Beyond Reported Trips: A Bayesian Framework for Correcting Household Travel Surveys

Chaque jour, des millions de personnes se déplacent à travers les villes, passant de la maison au travail, s'arrêtant pour faire des courses ou faisant une courte promenade chez un ami. Les urbanistes s'appuient sur des enquêtes pour comprendre ces mouvements, demandant aux ménages de noter chaque trajet effectué au cours d'une seule journée. Cette information aide les villes à décider où construire de nouvelles pistes cyclables, combien de bus faire circuler et si une nouvelle ligne de métro est nécessaire. Cependant, ces enquêtes présentent une faiblesse de longue date : les gens sont incapables de se souvenir de tout ce qu'ils ont fait. Lorsqu'on leur demande de se remémorer une journée de déplacements, la plupart oublient les trajets courts et spontanés — l'arrêt rapide à l'épicerie du coin, la brève marche jusqu'à la boîte aux lettres ou le passage pour déposer un colis. Ils se souviennent des événements importants et structurés comme aller au travail ou à l'école, mais les petits mouvements discrétionnaires disparaissent souvent de la mémoire. Cela crée une image déformée de la façon dont les gens vivent réellement, conduisant les planificateurs à sous-estimer la marche et le cyclisme et à surestimer le temps que les gens passent en voiture.

Pour remédier à cela, les chercheurs ont commencé à utiliser les smartphones pour suivre les déplacements de manière passive, enregistrant exactement où les gens vont sans leur demander de s'en souvenir. Mais ces études basées sur les téléphones sont généralement de petite taille et manquent des informations personnelles détaillées présentes dans les grandes enquêtes auprès des ménages. Une nouvelle étude menée par des chercheurs de l'Université de Toronto et du Massachusetts Institute of Technology comble ce fossé. Ils ont développé une méthode pour combiner la large portée des enquêtes traditionnelles avec la précision détaillée du suivi par smartphone. En utilisant une approche statistique qui traite les données du téléphone comme un moyen de corriger les lacunes de mémoire de l'enquête, ils ont pu reconstruire les trajets manquants que les gens avaient oubliés de signaler. Le résultat est une carte plus précise de la vie quotidienne qui conserve les riches détails démographiques de la grande enquête tout en ajoutant les pièces manquantes du puzzle des déplacements.

Les chercheurs se sont concentrés sur la région du Grand Toronto et de la zone de Hamilton, utilisant les données de l'Enquête Transportation Tomorrow de 2022, une enquête massive auprès des ménages qui capture les habitudes de déplacement dans toute la région. Ils ont couplé cela avec deux études plus petites et plus détaillées menées en 2023 et 2025, où les participants portaient des smartphones qui enregistraient automatiquement leurs mouvements. L'équipe a remarqué un schéma clair : l'enquête traditionnelle montrait que les gens effectuaient environ 2,06 trajets par personne par jour de semaine, tandis que les données du téléphone en montraient nettement plus, environ 3,16 à 3,83 trajets. La différence n'était pas aléatoire ; elle était systématique. Les gens oubliaient systématiquement les trajets courts et non essentiels. Les chercheurs ont séparé ces trajets en deux catégories : les trajets « squelettes », qui sont les ancres principales de la journée comme le trajet vers le travail ou l'école, et les trajets « non-squelettes », qui sont les mouvements flexibles et discrétionnaires comme faire des courses ou rendre visite à des amis. Ils ont constaté que les trajets squelettes étaient signalés assez précisément, mais que les trajets non-squelettes étaient fréquemment omis, surtout lorsqu'un membre de la famille signalait les déplacements pour un autre.

