.4 Variables de logement du ménage
Les caractéristiques du logement occupé permettent d’aborder le ménage sous un angle très
différent. Elles rendent compte à la fois de la capacité du ménage à investir et indirectement
de la disponibilité d’un lieu de stationnement à proximité du lieu de résidence. Le tableau 4
récapitule les variables apparaissant dans la littérature étudiée.
Tableau 4 : Synthèse des variables de logement du ménage
AUTEURS
VARIABLES SOCIODEMOGRAPHIQUES
LOGEMENT DU MENAGE
Type Logement Occupation Logement
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 6 2
La variable décrivant le type de logement occupé par le ménage (individuel ou collectif) est
souvent retenue comme facteur explicatif de la motorisation des ménages. Plusieurs
chercheurs s’accordent à dire que le fait de loger dans une maison individuelle (« single-family
house ») favorise la motorisation, voire la multi-motorisation des ménages car ce type de
logement est souvent assorti d’une place de stationnement réservée (garage, allée) ou
disponible facilement. La seconde variable distinguant les propriétaires des locataires peut être
interprétée comme la capacité du ménage à investir : qui peut le plus (acheter une maison),
peut le moins (acheter une voiture).
24
3.2.5 Variables d’accès à la voiture du ménage
La dernière catégorie de variables centrées sur le ménage caractérise sa relation à
l’automobile qui en facilite ou en empêche l’usage. Le tableau 5 récapitule l’apparition de ces
variables dans les publications retenues pour l’analyse.
Tableau 5 : Synthèse des variables d’accès à la voiture du ménage
AUTEURS
VARIABLES SOCIODEMOGRAPHIQUES ACCES A LA VOITURE DU MENAGE
Nb Permis Mot Passée Nb Voiture
de Fct Nb Permis /
Taille Nb Permis / Nb Adulte
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 4 4 2 1 1
La détention d’un permis étant une condition nécessaire à l’utilisation d’une voiture, il n’est
pas surprenant de retrouver le nombre de permis du ménage comme variable explicative de la
motorisation. En effet cela donne une limite supérieure au nombre de voiture que le ménage
est susceptible de détenir, ainsi plus le nombre de permis est faible, plus le niveau de
motorisation diminue. A l’inverse un nombre de permis élevé favorise la multi-motorisation.
Toutefois si cette variable est statistiquement très performante pour expliquer la variance du
niveau de motorisation, il est relativement difficile de réaliser des projections de son évolution
dans l’avenir, c’est pourquoi elle n’est pas retenu systématiquement dans les modèles à visée
prospective. De plus si la détention d’un permis est une condition nécessaire à l’utilisation
d’une voiture, elle est loin d’être une condition suffisante à son achat.
25
Pour contourner cette faiblesse de la significativité du nombre de permis, certains modèles
utilisent des ratios (nombre de permis par adulte, ou par membre du ménage) en complément
de variables décrivant la composition ou l’occupation du ménage vues précédemment. Cette
approche a le mérite de relever les ménages dépourvus de permis sans pour autant donner
virtuellement un trop grand pouvoir explicatif à cette donnée.
Les études britanniques de Whelan (2007) et de Clark (2009) intègrent la mise à disposition
de voiture de fonction par les entreprises employant les membres du ménage. S’il est évident
qu’un ménage bénéficiant d’un tel avantage est moins disposé à posséder sa propre voiture, la
prise en compte de ce facteur comme déterminant de la motorisation des ménages peut
paraître douteuse dans la mesure où ces situations sont relativement marginales.
La dernière variable prise en compte uniquement dans les modèles dynamiques est sans
doute celle la plus difficile à obtenir et pourtant elle permet d’expliquer une grande partie de la
motorisation future d’un ménage. En effet à partir de jeux de données renseignant les
caractéristiques de nombreux ménages sur plusieurs années consécutives, les chercheurs se
sont aperçus que les ménages changent relativement peu de niveau de motorisation au fil du
temps. Par exemple l’étude de Björner & Leth-Peterson (2005) portant sur environ 40000
ménages montre qu’en dix ans seuls 14 à 24 % des ménages enquêtés changent de niveau de
motorisation. Le modèle dynamique développé par Roger Collet (2007) à l’INRETS montre
lui aussi que les ménages sont réticents à adapter leur motorisation à des changements de
conditions de vie (comme une baisse de revenu, un déménagement, …). Ainsi la motorisation
est une variable presque stationnaire, ce qui explique que la motorisation passée est un fort
pouvoir explicatif sur celle actuelle et future.
Nous avons à présent fait le tour des variables caractérisant un ménage pouvant déterminer
son niveau de motorisation, cependant de plus en plus de modèles intègrent d’autres variables
permettant de caractériser l’environnement du ménage. Examinons les à présent.
26
3.3 Les variables de contexte local
3.3.1 Variables d’environnement du lieu de résidence
Dans l’étude de Bhat & Guo (2007) les auteurs reconnaissent volontiers que les variables
sociodémographiques décrivant un ménage sont déterminantes dans le processus de décision
qui le conduit à s’équiper d’une ou de plusieurs voitures. Cependant ils insistent sur le fait que
le contexte local (qu’ils nomment « built-environment »), c'est-à-dire l’environnement du
ménage, permet lui aussi d’expliquer en partie ses choix. De nombreux modèles utilise la
localisation résidentielle du ménage comme variable explicative de son niveau de motorisation,
cependant un tel choix n’explicite pas réellement les éléments de cet environnement qui
contraignent ou orientent les décideurs vers telles ou telles pratiques de déplacement. C’est
pourquoi il est nécessaire de décrire cet environnement à l’aide de différents indicateurs, le
tableau 6 récapitule ceux les plus fréquemment utilisés dans les modèles étudiés.
Tableau 6 : Synthèse des variables d’environnement du lieu de résidence
AUTEURS
VARIABLES DE CONTEXTE LOCAL ENVIRONNEMENT DU LIEU DE RESIDENCE
Localisation Densité
Population Densité Ménage
Densité Emploi
Densité de pâtés de maisons
MDI EI
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 6 3 1 2 1 2 2
27
La variable « localisation » revêt diverses apparences dans les différentes publications.
Suivant la largeur du périmètre d’étude elle peut rassembler des lieux de résidence aux
dimensions très variées. Par exemple dans l’étude de Collet (2007) pour la France et celle de
Whelan (2007) pour la Grande-Bretagne on distingue les ménages en fonction de la taille de la
ville dans laquelle ils habitent (métropole, ville moyenne, ville rurale, …), alors que dans des
études plus fines comme celles de Bhat & Pulugurta (1998) et de Björner & Leth-Peterson
(2005) on les rassemble en fonction du degré d’urbanisation local (distinction entre le centre-
ville urbanisé et la banlieue). Ce qui se cache généralement derrière ces regroupements, c’est
une caractérisation de la zone reflétant premièrement le niveau d’accessibilité aux services du
quotidien (proximité des lieux d’achats et de service, richesse de l’offre d’emploi,…),
deuxièmement sa tolérance à l’automobile (offre de stationnement, fluidité du trafic,…), et
troisièmement sa capacité à proposer des moyens de transports alternatifs à l’automobile.
Ainsi plus une zone sera urbanisée, plus elle diversifiera les services facilement accessibles,
plus il sera difficile de s’y garer et d’y circuler de manière fluide, plus elle proposera
d’alternatives à la voiture. On serait alors tenté d’en déduire qu’un contexte local très urbanisé
dissuaderait un ménage de s’équiper d’un ou de plusieurs véhicules. Toutefois Bhat & Guo
(2007) nuancent ce propos en expliquant qu’un ménage ne choisit pas un mode de vie en
fonction de l’endroit où il habite, mais qu’au contraire il choisit d’habiter dans un endroit
compatible avec le mode de vie qu’il souhaite avoir. Ainsi la localisation n’engendre pas des
niveaux de motorisation plus ou moins élevés, mais elle rassemble des individus aux modes de
vie similaires. C’est la raison pour laquelle on trouve davantage de familles propriétaires de
leur maison individuelle et multi-motorisées en banlieue qu’en centre ville. Et à l’inverse on
trouvera davantage de célibataire locataire d’un appartement et non motorisés en centre-ville.
Cette observation signifie donc que les politiques d’aménagement et d’urbanisme ont
davantage d’impact sur les choix de localisation des ménages que sur leurs pratiques de
déplacements. C’est plutôt décourageant lorsque l’on sait que leur objectif est plutôt d’orienter
les individus vers des pratiques de déplacements plus raisonnables. Une mauvaise prise en
compte de cette nuance peut alors amené à une surestimation de leur influence.
Pour en revenir au sujet des variables de contexte local, on peut relever quelques tentatives
d’explicitation de l’impact de la localisation sur la motorisation des ménages. En raisonnant en
termes de densité (de population ou d’emploi), on recherche encore à traduire le degré
d’urbanisation d’une zone. En revanche deux indicateurs ont été développés spécifiquement
pour décrire différemment la nature d’une zone.
28
Le premier est appelé indice mixte de densité (Mixed Density Index) défini comme le
produit de la densité résidentielle (RD : nombre de ménage par acre) et de la densité d’emplois
(ED) divisé par la somme de ces termes.
MDI = (RD*ED) / (RD+ED)
Cet indicateur permet à la fois de refléter le degré d’urbanisation mais également d’évaluer
l’équilibre entre la population résidente de la zone et celle y travaillant. Ainsi il a été démontré
dans des études antérieures (Cervero, 1988, et Guilliano & Small, 1993) que plus cet indicateur
est équilibré, plus les distances de déplacements observées sont courtes, le trafic plus fluide, et
le nombre de voyages plus réduit. Cela n’est pas surprenant si l’on voit cet indicateur comme
la capacité d’une zone à loger sur place ses employés.
Le second est appelé indice entropique de l’usage des sols (Entropy Index) permettant de
décrire la diversité d’usage de la zone de résidence. Il est défini à partir d’une classification en
k types d’usage des sols (commercial, résidentiel, administratif (« governmental »), parc, et
industriel) pour lesquelles on calcule la proportion (pi) dans la zone étudiée. Il est alors défini
comme la somme des produits de cette proportion par son logarithme népérien, le tout
normalisé en divisant par le logarithme népérien du nombre de types d’usage des sols retenus
(5 dans notre exemple).
EI = ∑(pi*ln(pi) / ln(k))
Ainsi plus cet indicateur est proche de 1, plus l’usage des sols est équilibré. A l’inverse plus
il est proche de 0 plus l’usage des sols est dédié à un type particulier. Un bon équilibre est
supposé réduire la dépendance des ménages à la voiture car cela signifie que de nombreux
services sont disponibles à proximité et donc plus facilement accessible par des modes
alternatifs (marche, vélo, …). C’est pourquoi l’élasticité de la motorisation à l’indice
entropique doit être négative.
Il existe d’autres indicateurs caractérisant une zone de façon plus explicite que le seul
« degré d’urbanisation ». Le paragraphe suivant détaille ceux cherchant à retranscrire l’offre de
transport de la zone de résidence.
29
3.3.2 Variables d’accessibilité aux transports
Moins souvent employées car difficile à quantifier, les variables d’accessibilités au transport
devraient pourtant avoir un impact significatif sur la motorisation des ménages dans la mesure
où une offre alternative compétitive ne peut qu’inciter les individus à laisser leur voiture au
garage. Et c’est sans doute là le problème, car si cette offre est susceptible d’encourager les
foyers à se déplacer autrement, elle n’est souvent pas suffisante pour entraîner une véritable
démotorisation. Il est néanmoins intéressant de se pencher sur leurs possibles effets. Le
tableau 7 récapitule les quelques essais réalisés dans ce domaine.
Tableau 7 : Synthèse des variables d’accessibilité aux transports
AUTEURS
VARIABLES DE CONTEXTE LOCAL ACCESSIBILITE AUX TRANSPORTS
Dispo Transport
Nb arrêt bus 500m
Demande passée
Importance VP
Tps accès TC
bus.km / hab
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 2 1 1 2 3 1
La première chose que l’on remarque à la vue de ce tableau est que l’emploi de critère
d’accessibilité aux transports est loin d’être systématique. Deux raisons pour l’expliquer : d’une
part il est difficile de proposer un indicateur d’accessibilité performant qui ne demande pas des
traitements trop complexes, d’autre part le faible caractère explicatif de ces variables vis-à-vis
de la motorisation, en excluant les effets de corrélation avec d’autres variables plus simples
d’accès comme la densité, n’incite pas les chercheurs à investir du temps dans leur élaboration.
30
Toutefois il n’est pas inutile de se demander si cette approche peut nous renseigner sur les
processus de décisions des ménages en termes de motorisation. Il est clair que des variables
comme la disponibilité des transports, le nombre d’arrêts de bus à moins de 500 mètres, le
temps d’accès aux arrêts de bus ou encore l’offre globale de transport collectif (bus.km/hab)
sont fortement corrélés au degré d’urbanisation de la zone. En revanche les deux dernières
variables que sont l’importance de la voiture, et la répartition des demandes passées
permettent sûrement d’apporter un nouvel éclairage sur cette question.
Dans son étude publiée en 2002, You-Lian Chu crée une variable qualifiant l’importance de
la voiture dans les trajets partant d’une zone et à destination de toutes les autres. Pour cela il
calcule d’abord l’accessibilité depuis la zone i à toute les autres zones j par le mode m (voiture
(a), transport en commun (t), ou marche (w)) comme la somme sur j des rapports entre le
nombre d’emplois de la zone j et le carré du temps de trajet nécessaire pour y accéder par le
mode m en période de pointe.
Aim = ∑(Ej / t²ijm)
L’indice d’importance de l’automobile pour la zone i est alors défini comme le rapport de
l’accessibilité avec une automobile sur la somme des accessibilités des trois modes.
AIi = Aia / (Aia + Ait + Aiw)
Ainsi plus cet indice se rapproche de 0, plus les autres modes de transport constituent des
alternatives crédibles à la voiture, et plus le ménage résidant dans cette zone est susceptible de
ne pas être motorisé. A l’inverse plus il est proche de 1, plus la voiture s’impose comme le seul
moyen de transport efficace depuis cette zone, et plus les ménages y résidant possèderont de
voitures. Encore une fois il ne faut pas perdre de vue que ces facteurs ont plus d’incidence sur
le choix de localisation des ménages que sur leur motorisation.
La prise en compte de la demande passée comme facteur explicatif de la motorisation
actuelle d’un ménage dans l’étude de Golob & Van Wissen (1989) fera l’objet d’un
approfondissement dans la section décrivant les modèles dynamiques, c’est pourquoi nous ne
nous y attarderons pas dès maintenant. Avec la question de l’accessibilité aux transports
facilitant l’usage des modes alternatifs, on peut également s’interroger sur ce qui peut
contraindre l’usage de la voiture. C’est l’objet de la dernière catégorie de variables de contexte
local développée ci-après.
31
3.3.3 Variables d’accessibilité au lieu de travail
Après avoir considéré l’influence de l’environnement au lieu d’origine des déplacements, il
peut être intéressant de tenter de mesurer l’influence du lieu de destination sur la motorisation.
Comme le lieu de travail est la destination la plus fréquente et la plus régulière dans les
déplacements de la majorité des individus, on est en droit de penser qu’il est celui qui
influencera le plus significativement son équipement. Le tableau 8 récapitule les variables
traitant cet aspect du problème.
Tableau 8 : Synthèse des variables d’accessibilité au lieu de travail
AUTEURS
VARIABLES DE CONTEXTE LOCAL ACCESSIBILITE AU LIEU DE TRAVAIL
Distance DT
Densité emploi
Lieu de travail
Besoin VP
Travail COLLET
P & K WHELAN
B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 2 1 2 1
On est forcé à remarquer à nouveau la faible occurrence de ce type de variables dans les
modèles étudiés. Cependant cela tient peut-être davantage au fait que les lieux de travail ou
d’étude des membres du ménage ne sont pas systématiquement recensés dans les enquêtes qui
servent de base au modèle. Ainsi à l’exception du modèle développé par Chu (2002), seule la
distance domicile-travail (DT) est parfois retenue comme facteur explicatif. L’influence de
cette variable est relativement simple à deviner : plus les lieux de résidence et de travail sont
32
éloignés l’un de l’autre, plus il sera difficile à celui effectuant le déplacement de trouver une
alternative à la voiture raisonnablement peu chronophage, et il se verra alors contraint à
s’équiper d’un véhicule.
Suivant la nature de l’emploi il est possible qu’il requiert une voiture, cependant une telle
information est relativement difficile à modéliser et suffisamment marginale pour ne pas peser
significativement dans la balance. Aussi intéressons-nous aux deux dernières variables qui
caractérisent directement le lieu de travail. La densité d’emplois de la zone de travail est prise
en compte pour refléter la forte demande en stationnement pendant les heures de bureau, et
donc la difficulté à garer sa voiture. Cette information est d’autant plus pertinente que les
pôles d’emplois sont généralement desservis par les transports en communs ce qui rend le
renoncement à la voiture d’autant plus attrayant. En outre, plus une zone est dense et plus elle
risque de capter des flux de trafic important occasionnant éventuellement de la congestion.
C’est autant de raison pour un employé de préférer les modes alternatifs à la voiture, et donc
éventuellement de ne pas être motorisé du tout. Ainsi l’élasticité de la motorisation à la densité
du lieu de travail est négative.
En plus de cette densité, Chu (2002) utilise directement le lieu de travail comme facteur
explicatif. Cette singularité s’explique par l’étendue géographique concernée par son étude : la
ville de New York. Les spécificités de cette ville, et notamment du quartier de Manhattan, ont
incité l’auteur à considérer séparément le fait de travailler dans ce quartier. Une telle
distinction étant moins nette dans les autres grandes villes, l’emploi direct du lieu de travail
comme facteur explicatif doit constituer une exception réellement significative pour figurer
dans un modèle, et est donc difficilement généralisable.
