HAL Id: hal-03540767
https://hal.archives-ouvertes.fr/hal-03540767
Submitted on 24 Jan 2022
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
crise de la Covid-19
Wilfried Raballand, Alice Marchal, Baptiste Bion
To cite this version:
Wilfried Raballand, Alice Marchal, Baptiste Bion. Résilience de la pratique du vélo face à la météo et à la crise de la Covid-19. 49e Congrès ATEC ITS France - Les Rencontres de la Mobilité Intelligente, Jan 2022, Montrouge, France. �hal-03540767�
Covid-19
Résilience de la pratique du vélo face à la météo et à la crise de la Covid-19
Wilfried RABALLAND, Cerema Centre-Est Alice MARCHAL, Cerema Centre-Est
Baptiste BION, Cerema Centre-Est
1 / Enjeux et objectifs
La pandémie a entraîné une chute du nombre de déplacements aux moments forts de la crise, mais également une répartition différente de la demande sur les modes de transport. En effet, le contexte sanitaire et le recours à la distanciation sociale a poussé les usagers à privilégier les modes individuels ou personnels, notamment le vélo, au détriment des transports en commun. La sensibilité de l’usage du vélo aux conditions climatiques a déjà été étudiée auparavant, mais avant l’avènement de cette crise. Afin d’accroître la compréhension d’un mode qui compte pour la transition écologique des transports, il est intéressant d’analyser comment cette sensibilité d’usage a évolué en lien avec le nouveau contexte sociétal. La présente étude vise à étudier les évolutions quantitatives du trafic vélo en lien avec les conditions météorologiques et la crise sanitaire.
2 / État de l’art, situation actuelle
2.1 État de l’art, Descriptif de la situation
L’impact de la météo sur l’usage du vélo a été traité très tôt par Hanson et Hanson (1977) et Nankervis (1999), bien avant l’essor généralisé dont bénéficie ce mode depuis ces dernières années. Alors, les études étaient basées sur des enquêtes auprès d’usagers. Le développement et l’implantation progressive des dispositifs de comptage, dans les agglomérations en particulier, ont permis des analyses plus vastes et plus précises sur ce lien entre usage vélo et météo, à l’image des travaux de Nosal et al. (2014) et Wessel (2020).
Galich et al. (2021) et Bean et al. (2021) ont élargi de telles analyses aux questions climatiques, avec la prise en compte des impacts potentiels du réchauffement. L’exploitation massive des enquêtes ménages a également permis l’analyse des choix modaux en fonction des motifs de déplacements et de la météo, telle la démarche suivie par Diamban (2020).
De nombreux travaux sont axés sur la prévision de la demande, spécifiquement celle concernant les vélos en libre service, à l’image de ceux de Sathishkumar et Yongyun (2020). Afin de modéliser les effets de la météo sur cette demande, ont été mises en œuvre des techniques classiques de régression, mais également des techniques d’intelligence artificielle, par exemple : la régression Lasso par Nelson et al. (2021), les réseaux de neurones par Sardinha et al. (2021), les arbres décisionnels par Koshtura et al. (2020).
Ces techniques novatrices d’analyse sont puissantes et prometteuses, dans la mesure où elles ont les capacités de traiter les grandes quantités de données offertes par le Big data. Les bouleversements récents provoqués par la crise de la Covid-19 reposent la question du lien entre usage du vélo et météo, notamment du fait que de nouveaux facteurs (distanciation sociale, télétravail, etc.) sont venus influencer la pratique. Le présent travail propose une analyse comparative des impacts de la météo avant et après le début de la crise sur plusieurs agglomérations françaises.
2.2 Données utilisées
L’usage du vélo est quantifié sur la base de comptages des vélos existants. Plusieurs métropoles françaises mettent à disposition des données recueillies par les dispositifs permanents installés sur la voie publique par l’intermédiaire de portails dédiés à l’open data. L’étude a nécessité des données journalières sur une période assez étendue, ainsi que des données récentes. Elle s’est donc appuyée sur les bases mises en ligne par les agglomérations de : Montreuil, Nantes, Paris, Rennes, Tours.
