Representing the Underrepresented in Travel Demand Modeling Tools
Cette étude démontre que les modèles de la demande de transport estimés uniquement sur la base d'enquêtes auprès des ménages standards représentent souvent de manière erronée les comportements de déplacement des populations vulnérables sous-représentées, mais l'intégration de données d'enquête ciblées via un cadre de fusion cœur-satellite améliore considérablement la précision du modèle et la fiabilité des évaluations de l'équité en matière de transport.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Pour comprendre comment les gens se déplacent dans une ville, les urbanistes s'appuient sur des cartes de comportement. Ils construisent des modèles mathématiques qui prédisent où une personne ira, comment elle s'y rendra et ce qu'elle sacrifiera pour effectuer ce trajet. Ces modèles sont les moteurs invisibles derrière les décisions concernant les nouvelles lignes de bus, l'élargissement des routes et les tarifs de transport. Pendant des décennies, les données alimentant ces moteurs proviennent de grandes enquêtes auprès des ménages, où les familles sont invitées à enregistrer leurs déplacements quotidiens. L'objectif est de créer une image de l'ensemble de la population. Cependant, un problème persistant est apparu : les personnes qui ont le plus besoin de transports — les résidents à faibles revenus, ceux qui n'ont pas de voiture et ceux qui ont une éducation limitée — sont souvent les plus difficiles à atteindre dans ces enquêtes. Elles sont sous-représentées dans les données. Lorsqu'un modèle est construit sur des données qui omettent ces groupes spécifiques, il risque de créer une vision déformée de la réalité, pouvant mener à des plans qui échouent précisément auprès des personnes qu'ils sont censés aider.
Cette étude, menée dans la petite ville post-industrielle de Benton Harbor, dans le Michigan, visait à tester si ce manque de représentation modifie réellement les prédictions de ces modèles de déplacement. Les chercheurs se sont concentrés sur une question spécifique : les habitudes de déplacement des populations vulnérables diffèrent-elles de manière si significative de celles de la population générale qu'une enquête standard ne peut tout simplement pas les capturer ? Pour le savoir, ils ne se sont pas contentés de l'enquête d'État existante, qui avait déjà été réalisée. Au lieu de cela, ils sont allés au sein de la communauté et ont mené leur propre enquête ciblée, spécifiquement conçue pour trouver et interroger les personnes qui manquaient aux registres officiels. Ils ont ensuite combiné ces nouvelles données ciblées avec les anciennes données globales pour voir comment le modèle en résultait changeait.
Les chercheurs ont comparé trois versions différentes d'un modèle de déplacement. La première a été construite en utilisant uniquement la nouvelle enquête ciblée de Benton Harbor, qui comprenait un nombre élevé de résidents à faibles revenus et sans voiture. La seconde a été construite en utilisant uniquement l'enquête d'État standard, qui comptait très peu de ces mêmes résidents. La troisième était un modèle « conjoint » qui fusionnait les deux ensembles de données. Les résultats ont révélé une différence flagrante dans la manière dont ces groupes valorisent le temps et l'argent. Dans le modèle construit à partir de l'enquête d'État standard, les voyageurs à faibles revenus semblaient se soucier très peu du coût de leurs trajets. Le modèle suggérait que si les tarifs de bus augmentaient, ces voyageurs ne changeraient pas beaucoup leur comportement. C'est une hypothèse dangereuse pour les urbanistes, car elle implique que l'augmentation des prix ne nuirait pas aux plus pauvres.
Cependant, le modèle construit à partir de l'enquête ciblée racontait une histoire complètement différente. Il montrait que les voyageurs à faibles revenus sont en réalité très sensibles au coût. Lorsque les chercheurs ont examiné les données des personnes qu'ils avaient spécifiquement recherchées, ils ont découvert que ces voyageurs étaient beaucoup plus susceptibles de changer de mode de transport ou de modifier leurs plans si un trajet devenait plus coûteux. L'enquête standard avait totalement manqué ce comportement critique. Lorsque les deux ensembles de données ont été combinés, le modèle conjoint a produit une image plus réaliste. Il a montré que les voyageurs à faibles revenus valorisent leur temps à environ 6,92 $ par heure, tandis que les voyageurs à revenus plus élevés valorisent leur temps à environ 18,31 $ par heure. Plus important encore, le modèle combiné a confirmé que les voyageurs à faibles revenus sont effectivement très sensibles aux changements de prix, un fait que l'enquête standard seule n'avait pas réussi à détecter.
L'étude a également examiné comment différents groupes réagissent au temps de trajet. Les chercheurs ont constaté que l'enquête standard sous-estimait à quel point les voyageurs vulnérables n'aiment pas attendre ou marcher. Dans le modèle combiné, la sensibilité au temps de trajet pour la marche et les transports publics était bien plus élevée pour le groupe à faibles revenus que ce que le modèle standard avait suggéré. Cela signifie que si un urbaniste utilise uniquement les données standard, il pourrait penser qu'un itinéraire de bus est acceptable parce que les temps d'attente sont courts, sans réaliser que pour les personnes qui en dépendent, même une légère augmentation du temps d'attente constitue un fardeau important. Le modèle standard a essentiellement lissé les angles vifs de l'inégalité, faisant paraître le système plus indulgent qu'il ne l'est réellement.
En intégrant les voix sous-représentées dans les données, les chercheurs ont démontré que les voyageurs « manquants » ont des préférences distinctes qui ne peuvent être devinées à partir de la population générale. L'enquête standard, malgré sa taille, était aveugle aux contraintes spécifiques des plus pauvres. Elle traitait les voyageurs à faibles revenus comme s'ils étaient comme tout le monde, simplement avec moins d'argent, plutôt que de reconnaître que l'ensemble de leur processus de décision est façonné par des limites différentes. Le modèle conjoint, qui fusionnait la vue globale avec la vue ciblée, a corrigé cette erreur. Il a montré que lorsque l'on écoute les personnes qui sont souvent négligées, on apprend qu'elles sont bien plus réactives aux changements de coût et de temps que ce que l'on pensait auparavant.
Ce travail suggère que les outils utilisés pour planifier nos villes sont actuellement défaillants car ils sont construits sur des informations incomplètes. Si un modèle ne peut pas voir comment une famille à faibles revenus réagit à une hausse de tarif, il ne peut pas prédire l'impact réel de cette politique. L'étude soutient que pour construire des systèmes de transport plus équitables, les agences doivent aller au-delà des enquêtes standard. Elles doivent activement rechercher les personnes les plus difficiles à atteindre et inclure leurs comportements spécifiques dans les modèles. Ce n'est qu'en fusionnant les données larges avec des perspectives ciblées et communautaires que les urbanistes pourront créer une véritable image de la façon dont leurs villes se déplacent, garantissant ainsi que les décisions prises aujourd'hui ne nuisent pas par inadvertance aux résidents les plus vulnérables demain.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.