Nous avons à présent fait le tour des variables caractérisant l’influence de l’environnement
proche des ménages sur leur motorisation. Il nous reste à aborder les variables globales qui
impactent indifféremment l’ensemble des ménages. C’est l’objet du paragraphe suivant.
33
3.4 Les variables globales
3.4.1 Variables de coûts
Dernière catégorie de variables, les variables globales sont généralement des constantes vis-
à-vis de l’ensemble des ménages mais elles sont susceptibles d’évoluer dans le temps.
L’exemple type de ce genre de variable est le coût des carburants, mais ce n’est pas la seule.
L’intérêt de cette dernière catégorie est qu’elle permet de prendre en compte des éléments de
contexte affectant l’ensemble des individus indépendamment de leur volonté (crise
économique, flambée des prix des carburants, sensibilisation environnementale, …). Le
tableau 9 récapitule l’apparition de telles variables dans les modèles étudiés.
Tableau 9 : Synthèse des variables globales
AUTEURS
VARIABLES GLOBALES COUTS LIES AU TRANSPORT
Coût d'achat
VP
Coût utilisation
VP
Coût financier
Coût temporel
Année Coût Bus
COLLET P & K
WHELAN B & P D & G B & G
CLARK CHU
G & VW B & LP
STANOVNIK M & L
R, S & L M & R K & K* R & H*
PURVIS* P & S*
TANNER** TOTAL 2 2 4 1 2 2
Qu’ils interviennent de façon explicite ou sous la forme d’une constante estimée par le
modèle, il n’est pas rare que les chercheurs intègrent les coûts liés à la voiture dans leur
modèle. On distingue les coûts d’usage et d’entretien (carburants, assurance et réparations) du
coût d’achat du véhicule car les deux influencent différemment la motorisation du ménage.
34
Quoiqu’il en soit il est relativement difficile de les estimer tant le parc automobile est varié et
les usages distincts, c’est pourquoi il n’est pas rare que les auteurs est recours à l’usage d’une
constante chargée de capturer ces coûts lors de l’estimation des paramètres du modèle. Sinon
une valeur moyenne est appliquée à l’ensemble des ménages. Dans tous les cas ces coûts
financiers font face aux revenus des ménages. C’est de la confrontation de ces deux données
que peut résulter le choix pour un ménage de s’équiper plus ou moins en véhicules motorisés.
En plus des coûts financiers liés à la voiture, certains modèles agrégés prennent aussi en
compte le prix du ticket de bus comme dans les études de Romilly, Song & Liu (1998) et de
Tanner, ou estiment un coût temporel lié à la congestion comme dans le modèle de Dargay &
Gately (1999). L’impact de ces variables sur la motorisation étant relativement évident nous
ne nous y attarderons pas.
3.4.2 Variables de tendance
Parmi les variables figurant dans le tableau de la page précédente, une seule n’a pas encore
été évoquée : l’année. Cette variable peut paraître surprenante, mais elle intervient en fait
uniquement dans les modèles basés sur des séries temporelles de données (c'est-à-dire des
données agrégées relevées annuellement pendant une ou plusieurs décennies). C’est cette
variable qui est censée refléter l’évolution de la conjoncture, on l’appelle aussi variable de
tendance dans le modèle de Madre & Lambert (1989). En initialisant à 0 sa valeur pour la
première année de la série de donnée et en l’augmentant chaque année de 1 point, on obtient
une variable susceptible de capter des évolutions globales de long terme qu’il est généralement
difficile de modéliser autrement. Ainsi dans le modèle de Madre & Lambert (1989) dérivé du
modèle de Cramer, le temps t vient s’jouter au revenu r pour expliquer le taux d’équipement
des ménages français. Le paramètre estimé étant positif, le taux d’équipement des ménages
croît sous l’effet du temps reflétant la croissance du pouvoir d’achat des ménages due à
l’augmentation de leur revenu et à la baisse des prix d’achat et d’usage de l’automobile.
Maintenant que nous avons parcouru l’ensemble des variables couramment utilisées pour
déterminer le niveau de motorisation des ménages, il nous faut nous pencher sur la question
de la modélisation à proprement parlé. C’est l’objet de la section suivante.
35
4 COMPARAISON DES MODELES DE MOTORISATION
4.1 Synthèse des modèles employés
Les premiers modèles traitant du niveau de motorisation apparurent dans les années 1930.
A l’époque, il s’agissait principalement de suivre l’évolution du parc automobile (c'est-à-dire le
nombre de véhicule en circulation à l’échelle d’un pays). La connaissance de cette donnée était
importante d’une part pour les constructeurs d’automobile qui se devaient d’anticiper la
demande future pour produire en quantité suffisante et d’autre part pour les pouvoirs publics
chargés de l’aménagement du territoire contraints d’adapter les infrastructures routières à ce
nouveau moyen de transport à la popularité grimpante.
Cependant il fallut attendre la fin de la seconde guerre mondiale et l’engouement
international pour l’automobile pour que les chercheurs relèvent la forte croissance du taux de
motorisation des ménages. Dès le milieu des années 50 des modèles ont commencé à voir le
jour, principalement en Grande-Bretagne et aux Etats-Unis. C’est J. S. Cramer (1959) qui fut
l’un des premiers à découvrir l’interdépendance entre le niveau de motorisation et l’usage de
l’automobile dans les pratiques de déplacement des ménages. Dès lors on vit naître les
premiers modèles agrégés tentant d’expliquer et de prédire l’évolution du taux d’équipement
des ménages. Tanner (1979), Mogridge (1983), Smith (1975), et bien d’autres ont posé les
bases de ces modèles en intégrant progressivement de plus en plus de facteurs explicatifs.
Vers la fin des années 80 et à partir des années 90 de nouvelles équipes de chercheurs se
sont attaqués au problème de la motorisation des ménages au niveau désagrégé. Parmi elles on
peut citer Bhat (1998), Ryan (1999), Chu (2002) et Potoglou (2006). Si cette nouvelle approche
a permis aux chercheurs d’explorer le cœur du problème, à savoir comment s’effectue les
processus de décisions au sein des ménages, l’approche agrégée n’a pas été totalement écartée
comme en témoignent les études de Romilly (1998) et de Dargay (1999).
Enfin avec le recours a de nouveaux procédés d’enquête, des chercheurs tels que Björner
(2005), ou Collet (2007) ont commencé à explorer les effets dynamiques de court, moyen, ou
long termes qui gouvernent l’évolution du niveau de motorisation de chaque ménage.
Si la variété des modèles développées est réelle, on ne peut toutefois pas passer à côté des
tendances récentes qui voient les modèles désagrégés très souvent privilégiés sur les dernières
années. Ceci est sans doute imputable aux évolutions technologiques (calcul par ordinateur,
usage de SIG, …) qui ont permis d’affiner la précision et le volume de traitement des données.
36
Le tableau 10 récapitule les différents types de modèles développés dans les publications
retenues pour l’analyse. Ceux-ci feront l’objet d’un approfondissement dans les paragraphes
suivants.
Tableau 10 : Synthèse des modèles de motorisation utilisés
AUTEURS MODELE
AGREGE DESAGREGE
DYNAM MNL ORL OP Autres
COLLET POTOGLOU, KANAROGLOU
WHELAN BHAT, PULUGURTA DARGAY, GATELY
BHAT, GUO CLARK
CHU GOLOB, VAN WISSEN
BJORNER, LETH-PETERSEN STANOVNIK
MADRE, LAMBERT ROMILLY, SONG, LIU
ZHANG, KUWANO, LEE, FUJIWARA MOGRIDGE
MATAS, RAYMOND KIM, KIM*
RYAN, HAN* PURVIS*
PREVEDOUROS, SCHOFER* TANNER**
TOTAL 5 6 4 6 4 3 * : Extrait de l'étude de Potoglou&Kanaroglou (2008) ** : Extrait de l'étude de Romilly, Song&Liu (1998) MNL : MultiNomial Logit ORL : ORdered Logit OP : Ordered Probit
Malgré le caractère orienté de la sélection des publications, force est de constater que sur
les vingt dernières années l’effort des chercheurs s’est concentré sur l’élaboration de modèles
désagrégés permettant notamment la prise en compte des multiples variables décrites dans la
section précédente. Néanmoins parmi les modèles désagrégés le choix entre modèles
ordonnés ou non-ordonnés ne fait pas l’objet d’un consensus quant à leurs performances
respectives. Mais avant de se pencher sur cette question, il nous faut revenir aux origines de la
modélisation de la motorisation à travers l’exploration de quelques modèles agrégés.
37
4.2 Les modèles agrégés
4.2.1 Le modèle de Dargay et Gately
Pour commencer cette exploration des différents modèles agrégés, intéressons-nous à celui
développé par Dargay et Gately (1999) qui démontre l’influence des revenus, ici du Produit
Intérieur Brut par habitant, sur le taux d’équipement par habitant à travers le monde. Cette
étude croise les statistiques recensées à l’échelle nationale dans 25 pays aux situations
économiques très variées. Elle permet de montrer que le taux de motorisation d’un pays suit
une courbe de croissance en S à mesure que son PIB augmente dans le temps. La figure 4
retrace les observations des pays les plus représentatifs sur la période 1960-1992.
Figure 4 : Taux de motorisation en fonction du PIB par habitant par Dargay et Gately
Les auteurs modélisent cette relation à l’aide d’une fonction en S de Gompertz d’équation :
V* = G(GDP) = γeα.exp(β.GDP)
Ils y ajoutent une dépendance vis-à-vis du taux de motorisation d’année précédente afin de
modéliser le retard d’ajustement de la motorisation au revenu par habitant puis réalise une
projection de son évolution à l’horizon 2015. Au final malgré une indéniable relation
historique entre la croissance des revenus par habitant et celle du taux de motorisation, les
auteurs observent une grande variabilité de cette croissance en fonction des suppositions faites
38
sur la croissance de la population et des revenus. De plus les résultats obtenus peuvent être
remis en cause par l’influence d’autres variables comme le prix des carburants ou la politique
des transports du pays.
4.2.2 Le modèle de Romilly, Song, et Liu
C’est un modèle un peu plus complet en termes de variables explicatives et assez
représentatif de nombreux modèles agrégés développer pendant les années 60 et 70. Cette
publication est en fait une étude prospective réalisée a posteriori à partir des données ayant
permis au département des transports de Grande-Bretagne de développer leur modèle
prospectif pendant les années 70 et 80. L’équipe de Romilly (1998) parvient à démontrer que
les estimations faites à l’époque étaient totalement erronées sur le long terme, ce qui
décrédibilise la politique d’investissement massifs dans les infrastructures routières conduites
par le gouvernement britanniques sensées anticiper la forte croissance de la motorisation.
Le taux de motorisation (C) est modélisé comme une fonction des revenus (Y), des coûts
de motorisation (P), du prix du ticket de bus (B), et d’un terme d’erreur suivant l’équation :
Ct = A Ytα Pt
β Btγ et
L’estimation des paramètres passe par la linéarisation de l’équation, et les résultats des
projections sont ensuite comparer à l’aide du RMSE (Root Mean Square Error).
4.2.3 Le modèle de Madre et Lambert
L’étude de Madre et Lambert (1989) met en évidence des effets du revenu et du temps sur
l’équipement des ménages à l’aide du modèle de Cramer :
Uv’ = -2.98 + 1.70 r + 0.0393 t
où Uv’ est le fractile d’ordre v’ d’une loi normale centrée réduite et v’=v/0.76 avec 0.76 seuil
de saturation du nombre de véhicule par habitant. Un modèle similaire est développé pour
estimer le taux de ménages équipés d’un ou plusieurs véhicules :
Ue’ = -4.46 + 2.96 r + 0.031 t
où e’=e/0.97. Ces modèles se distinguent par l’utilisation d’une variable de tendance t
représentant les effets du temps sur la motorisation. D’autre part on peut observer que la
constante capture les effets de coûts d’équipement.
39
Parallèlement au modèle de Cramer (1959), les auteurs ont développé un modèle
démographique basé sur l’observation des comportements des différentes générations de
conducteurs passant par différentes étapes successives :
- projection des effectifs dans le temps,
- évolutions parallèles de la motorisation des ménages pour les différentes générations
avec maintien des écarts observés,
- report d’un moindre décalage pour la nouvelle génération (majeure à partir des années
90).
Les auteurs estiment le modèle de Cramer comme peut satisfaisant, et lui préfèrent
l’approche qualitative du modèle démographique malgré ses nombreuses imperfections (pas
de prise en compte de l’évolution des revenus et des prix, comportement incertain de la
nouvelle génération, mauvais comportement du modèle à l’approche de la saturation).
Les trois modèles que nous venons d’aborder brièvement permettent d’avoir une idée de ce
à quoi peut ressembler un modèle agrégé. Néanmoins comme l’architecture du projet
SIMBAD à l’origine de ce Travail de Fin d’Etude requiert plutôt un modèle désagrégé,
attardons-nous plus en détail sur ceux-ci.
4.3 Les modèles désagrégés
4.3.1 Les modèles ordonnés
Les modèles ordonnés sont sans doute le type de modèle désagrégé le plus répandu dans la
littérature scientifique sur le sujet. Comme les modèles désagrégés visent à estimer le nombre
(y) de voitures dont dispose chaque ménage de la zone d’étude, c'est-à-dire une valeur entière
et positive, il est nécessaire de passer par une variable intermédiaire (y*) pouvant prendre des
valeurs réelles. C’est pourquoi ces modèles supposent l’existence d’une variable latente reliée
au niveau de motorisation par des seuils de la façon suivante :
y = 0 si y* < µ1
y = 1 si µ1 < y* < µ2
y = 2 si µ2 < y*
où µ1 et µ2 sont des paramètres seuils inconnus à estimer.
40
La variable latente est alors expliquée par le paramétrage des autres variables caractérisant
le ménage (X) auxquelles on ajoute un terme d’erreur (ε) supposé indépendant de celles-ci.
y* = X.β + ε
A ce stade ont peut considérer que l’erreur est un résidu de la modélisation et dans ce cas
on se trouve dans l’application pure et simple d’une régression linéaire multiple. Cependant les
chercheurs vont plus loin en faisant des hypothèses sur la nature de cette erreur et de son
indépendance vis-à-vis des autres variables qui les conduisent à effectuer des transformations
dites Probit ou Logit.
Il existe des variantes de ces modèles qui considèrent la motorisation comme une
succession de choix binaires : ils calculent d’abord la probabilité pour un ménage d’être ou
non motorisé (P (Motorisation>1)), puis celle d’être multi-motorisé sachant que le ménage
possède au moins un véhicule (P (Motorisation>2|Motorisation>1), etc. C’est ce type de
modèle qui est actuellement utilisé dans le projet SIMBAD.
4.3.2 Les modèles non-ordonnés
Les modèles non-ordonnés considèrent indépendamment chacun des niveaux de
motorisation. Ils attribuent une valeur appelée « utilité » à chaque état d’équipement du
ménage (non-motorisé, simplement motorisé, multi-motorisé) définie comme une
combinaison linéaire des variables explicatives retenues pour la modélisation (caractéristiques
de ménage et de l’environnement) à laquelle vient s’ajouter un terme d’erreur.
Uk = X.βk + εk pour k appartenant à {0, 1, 2}
Le niveau de motorisation attribué par le modèle est alors celui pour lequel l’utilité que le
ménage y associe est maximale. Ce principe s’appelle maximisation aléatoire de l’utilité
(Random Utility Maximization)
y= k si Uk > Uj pour j appartenant à {0,1,2}/{k}
Le modèle le plus répandu qui utilise ce principe est le modèle MNL (MultiNomial Logit).
Dans l’étude de Zhang, Kuwano, Lee et Fujiwara (2009), les auteurs poussent cette idée
encore plus loin en l’appliquant au processus de décisions dans des groupes hétérogènes. En
modulant le calcul de cette utilité ils intègrent les notions de compromis et de compétition
qu’il peut y avoir au sein d’un même ménage dans le processus de décision de l’achat d’une
nouvelle voiture.
41
4.3.3 Les autres modèles
Dans son étude parue en 2009, Clark a mis au point un modèle capable de choisir lui-même
les variables explicatives à prendre en compte dans l’analyse. Ainsi à partir de l’ensemble des
données disponibles sur chaque ménage, le modèle génère des « règles » associant un
recoupement de plusieurs modalités à un niveau particulier de motorisation sous la forme
d’affirmation « si-alors ». Par exemple « si un ménage a de faibles revenus, alors il ne dispose
d’aucune voiture ». L’avantage de cette approche défendue par Clark, c’est qu’elle ne présume
pas des déterminants de la motorisation, mais laisse le soin aux données d’expliquer elles-
mêmes ce qui les relie entre elles. L’originalité de cette méthode a tout de même quelques
inconvénients : d’une part le modèle ne peut accepter en entrée deux ménages ayant des
niveaux de motorisation distincts et toutes les autres variables égales (il faut alors intégrer une
variable muette représentant l’information qui n’a pas été explicitée par les autres variables),
d’autre part un même ménage peut satisfaire plusieurs règles associées à des niveaux
d’équipement différents (auquel cas le modèle devra arbitrer sur le choix retenu). Au final
malgré cette volonté de ne pas influencer l’analyse des données, les résultats produits par le
modèle concordent avec ceux de la littérature utilisant d’autres modèles, et sa précision leur est
semblable, si bien qu’on peut s’interroger sur sa performance compte tenu du caractère
chronophage de l’initialisation du modèle.