Les données météorologiques utilisées pour cette étude sont issues de la base publique ouverte constituée à partir des relevés automatiques d’observation en surface (SYNOP) partagés au niveau international entre les États membres de l’Organisation Météorologique Mondiale. Elles consistent en des paramètres atmosphériques mesurés ou observés depuis la surface terrestre en continu ou toutes les 3 heures. Dans la suite, les stations réalisant de tels relevés sur le territoire français seront appelées stations SYNOP.
Covid-19
3 / Méthodologies, idées, techniques, innovation
3.1 Description des données
La période globale choisie pour l’étude a été fixée du 1er janvier 2018 au 31 mai 2021, afin de récolter suffisamment de données avant et après le début de la crise de la Covid en France, c’est-à-dire mars 2020.
Les données plus récentes, en termes de comptages vélos et de relevés météorologiques, n’étaient pas encore disponibles au moment de la réalisation de ces travaux. L’ensemble des données couvrent la période choisie, à l’exception des données de comptages de Montreuil et de Rennes qui débutent en juin 2018.
Les données de comptages vélo recueillies sont celles émanant des bases publiques livrées sur les portails internet open data des agglomérations. Les contraintes de choix pour sélectionner les points de comptages d’une agglomération ont été les suivants :
– le point de comptage doit être situé sur un lieu de passage stratégique avec peu de concurrence en termes d’itinéraires vélo alternatifs ;
– le dispositif doit avoir été installé et mis en fonction avant le 1er janvier 2018 afin de couvrir l’intégralité de la période considérée ;
– les données publiées en open data doivent être disponibles sur une fréquence journalière avec des périodes de pannes ou dysfonctionnements assez limitées.
Lorsque la fréquence des comptages disponibles est inférieure à une journée, les données ont été agrégées sur les 24 heures. Les localisations des points de comptage qui ont été retenus pour la présente étude sont : – la Croix de Chavaux à Montreuil ;
– le Pont Anne de Bretagne (sens nord>sud), le Boulevard Charles de Gaulle (sens nord>sud), et le Pont Eric Tabarly (sens nord>sud) à Nantes ;
– la Rue Lafayette (sens est>ouest), le Quai François Mauriac (sens est>ouest), et la Voie Georges Pompidou (sens ouest>est) à Paris ;
– la Place de Bretagne à Rennes ;
– les Ponts Wilson et de Fil à Tours (avec agrégation des deux données de comptage).
Chaque agglomération de grande taille bénéficie de la couverture d’une station SYNOP située à proximité de celle-ci. La Table 1 donne la correspondance entre agglomération (et points de comptage retenus) et station SYNOP pouvant être prise comme référence pour la mesure des indicateurs météorologiques.
Table 1 : Correspondance entre points de comptages et stations du réseau SYNOP
Agglomération Lieu du comptage Station SYNOP (nom, commune) prise comme référence
Montreuil Croix de Chavaux ORLY, Athis-Mons
Nantes Pont Anne de Bretagne, Boulevard Charles de Gaulle, Pont Éric Tabarly
NANTES-BOUGUENAIS, Saint-Aignan-Grandlieu
Paris Rue La Fayette, Quai François Mauriac, Voie Georges Pompidou
ORLY, Athis-Mons
Rennes Place de Bretagne RENNES-SAINT JACQUES, Saint-Jacques-de-la-Lande
Tours Pont Wilson et Pont de Fil TOURS, Parçay-Meslay
La base des relevés SYNOP fournit une grande quantité d’indicateurs météorologiques, mais peu bénéficient de relevés systématiques et continus sur l’ensemble du réseau de stations SYNOP. Nous avons fait le choix de retenir quatre indicateurs parmi les facteurs les plus tangibles pouvant influencer la pratique du vélo : – la température (Temp dans la suite),
– la distance de visibilité horizontale (Vh dans la suite) et son logarithme décimal (Vhlog dans la suite), – la vitesse du vent (Vvent dans la suite),
– la quantité de précipitations sur 3 heures (Prec3h dans la suite).