Pour récupérer ces trajets manquants, l'équipe a construit un cadre qui agit comme un kit de réparation statistique. Ils ont commencé par les données de la grande enquête comme base de référence, représentant ce que les gens ont déclaré avoir fait. Ensuite, ils ont utilisé les données du smartphone pour mettre à jour et affiner ces chiffres. Imaginez les données de l'enquête comme un croquis grossier des déplacements de la journée, et les données du téléphone comme une photographie haute résolution qui révèle les détails fins que le croquis a manqués. Les chercheurs ont utilisé une méthode qui permet de mélanger ces deux sources, traitant l'enquête comme une première estimation et les données du téléphone comme de nouvelles preuves qui corrigent cette estimation. Ils ont fait cela séparément pour les personnes qui rapportaient leurs propres déplacements et pour celles qui rapportaient pour quelqu'un d'autre, car les erreurs de signalement sont différentes pour chaque groupe. Lorsqu'une personne signale les déplacements d'un conjoint ou d'un enfant, elle oublie souvent encore plus les petits arrêts intermédiaires que lorsqu'elle signale ses propres déplacements.

Les résultats ont montré un changement significatif des chiffres une fois la correction appliquée. Pour les personnes qui rapportaient leurs propres déplacements, le nombre moyen de trajets par jour est passé de 3,05 à 3,90. Pour celles qui rapportaient pour autrui, le chiffre est passé de 2,64 à 3,63. Cette augmentation était presque entièrement due à la récupération des trajets non-squelettes. Les chercheurs n'ont pas simplement ajouté des trajets aléatoires ; ils ont soigneusement reconstruit les trajets manquants en se basant sur les modèles trouvés dans les données du téléphone. Ils ont déterminé quel était probablement le but du trajet manquant, quand il a probablement eu lieu, quelle était sa distance et comment la personne s'est déplacée. Par exemple, ils ont découvert que les trajets manquants étaient disproportionnellement courts et impliquaient souvent la marche ou des visites chez des amis, des activités qui sont facilement oubliées lors d'une journée bien remplie. Les données corrigées ont montré une part plus élevée de marche et une répartition plus uniforme des déplacements tout au long de la journée, plutôt que seulement pendant les heures de pointe du matin et du soir.

L'étude a également révélé que la nature des trajets manquants dépendait fortement de l'identité de la personne qui rapportait. Les répondants par procuration, qui déclarent les déplacements pour d'autres membres de la famille, étaient beaucoup plus susceptibles d'oublier les trajets discrétionnaires que ceux qui déclarent pour eux-mêmes. Cela suggère que lorsqu'un parent remplit un journal de bord pour son enfant, il peut se souvenir du trajet pour l'école, mais oublier l'arrêt de l'enfant après l'école dans un parc ou chez un ami. En modélisant ces différences séparément, les chercheurs ont pu appliquer la correction appropriée à chaque groupe. Le jeu de données corrigé final conservait la structure originale de la grande enquête, ce qui signifie qu'il reflétait toujours avec précision l'âge, le revenu et la localisation de la population, mais il racontait désormais une histoire plus vraie sur la façon dont ces personnes se déplaçaient. La distribution des buts de trajets a évolué pour inclure plus de shopping et de loisirs, et le moment des trajets a montré plus d'activité durant le milieu de la journée et en soirée, comblant les vides laissés par l'enquête traditionnelle.

Ce travail offre une manière pratique d'améliorer les données que les villes utilisent pour prendre des décisions. Les planificateurs s'appuient souvent sur ces enquêtes pour fixer des objectifs de réduction de l'usage de la voiture ou d'augmentation de la marche, mais si les enquêtes omettent les trajets courts, ces objectifs pourraient être fixés trop bas. En intégrant les données passives des smartphones, les chercheurs ont fourni une méthode pour voir l'image complète des déplacements quotidiens sans avoir besoin de remplacer entièrement les grandes enquêtes établies. Les données corrigées suggèrent que les gens sont plus actifs et marchent plus que ce qui était précédemment pensé, particulièrement pour les trajets courts et locaux. Bien que les trajets reconstruits soient des estimations statistiques plutôt que des observations directes d'individus spécifiques, ils constituent une base beaucoup plus fiable pour comprendre le comportement de déplacement. L'étude conclut que cette approche peut aider les villes à mieux planifier la réalité des déplacements des gens, en veillant à ce que les infrastructures et les politiques correspondent aux rythmes réels, et souvent oubliés, de la vie quotidienne.