4.4 Les modèles dynamiques
4.4.1 Le modèle de Collet
Dans une étude récente de Collet (2007), l’intégration de la motorisation passée du ménage
comme facteur explicatif de sa motorisation actuelle a mis en évidence la forte résistance des
ménages aux changements. Ainsi un ménage disposant d’un nombre donné de véhicule à
l’année N ne verra pas cette donnée fortement remise en cause par un changement mineur
dans ses caractéristiques. Collet met en évidence le retard dans l’ajustement de la motorisation
des ménages qui subissent des changements de long terme, ainsi un modèle qui recalculerait
chaque année le niveau de motorisation en fonction de ces caractéristiques contemporaines
aurait de forte chance d’anticiper la modification (à la hausse ou à la baisse) de cette donnée,
voire de modéliser un changement qui n’aura pas lieu dans la réalité. C’est pourquoi il
recommande l’usage de la motorisation passée comme facteur explicatif de la motorisation
42
présente et future. Néanmoins pour paramétrer correctement un tel modèle il faut disposer de
séries temporelles de données enquêtant sur les mêmes ménages pendant un temps
suffisamment long. Or ce type d’enquête est relativement rare, ce qui explique que les modèles
dynamiques de ce genre le soit aussi.
4.4.2 Le modèle de Golob et Van Wissen
Le modèle de Golob et Van Wissen (1989) s’appuie sur des données récoltées à deux dates
espacées d’un an l’une de l’autre et vise à explorer les dépendances entre les revenus, le
nombre de véhicules possédés et les distances parcourues par les membres du ménage avec
chaque mode (voiture, TC, et train) au Pays-Bas. Ce modèle constitué de plusieurs boucles
permet notamment d’observer ce qui détermine la motorisation présente d’un ménage. Il met
ainsi en évidence la capacité des ménages à anticiper les revenus de l’année suivante en
adaptant si besoin leur niveau de motorisation. De plus les ménages tirent aussi partie de leur
expérience des modes alternatifs pour revoir à la hausse ou à la baisse leur niveau de
motorisation l’année suivante. Ainsi un ménage qui parcourt une distance importante sans
avoir recours à la voiture durant l’année 1 est plus susceptible de réduire son niveau de
motorisation à l’année 2. Le défaut du modèle est qu’il ne mesure que les effets à court terme
et que le manque de variables explicatives fausse peut-être une partie des résultats.
Maintenant que nous avons fait le tour des modèles couramment développés dans la
littérature scientifique pour expliquer la motorisation, nous sommes suffisamment armés pour
tenter d’appliquer ces méthodes à l’élaboration d’un modèle pour le projet SIMBAD. C’est
l’objet de la section suivante.
43
5 APPLICATION DANS LE CADRE DU PROJET SIMBAD
5.1 Présentation du projet SIMBAD
5.1.1 Objectifs et moyens mis en œuvre pour le projet
Dans le contexte actuel de prise en compte de la notion de développement durable dans les
politiques d’aménagement du territoire, l’organisation des déplacements à l’échelle d’une
agglomération est un défi sans cesse renouvelé. Dans cette optique il devient nécessaire de
pouvoir mesurer et anticiper l’impact des trafics sur les trois dimensions économiques, sociales
et environnementales du développement durable, afin d’adapter en conséquences les
politiques mises en œuvre sur le territoire. Le projet SIMBAD (SImuler des MoBilités pour
une Agglomération Durable) tente de répondre à ce besoin par le développement d’un modèle
prospectif à l’échelle du bassin de vie d’une agglomération. Ce projet est développé par le
Laboratoire d’Economie des Transport (LET) en lien avec l’Agence d’Urbanisme de Lyon,
c’est pourquoi l’agglomération lyonnaise a été choisie comme sujet d’expérimentation.
Dans son architecture SIMBAD fait intervenir différents modules : URBANSIM permet de
prendre en compte les interactions entre le domaine des transports et celui de l’urbanisme via
l’influence des prix de l’immobilier sur la localisation résidentielle et celle des activités
économiques. Le module FRETURB s’intéresse aux échanges de marchandises en ville. Il est
complété par une modélisation de la mobilité liée aux résidents et aux trafics de transit à
travers l’agglomération. L’ensemble des trafics est alors affectés aux réseaux routiers et de
transports collectifs et stabilisé par des processus itératifs recherchant l’équilibre.
5.1.2 Spécificités du modèle de motorisation requis
Le modèle de motorisation requis pour ce projet intervient à l’articulation entre le module
URBANSIM et la modélisation des trafics. Pour chaque nouvelle année URBANSIM extrait
un certain nombre de ménages qui déménagent à l’intérieur de l’agglomération, ou qui
proviennent de l’extérieur et viennent s’y installer. Le projet considère donc que le
déménagement est susceptible de remettre en cause le niveau de motorisation du ménage, c’est
la raison pour laquelle il est nécessaire de le réévaluer. La modélisation doit donc se faire au
niveau du ménage, et peut s’appuyer sur ses caractéristiques (y compris sa motorisation
passée) ainsi que sur celles du nouveau lieu de résidence calculé par URABNSIM. C’est avec
ces pré-requis que nous allons procéder à l’analyse des données disponibles.
44
5.2 Présentation des données disponibles
5.2.1 Présentation de l’enquête ménage déplacement de 2006
Les données servant à l’analyse des déterminants de la motorisation des ménages dans ce
travail de fin d’études sont issues de l’enquête ménage déplacement de l’aire urbaine lyonnaise
réalisée en 2006. Pour réaliser cette enquête « standard CERTU » la zone d’étude a été
découpée en 148 secteurs de tirage dans lesquels environ 75 logements ont été sélectionnés
aléatoirement et dont les occupants, formant un ménage, ont tous été interrogés sur leurs
caractéristiques et leurs déplacements de la veille. Au total ce sont 27 573 personnes qui ont
été interrogées et regroupées au sein de 11 229 ménages.
Pour chaque secteur de tirage un coefficient de redressement a été calculé comme étant le
rapport du nombre de personnes interrogées sur la population totale du secteur. Ainsi la
population totale de l’aire urbaine représentée par cette enquête atteint 1 975 260 habitants
rassemblés au sein de 832 618 ménages. Cette pondération a été prise en compte dans
l’analyse statistique des déterminants de la motorisation qui fait l’objet de la section 5.3. Ainsi
la description des variables retenues pour l’analyse affiche à la fois la répartition des effectifs
enquêtés et celle des effectifs redressés.
Avant de décrire l’ensemble des variables qui feront l’objet d’une analyse, commençons par
présenter celle de la motorisation qui est au cœur du problème qui nous occupe. Parmi les
ménages enquêtés le nombre de voitures possédées varie entre 0 et 5, mais la part des ménages
possédant plus de 2 voitures étant très faible (7 %) seuls trois états d’équipements ont été
retenus : non motorisé (MOT0), simplement motorisé (MOT1), et multi-motorisé (MOT2P).
Tableau 11 : Description de la variable Motorisation
Motorisation TOTAL
Modalités MOT0 MOT1 MOT2P 3
Effectifs enquêtés
1725 4656 4848 11229
15 % 41 % 43 % 100 %
Effectifs redressés
141 627 361 963 329 029 832 618
17 % 43 % 40 % 100 %
Le tableau 11 présente la motorisation sous forme qualitative. Néanmoins pour réaliser
l’étude statistique, il a parfois été nécessaire de recourir à une version quantitative de la
45
motorisation. Pour cela les valeurs 0 et 1 ont bien entendu été respectivement associées aux
modalités MOT0 et MOT1. Pour la modalité MOT2P, la valeur moyenne des niveaux de
motorisation 2, 3, 4, et 5 pondérée par les coefficients de redressement des ménages
correspondants a été calculée afin de ne pas sous-évaluer la multi-motorisation. La valeur
affectée aux ménages multi-motorisés est donc 2,19503.
La description des variables potentiellement explicatives développée dans les paragraphes
suivants reprend la catégorisation employée dans la section 2. Les variables retenues
correspondent généralement à celles les plus « populaires ».
5.2.2 Variable de revenu
Dans l’enquête ménage, les revenus annuels du ménage ont été recensés sous forme de
classes par tranche de dizaines de milliers d’euros. Cependant comme dans la plupart des
études de ce genre, on fait face à un taux élevé de non-réponses (30 %) ce qui risque de
diminuer le caractère explicatif de cette variable. D’autre part pour cette étude, les classes
supérieures de revenus ont été rassemblées car elles ne présentaient pas de différence nette en
termes de niveau de motorisation et que leur nombre était plus réduit. Ainsi les ménages
disposant de plus de 30 000 euros par an constituent la classe supérieure de revenu.
Tableau 12 : Description de la variable Revenu
Revenus annuels en milliers d'euros TOTAL
Modalités REV0_10K REV10_20K REV20_30K REVSUP30K REVNA 5
Effectifs enquêtés
1271 2454 1945 2232 3327 11229
11 % 22 % 17 % 20 % 30 % 100 %
Effectifs redressés
95 130 183 487 137 854 169 600 246 548 832 618
11 % 22 % 17 % 20 % 30 % 100 %
On peut remarquer grâce au tableau 12 qu’il s’agit d’une des rares variables pour lesquelles
la répartition des effectifs ne change pas après redressement ce qui suppose que les différentes
classes sont relativement bien réparties sur le périmètre de l’enquête. Le passage de cette
variable en version quantitative est très approximatif, l’idéal consiste à créer 4 sous-variables
binaires pour chacune des 4 premières modalités et d’affecter la valeur 1 à celle correspondant
à la classe du ménage et 0 aux autres. Ainsi, lorsque toutes les sous-variables sont à 0, on a
affaire à un ménage n’ayant pas communiqué ses revenus.
46
5.2.3 Variables de composition du ménage
Ce ne sont pas moins de 5 variables qui ont été retenues pour décrire la composition du
ménage. La première d’entre elles reflète la taille du ménage (tableau 13) en ne comptabilisant
que les individus âgés de 5 ans et plus. En effet par comparaison avec la taille totale du
ménage, cette variable disposait d’un caractère explicatif légèrement plus important dans la
mesure où l’influence des enfants en bas âge sur la motorisation est quasiment inexistante.
D’autre part, la tranche supérieure de cette variable rassemble les ménages comportant 5
individus ou davantage, car le nombre de ménages rassemblant plus de 5 individus n’est pas
statistiquement significatifs. En version quantitative la valeur attribuée à ces ménages est la
moyenne pondérée de leur taille réelle : 5,24348.
Tableau 13 : Description de la variable Taille du ménage
Taille du ménage (5 ans et plus) TOTAL
Modalités TAI1 TAI2 TAI3 TAI4 TAI5P 5
Effectifs enquêtés
3144 4534 1591 1297 663 11229
28 % 40 % 14 % 12 % 6 % 100 %
Effectifs redressés
255 997 334 929 109 457 87 137 45 099 832 618
31 % 40 % 13 % 10 % 5 % 100 %
La deuxième variable décrit le type de ménage (tableau 14) : célibataire, couple, famille
monoparentale, famille biparentale, et autre. Il est à noter que la catégorie « autre » rassemble
tous les ménages contenant au moins un individu n’étant ni le conjoint, ni l’enfant de la
personne de référence. Encore une fois le passage en version quantitative de cette variable se
fait par la création de sous-variables binaires pour les 4 premières classes de ménages.
Tableau 14 : Description de la variable Type de ménage
Type de ménage TOTAL
Modalités CELIB COUPLE MONO FAMILLE AUTRE 5
Effectifs enquêtés
3085 3237 3685 875 347 11229
27 % 29 % 33 % 8 % 3 % 100 %
Effectifs redressés
251 932 241 445 253 256 61 201 24 784 832 618
30 % 29 % 30 % 7 % 3 % 100 %
47
La troisième variable est celle du nombre d’adultes (tableau 15), c’est-à-dire du nombre de
personnes majeures présentes dans le ménage (enfants du chef de ménage compris). La classe
supérieure rassemble les ménages de trois adultes et plus. En version quantitative, la valeur
attribuée à ces ménages est la moyenne pondérée de leur nombre réel d’adultes : 3,30329.
Tableau 15 : Description de la variable Nombre d’adultes
Nombre d'adultes TOTAL
Modalités AD1 AD2 AD3P 3
Effectifs enquêtés
3546 6364 1319 11229
32 % 57 % 12 % 100 %
Effectifs redressés
283 905 460 034 88 680 832 618
34 % 55 % 11 % 100 %
La quatrième variable est celle du nombre d’enfants du chef de ménage (tableau 16). La
classe supérieure rassemble les ménages de trois enfants et plus. En version quantitative, la
valeur attribuée à ces ménages est la moyenne pondérée de leur nombre réel d’enfants :
3,27428.
Tableau 16 : Description de la variable Nombre d’enfants
Nombre d'enfants TOTAL
Modalités ENF0 ENF1 ENF2 ENF3P 4
Effectifs enquêtés
6577 1868 1778 1006 11229
59 % 17 % 16 % 9 % 100 %
Effectifs redressés
511 942 129 468 122 438 68 771 832 618
61 % 16 % 15 % 8 % 100 %
La cinquième et dernière variable de composition du ménage est celle de l’âge du chef de
ménage (tableau 17). Les classes reflètent les cycles de vie successifs du ménage.
Tableau 17 : Description de la variable Age du chef de ménage
Age du chef de ménage TOTAL
Modalités Age18_30 Age31_60 Age61_75 Age76Plus 4
Effectifs enquêtés
1145 6521 2381 1182 11229
10 % 58 % 21 % 11 % 100 %
Effectifs redressés
99 312 465 009 177 196 91 102 832 618
12 % 56 % 21 % 11 % 100 %
48
5.2.4 Variables d’occupation du ménage
Pour décrire l’activité du ménage, 3 variables ont été retenues. La première se réfère à
l’occupation du chef de ménage (tableau 18) : temps plein, temps partiel, étudiants et autre,
chômeur ou au foyer, et retraité. Les catégories chômeurs et homme/femme au foyer ont été
rassemblées car elles présentent des similitudes sur la répartition de la motorisation et sont
susceptibles d’occasionner des comportements comparables. Il en va de même pour les
catégories étudiants, scolaires, apprentis, stagiaires, ou en formation professionnelle qui
désignent généralement de jeunes adultes ayant peu de moyens et donc peu recours à
l’automobile.
Tableau 18 : Description de la variable Occupation du chef de ménage
Occupation du chef de ménage TOTAL
Modalités TpsPlein TpsPart Etud-Autre Chom_Foyer Retraite 5
Effectifs enquêtés
6113 528 315 653 3620 11229
54 % 5 % 3 % 6 % 32 % 100 %
Effectifs redressés
447 236 37 645 30 286 47 040 270 412 832 618
54 % 5 % 4 % 6 % 32 % 100 %
La deuxième variable distingue le nombre d’actifs du ménage (tableau 19). La classe
supérieure rassemble les ménages de deux actifs et plus. En version quantitative, la valeur
attribuée à ces ménages est la moyenne pondérée de leur nombre réel d’actifs : 2,08869.
Tableau 19 : Description de la variable Nombre d’actifs
Nombre d'actifs TOTAL
Modalités ACT0 ACT1 ACT2P 3
Effectifs enquêtés
3976 3466 3787 11229
35 % 31 % 34 % 100 %
Effectifs redressés
303 608 261 583 267 427 832 618
36 % 31 % 32 % 100 %
La troisième et dernière variable d’occupation du ménage comptabilise le nombre d’inactifs
(tableau 20). La classe supérieure rassemble les ménages de deux inactifs et plus. En version
quantitative, la valeur attribuée à ces ménages est la moyenne pondérée de leur nombre réel
d’inactifs : 2,07534.
49
Tableau 20 : Description de la variable Nombre d’inactifs
Nombre d'inactifs TOTAL
Modalités INAC0 INAC1 INAC2P
Effectifs enquêtés
4959 3913 2357 11229
44 % 35 % 21 % 100 %
Effectifs redressés
369 517 291 746 171 355 832 618
44 % 35 % 21 % 100 %
5.2.5 Variables de logement du ménage
Les deux variables de caractérisation du logement du ménage présentées dans la section 2
ont pu être récupérées. La première est celle du type de logement (tableau 21) : individuel ou
collectif. En version quantitative une sous-variable binaire indique si le logement est
individuel.
Tableau 21 : Description de la variable Type de logement
Type de logement TOTAL
Modalités INDIVIDUEL COLLECTIF 2
Effectifs enquêtés
5629 5600 11229
50 % 50 % 100 %
Effectifs redressés
472 602 360 016 832 618
57 % 43 % 100 %
La seconde variable décrit l’occupation du logement (tableau 22) : propriétaire ou locataire.
En version quantitative, une sous-variable binaire indique si le ménage est propriétaire du
logement.
Tableau 22 : Description de la variable Occupation du logement
Occupation du logement TOTAL
Modalités PROPRIETAIRE LOCATAIRE 2
Effectifs enquêtés
4573 6654 11227
41 % 59 % 100 %
Effectifs redressés
349 157 483 221 832 377
42 % 58 % 100 %
50
5.2.6 Variables d’accès à la voiture du ménage
Seules deux variables d’accès du ménage à la voiture ont pu être récupérées. La première
est celle du nombre d’individus possédant le permis de conduire (tableau 23). La classe
supérieure rassemble les ménages disposant de trois permis et plus. En version quantitative, la
valeur attribuée à ces ménages est la moyenne pondérée de leur nombre réel de permis :
3,23751.
Tableau 23 : Description de la variable Nombre de permis
Nombre de permis TOTAL
Modalités P0 P1 P2 P3P 4
Effectifs enquêtés
876 3900 5608 845 11229
8 % 35 % 50 % 8 % 100 %
Effectifs redressés
67 984 302 309 405 459 56 867 832 618
8 % 36 % 49 % 7 % 100 %
La seconde est celle du ratio de permis par adulte du ménage (tableau 24). Le découpage est
réalisé de façon à regrouper les ménages aux comportements proches. Seule la classe
rassemblant les ménages dont les adultes disposent tous du permis est très hétérogène et
comme elle rassemble près de 80 % des effectifs, cela risque de diminuer le caractère explicatif
de cette variable. Le recours à des sous-variables binaires pour l’approche quantitative est
envisageable bien qu’il soit également possible de récupérer le ratio réel calculé en amont de
cette classification car on ne craint pas ici d’effet « taille ».