Ces indicateurs ont été agrégés sous forme de moyenne calculée entre 7h00 et 19h00 pour chaque journée, de manière à restreindre l’impact de la météo à la période d’activité diurne des populations. De plus, afin de vérifier l’indépendance de chaque indicateur par rapport aux trois autres, des calculs de corrélation ont été réalisés pour chaque point de comptage, sur les périodes antérieures et postérieures à mars 2020.
3.2 Traitements préalables des données
Les données de trafic vélo et météorologiques ayant été exploitées et formatées selon les mêmes principes ont été regroupées au sein d’une même base journalière continue pour chaque point de comptage vélo. Ainsi
Covid-19 pour chaque jour de la période retenue (1er janvier 2018 au 31 mai 2021), et pour chaque compteur, sont disponibles les données de trafic vélo et les données météorologiques. Le travail s’est alors poursuivi par les traitements suivants :
– constitution de bases « jours ouvrés de base » par élimination des deux périodes de confinements
« stricts » (mars et octobre 2020), samedis et dimanches, jours de congés scolaires, jours fériés, et jours inclus dans des ponts entre jour férié et week-end ;
– séparation en deux bases à partir de la date charnière de début du 1er confinement strict : la période « pré- Covid » de janvier 2018 au 15 mars 2020, la période « post-Covid » du 16 mars 2020 à mai 2021 ;
– apurement des évènements extraordinaires : jours de trafics extrêmes (trop faibles du fait d’une pluviométrie intense, trop fort du fait de grèves ou d’autres évènements ponctuels), et périodes de sous-/sur- comptage inexpliqués (souvent liés à des dysfonctionnements du dispositif).
3.3 Analyse des évolutions globales de trafic vélo
La première analyse pouvant être réalisée porte sur les évolutions des trafics vélo observées pour chacun des points de comptage. Afin de déterminer les évolutions sur les deux périodes « pré-Covid » et « post- Covid », il est nécessaire d’appliquer une méthode numérique permettant d’isoler les courbes de tendance à partir des données de trafic journalières.
Une des méthodes largement utilisée pour la décomposition de série temporelles sous la forme :
(1) chronique = tendance + saisonnalité + résidus
est la décomposition analytique dite par Loess, mettant en œuvre une régression polynomiale par fenêtre mobile. Le traitement numérique appliqué pour cette étude a été réalisé grâce à la fonction STL de la libraire python statsmodels. Dans le but de reformuler l’expression du trafic sous la forme :
(2) trafic vélo = indice de tendance annuelle x fonction résiduelle de variation ,
le traitement a été appliqué sur le logarithme des valeurs de trafics avec une période de 365 jours, afin de produire une décomposition multiplicative à partir de l’algorithme de décomposition additive Loess.
Pour chaque point de comptage, un indice de tendance a été calculé sur l’ensemble de la période janvier 2018 – mai 2021, et la progression moyenne annuelle de cet indice a été analysée : entre les différents points de comptage, et entre les deux périodes « pré-Covid » et « post-Covid ».
Le traitement de la saisonnalité a été écarté car, il est plus complexe. En effet, les volumes des trafics vélo sont intimement liés à la période de l’année, et donc à la température moyenne. Isoler la composante de saisonnalité reviendrait à affecter toute dépendance à cet indicateur météorologique.
3.4 Analyse des données jointes comptages et indicateurs météorologiques
Afin d’obtenir une base de données stationnaires, les valeurs de trafics ont été au préalable corrigées en enlevant la composante de tendance précédemment estimée. Cette opération est rendue nécessaire par les analyses qui suivent.
Dans un premier temps, avant d’envisager une méthode de régression systématique entre données de comptage et variables explicatives, il est possible de réaliser une classification des données par type de journée, et ainsi d’étudier la répartition de ces données et les valeurs de trafics vélo associées à chaque classe. Pour réaliser cette classification il a été choisi de retenir les quatre indicateurs météorologiques Temp, Vh, Vvent, Prec3h, et le mois de l’année. Concernant les indicateurs météorologiques, un maximum de 4 classes a été défini pour obtenir une répartition équilibrée et des classes suffisamment peuplées. Pour chaque classe, la médiane de l’ensemble des valeurs de trafics corrigés a été calculée et l’effectif de la classe (le nombre N de jours représentés) a été relevé.
