Validation et calibration

Les expertes et les experts ont vérifié, à tous les niveaux du modèle, les résultats intermédiaires et les résultats définitifs en les comparant à d’autres sources de données. Comme les données ne sont pas harmonisées, ils ont parfois dû choisir les données sur lesquelles le modèle serait étalonné. La validation a montré là où résidaient encore des erreurs, ou encore là où les paramètres du modèle devaient être modifiés. Les illustrations ci-après montrent les résultats du MNTP qui a été publié en comparaison des données de validation: plus les chiffres sont proches, plus le modèle est de bonne qualité.

Harmonisation des résultats du modèle avec des données d’enquêtes

Pour l’ARE, la cohérence entre le MNTP et le MRMT et les données de comptage pour la route et les TP est d’une importance centrale. Comme les données disponibles ne sont pas harmonisées, il a fallu faire des compromis: pour rapprocher le MNTP des données de comptage, des écarts mineurs et justifiés par rapport au MRMT ont dû être acceptés.

La comparaison de la répartition modale par distance de déplacement permet une validation fiable. Pour cela, on vérifie si tant la distance de déplacement que le mix des moyens de transport utilisés concordent entre le MNTP et le MRMT. Dans l’ensemble, c’est-à-dire toutes catégories de distances confondues, les écarts sont mineurs (1,8 points de pourcentage pour les TP, 2,2 points de pourcentage pour la voiture). Ces écarts ont été sciemment tolérés, car lorsque le MNTP s’alignait strictement sur les données de la répartition modale du MRMT, il ne concordait plus suffisamment avec les données de comptage. Un écart visible existe en outre pour les courts trajets en voiture. Ici aussi, afin d’assurer une meilleure cohérence avec les données de comptage, des trajets tendanciellement un peu plus longs ont été générés dans le MNTP. Dans les TP, pour les longs trajets (de plus de 75 km), l’ARE a renoncé à reproduire strictement le MRMT. Il est possible que des enquêtes comme le MRMT sous-estiment les très longs trajets TP. En outre, les CFF disposent d’informations fiables qui montrent un nombre sensiblement plus élevé de longs trajets TP.

 
 
 
 

Exemple de lecture:  chaque barre donne un total de 100%, et chacune présente la part des trajets par moyen de transport. Par exemple, selon l’enquête MRMT, les trajets longs de 15 à 25 kilomètres sont accomplis à 25% avec les TP (part représenté en bleu clair dans la barre de droite). Dans le modèle, la part TP pour cette classe de distance s’élève à 21% (en bleu foncé dans la barre de gauche).

 
 

Une validation a aussi été effectuée à l’aide des distances moyennes de déplacement par mode de transport et des kilomètres parcourus (mesurés en personnes-kilomètres).

 
 

Dans quelle mesure la prestation de transport en milliards de personnes-kilomètres par an est compatible avec les chiffres comparables de l’Office fédéral de la statistique (OFS)? Pour cela, les personnes-kilomètres par jour ouvrable du MNTP ont été annualisés. Les écarts sont à interpréter avec prudence, car les données sont obtenues selon des méthodes différentes: l’OFS base les analyses pour la marche, le vélo et la voiture principalement sur le MRMT. Si le MNTP se base aussi sur le MRMT, il se fonde ponctuellement sur des hypothèses divergentes du fait d’informations disponibles supplémentaires (données de comptage en particulier). Dans les TP, les méthodes sont totalement différentes, l’OFS relevant les prestations de transport auprès des entreprises de transport. Si la comparaison entre l’OFS et le MNTP est limitée, on voit tout de même que les prestations de transport se situent dans l’ensemble dans des ordres de grandeur similaires.

 
 

Faibles écarts et niveau élevé de qualité

Différents états intermédiaires ont été analysés avant la mise en production du modèle. En premier lieu, le modèle contenant l’ensemble des données et des paramètres a été analysé sans adaptation aucune (première utilisation sans calibration). Ensuite, on a procédé à une calibration du modèle sur le MRMT (Chapitre 5.1). Durant cette étape, les modélisateurs se sont également assurés de la bonne cohérence générale avec les données de comptage. Cette étape avait aussi pour but de conserver les schémas de comportement provenant du MRMT et de l’enquête sur les préférences déclarées (Chapitre 2.4). On ne s’est écarté de ces prescriptions que dans quelques cas, par exemple pour rapprocher le choix modal à l’intérieur des villes de Zurich, de Berne et de Bâle et le nombre de trajets entre ces trois villes dans le MNTP par rapport aux données de comptage. D’un commun accord, l’ARE et les modélisateurs ont décidé ont décidé ensemble quelles adaptations étaient justifiées et quelle ampleur elles pouvaient avoir. Le MNTP se fonde sur des simplifications et des moyennes et ne peut donc reproduire que partiellement les particularités que les comportements de mobilité présentent ici ou là. Afin de préserver les capacités de prévision du modèle, nous avons renoncé à reproduire des caractéristiques locales qui auraient nécessité une trop forte adaptation du modèle.