Tableau 24 : Description de la variable Nombre de permis par adulte
Nombre de permis par adulte TOTAL
Modalités PpA0 PpA0.5 PpA0.9 PpA1 4
Effectifs enquêtés
876 1129 423 8801 11229
8 % 10 % 4 % 78 % 100 %
Effectifs redressés
67 984 79 688 28 559 656 387 832 618
8 % 10 % 3 % 79 % 100 %
51
5.2.7 Variables d’environnement du lieu de résidence
Concernant les variables d’environnement du lieu de résidence, deux d’entre elles ont pu
être fabriquées. La première est la localisation du ménage dans l’aire urbaine de Lyon (tableau
25) : centre, première périphérie, seconde périphérie. Sous l’appellation centre sont regroupées
les deux communes de Lyon et Villeurbanne. La première périphérie rassemble les communes
limitrophes aux deux premières (c’est-à-dire ayant une frontière commune avec Lyon ou
Villeurbanne). La seconde périphérie rassemble toutes les communes n’apparaissant pas dans
les deux premières catégories.
Tableau 25 : Description de la variable Localisation
Localisation TOTAL
Modalités CENTRE PER1 PER2 3
Effectifs enquêtés
1683 6894 2652 11229
15 % 61 % 24 % 100 %
Effectifs redressés
128 020 407 730 296 868 832 618
15 % 49 % 36 % 100 %
La seconde variable représente la densité du secteur de tirage dans lequel se situe le ménage
(tableau 26). Grâce à un traitement utilisant un SIG (Système d’Information Géographique) le
LET (Laboratoire d’Economie des Transports) a pu recalculer les surfaces de 133 secteurs
parmi les 148 secteurs de tirage de l’enquête ménage. D’autre part, à partir des coefficients de
redressement fournis, la population totale de ces secteurs a pu être récupérée, et la densité de
population de ces secteurs a pu être calculée comme le rapport de la population sur la surface.
Le tout a été converti en nombre d’habitants par hectare pour plus de lisibilité. La
catégorisation s’appuie quant à elle sur les sauts observés dans les niveaux de motorisation.
Tableau 26 : Description de la variable Densité
Densité de population du secteur de tirage (hab/ha) TOTAL
Modalités d0_0.5 d0.5_2 d2_10 dsup10 dna 5
Effectifs enquêtés
2864 2730 2796 1661 1178 11229
26 % 24 % 25 % 15 % 10 % 100 %
Effectifs redressés
172 253 179 375 239 282 173 054 68 654 832 618
21 % 22 % 29 % 21 % 8 % 100 %
52
5.2.8 Variables d’accessibilité aux transports
La seule variable d’accessibilité aux transports récupérée est celle de la disponibilité d’un
réseau de transports collectifs (TC) dans le secteur de tirage où réside chaque ménage (tableau
27). Les réseaux pris en compte sont : TCL, STAV, RUBAN, SUV, et GIBUS. En version
quantitative, une variable binaire indique la présence d’un réseau TC dans le secteur de tirage
où réside le ménage.
Tableau 27 : Description de la variable Disponibilité TC
Disponibilité TC TOTAL
Modalités TCdispo TCindispo 2
Effectifs enquêtés
3520 7709 11229
31 % 69 % 100 %
Effectifs redressés
232 707 599 912 832 618
28 % 72 % 100 %
5.2.9 Variables d’accessibilité au lieu de travail
La seule variable d’accessibilité au lieu de travail retenue est la distance en kilomètres qui
sépare le lieu de résidence du ménage du lieu de travail ou d’étude de ses membres le plus
éloigné (tableau 28). Elle a été obtenue grâce au travail du LET sur les distances à vol d’oiseau
séparant les centroïdes des zones de résidences et de travail ou d’étude des ménages. Là
encore la conservation de la valeur réelle calculée en amont pour le passage de la variable en
version quantitative ne doit pas poser de problème d’effet « taille ». Une autre approche de cet
aspect de l’accessibilité au travail consiste à sommer les distances domicile-travail de chacun
des membres du ménage, mais cela réduit son impact sur la motorisation à courte distance.
Tableau 28 : Description de la variable Distance DT
Distance Domicile-Travail TOTAL
Modalités DDT2 DDT6 DDT9 DDT9p 4
Effectifs enquêtés
4971 1907 1066 3285 11229
44 % 17 % 9 % 29 % 100 %
Effectifs redressés
383 615 160 126 80 672 208 207 832 618
46 % 19 % 10 % 25 % 100 %
53
5.2.10 Variables globales
Cette ultime catégorie de variables n’a pas pu être récupérée explicitement à partir des
données disponibles. L’intégration d’une variable de tendance n’est de toute façon pas
réalisable dans cette étude étant donné que les données sont toutes contemporaines. En
revanche la prise en compte des coûts est possible dans le modèle grâce à l’intégration d’une
constance chargée de les capturer lors de l’estimation.
Au final nous disposons donc de 17 variables potentiellement explicatives du niveau de
motorisation des ménages. Le paragraphe détaille l’analyse de ce lien éventuel par le biais de la
statistique descriptive.
5.3 Analyse des déterminants de la motorisation
5.3.1 Analyse des corrélations entre variables
La section précédente ayant posé les bases nécessaires à l’analyse des déterminants de la
motorisation des ménages de l’aire urbaine de Lyon, il convient à présent de mesurer le
caractère explicatif de chacune de ces variables vis-à-vis du niveau d’équipement automobile
afin de sélectionner celles à intégrer dans le modèle. Mais avant de les considérer séparément il
nous faut observer les corrélations qui existent initialement entre ces variables afin de se
prémunir d’éventuelles redondances dans l’explication de la motorisation.
Les deux pages suivantes dressent le tableau des corrélations entre les 17 variables de
l’analyse (tableau 29 et 30). La motorisation a elle aussi été intégrée pour jeter un rapide coup
d’œil sur ses déterminants a priori les plus évidents. C’est la version quantitative des variables
qui a du être retenue pour permettre cette analyse, si bien que pour les variables « revenu, type
de ménage, occupation du chef de ménage, et localisation », chaque modalité est déclinée sous
la forme d’une variable binaire. Les corrélations supérieures à 0,5 en valeur absolue ont été
mises en évidence afin de faciliter la lecture du tableau.
54
Tableau 29 : Tableau des corrélations entre variables (première moitié)
N° VARIABLE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 Motorisation 1,00
2 RevenuFaible -0,35 1,00
3 RevenuMoyen -0,04 -0,29 1,00
4 RevenuFort 0,32 -0,18 -0,40 1,00
5 RevenuNA 0,01 -0,23 -0,52 -0,32 1,00
6 Taille (5ans et +) 0,49 -0,20 -0,07 0,22 0,02 1,00
7 CELIB -0,56 0,26 0,05 -0,23 -0,04 -0,68 1,00
8 COUPLE 0,14 -0,13 0,01 0,04 0,04 -0,22 -0,39 1,00
9 MONO -0,07 0,06 0,03 -0,07 -0,01 0,06 -0,18 -0,19 1,00
10 FAMILLE 0,43 -0,16 -0,07 0,22 0,00 0,79 -0,43 -0,44 -0,20 1,00
11 AUTRE 0,01 0,02 -0,01 -0,01 0,01 0,08 -0,11 -0,11 -0,05 -0,12 1,00
12 NbreAdulte 0,53 -0,24 -0,07 0,21 0,06 0,67 -0,74 0,15 -0,08 0,54 0,16 1,00
13 NbreEnfant 0,34 -0,11 -0,05 0,16 0,00 0,92 -0,44 -0,46 0,21 0,76 -0,04 0,45 1,00
14 AgeCDM -0,19 -0,01 -0,02 -0,10 0,12 -0,31 0,13 0,29 -0,10 -0,34 -0,01 -0,02 -0,35 1,00
15 TpsPlein 0,35 -0,23 0,04 0,20 -0,06 0,37 -0,21 -0,23 0,04 0,40 0,01 0,20 0,36 -0,55 1,00
16 TpsPart -0,05 0,06 -0,01 -0,03 0,00 0,03 -0,01 -0,06 0,12 -0,01 0,02 -0,03 0,06 -0,10 -0,24 1,00
17 Etud_Autre -0,14 0,21 -0,08 -0,07 -0,01 -0,09 0,12 -0,07 -0,02 -0,07 0,08 -0,08 -0,07 -0,23 -0,19 -0,04
18 Chom_Foyer -0,10 0,17 -0,05 -0,06 -0,01 0,04 0,00 -0,08 0,11 0,01 0,01 -0,03 0,08 -0,12 -0,27 -0,06
19 Retraite -0,25 0,05 0,01 -0,14 0,07 -0,39 0,19 0,34 -0,14 -0,40 -0,05 -0,16 -0,43 0,78 -0,75 -0,15
20 NbreActif 0,53 -0,26 -0,02 0,29 -0,04 0,56 -0,44 -0,19 0,01 0,57 0,05 0,47 0,49 -0,53 0,72 0,10
21 NbreInactif -0,13 0,07 -0,03 -0,13 0,10 -0,07 -0,15 0,39 -0,09 -0,20 0,06 0,22 -0,18 0,56 -0,64 -0,14
22 Propriétaire 0,37 -0,24 -0,09 0,22 0,07 0,14 -0,22 0,18 -0,11 0,13 -0,06 0,22 0,05 0,23 -0,01 -0,05
23 Individuel 0,43 -0,18 -0,05 0,18 0,02 0,23 -0,28 0,12 -0,07 0,20 -0,03 0,27 0,15 0,11 0,06 -0,04
24 NbrePermis 0,72 -0,33 -0,05 0,29 0,03 0,57 -0,64 0,16 -0,11 0,49 0,07 0,77 0,38 -0,11 0,27 -0,05
25 TauxPermis 0,50 -0,26 0,05 0,18 -0,03 0,11 -0,16 0,08 -0,04 0,12 -0,07 0,06 0,06 -0,18 0,22 -0,03
26 CENTRE -0,29 0,09 -0,03 -0,03 -0,01 -0,16 0,20 -0,06 -0,03 -0,12 0,02 -0,16 -0,12 -0,09 -0,05 0,03
27 PER1 -0,11 0,02 -0,03 -0,07 0,08 -0,02 0,01 0,00 0,03 -0,03 0,00 -0,01 -0,01 0,05 -0,06 0,01
28 PER2 0,33 -0,09 0,05 0,07 -0,06 0,15 -0,18 0,05 0,00 0,13 -0,02 0,15 0,11 0,04 0,08 -0,03
29 Densité -0,33 0,12 -0,03 -0,06 0,00 -0,14 0,18 -0,06 -0,01 -0,12 0,03 -0,15 -0,09 -0,10 -0,06 0,03
30 DispoTC -0,28 0,10 -0,04 -0,09 0,06 -0,11 0,13 -0,06 0,04 -0,10 0,04 -0,11 -0,07 -0,04 -0,05 0,02
31 DistanceDT 0,40 -0,16 -0,02 0,21 -0,06 0,38 -0,28 -0,17 0,04 0,39 0,02 0,31 0,36 -0,35 0,44 0,04
55
Tableau 30 : Tableau des corrélations entre variables (seconde moitié)
N° VARIABLE 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
1 Motorisation
2 RevenuFaible
3 RevenuMoyen
4 RevenuFort
5 RevenuNA
6 Taille (5 ans et +)
7 CELIB
8 COUPLE
9 MONO
10 FAMILLE
11 AUTRE
12 NbreAdulte
13 NbreEnfant
14 AgeCDM
15 TpsPlein
16 TpsPart
17 Etud_Autre 1,00
18 Chom_Foyer -0,04 1,00
19 Retraite -0,12 -0,17 1,00
20 NbreActif -0,12 -0,17 -0,69 1,00
21 NbreInactif 0,06 0,15 0,65 -0,68 1,00
22 Propriétaire -0,14 -0,14 0,15 0,09 0,10 1,00
23 Individuel -0,12 -0,09 0,04 0,17 0,04 0,48 1,00
24 NbrePermis -0,09 -0,08 -0,20 0,50 0,05 0,33 0,35 1,00
25 TauxPermis -0,07 -0,08 -0,16 0,24 -0,18 0,24 0,21 0,62 1,00
26 CENTRE 0,18 0,02 -0,04 -0,09 -0,04 -0,20 -0,45 -0,18 -0,08 1,00
27 PER1 -0,01 0,04 0,04 -0,06 0,06 -0,06 -0,20 -0,08 -0,10 -0,23 1,00
28 PER2 -0,15 -0,05 0,00 0,13 -0,01 0,22 0,54 0,22 0,15 -0,70 -0,53 1,00
29 Densité 0,19 0,05 -0,05 -0,10 -0,01 -0,24 -0,51 -0,21 -0,14 0,74 0,03 -0,67 1,00
30 DispoTC 0,09 0,07 -0,02 -0,11 0,03 -0,24 -0,49 -0,19 -0,15 0,38 0,28 -0,54 0,44 1,00
31 DistanceDT -0,03 -0,09 -0,43 0,56 -0,36 0,09 0,23 0,34 0,17 -0,21 -0,13 0,28 -0,22 -0,23 1,00
56
Sans surprise les corrélations les plus importantes ont lieu entre les variables quantitatives
dénombrant les individus du ménage : Taille, CELIB, FAMILLE, Nombre d’adultes, Nombre
d’enfants, Nombre d’actifs, et Nombre de Permis.
Une deuxième source de corrélations est la description de l’activité du ménage qui relie :
Temps plein, Retraite, Age du chef de ménage, Nombre d’actifs, Distance domicile-travail et
Nombre d’inactifs.
La troisième source de corrélation est liée au degré d’urbanisation de la zone de résidence
et relie les variables suivantes : Individuel, PER2, Densité, DispoTC et CENTRE.
D’autre part l’analyse des corrélations entre la motorisation et les autres variables nous
permet de mettre en évidence les variables les plus déterminantes. Ainsi le premier facteur
explicatif de la motorisation serait à choisir parmi le nombre de permis, le type de ménage, le
nombre d’adultes, le nombre d’actifs, et le nombre de permis par adulte.
C’est avec ces différentes sources de corrélations à l’esprit que nous allons procéder à
l’analyse qualitative de la répartition de la motorisation en fonction de chacune des variables
décrites précédemment. Cependant comme la section 2 analysait déjà en détail les raisons qui
pouvaient justifier l’influence de telle ou telle variable sur la motorisation des ménages, celle-ci
ne seront pas répétées pour éviter une redondance inutile entre les deux parties. Néanmoins
les analyses qualitatives suivantes permettront de confirmer les affirmations délivrées à partir
de l’étude bibliographique. Et pour faciliter la lecture, l’ordre de traitement des variables est
similaire à celui-ci des sections précédentes.
57
5.3.2 Analyse qualitative
La figure 5 montre la croissance de la motorisation en fonction du revenu. L’évolution
semble quasi-linéaire. Quant à la répartition des ménages n’ayant pas communiqué leur revenu
elle est très proche de la répartition globale de la motorisation, on est donc en droit de penser
que le refus de communiquer leurs revenus n’est pas lié à leur niveau.
Figure 5 : Répartition de la motorisation en fonction du revenu
La figure 6 expose la croissance de la motorisation en fonction de la taille du ménage. On
remarque néanmoins qu’à partir de 3 individus le ménage est presque systématiquement
motorisé (à près de 95 %) et multi-motorisé à plus de 60 %. La répartition n’évolue plus
beaucoup dans les classes supérieures.
Figure 6 : Répartition de la motorisation en fonction de la taille du ménage
58
La figure 7 représente la répartition de la motorisation par type de ménage. Sans surprise ce
sont les familles et les couples qui sont les plus motorisés face aux célibataires et aux familles
monoparentales. Compte tenu de l’hétérogénéité de la classe « autre » le fait que la répartition
de sa motorisation reste dans la moyenne est plutôt rassurant.
Figure 7 : Répartition de la motorisation en fonction du type de ménage
La figure 8 met en évidence la croissance de la motorisation en fonction du nombre
d’adultes. Les ménages ne contenant qu’un adulte sont à 40 % non motorisés et à 60 %
simplement motorisés. Au-delà de 2 adultes une grande majorité des ménages est multi-
motorisée. Une différence de répartition aussi nette prédispose cette variable à être intégrée au
modèle.
Figure 8 : Répartition de la motorisation en fonction du nombre d’adultes
59
La figure 9 décrit la répartition de la motorisation en fonction du nombre d’enfants. Les
ménages sans enfants se distinguent nettement des ménages avec enfants, en revanche ces
derniers ne présentent pas de différence notable entre eux. Ainsi le nombre d’enfants semble
avoir moins d’impact que le fait d’en avoir ou non, bien que cette différence soit liée au fait
que les célibataires (les ménages les moins motorisés) font tous partie de la première
catégorie.
Figure 9 : Répartition de la motorisation en fonction du nombre d’enfants
La figure 10 permet l’observation de la répartition de la motorisation en fonction de l’âge
du chef de ménage. Une division plus fine des classes d’âge (disponible en annexe) montre
clairement la croissance de la motorisation pendant la vie active et sa décroissance après la
retraite.
Figure 10 : Répartition de la motorisation en fonction de l’âge du chef de ménage
60
La figure 11 présente la répartition de la motorisation en fonction de l’occupation du chef
de ménage. En termes de motorisation seule la classe des temps pleins et celle des étudiants se
distingue réellement des autres, l’une par sa forte motorisation (plus de 90 % motorisés) et
l’autre par son fort taux de non-motorisation (plus de 50 %). Néanmoins l’effectif représenté
par la classe étudiante étant relativement faible, cette modalité ne sera pas forcément retenue.
Figure 11 : Répartition de la motorisation en fonction de l’occupation du chef de ménage
La figure 12 confirme la décroissance de la motorisation en fonction du nombre d’actifs.
L’évolution semble quasi-linéaire ce qui fait de cette variable une candidate intéressante à
prendre en compte dans le modèle notamment à cause du fait que d’une part les ménages de
deux actifs et plus sont quasiment tous motorisés et pour la plupart multi-motorisés (75 %, et
que d’autre part les ménages ne contenant aucun actif ont une relation à la voiture assez
comparable.
Figure 12 : Répartition de la motorisation en fonction du nombre d’actifs
61
La figure 13 représente la répartition de la motorisation en fonction du nombre d’inactifs.
Il est difficile d’analyser une telle répartition tant elle semble anarchique. La plus faible
motorisation des ménages ne contenant qu’un seul inactif peut s’expliquer par le fait que les
célibataires étudiants et retraités s’y retrouvent mélangés à d’autres types de ménage. Toutefois
la trop grande hétérogénéité de chaque classe risque d’être problématique. C’est pourquoi il est
très probable que cette variable ne soit pas retenue pour le modèle.
Figure 13 : Répartition de la motorisation en fonction du nombre d’inactifs
La figure 14 met en avant l’impact du type de logement sur la motorisation. La très forte
motorisation des ménages résidant dans des logements individuels rend cette variable
intéressante pour le modèle à condition qu’elle ne soit pas excessivement corrélée aux autres
variables sélectionnées.
Figure 14 : Répartition de la motorisation en fonction du type de logement
62
La figure 15 témoigne de la répartition de la motorisation en fonction du statut
d’occupation du logement par le ménage. La répartition est très similaire à celle de la variable
précédente ce qui nous incite à ne retenir qu’une des deux variables si la corrélation entre elles
et les autres variables réduit leur significativité.
Figure 15 : Répartition de la motorisation en fonction de l’occupation du logement
La figure 16 démontre la croissance de la motorisation en fonction du nombre de permis.
L’évolution semble encore une fois être quasi-linéaire, seulement cette variable est encore plus
performante car elle présente une modalité supplémentaire qui respecte la linéarité. En tout
cas la forte homogénéité de chaque classe vis-à-vis de la motorisation fait sans doute de cette
variable l’une des plus déterminantes de l’équipement des ménages.
Figure 16 : Répartition de la motorisation en fonction du nombre de permis
63
La figure 17 détaille la répartition de la motorisation en fonction du nombre de permis par
adulte. Là encore l’homogénéité de chaque classe est impressionnante, toutefois le fait que la
dernière classe rassemble 80 % des effectifs ne rend pas cette variable suffisante à la
détermination de la motorisation de l’ensemble des ménages. En revanche elle peut jouer un
rôle de complément d’explication à une variable comme le nombre d’adultes ou d’actifs.
Figure 17 : Répartition de la motorisation en fonction du nombre de permis par adulte
La figure 18 fait apparaître la répartition de la motorisation en fonction de la localisation.
Plus on s’éloigne du centre de l’agglomération et plus le taux de motorisation augmente.
L’évolution semble là encore linéaire ce qui fait de cette variable une bonne candidate pour le
modèle.
Figure 18 : Répartition de la motorisation en fonction de la localisation
64
La figure 19 témoigne de la croissance de la motorisation en fonction de la densité de
population. L’évolution paraît linéaire, mais en réalité cela est dû au découpage des différentes
classes. Un découpage plus fin est disponible en annexe et montre clairement le lien entre la
densité du secteur et le taux de motorisation. Un passage au logaritme pourrait permettre de
récupérer une relation linéaire intéressante pour le modèle.
Figure 19 : Répartition de la motorisation en fonction de la densité de population
La figure 20 récapitule la répartition de la motorisation en fonction de la disponibilité des
transports en commun. On observe clairement que l’absence de réseau de transport en
commun à proximité du lieu de résidence voit le taux de motorisation augmenter. Cependant
cela peut également être dû au fait que cette variable est fortement corrélée à l’éloignement du
lieu de résidence au centre de l’agglomération.
Figure 20 : Répartition de la motorisation en fonction de la disponibilité des TC
65
La figure 21 confirme la croissance de la motorisation en fonction de la distance domicile-
travail. On observe que la motorisation des ménages croît rapidement avec l’éloignement du
lieu de travail. Un découpage plus fin est disponible en annexe pour mieux cerner la relation
qui lie le taux de motorisation à la distance domicile-travail. En outre une autre variable
comptabilisant la somme des distances domicile-travail de chaque membre du ménage y figure
également. Quoiqu’il en soit cette variable semble intéressante pour construire le modèle de
prédiction de la motorisation.
Figure 21 : Répartition de la motorisation en fonction de la distance DT
A la lumière de cette première série d’analyses on peut déjà écarter quelques variables
compte tenu de leur faible caractère explicatif ou de la concurrence d’autres variables plus
déterminantes qui leur sont fortement corrélées. Ainsi parmi les variables quantitatives, la taille
du ménage semble nettement moins déterminante que le nombre d’adultes, d’actifs ou de
permis. Du côté de la caractérisation du lieu de résidence, la densité de population semble plus
prometteuse que le découpage centre-périphérie. Il n’est en revanche pas possible de trancher
sur l’emploi de l’une ou l’autre des variables décrivant le logement dans la mesure où leur
répartition se ressemble beaucoup. Cependant la forte corrélation existant entre la modalité
« logement individuel » et la densité de population nous amènerait peut-être à privilégier
l’occupation du logement. D’autres variables comme le nombre d’inactifs, le nombre
d’enfants, et la disponibilité des transports collectifs ne semblent pas apporter d’explications
suffisantes pour être retenues. Enfin les répartitions des variables d’âge et d’occupation du
chef de ménage, ainsi que le type de ménage ne permettent pas encore de trancher sur leur
utilité pour le modèle. Passons alors à l’analyse de variance qui va nous permettre de
hiérarchiser le pouvoir explicatif de chaque variable.
66
5.3.3 Analyse de variance
Pour compléter l’analyse qualitative des variables, une analyse de variance à un critère a été
effectuée pour chacune d’elles. Le tableau 31 récapitule les résultats obtenus en triant les
variables par pourcentage de variance expliquée. La valeur du test de Fisher a été ajoutée pour
confirmer la dépendance en moyenne de chaque variable vis-à-vis de la motorisation.
Tableau 31 : Classement des variables en fonction du pourcentage de variance expliquée
Variable % de variance
expliquée Valeur du F de
Fisher
NbrePermis 54,6 4493,998 TypeMenage 36,5 1613,2526 NbreAdulte 35,1 3036,5676
Taille5p 34,5 1477,1073 TauxPermis 27,2 1398,4864
NbreActif 26,8 2050,8101 Revenus 22,1 798,08
DistanceDT 19,8 923,4883 TypeLog 17,8 2423,1081 Densité 15,8 626,4569 NbreEnf 15,3 673,3779 AgeCDM 14 607,6177 OccupLog 13,6 1762,0623
OccupCDM 12,8 410,1618 Localisation 12,6 807,3537
DispoTC 8,3 1014,7432 NbreInactif 6,8 411,2136
Ce tableau met en évidence le fort pouvoir explicatif des variables qualifiant la composition
du ménage (Type de ménage, Nombre d’adultes, Taille du ménage) et sa relation à la voiture
(Nombre de permis, et Nombre de permis par adulte). Comme nous nous y attendions les
variables « Nombre d’inactifs » et « Disponibilité TC » expliquent moins de 10% de la variance
du niveau de motorisation. La densité est effectivement plus significative que la localisation, et
des variables comme le revenu, le nombre d’actifs ou la distance domicile-travail semblent
elles aussi apporter une contribution non négligeable à l’explication de la motorisation. La
variable « Type de logement » se révèle particulièrement significative, mais comme annoncé
précédemment le risque de corrélation avec les autres variables est fort. Finalement seule la
prise en compte de l’âge et de l’occupation du chef de ménage ainsi que de l’occupation du
logement reste incertaine. Le paragraphe suivant vise à trancher définitivement ce choix.
67
5.3.4 Choix des variables du modèle
A la lumière de l’ensemble des traitements statistiques exposés précédemment, il nous faut
faire le choix des variables à intégrer dans le modèle. Pour cela un certain nombre de
traitements statistiques (analyse de variance à deux critères) supplémentaires ont été effectués
pour observer quelle variable était incompatible.
Ainsi, du fait de leur trop grande corrélation il nous faut choisir une variable parmi le
nombre d’adultes, le nombre d’actifs, le nombre de permis et la taille du ménage. Il serait
tentant de conserver la variable du nombre de permis qui est celle qui détermine le mieux la
motorisation du point de vue statistique, cependant le modèle ayant des visées prospectives, il
faudra qu’il soit en mesure d’intégrer les évolutions à moyen terme du nombre de permis par
ménage. Or cette évolution est des plus incertaines. En revanche une évolution du nombre
d’adultes par ménage est déjà prise en compte dans le projet SIMBAD, c’est pourquoi cette
variable nous semble la plus intéressante parmi celle retenue. On pourra toujours récupérer
l’impact du nombre de permis en ajoutant au modèle celle du nombre de permis par adulte
sans faire face au problème de corrélation.
Ensuite la variable de revenu semble suffisamment indépendante pour être intégrée au
modèle, d’autant plus qu’elle est connue dans la littérature scientifique pour être le principal
déterminant du niveau de motorisation.
La troisième variable à conserver est sans conteste la densité du secteur de résidence qui
permet de récupérer une grande partie de l’influence du lieu de résidence sur la motorisation
dans ses multiples aspects (stationnement, accès à différents services, accès aux transports
collectifs…).
Enfin la distance domicile-travail, le statut d’occupation du logement du ménage, et l’âge
du chef de ménage sont trois variables optionnelles dont on testera l’utilité via l’estimation des
paramètres du modèle.
68
5.4 Choix du modèle
Compte tenu des spécificités du projet SIMBAD, le choix du modèle de motorisation
s’impose presque de lui-même. Il est nécessaire de travailler au niveau désagrégé. Ensuite il
nous faut choisir entre un modèle ordonné ou et un non-ordonné. Compte tenu du type de
variable à modéliser, c'est-à-dire une variable prenant des valeurs entières positives successives
et ordonnées (0, 1, 2 et plus), le choix d’un modèle ordonné paraît plus logique, bien que les
chercheurs n’aient pas encore définitivement tranché la question. Néanmoins l’argumentaire
développé par Matas et Raymond (2008) justifie de manière convaincante l’emploi d’un
modèle Probit. Cependant par manque de temps nous nous contenterons d’une approche par
régression linéaire dont les résultats seront présentés lors de la soutenance.
En outre il est utile de préciser que les données utilisées dans le projet SIMBAD sont issues
d’un croisement entre les données du recensement INSEE de 1999, et celle de l’enquête
ménage-déplacement étudiée dans les sections précédentes. Cependant dans cette étude le
choix a été fait de se concentrer sur l’analyse approfondie des données de l’enquête ménage
dans la mesure où le projet SIMBAD dispose déjà d’un modèle rudimentaire de prédiction de
la motorisation appuyé sur les quelques données intégrées au projet. La prise en compte des
seules données de l’enquête visait donc à mettre en lumière l’impact de variables n’ayant pas
été retenues dans le modèle actuellement en place dans SIMBAD. Il ne s’agissait pas tant de
créer un modèle de motorisation que de permettre l’amélioration de celui disponible. Or son
principal défaut est qu’il ne peut pas prendre en compte les revenus dans la mesure où ceux-ci
ont été construits a posteriori à partir des plusieurs variables observées incluant la
motorisation des ménages. Malheureusement la seule réponse de ce travail face à cette
difficulté repose dans la proposition de variables supplémentaires susceptibles de combler ce
manque.
69
6 CONCLUSION
Les informations récupérées dans la littérature scientifique et l’application réalisée au niveau
des ménages de l’aire urbaine lyonnaise ont permis de cerner de manière satisfaisante les
grandes tendances qui gouvernent actuellement l’acquisition d’un ou de plusieurs véhicules par
les ménages. Il en ressort que le revenu reste un déterminant important de la motorisation des
ménages, mais qu’avec la progression continue de la multi-motorisation depuis les années
1970, les variables dénombrant les adultes, les actifs ou les détenteurs du permis de conduire
ont gagné en pouvoir explicatif au point de concurrencer sérieusement la première variable.
Ce constat est renforcé par le fait qu’au niveau national le taux d’équipement des ménages a
presque atteint la saturation, signe que la plupart des individus en âge de conduire ont accès à
la voiture, qu’ils la possèdent ou qu’ils l’empruntent à leurs proches. En trente ans la société a
fait de l’accès à la voiture une norme dont elle a du mal à se défaire aujourd’hui malgré l’état
d’urgence déclaré du point de vue de son impact sur l’Environnement.
En dehors des variables caractérisant le ménage, cette étude a permis de mettre en évidence
l’influence de l’environnement des ménages sur leur niveau de motorisation. Ainsi
l’observation de taux de motorisation plus faibles dans les zones les moins urbanisées
témoigne d’un certain succès des Politiques de Transport dans le cœur des agglomérations où
les individus abandonne plus volontiers la voiture au profit des transports collectifs, de la
marche à pied ou même de la bicyclette. Toutefois il faut prendre garde à bien distinguer la
démotorisation effective des individus sous l’effet de ces politiques, et les relocalisations des
ménages souhaitant conserver l’usage de leur bien vers des zones plus compatibles avec leur
mode de vie. Ainsi il serait mensonger de prétendre que les politiques de restrictions de l’usage
de la voiture en ville impacte indifféremment l’ensemble des individus dans la mesure où
certains parviennent à contourner la contrainte, détournant l’objectif initial de la mesure ayant
alors pour effet pervers de déplacer le problème hors des limites de la ville au lieu de le
résoudre. Ce phénomène est d’autant plus dommageable qu’il conduit à l’éparpillement des
ménages aux comportements les moins respectueux de l’environnement dans des zones où il
devient difficile d’intervenir, et amplifie la nuisance due à leur mobilité en allongeant les
distances qu’ils doivent parcourir.
70
Une ultime influence est suggérée par diverses publications mais n’a pu être testée dans
l’application compte tenu de la nature des données disponibles. Il s’agit de l’impact du
contexte global sur la motorisation des individus à travers, par exemple, les coûts financiers
que génèrent la voiture par son usage et son entretien soumis aux fluctuations du prix des
carburants, ou bien à travers les coûts temporels liés à la congestion des réseaux routiers
particulièrement importante dans les grandes agglomérations. Il peut aussi s’agir d’un contexte
encore plus général comme celui de la crise économique mondiale actuelle qui a vue le géant
américain de l’Automobile General Motors déposer son bilan. On peut alors s’interroger sur
les répercussions d’un tel contexte sur la motorisation des ménages lorsque l’on sait que les
ventes de voitures ont considérablement diminué pendant cette période. Faut-il s’attendre à
une nouvelle conception du rapport des individus à la voiture dans les années à venir ?
Au-delà de ces considérations générales, ce travail de fin d’études a permis d’approfondir la
recherche de déterminants de la motorisation dans le cadre du projet SIMBAD. En effet, si les
délais qui le régissent n’ont pas rendu possible l’élaboration d’un modèle de prédiction de la
motorisation plus abouti que celui actuellement intégré au projet du Laboratoire d’Economie
des Transports, il aura au moins développé quelques pistes d’améliorations, bien que le
principal obstacle que représente l’impossibilité de prendre en compte les revenus, du fait de
leur construction a posteriori à partir de la motorisation observée, n’a pu être contourné.
En définitive ce travail n’aura atteint ses objectifs que de manière partielle, principalement
par manque de temps. Cependant cette éventualité avait été envisagée dès son origine compte
tenu de l’ampleur du travail requis combiné à une connaissance relativement limités des
méthodes et des outils en permettant la réalisation. J’espère néanmoins qu’il aura permis de
répondre aux attentes du Laboratoire d’Economie des Transports, notamment en termes
d’analyse bibliographique, et permettra une poursuite de ses objectifs dans le développement
de son projet SIMBAD.
71
REFERENCES BIBLIOGRAPHIQUES
[1] BHAT (C.R.) et GUO (J.Y.). A comprehensive analysis of built environment characteristics on household residential choice and auto ownership decisions, Transportation Research Part B, vol.41, p.506-526, 2007.
[2] BHAT (C.R.) et PULUGURTA (V.). A comparison of two alternative behavioural choice mechanisms for household auto ownership decisions, Transportation Research Part B, vol.32, n°1, p.61-75, 1998.
[3] BJORNER (T.B.) et LETH-PETERSON (S.). Dynamic models of car ownership at the household level: the answer to an R&D dilemma, International Journal of Transport Economics, vol.32, n°1, p.57-75, 2005.
[4] CHU (Y.L.). Automobile ownership using ordered probit models, Transportation Research Record, n°1805, p.60-67, 1989.
[5] CLARK (S.D.). Characterizing and predicting car ownership using rough sets, Transportation Research Part C, vol.17, p.381-393, 2009.
[6] COLLET (R.). Dynamique du niveau de motorisation automobile des ménages français, Proposition de communication pour les 24èmes JMA, Fribourg 2007, 41p., 2007.
[7] DARGAY (J.) et GATELY (D.). Income’s effect on car and vehicle ownership, worldwide: 1960-2015, Transportation Research Part A, vol.33, p.101-138, 1999.
[8] GOLOB (T.F.) et VAN WISSEN (L.). A joint travel distance generation and car ownership model, Transportation Research Part B, vol.23, n°6, p.471-491, 1989.
[9] MADRE (J.L.) et LAMBERT (T.). Prévision à long terme du trafic automobile, Monographie CREDOC/SETRA, 106p., 1989.
[10] MATAS (A.) et RAYMOND (J.L.). Changes in the structure of car ownership in Spain, Transportation Research Part A, vol.42, p.187-202, 2008.
[11] MOGRIDGE (M.T.H). The prediction of car ownership and use revisited, Journal of Transport Economics and Policy, vol.23, n°1, p.55-74, 1989.
[12] POTOGLOU (D.) et KANAROGLOU (P.S.). Modelling car ownership in urban areas: a case study of Hamilton, Canada, Journal of Transport Geography, vol.16, n°1, p.42-54, 2008.
72
[13] ROMILLY (P.), SONG (H.), et LIU (X.). Modelling and forecasting car ownership in Great Britain: a cointegration and general to specific approach, Journal of Transport Economics and Policy, vol.32, n°2, p.165-185, 1998.