Pour les planificateurs, les charges de trafic observées, soit les données de comptage sur le réseau routier et dans les TP, sont des données importantes que le MNTP doit restituer. Une calibration reste nécessaire en dépit des adaptations mentionnées dans les villes ou entre celles-ci. La calibration du modèle sur les données de comptage permet de réduire très largement les écarts restants. Les modélisateurs ont veillé à ce que la cohérence avec le MRMT concernant le nombre de trajets, le choix modal et la répartition des distances de déplacement soient maintenues.

 
 

Exemple de lecture: lorsqu’un point se situe exactement sur la ligne à 45°, la prévision du modèle correspond exactement à la valeur observée au poste de comptage. Un point en dessous signifie que la valeur observée est sous-estimée, un point en dessus que la valeur observée est surestimée dans le modèle. La valeur GEH (du nom de Geoffrey E. Havers) est un indicateur de qualité permettant de comparer les volumes de trafic du modèle avec ceux mesurés en réalité.

 
 
 

L’illustration ci-dessus présente la comparaison entre le résultat du modèle pour des tronçons de route (ordonnée, représentant le nombre modélisé de tous les véhicules) et le nombre de véhicules qui a été compté à cet endroit (abscisse, représentant tous les véhicules comptés) après calibration sur les données de comptage. Sur la base de cette mise en relation, des indicateurs sur la qualité du modèle ont été calculés. Le MNTP obtient partout de très bons résultats et il peut donc être considéré comme d’une très grande qualité.

 

Tapis d’élasticité

La validation au niveau régional d’un modèle de la taille du MNTP n’est pas un exercice facile. Vérifier la présence d’erreurs dans des matrices comptant près de 64 millions d’entrées (depuis chacune des 8000 zones de trafic vers toutes les autres zones de trafic) serait impossible sans analyses automatisées. L’ARE a fait examiner la qualité à l’aide de différentes «sensibilités». Comment varie le nombre de trajets dans le modèle lorsque, par exemple, une augmentation des capacités du réseau routier diminue le temps de parcours en voiture entre deux communes? On peut visualiser les réactions modélisées pour la Suisse à l’aide d’un «tapis d’élasticité». Ce type de visualisation ne rend pas superflus les contrôles ponctuels destinés à rechercher des incohérences locales dans un modèle. Il n’en fournit pas moins, pour tout le territoire couvert par le modèle, de précieux indices montrant où des erreurs systématiques pourraient se trouver.

L’illustration présente la réaction du modèle en cas de réduction de 10% du temps de parcours dans le trafic routier. Chaque pixel représente les trajets entre deux communes de Suisse. Les pixels en bleu correspondent à une élasticité négative comprise entre 0 et -1, qui signifie que dans le modèle, entre ces deux communes, les déplacements en voiture sont plus nombreux que sans réduction du temps de parcours. Les pixels en rouge correspondent à une élasticité positive (> 0) qui indique le contraire, à savoir que dans le modèle, entre ces deux communes, une réduction du temps de parcours sur la route se traduit par une diminution du nombre de trajets en voiture. Les pixels en blanc signifient que sur ces relations, le nombre de trajets en voiture est négligeable. Pour des raisons de confort de lecture et compte tenu de leur faible importance, ces très faibles flux de trafic sont exclus de l’analyse.
 

 
 

Une accumulation de pixels en rouge est visible sur la diagonale. Un pixel sur la diagonale montre la variation du nombre de déplacements en voiture à l’intérieur d’une commune. Si le temps de parcours diminue, il devient plus probable que le nombre de déplacements vers des destinations plus lointaines augmente. Ces destinations se trouvent alors souvent en dehors de la commune. L’apparition d’une élasticité positive sur la diagonale est donc plausible. Les pixels en bleu se rassemblent en blocs. Un bloc caractérise la proximité territoriale des communes entre lesquelles les trajets en voiture sont plus nombreux. En zoomant sur Lugano, on remarque que les trajets en voiture entre les communes des environs augmentent presque partout.