[14] STANOVNIK (T.). Automobile ownership in Yugoslavia, Transportation Research Part A, vol.24A, n°2, p.113-119, 1990.
[15] WHELAN (G.). Modelling car ownership in Great Britain, Transportation Research Part A, vol.41, p.205-219, 2007.
[16] ZHANG (J.), KUWANO (M.), LEE (B.), et FUJIWARA (A.). Modeling household discrete choice behaviour incorporating heterogeneous group decision-making mechanisms, Transportation Research Part B, vol.43, p.230-250, 2009.
73
ANNEXES
Annexe A : Compléments d’analyse statistique
Annexe B : Grilles de lecture ayant servies à l’étude bibliographique
75
ANNEXE A
Compléments d’analyse statistique
Les figures suivantes visent à compléter l’analyse statistique produite dans le rapport par
un découpage plus fin ou l’application du logarithme à certaines variables afin de mieux
apprécier leur impact sur la motorisation des ménages. Elles présentent successivement une
distribution de la motorisation en fonction :
- de l’âge du chef de ménage
- de la densité du lieu de résidence
- du logarithme de la densité du lieu de résidence
- de la distance maximale domicile-travail
- du logarithme de la distance maximale domicile-travail
- de la somme des distances domicile-travail
Le graphique ci-dessous représente la répartition de la motorisation en fonction de l’âge
du chef de ménage. Le découpage est réalisé de 5 ans en 5ans. On suit assez facilement les
différentes étapes du niveau de motorisation dans le cycle de vie du ménage. Cependant on
peut se demander si cette évolution persistera dans l’avenir ou bien si les nouvelles
générations auront des comportements distincts de ceux des générations actuelles en
vieillissant.
76
Le graphique ci-dessous présente un découpage plus fin des classes de densité.
Toutefois la largeur des classes allant en s’agrandissant, on ne peut pas se fier à l’apparente
linéarité de la relation qui relie la densité à la motorisation. En fait elle fait apparaître une
certaine saturation dans ses parties les plus extrêmes et un ralentissement de sa
décroissance à mesure que la zone se densifie. Un passage au logarithme pourrait alors
permettre de linéariser cette relation.
Le graphique ci-dessous permet de mettre en évidence l’évolution quasi-linéaire de la
motorisation en fonction du logarithme de la densité. En dehors des classes aux extrémités,
chaque classe à une largeur de 0.5 points. Bien qu’elle soit imparfaite cette linéarisation
rend mieux compte de la dépendance de la motorisation à la densité.
77
Le graphique ci-dessous représente l’évolution de la motorisation en fonction de la
distance maximale domicile-travail. Là encore les classes sont de plus en plus larges ce qui
ne permet pas de se fier à l’apparente linéarité de la relation de dépendance. On constate
cependant l’apparition d’un « saut » assez nette entre les ménages travaillant à moins de
9km de chez eux et ceux travaillant au-delà de cette distance pour lesquels le recours à un
voire deux véhicule est quasiment systématique.
Le passage au logarithme de la distance domicile-travail permet d’éclairer la presque
linéarité qui séparent les ménages motorisés de ceux non-motorisés. En revanche elle rend
la multi-motorisation moins lisible ce qui n’est pas forcément surprenant dans la mesure où
la distance domicile-travail prise en compte ne concerne qu’un des membres du ménage et
ne permet donc d’expliquer que la motorisation de cet individu sans renseigner celle des
autres membres du ménage.
78
Pour pallier à cette faiblesse de l’explication de la multi-motorisation, une autre variable
a été crée en faisant la somme des distances domicile-travail/étude de chacun des membres
du ménage. Le graphique ci-dessous représente la répartition de la motorisation en
fonction de cette nouvelle variable. Encore une fois le passage au logarithme pourrait
s’avérer payant.
Finalement le passage au logarithme de la somme des distances domicile-travail ne
permet pas de linéariser l’évolution de la multi-motorisation comme le montre la figure ci-
dessous.
Ces quelques compléments permettent de renforcer les choix qui ont été faits dans
l’analyse qualitative des variables développée dans le rapport. On retiendra tout de même la
linéarité dégagée par le passage au logarithme de la distance domicile-travail.
79
ANNEXE B
Grille de lecture ayant servies à l’analyse bibliographique
01 – Dynamique du niveau de motorisation automobile des ménages français, COLLET (2007)
02 – Modelling car ownership in urban areas: a case study of Hamilton, Canada, POTOGLOU &
KANAROGLOU (2008)
03 – Modelling car ownership in Great Britain, WHELAN (2007)
04 - A comparison of two alternative behavioural choice mechanisms for household auto ownership
decisions, BHAT & PULUGURTA (1998)
05 - Income's effect on car and vehicle ownership, worldwide 1960-2015, DARGAY & GATELY
(1999)
06 - A comprehensive analysis of built environment characteristics on household residential choice and
auto ownership levels, BHAT & GUO (2007)
07 - Characterizing and predicting car ownership using rough sets, CLARK (2009)
08 - Automobile Ownership Analysis Using Ordered Probit Models, CHU (1989)
09 - A joint travel distance and car ownership model, GOLOB & VAN WISSEN (1989)
10- Dynamic models of car ownership at the household level: The answer to an R&D dilemma,
BJORNER & LETH-PETERSON (2005)
11 - Automobile ownership in Yugoslavia, STANOVNIK (1990)
12 - Prévisions à long terme du trafic automobile, MADRE & LAMBERT (1989)
13 - Modelling and Forecasting Car Ownership in Britain: a cointegration and general to specific
approach, ROMILLY, SONG & LIU (1998)
14 - Modeling household discrete choice behaviour incorporating heterogeneous group decision-making
mechanisms, ZHANG, KUWANO, LEE & FUJIWARA (2009)
15 - The prediction of car ownership and use revisited, MOGRIDGE (1989)
16 - Changes in the structure of car ownership in Spain, MATAS & RAYMOND (2008)
TITRE DE LA PUBLICATION
Dynamique du niveau de motorisation automobile des ménages français
AUTEUR(S) DATE DE
PUBLICATION
Roger Collet – INRETS, Centre d’Economie de la Sorbonne 2007
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analyse 1999-2001 France métropolitaine
OBJECTIFS DU PROJET
- Analyser le degré de motorisation automobile choisi par les ménages en France
- Tester l’introduction de variables latentes reflétant à la fois la dépendance du niveau
courant d’équipement automobile au niveau de motorisation passé, le retard temporel entre
quantités observées et désirées, et l’habitude de l’usage qui tend à maintenir le taux
d’équipement individuel.
- Evaluer pour des ménages moyens les effets à court et long terme d’un changement
résidentiel vers une zone francilienne sur leurs probabilités de motorisation, ainsi que les
élasticités au revenu de court et long terme des trois probabilités d’équipement.
DONNEES DISPONIBLES
Panel Parc Auto
1999-2001
10 000 ménages français interrogés annuellement depuis 1983 (1/4 à
1/3 renouvelé chaque année) pour un taux de retour de 65 à 70 %
VARIABLES DIPONIBLES
- Nombre de voitures à la disposition du ménage
- Age du chef de famille (CDF)
- Nombre d’Actifs occupés (hors CDF)
- Nombre de Retraités (hors CDF)
- Nombre de Femmes adultes (hors CDF)
- Nombre d’Adultes (hors CDF) par classe d’âge (18-40, 41-60, 61-70, +70)
- Nombre d’Enfants par classe d’âge (-6, 6-11, 12-17, 18-30)
- Statut du CDF (Actif occupé par un emploi, Retraité, Actif sans emploi)
- Revenu annuel net du ménage (75KF/100KF/125KF/150KF/175KF/200KF/300KF)
- Localisation (Paris, petite couronne francilienne, grande couronne francilienne, Lille Lyon
ou Marseille, province rurale, province périurbaine, province banlieue, province cv)
- Nombre de permis de conduire (0, 1, 2, 3+)
VARIABLES EXPLICATIVES RETENUES
- Statut du CDF (écart actif/sans emploi net, mais pas actif/retraité)
- Nombre d’Adultes (hors CDF) (18-40, et plus modérément 41-60)
- Nombre de Femmes adultes (diminution de la motorisation /homme)
- Revenu annuel net du ménage (croissance avec le revenu)
- Localisation (Plus la zone est dense, moins on est motorisé)
- Nombre de permis de conduire
- Motorisation passée (effet mémoire révélant la rigidité des ménages à ajuster leur niveau
d’équipement automobile à ses déterminants courants)
MODELISATION RETENUE
Modèle catégoriel probit ordonné dynamique avec hétérogénéité. Trois états d’équipements
retenus : non, mono, et multi motorisation (0,1,2)
Y*it = Xitβ + γY
*it-1 + Xitψ + ξit
Où Y*it est la motorisation (0,1,2) du ménage i à l’année t, Xit est la matrice des facteurs
explicatifs du ménage i à l’année t, Y*it-1 est sa variable endogène retardée (i.e. motorisation
passée), ξit le terme d’erreur aléatoire et {β,γ,ψ} un triplet de paramètres.
Cadre statistique bayésien, résolution par la méthode d’estimation MCMC par
échantillonnages de Gibbs. Approximation des conditions initiales inspirée de Heckman
(1981), et de l’estimateur de Blundell et Smith (1991). Interprétation via des méthodes issues
des modèles linéaires dynamiques et spécification d’un modèle latent autorégressif simple
RESULTATS OBTENUS
65 %, 83 % et 68 % des prédictions sont justes pour les non, mono et multi-motorisés en
2001 grâce à la seule connaissance des variables explicatives.
Si changement permanent de caractéristiques, probabilité d’adaptation à court terme qui vaut
la moitié de celle à long terme.
Probabilité accrue d’augmentation de la motorisation lors d’un déménagement du centre vers
la périphérie, et inversement mais effets marginaux asymétriques dans les échanges croisés
entre deux zones.
Sensibilités aux revenus opposées et d’amplitude équivalente pour les motorisations
extrêmes. Même constat au long terme mais doublées par rapport au court terme.
Le niveau de motorisation augmente moins vite que celui des revenus, ce qui suggère une
amélioration de la qualité du parc plutôt que l’achat d’un véhicule supplémentaire.
TITRE DE LA PUBLICATION
Modeling car ownership in urban areas : a case study of Hamilton, Canada
AUTEUR(S) DATE DE
PUBLICATION
Dimitris Potoglou, Pavlos S. Kanaroglou 2008
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analyse 2005 Hamilton (Canada)
OBJECTIFS DU PROJET
- Explorer et comprendre la relation entre les formes urbaines et la motorisation dans le
contexte urbain canadien tout en s’appuyant sur les caractéristiques des ménages. (Quelles
sont les caractéristiques sociales, économiques et démographiques des ménages qui
influencent le niveau de motorisation dans une aire métropolitaine canadienne ?)
- Tirer des mesures désagrégées des formes urbaines et de la localisation à proximité des
activités (i.e. distance minimale, maximale) attribuées au lieu de résidence des ménages à
l’aide d’un SIG doté de données spatiales de haute résolution. (Quelle est l’influence des
caractéristiques des formes urbaines au voisinage de la résidence des ménages sur leur niveau
de motorisation ?)
DONNEES DISPONIBLES
CIBER-CARS 744 ménages employés dans la ville d’Hamilton, Canada, interrogés
sur leur motorisation passée, présente et future
VARIABLES DIPONIBLES
- Revenus totaux du ménage (<CAN$30000, CAN$30000-CAN$80000, >CAN$80000, Inconnu (40%))
- Taille du ménage
- Type de ménage (célibataire, couple, couple avec enfant, parent isolé, autre)
- Nombre de permis
- Nombre de travailleurs à temps plein
- Nombre de travailleurs à temps partiel
- Nombre d’enfants par classe d’âge (0-4, 5-9, 10-15, 16-19)
- Nombre d’adultes
- Nombre de personnes âgées
- Type de logement
- Caractéristiques de l’usage des sols (commercial, résidentiel, gouvernemental, parcs, et industriel)
- Mesures de proximité au lieu de résidence du ménage (ex : nbre de bus à moins de 500 m, indice entropique
d’usage des sols à 500 m)
- Indice de densité (Nbre de foyers et d’emplois par acre) et indice mixte de densité (produit du nbre d’emploi
par le nombre de foyers sur leur somme)
- Distance domicile travail (<1km, 1km-6km, >6km)
VARIABLES EXPLICATIVES RETENUES
Type de logement (maison individuelle ou non)
Nombre de travailleurs à temps plein
Nombre de travailleurs à temps partiel
Nombre de permis divisé par la taille du ménage
Type de ménage (tous sauf autre)
Revenus totaux du ménage (tous sauf bas revenu)
Indice mixte de densité (MDI)
Indice entropique d’usage des sols (EI)
Nombre d’arrêt de bus à moins de 500 m du logement
Nombre d’individus travaillant à plus de 6km du logement
MODELISATION RETENUE
4 niveaux de motorisation retenus (0, 1, 2, 3et+). Modèle désagrégé. Comparaison des
paramètres obtenus entre les modèles MNL (Multinomial Logit) et ORL (Ordered Logit).
Utilisation des tests statistiques classiques : t de student, chi2, rho2, maximum de
vraisemblance, élasticité, …
RESULTATS OBTENUS
Les constantes alternatives spécifiques impactent négativement les différents niveaux de
motorisation en en représentant le coût associé à la maintenance et à l’achat. Le type de
logement est un indicateur de la disponibilité d’une place de parking et influe positivement
d’autant plus sur le taux de motorisation que celui-ci est élevé. L’impact du nombre de
travailleurs à temps plein influe sur la possibilité d’une multimotorisation, tandis que le
nombre de permis influe plutôt sur la possibilité d’avoir une ou plusieurs voitures.
Parallèlement la présence de travailleurs à temps partiel diminue la possibilité d’être
motorisé. Le ménage de type couple, couple avec enfants, et autres sont plus sujets à la
multimotorisation. Pas d’effet pour le cas parent isolé. Les revenus apparaissent comme la
variable la plus déterminante. Les revenus moyens sont significativement plus déterminants
concernant la motorisation simple, les hauts revenus influent d’avantage sur la possibilité de
disposer de deux voitures. Le moindre impact des hauts revenus sur la motorisation simple
peut s’expliquer par le fait que ces ménages tendent à acheter des voitures plus chères plutôt
que plus nombreuses. Les indices MDI et EI impactent négativement la motorisation. Un
nombre élevé d’arrêt de bus, représentant une meilleure accessibilité au moyen de transport
alternatif, impacte négativement la multimotorisation mais ne remet pas en cause la
motorisation simple. La distance au travail supérieure à 6 km impacte positivement les
différents niveaux de motorisation.
La comparaison des deux modèles à l’aide du maximum de vraisemblance donne nettement
l’avantage au modèle MNL par rapport au modèle ORL.
Les tests de sensibilité de l’élasticité à l’agrégation des données permettent de retrouver en
partie les résultats précédents.
TITRE DE LA PUBLICATION
Modelling car ownership in Great Britain
AUTEUR(S) DATE DE
PUBLICATION
Gerard Whelan 2007
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Prospective 2001 - 2031 Grande-Bretagne
OBJECTIFS DU PROJET
Construire un modèle permettant de prévoir les évolutions de la motorisation des habitants de
la Grande-Bretagne entre 2001 et 2031.
DONNEES DISPONIBLES
FES 2001, NTS 1991,
FES 1971-1996 6 637 ménages répartis dans tout le pays pour FES 2001
VARIABLES DIPONIBLES
Revenu du ménage
Structure du ménage (1 adulte retraité, 1 adulte non retraité, 1 adulte avec enfants, 2 adultes
retraités, 2 adultes sans enfant, 2 adultes avec enfants, 3 adultes ou plus sans enfant, 3 adultes
ou plus avec enfants)
Coût de motorisation
Besoin/Accessibilité=>Localisation (Grand Londres, districts métropolitains, densité
supérieure à 10 hab/ha, densité comprise entre 2 et 10 hab/ha, densité inférieure à 2 hab/ha)
Voiture de fonction
Tendance de l’époque (criminalité, congestion, technologie, espace de parking) => Niveau
moyen de détention de permis dans la population
VARIABLES EXPLICATIVES RETENUES
LPA : Nombre de permis par adulte du ménage
Dh : type de ménage
Da : localisation du ménage
Y : revenu du ménage
E : Nombre d’adultes ayant un emploi
O : indice des coûts d’achat
R : indice des coûts d’utilisation
CC1 : présence d’une voiture de fonction dans le ménage
CC2 : présence de deux voitures de fonction dans le ménage
MODELISATION RETENUE
Motorisation retenue : 0, 1, 2, 3 ou plus. Estimation par un modèle dogit hiérarchisé à trois
choix binaire : P1+ = S1ah / (1 + exp(-U1+)) ; P2+|1+ = S2ah / (1 + exp(-U2+|1+)) ; P3+|2+ = S3ah / (1
+ exp(-U3+|2+)). Où S est le seuil de saturation par zone et par structure familiale, et U l’utilité
associée à la motorisation. U est une fonction des variables explicatives.
U1+ = ASC1 + b1 LPA + (c1 + ch1Dh + ca1Da)Y + d1E + e1O + f1R
U2+|1+ = ASC2 + b2 LPA + (c2 + ch2Dh + ca2Da)Y + d2E + e2O + f2R + g21CC1
U3+|2+ = ASC3 + b3 LPA + (c3 + ch3Dh + ca3Da)Y + d3E + e3O + f3R + g31CC1 + g32CC2
Où ASC est un vecteur de constantes alternatives spécifiques
Pour la prospective à 2031, le modèle retenu est celui de l’échantillonnage prototypique.
RESULTATS OBTENUS
Avec un R² de 0.34, 0.35, et 0.46, le modèle peut-être considéré comme extrêmement bien
ajusté. La validation réalisée sur 6 637 du FES 2000/2001 montre que le modèle commet
moins de 1 % d’erreur dans la prédiction de la motorisation des ménages. Le modèle
surestime néanmoins de 5 % la croissance pour la zone du Grand Londres, alors qu’il marche
mieux pour les autres zones. La modélisation ne fait pas apparaître de biais particulier quelles
que soient les caractéristiques démographiques du ménage, mais sous-estime
systématiquement la demande des ménages à bas revenu.
Le modèle de prospective fait apparaître une diminution progressive de la part de ménage
non motorisé au profit de la multimotorisation d’ici à 2031.
TITRE DE LA PUBLICATION
A COMPARISON OF TWO ALTERNATIVE BEHAVIORAL CHOICE MECHANISMS
FOR HOUSEHOLD AUTO OWNERSHIP DECISIONS
AUTEUR(S) DATE DE
PUBLICATION
BHAT (C.R.) / PULUGURTA (V.) 1998
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Comparative 1987-1990-1991
Boston, Baie de San
Francisco, Puget Sound,
Pays-Bas
OBJECTIFS DU PROJET
- Expliciter les deux principaux types de modèles désagrégés de motorisation : ordonné et
non-ordonné.
- Tester ces deux modèles avec différents jeux de données afin de comparer leurs forces et
faiblesses respectives.
- Apporter des preuves solides de la supériorité du modèle non-ordonné.
DONNEES DISPONIBLES
1991 Boston Region Household Activity Survey (3 665 ménages), 1990 Bay Area Household
Travel Survey (9 359 ménages), 1991 wave of the Puget Sound Household Travel Panel
Survey (1 731 ménages), 1987 wave of the Dutch Mobility Panel Survey (1 807 ménages)
VARIABLES DIPONIBLES
Revenu du ménage
Taille du ménage
Nombre d’adultes ayant un emploi
Nombre d’adultes sans emploi
Nombre de permis
Race (Caucasien, .... ?)
Degré d’urbanisation de la zone de résidence
Type de logement
Coût de maintenance du véhicule et de l’assurance
Niveau de service offert à la voiture et par les transports alternatifs
VARIABLES EXPLICATIVES RETENUES
Nombre d’adultes ayant un emploi
Nombre d’adultes sans emploi
Revenu du ménage
Type de localisation (urbain, banlieue)
Type de logement (maison individuelle, collectif)
MODELISATION RETENUE
5 niveaux de motorisation pour les trois ville des Etats-Unis (0, 1, 2, 3, et 4), trois niveaux
pour les Pays-Bas (0, 1, et 2+). Modèles désagrégés ordonnés (ORL), et non-ordonnés
(MNL). Pour la comparaison des résultats, les tests statistiques portent sur l’élasticité des
différentes variables suivant le niveau de motorisation après agrégation des données, le
maximum de vraisemblance et le RMSE.
RESULTATS OBTENUS
Les tests effectués sur l’élasticité des variables après agrégation mettent en évidence la
relative flexibilité du modèle MNL via l’ajustage des paramètres pour chaque niveau de
motorisation retenu, là où la structure unidimensionnelle du modèle du modèle ORL
implique une plus grande rigidité à cause de la continuité entre les niveaux de motorisations
successifs. Les maximums de vraisemblances et le RMSE donnent nettement l’avantage au
modèle MNL quel que soit le jeu de données utilisé. L’auteur insiste sur le caractère
primordial de la performance du modèle au niveau désagrégé dans l’éventualité d’une
modélisation prospective de long terme impliquant des changements importants dans la
structures des ménages et de leur environnement, aussi un dernier test (combinaison du
maximum de vraisemblance et de la probabilité moyenne d’une prédiction correcte de la
motorisation) est effectué au niveau individuel et celui-ci montre clairement que le modèle
MNL surpasse le modèle ORL.
En conclusion le modèle désagrégé non-ordonné (Multi Nomial Logit par exemple) semble
représenter de façon plus juste le processus de choix qui détermine la motorisation des
ménages.
TITRE DE LA PUBLICATION
Income’s effect on car and vehicle ownership, worldwide : 1960-2015
AUTEUR(S) DATE DE
PUBLICATION
J. Dargay, D. Gately 1999
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analyse prospective 1960-2015 International
OBJECTIFS DU PROJET
- Modéliser la relation existant entre la motorisation et le produit intérieur brut par habitant à
l’échelle internationale
DONNEES DISPONIBLES
Motor Vehicle Manufacturers
Association, Penn World Tables 26 pays, données s’étalant de 1960 à 1992
VARIABLES DIPONIBLES
Produit Intérieur Brut par habitant
Nombre de véhicules par habitant
Nombre de voitures par habitant
VARIABLES EXPLICATIVES RETENUES
Produit Intérieur Brut par habitant
MODELISATION RETENUE
Fonction de Gompertz (en S) : Equation du nombre de véhicules par habitant à long terme :
V* = G(GDP) = γeα.exp(β.GDP)
où γ est le seuil de saturation international du nombre de
véhicules par habitant obtenu grâce aux pays à fort revenu, α est obtenu pour GDP = 0 (i.e.
grâce aux pays à faible revenu), et β dépend de chaque pays et reflète la hauteur du point
d’inflexion de la courbe en S de Gompertz (i.e. le revenu pour lequel l’élasticité de la
motorisation du pays étudié est la plus forte).
Pour simuler le retard de l’ajustement de la motorisation au revenu par habitant on introduit :
Vt = Vt-1 + θ.(Vt* - Vt-1) où θ est compris entre 0 et 1. Par mesure de simplification θ, γ, et α
sont communs à tous les pays.
La projection des données à 2015 se fait à partir des données 1992 et d’un certain nombre
d’hypothèses sur les croissances de populations et de revenu.
RESULTATS OBTENUS
L’étude montre l’existence d’une relation historique forte entre la croissance des revenus par
habitant et le nombre de voitures et de véhicules possédés par habitant.
Les incertitudes de la modélisation relèvent de trois points :
- la croissance des revenus par habitant peut grandement différer de celle supposée
- les élasticités des revenus par rapport à la motorisation, et leurs changements dans le temps
peuvent différer grandement de celles supposées
- il pourrait y avoir un impact significatif de variables distinctes du revenu (ex : prix des
véhicules et des carburants, changements majeurs des politiques de transport, changement
démographique significatif, et différences entre les pays du point de vue de la densité de
population et de l’offre en infrastructure routière).
TITRE DE LA PUBLICATION
A comprehensive analysis of built environment characteristics on household residential
choice and auto ownership levels
AUTEUR(S) DATE DE
PUBLICATION
BHAT (C.J.) / GUO (J.Y) 2007
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique 2000 Comté d’Alameda dans la
baie de San Francisco
OBJECTIFS DU PROJET
- Déterminer si la corrélation entre les pratiques de déplacements et les caractéristiques de
l’environnement des ménages est le fruit d’une relation causale de l’environnement sur les
déplacements ou bien le résultat d’un choix de localisation dans un lieu adapté au style de
déplacement souhaité.
- Déterminer la « vraie » influence de l’environnement sur les choix de localisation et de
motorisation.
DONNEES DISPONIBLES
Bay Area Travel
Survey 2000
15'000 ménages de la baie de San Francisco interrogés sur leurs
pratiques de déplacement et leurs caractéristiques
VARIABLES DIPONIBLES
- Taille et densité de la zone (pop, nbre de logements, nbre de ménages/d’emplois par
acre,…)
- Structure de l’occupation des sols (% résidentiel, commercial de la zone, % de chaque type
de logements, indice de diversité de l’occupation des sols)
- Accessibilité (emplois, achats, loisirs)
- Coût financier et temporel des modes de déplacements
- Réseau local de transport (miles de voies cyclables, d’autoroutes, de block résidentiel par
miles²)
- Démographie et coût du logement dans la zone (taille moyenne des ménages, revenus)
- Composition ethnique (% de Caucasien non hispanique, Afro-américain, Asiatique,
Hispaniques et autres)
- Caractéristique du ménage (Taille, nbre d’actifs, nbre de + de 65ans, nbre d’employés, nbre
d’enfants -16ans, nbre de handicapés physiques, race, structure, revenus, proprio/locataire,
type de logement,
VARIABLES EXPLICATIVES RETENUES
Densité de ménages (+présence de + de 65ans)
Densité d’emplois (+faible revenu)
Coût financier, Coût temporel
Densité de pâtés de maisons
Disponibilité de transport
Temps d’accès aux arrêts de TC
Nbre d’actifs, Nbre de +65ans, Nbre d’employés, Nbre de handicapés
Revenu du ménage, Foyer monoparental, Foyer célibataire,
Résident dans un logement collectif, Ménage ni caucasien ni afro-américain
Propriétaire de son logement
MODELISATION RETENUE
Modèle ordonné (ORL)
RESULTATS OBTENUS
L’environnement affecte les choix de localisation et de motorisation. Les données telles que
la densité d’emploi et de ménage d’une zone ne sont que le reflet de variables
environnementales comme la densité de pâtés de maisons (street blocks) et l’accessibilité au
transport. La motorisation est plus influencée par les caractéristiques démographiques du
ménage que par son environnement, mais les deux jouent un rôle. Les revenus sont une clé
de la sensibilité des deux modèles aux variables d’environnement. Les facteurs non-observés
spécifiques au ménage jouent un rôle important dans la sensibilité de la motorisation aux
coûts financiers et temporels et à la densité de pâtés de maisons.
TITRE DE LA PUBLICATION
Characterizing and predicting car ownership using rough sets
AUTEUR(S) DATE DE
PUBLICATION
CLARK (S.D.) 2009
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique 2002-2004 Grande-Bretagne
OBJECTIFS DU PROJET
- Laisser le jeu de données suggérer lui-même les différentes relations internes qui le
caractérisent à l’aide de la méthode du Rough S et l’appliquer à la recherche des
déterminants de la motorisation des ménages en Grande-Bretagne.
DONNEES DISPONIBLES
National Travel
Survey 2002-2004 Environ 15 000 ménages enquêtés et renouvelés chaque année
VARIABLES DIPONIBLES
Variable (Nombre de modalités)
Région d’appartenance (11) ; Densité de population de la zone (14) ; Type de concession
(11) ; Type de logement (8) ; Fréquence des services de bus (5) ; Type de station de
Tramway (4) ; Distance de marche jusqu’au magasin d’alimentation (6) ; Distance en bus
jusqu’au magasin d’alimentation (7) ; Nombre de bicyclettes (4) ; Type d’occupation du
logement (6) ; Longueur de résidence (9) ; Nombre de motos (3) ; Nombre de voitures et de
vans légers (4) ; Taille du ménage (6) ; Structure du ménage (4) ; Nombre de permis (4) ;
Statut de travail du chef de ménage (6) ; Statut d’emploi du chef de ménage (4) ; Revenu du
ménage (4) ; Nombre d’adultes (4) ; Nombre d’enfants (5) ; Nombre d’actifs pour les
ménages avec enfants (6) ; Revenu réel du ménage en demi-décile (20) ; Année (4) ; Nombre
de voitures de fonction (2) ; Classification ACORN de la zone (7) ; Indice de dépravation
2001 (11) ; Raison principale au déménagement (13) ; Indice de dépravation 2004 (10) ;
Type de zone (15)
VARIABLES EXPLICATIVES RETENUES
Compte tenu de l’originalité du modèle, on ne peut détailler explicitement les variables
explicatives retenues. Celles-ci apparaissent implicitement dans la description des règles qui
utilisent différents recoupements de modalités.
MODELISATION RETENUE
Le modèle génère un certain nombre de « règles » qui déterminent le nombre de voitures
dont dispose un ménage sous la forme d’affirmation « si-alors ». Exemple : Si un ménage est
de faible revenu alors il ne dispose d’aucune voiture. En appliquant cet ensemble de règles et
en résolvant les cas conflictuels (lorsqu’un ménage vérifie plusieurs règles qui conduisent à
un nombre de voitures différent, ou lorsque deux ménages aux caractéristiques identiques ont
une motorisation distincte), le modèle compare la motorisation calculée et celle réelle et en
déduit sa précision (% de bonnes réponses). Ainsi pour chaque règle, on dispose de son taux
de couverture (nombre de ménages concernés par la règle) et de sa précision. Il est alors
possible de généraliser en regroupant des règles (on perd en précision, mais on y gagne en
couverture). On définit la performance de la règle comme le produit des taux de précision et
de couverture. Ce taux permet de sélectionner les règles à conserver dans le modèle.
RESULTATS OBTENUS
Les résultats de la modélisation concordent avec les autres études menées sur le sujet de la
motorisation : les déterminants les plus forts de la motorisation sont le revenu, la taille et la
structure du ménage, le type de zone de résidence…
La précision du modèle est comparable à celles d’autres modèles statistiques, elle n’est
dépassée que par les modèles ayant connaissance de la motorisation passée du ménage.
En revanche les tâches liées à la préparation du jeu de données notamment pour régler les
conflits est très chronophage.
TITRE DE LA PUBLICATION
Automobile Ownership Analysis Using Ordered Probit Models
AUTEUR(S) DATE DE
PUBLICATION
You-Lian Chu 2002
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique 1997-1998 New York City
OBJECTIFS DU PROJET
- Montrer la supériorité du modèle Ordered Probit sur les modèles plus couramment utilisés
comme le MultiNomial Logit ou le Sequential Logit dans le cadre de la modélisation de la
motorisation des ménages en milieu fortement urbanisé (New York City)
DONNEES DISPONIBLES
NYMTC’s RT-HIS 11000 ménages de l’aire métropolitaine de New York, du New Jersey
et du Connecticut
VARIABLES DIPONIBLES
Revenu du ménage
Taille du ménage
Nombre d’employés
Nombre d’enfants
Nombre de permis
Occupation du chef de famille (CDM)
Lieu de résidence
Lieu de travail
Densité d’emploi par zone
Densité résidentielle par zone
Répartition de l’usage des sols par zone
Temps de parcours interzonaux par mode à l’heure de pointe
VARIABLES EXPLICATIVES RETENUES
Revenu du ménage (bas (20 %), moyen (60 %), haut (20 %))
Nombre d’enfants (-16 ans)
Nombre de permis
Occupation du CDM (col blanc)
Aim : accessibilité de la zone de résidence i aux autres zones par le mode m (=∑(Ej/tijm2))
AIi : importance de l’automobile dans la zone i (=Aia/(Aia+Ait+Aiw)
Densité d’emplois au lieu de travail
Indice mixte de densité (MDIi)
Indice entropique (EI)
Lieu de travail (Manhattan)
Localisation (en fct de la densité (forte, moyenne ou faible)
MODELISATION RETENUE
Modèle Probit Ordonné. Estimation des paramètres β et μ grâce à la méthode du maximum
de vraisemblance. Prise en compte de la pondération de chaque zone pour refléter la
répartition réelle de la motorisaton.
RESULTATS OBTENUS
Rho2 = 0.328 (bonne précision du modèle). 90,9 % des prédictions sont correctes. Les
enseignements de cette étude sont les suivants : 1) dans une zone très urbanisée, les revenus
et le nombre de permis du ménage sont les principaux déterminants d’une probabilité accrue
de posséder plus de véhicules. 2) Un accroissement de l’accessibilité aux autoroutes à New
York n’encouragera pas les ménages à posséder d’avantage de véhicules. 3) 2 véhicules
semblent être la limite supérieure pour la presque totalité des ménages résidant à New York.
4) Un développement de l’usage des sols diversifié a plus d’influence qu’un accroissement
de la densité sur la décision des ménages à posséder moins de véhicules.
TITRE DE LA PUBLICATION
A joint travel distance and car ownership model
AUTEUR(S) DATE DE
PUBLICATION
Golob (T.F.) / Van Wissen (L.) 1989
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique 1984-1987 Pays-Bas
OBJECTIFS DU PROJET
Développer un modèle dynamique d’équations simultanées de motorisation et de distance de
déplacement par mode en fonction du revenu pour répondre aux questions suivantes :
- Dans quelles mesures les changements de motorisation causent des changements dans les
modes de déplacement ?
- Quels modes sont des fonctions positives du revenu, et lesquels en sont des fonctions
négatives ? Est-ce simultané ou différé?
- La motorisation est-elle une fonction des niveaux de demande passée pour les voyages
motorisés, les modes alternatifs ou les deux ?
- Quelles sont les forces de l’influence relative des revenus et de la demande sur la
motorisation ? Est-ce simultané ou différé ?
- Quels modes sont complémentaires ? supplémentaires ? Est-ce simultané ou différé ?
DONNEES DISPONIBLES
Dutch National
Mobility Panel
7 238 individus interrogés sur deux années consécutives entre 1984 et
1987 sur leurs pratiques de déplacements de la semaine écoulée
VARIABLES DIPONIBLES
Revenu du ménage
Motorisation du ménage
Distance de déplacement en VP de l’individu (7 jours de la semaine)
Distance de déplacement en train de l’individu (7 jours de la semaine)
Distance de déplacement en TC de l’individu (7 jours de la semaine)
Distance de déplacement en tant que passager de VP de l’individu (7 jours de la semaine)
VARIABLES EXPLICATIVES RETENUES
Revenu du ménage (passé, présent ou futur)
Motorisation du ménage (passée)
Distance de déplacement en VP de l’individu (passée, présente ou future)
Distance de déplacement en train de l’individu (passée, présente ou future)
Distance de déplacement en TC de l’individu (passée, présente ou future)
Distance de déplacement en tant que passager de VP de l’individu (passée, présente ou
future)
MODELISATION RETENUE
Modèle Probit ordonné. Le modèle distingue deux points dans le temps T1 et T2 espacés
d’un an l’un de l’autre. Initialement le revenu est choisi comme variable explicative de la
motorisation (T1), puis en T2 les niveaux de demandes calculées en T1 deviennent eux aussi
facteurs explicatifs de la nouvelle motorisation.
RESULTATS OBTENUS
Les relations simultanées sont similaires au temps T1 et T2, mais il existe des effets
significatifs présentant un retard d’un an. La demande à T1 pour les modes non VP impacte
la motorisation au temps T2. Au temps T1 on observe un ajustement de la motorisation aux
revenus du temps T2, reflétant la capacité des ménages à anticiper l’évolution future de leur
condition. Le principal défaut du modèle est qu’il manque de variables explicatives.
TITRE DE LA PUBLICATION
Dynamic models of car ownership at the household level
AUTEUR(S) DATE DE
PUBLICATION
Bjorner (T.B.) / Leth-Petersen (S.) 2005
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Comparative 1992-2001 Danemark
OBJECTIFS DU PROJET
Décrire le niveau de persistance de la motorisation des ménages à travers le temps par
l’analyse d’un panel de ménages interrogés sur dix années consécutives.
Distinguer le « vrai » état de dépendance entre la motorisation actuelle et celle passée
(résultant d’une préférence/contrainte du ménage pour tel ou tel mode de déplacement), du
« faux » état de dépendance (résultant de l’influence de variables non observées dans les
enquêtes).
DONNEES DISPONIBLES
Danish Central
Register for Motor
Vehicles
Plus de 40 000 ménages (10 000 par groupes) recoupés à l’aide de
leur numéro CPR à travers de multiples fichiers d’impôts sur 10 ans
VARIABLES DIPONIBLES
Nombre d’adultes
Motorisation
Nb Voitures de fonction
Revenu
Age
Statut (Employé, Chômeur, …)
Commune de résidence
Commune de travail
Nombre d’enfants (majeurs, ou mineurs)
Coût d’une voiture (achat, entretien et usage)
Année
Indices des prix du bus et du train
Degré d’urbanisation par zone
VARIABLES EXPLICATIVES RETENUES
Nombre d’adultes/Type de ménage
Revenu (passage au log)
Age moyen du ménage (adultes seulement)
Statut (Employé, Chômeur, …)
Localisation (en fonction du degré d’urbanisation)
Distance moyenne Domicile Travail
Nombre d’enfants majeurs
Nombre d’enfants mineurs
Coût d’une voiture (achat, entretien et usage)
Année
Motorisation passée
MODELISATION RETENUE
Modèles distincts pour les ménages contenant 1 adulte (homme ou femme célibataires) et
ceux contenant 2 adultes (en couple). La motorisation des célibataires est convertie en choix
binaire (soit 0 soit 1 voiture), tandis que celle des couples est scindée en deux choix binaires
indépendants (0 ou 1 voiture, et 1 ou 2 voitures). Modèle logit retenu pour chaque choix
binaire. L’ajout d’une variable invariante dans le temps et distribuée normalement permet de
prendre en compte la « fausse » dépendance. L’ajout de la motorisation passée permet de
prendre en compte la « vraie » dépendance. On a donc quatre modèles pour chaque groupe
(logit simple, avec effet aléatoire, avec motorisation passée, et avec les deux), ce qui permet
de comparer les effets de ces deux composantes. Estimation des modèles dynamiques par la
méthode de Wooldridge 2002a.
RESULTATS OBTENUS
La persistance de la motorisation est un fait : en dix ans seuls 14 % à 24 % des ménages
danois étudiés ont effectué un changement dans leur niveau de motorisation. Plus des trois
quarts ont donc conservé le même niveau de motorisation 10 années de suite et ce malgré
d’éventuels changements dans leurs caractéristiques sociodémographiques. La comparaison
des quatre modèles montre d’une part que la prise en compte de cette persistance améliore
nettement la précision du modèle, et d’autre part que la « vraie » comme la « fausse »
dépendance participent toutes les deux à cette persistance, mais l’impact de la vraie
dépendance (prise en compte de la motorisation passée pour refléter la préférence ou le
besoin des ménages vis-à-vis d’un niveau donné de motorisation) est plus importante que
celle de la fausse (ajout d’une variable aléatoire pour intégrer l’existence de facteurs non
observés responsables de la persistance). D’autre part le modèle montre que l’élasticité de la
motorisation au revenu est beaucoup plus faible sur le court terme que sur le long terme, si
bien qu’elle est souvent surévaluée dans les modèles basés sur des données fixées à un
instant dans le temps. L’usage de panel d’individus interrogés sur plusieurs années
consécutives permet de rétablir cette influence relativement faible d’un changement de
revenu d’un ménage donné sur sa motorisation.
TITRE DE LA PUBLICATION
Automobile ownership in Yugoslavia
AUTEUR(S) DATE DE
PUBLICATION
Stanovnik (T.) 1990
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique 1973, 1978, 1983 Yougoslavie
OBJECTIFS DU PROJET
Comparer l’influence du revenu sur la motorisation des ménages dans les six Républiques de
la Yougoslavie.
DONNEES DISPONIBLES
Federal Statistical
Office
Données issues d’enquêtes produites par le Bureau Fédéral des
Statistiques yougoslave en 1973, 1978, et 1983
VARIABLES DISPONIBLES
Motorisation
Revenu du ménage
VARIABLES EXPLICATIVES RETENUES
Revenu du ménage (les coûts d’achat, d’usage et d’entretien étant particulièrement élevés en
Yougoslavie, les auteurs supposent que les revenus y sont le principal déterminant de la
motorisation.)
MODELISATION RETENUE
Modèle Probit. Choix binaire : ménage motorisé ou non motorisé (dû à la rareté de la
multimotorisation en Yougoslavie). Avec le revenu comme seule variable explicative, la
probabilité d’être motorisé revient à calculer la probabilité pour le ménage d’avoir des
revenus supérieurs à un revenu seuil.
RESULTATS OBTENUS
Le modèle montre qu’il y a des similitudes dans la motorisation des ménages des six
Républiques de la Fédération yougoslave : les distributions des revenus seuils pour la
motorisation suivent un même modèle (variance faible et quasi constante, moyenne plutôt
grande mais décroissante dans le temps, et une tardive apparition d’un niveau de saturation
inférieur à 1).
TITRE DE LA PUBLICATION
Prévisions à long terme du trafic automobile
AUTEUR(S) DATE DE
PUBLICATION
MADRE (J.L.) / LAMBERT (T.) 1989
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Prospective 1972-2010 France
OBJECTIFS DU PROJET
Prévoir l’évolution du parc automobile, de la circulation totale et du trafic sur les différents
éléments du réseau national français à l’horizon 2010 à partir de données INSEE agrégées
récoltées entre 1972 et 1987.
DONNEES DISPONIBLES
INSEE –
Conjecture auprès
des ménages
Données récoltées entre 1972 et 1987
VARIABLES DIPONIBLES
v : Nombre moyen de voitures par adulte
e : Pourcentage de ménages équipés
r : Revenu moyen par ménage
t : Année
Kilométrages moyens par voiture
Prix des carburants
Décennie de naissance du chef de ménage (génération)
VARIABLES EXPLICATIVES RETENUES
Pour le modèle de Cramer :
r : Revenu réel (passage au log)
t : Temps (t=0 pour 1972)
Pour le modèle démographique :
Génération du Chef de Ménage
MODELISATION RETENUE
Modèle probit pour analyser la motorisation des ménages. Mise en évidence des effets du
revenu et du temps sur l’équipement des ménages à l’aide du modèle de Cramer :
Uv’ = -2.98 + 1.70 r + 0.0393 t où Uv’ est le fractile d’ordre v’ d’une loi normale centrée
réduite et v’=v/0.76 avec 0.76 seuil de saturation
Ue’ = -4.46 + 2.96 r + 0.031 t où e’=e/0.97
Parallèlement au modèle de Cramer, les auteurs ont développé un modèle démographique
basé sur l’observation des comportements des différentes générations de conducteurs :
1.projection des effectifs dans le temps, 2.évolutions parallèles de la motorisation des
ménages pour les différentes générations avec maintien des écarts observés, et report d’un
moindre décalage pour la nouvelle génération (majeure à partir des années 90).
RESULTATS OBTENUS
Le modèle démographique est celui qui rend le mieux compte des évolutions actuelles (fin
des années 80) malgré de nombreuses imperfections (pas de prise en compte de l’évolution ni
des revenus, ni des prix, estimation fragile du comportement de la nouvelle génération,
l’hypothèse de parallélisme du comportement des générations successives n’est pas
satisfaisant à l’approche de la saturation et en termes de démotorisation). Les auteurs
considèrent le modèle de Cramer moins satisfaisant que leur approche démographique pour
la détermination de l’équipement des ménages (saturation trop figée, et mauvaise prise en
compte du revenu)
TITRE DE LA PUBLICATION
Modelling and Forecasting Car Ownership in Britain
AUTEUR(S) DATE DE
PUBLICATION
Romilly (P.), Haiyan (S.), Xiaming (L.) 1998
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Prospective 1953-2025 Grande-Bretagne
OBJECTIFS DU PROJET
Développer un modèle de prédiction de l’évolution de la motorisation par habitant de la
Grande-Bretagne afin de montrer l’incohérence des modèles développés par le Département
des Transports dans les années 80 qui servaient de justification à une politique de
développement de la route.
Partir des mêmes hypothèses pour montrer que l’erreur réside bien dans le choix du modèle
et dans sa réalisation
DONNEES DISPONIBLES
AAS, PT, ET,
ETAS, UKNA, …
9 variables collectées annuellement de 1953 à 1994 pour le
Royaume-Uni et/ou la Grande-Bretagne
VARIABLES DISPONIBLES
Taux de motorisation par habitant (Ct)
Revenu personnel réel disponible par habitant (Yt)
Indice des coûts réels de motorisation (Pt)
Indice du prix réel du ticket de bus (Bt)
Taux de chômage
Taille du réseau routier
Taux réel d’intérêt
Population
Pyramide des âges
VARIABLES EXPLICATIVES RETENUES
Revenu personnel réel disponible par habitant (Yt)
Indice des coûts réels de motorisation (Pt)
Indice du prix réel du ticket de bus (Bt)
Temps (t)
MODELISATION RETENUE
Modèle agrégé.
Ct = A Ytα Pt
β Bt
γ et
Le modèle est ensuite linéarisé afin de faciliter l’estimation des coefficients. Les auteurs font
référence à la méthode d’estimation développée par Engle-Granger (1987). Comparaison des
prédictions proposées par le Département des Transports (NRTF80, 84, et 89) avec celles
issues du modèle de Romilly (RSL) grâce au MAPE et au RMSE.
RESULTATS OBTENUS
Le modèle RSL parvient à mieux prédire les évolutions du taux de motorisation par habitant
comparé aux modèles NRTF. C’est d’autant plus vrai sur le long terme où ces derniers
surestiment largement la croissance de la motorisation à l’horizon 2025, hypothèse sur
laquelle est basée la politique de construction intensive de nouvelles infrastructures routières
visant à enrayer les futurs problèmes de congestion. Toutefois les auteurs précisent que
malgré la grande étendue temporelle des données dont ils ont disposé dans cette étude, leur
nombre reste assez faible et les estimations peuvent souffrir d’un biais dû à la faible taille des
échantillons.
TITRE DE LA PUBLICATION
Modelling household discrete choice behaviour incorporating heterogeneous group decision-
making mechanisms
AUTEUR(S) DATE DE
PUBLICATION
Zhang (J.), Kuwano (M.), Lee (B.), Fujiwara (A.) 2009
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Comparative 2004 Hiroshima, Higashi
OBJECTIFS DU PROJET
Développer un modèle prenant en compte les comportements de groupes hétérogènes dans
les processus de choix conjoints appliqué au cas de la motorisation des ménages.
Ne plus considérer le ménage comme une unité homogène du point de vue des choix qui le
concerne mais comme un regroupement d’individus susceptibles de marchander et de faire
des compromis.
DONNEES DISPONIBLES
595 ménages (51 % Hiroshima, 49 % Higashi) interrogés en 2004
VARIABLES DIPONIBLES
Ménage :
Taille du ménage, Nombre de voitures, Caractéristiques résidentielles, etc.
Individu (+15ans) :
Age, Sexe, Permis de conduire, Occupation, Comportement d’usage de la voiture,
Participation à des activités quotidiennes, etc.
Voiture :
Fabrication, Position du moteur, Année de fabrication, distances totales parcourues (voitures
actuelles et passées), etc.
VARIABLES EXPLICATIVES RETENUES
Le modèle n’ayant pas pour but de déterminer le nombre de véhicules possédés par un
ménage mais le type de véhicule que celui-ci va acheter, les variables retenues ne peuvent
être comparées à celles des autres publications étudiées (ce qui explique notamment
l’absence de prise en compte du revenu).
MODELISATION RETENUE
Chaque individu composant un ménage attribue une valeur (utilité) à chaque alternative qui
s’offre au ménage. Il existe alors diverses manières de combiner les avis de chaque individu
en une utilité globale du ménage pour chaque alternative (pondération, minimum, maximum,
addition, produit, moyenne, prise en compte par un ou plusieurs individus représentatifs du
ménage de l’utilité attribuée par les autres membres, …), le but étant toujours de maximiser
l’utilité de l’ensemble du ménage. Dans cette étude le choix qui s’offre au ménage porte sur
la taille de la voiture à acheter et non sur le nombre de voitures dont le ménage dispose, c’est
pourquoi l’analyse du modèle n’a pas été plus approfondie dans le cadre de ce TFE.
RESULTATS OBTENUS
Les deux modèles développés (HeG et multilinéaire) montre des résultats satisfaisants. Le
changement de la définition de la fonction d’utilité a cependant des répercussions
importantes sur le signe et la valeur des paramètres estimés. Toutefois en termes de
probabilité de choix l’impact de ces variations est moindre dans le cas du modèle
multilinéaire.
TITRE DE LA PUBLICATION
The prediction of car ownership and use revisited : the beginning of the end?
AUTEUR(S) DATE DE
PUBLICATION
Mogridge (M.J.H.) 1989
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
Analytique Royaume-Uni
OBJECTIFS DU PROJET
Comprendre le fonctionnement du marché de l’automobile et réfléchir à ses évolutions
futures.
DONNEES DISPONIBLES
Family Expenditure
Survey, National
Traffic Survey
VARIABLES DIPONIBLES
L’analyse du marché de l’automobile conduite par Mogridge dans cette publication s’appuie
sur les données de différentes enquêtes pour approcher qualitativement les évolutions
futures dans le domaine des transports. La réflexion de l’auteur s’appuie d’avantage sur des
concepts scientifiques que sur l’impact des variables.
VARIABLES EXPLICATIVES RETENUES
L’analyse du marché de l’automobile conduite par Mogridge dans cette publication s’appuie
sur les données de différentes enquêtes pour approcher qualitativement les évolutions futures
dans le domaine des transports. La réflexion de l’auteur s’appuie d’avantage sur des concepts
scientifiques que sur l’impact des variables.
MODELISATION RETENUE
Le modèle transpose des modèles issus du domaine de la biologie décrivant la compétition
inter-espèces pour l’occupation de niches écologiques au domaine des transports. Ainsi les
moyens de transport seraient en compétition les uns avec les autres pour occuper des niches
de demande de transport, et cela influerait sur la motorisation globale des individus.
Mogridge base sa réflexion sur la théorie des cycles de Kondratiev qui analyse la conjoncture
économique par l’alternance de phases ascendantes et descendantes des variables
économiques formant un cycle d’une durée de 40 à 60 ans.
RESULTATS OBTENUS
Mogridge pense que sur le long terme les voitures deviendront de véritables automobiles,
c'est-à-dire qu’elles seront capables de s’auto-conduire et permettront ainsi à l’ensemble de la
population mobile d’en avoir l’usage. Cela aurait une influence sur le taux de saturation de la
motorisation qui passerait de 0.66 (taux calculé dans une de ses études antérieures) à 0.9,
excluant uniquement les personnes privées de mobilité (internement, handicap,…). Il observe
également que le coût financier du déplacement est concurrencé par le coût temporel, ce qui
donne la part belle au transport de plus en plus rapide. C’est avec les nouvelles technologies
rendues abordables par les particuliers que les individus de demain se déplaceront.
TITRE DE LA PUBLICATION
Changes in the structure of car ownership in Spain
AUTEUR(S) DATE DE
PUBLICATION
Anna Matas, Josep-Luis Raymond 2008
TYPE D’ETUDE PERIODE D’ETUDE ETENDUE
1980, 1990, 2000 Espagne
OBJECTIFS DU PROJET
Comparer un modèle de motorisation ordonné et un autre non-ordonné à partir des données
prélevées à trois périodes distinctes (1980, 1990, et 2000).
DONNEES DISPONIBLES
Spanish Household
Surveys
23696, 20927, et 28963 observations à l’échelle nationale pour les
années 1980, 1990 et 2000 en Espagne
VARIABLES DIPONIBLES
Motorisation
Revenu du ménage
Nombre d’employés
Nombre d’adultes sans travail
Nombre d’enfants
Age du CDM
Sexe du CDM
Qualité des transports publics (veh-km/hab)
VARIABLES EXPLICATIVES RETENUES
Revenu du ménage
Nombre d’employés
Nombre d’adultes sans travail
Age du CDM
Sexe du CDM
Qualité des transports publics (veh-km/hab)
Date de naissance du CDM (av 20’s, 20’s, 30’s, à partir 40’s)
MODELISATION RETENUE
Comparaison entre le modèle Probit ordonné et le modèle MultiNomial Logit.
RESULTATS OBTENUS
L’élasticité des revenus décroît à mesure que le taux de motorisation augmente dans le
temps. Les ménages vivant dans des zones rurales sont moins sensibles au changement de
revenu que ceux vivant en ville. Le vieillissement de la population aura un effet relativement
faible sur la motorisation. Les changements dans les coefficients à travers le temps reflètent
la croissance des besoins de mobilité de la population. Les déterminants les plus forts de la
motorisation sont le revenu et le taux d’activité des ménages dans les grandes villes.
Parallèlement la qualité des transports urbains tend à réduire la motorisation. Dans les villes
moyennes et petites, les déterminants principaux ne sont pas aussi nets et changent au cours
du temps. Au final, les résultats ne donnent pas l’avantage à l’un des deux modèles.