Dans un second temps, des régressions systématiques entre données de comptage et variables explicatives (Temp, Vhlog, Vvent, Prec3h) ont été réalisées. Deux techniques de régression ont été mises en œuvre pour tenter d’expliquer la variabilité des trafics vélo (après correction de la tendance) :
– une régression linéaire multiple classique, avec un ajustement par la méthode des moindres carrés,
– une régression par apprentissage automatique basée sur la méthode Random Forest, consistant en l’agrégation de modèles constitués à partir de sous-ensembles reposant sur le principe des forêts d’arbres décisionnels.
La première technique est assez simple et permet une première analyse des données, notamment pour un point de comptage donné, dans le but de comparer entre « pré-Covid » et « post-Covid ». La deuxième technique est plus complexe mais apporte plus de potentiel pour la présente étude, tant pour la fiabilité et la reconstitution des données que pour les comparaisons entre points de comptages et entre agglomérations.
Covid-19 4 / Résultats théoriques ou expérimentaux, interprétations
4.1 Analyse préalable des données météorologiques
Afin de tester l’indépendance relative des indicateurs choisis pour cette étude, les coefficients de corrélation ont été calculés en considérant ces indicateurs deux à deux. Il ressort de ces calculs les valeurs maximales en valeur absolue de ces corrélations :
0,1 pour Temp / Vvent, 0,15 pour Temp / Prec3h, 0,25 pour Vvent / Prec3h, 0,3 pour Vhlog / Vvent, 0,35 pour Vhlog / Prec3h, et 0,45 pour Temp / Vhlog.
Bien que certaines valeurs soient élevées (notamment entre la température et le logarithme de la distance de visibilité), il peut être considéré que le niveau de corrélation entre indicateurs reste faible, ce qui valide le choix du groupe d’indicateurs.
4.2 Analyse des évolutions globales de trafic vélo
Fig. 1 : Exemple de décomposition par Loess du trafic vélo (Montreuil Croix de Chavaux) en haut : logarithme du trafic vélo ;
en bas : courbe de tendance en haut : courbe saisonnière ; en bas : courbe des résidus
Pour chaque point de comptage vélo, un indice de tendance annuelle a été calculé à partir des logarithmes des valeurs de trafics et grâce à la fonction STL de la librairie python statsmodels. La Fig. 1 illustre le traitement réalisé à travers la décomposition fournie par cette fonction. Dans la suite, seule la composante
« tendance » est utilisée pour étudier l’évolution des trafics vélo.
Fig. 2 : Tendances d’évolution des trafics vélo et comparaison entre « pré-Covid » et « post-Covid »
La Fig. 2 donne les progressions moyennes annuelles du trafic vélo sur la base des valeurs d’indice calculés.
Par convention, l’indice est égal à 1 au premier jour des données de chaque point de comptage. A titre d’exemple, une progression de valeur +1 fait passer un indice de 1 à un indice de 2 à l’issue d’une année.
Covid-19 Avant la crise Covid (sur la période allant du 1er janvier 2018 au 15 mars 2020), les trafics vélo comportaient des progressions variables sur les points de comptage étudiés :
– Montreuil et Paris bénéficiaient d’une dynamique positive forte,
– Nantes Anne de Bretagne, Rennes Bretagne et Tours Ponts augmentaient mais de manière plus modérée, – Nantes de Gaulle et Nantes Tabarly voyaient leurs trafics vélo stagner ou régresser légèrement.
Après la crise du Covid, il est observé sur plusieurs points de comptage une accélération de la croissance du trafic vélo, avec cependant les exceptions suivantes :
– les ponts de Tours et le Pont Tabarly de Nantes, ayant déjà des croissances faibles ou négatives, voient leurs tendances respectives confirmées,
– le trafic vélo sur Paris Lafayette amorce un ralentissement très important par rapport à une dynamique positive forte « pré-Covid », ce qui constitue un comportement assez singulier.
Ces évolutions particulières peuvent avoir des causes multiples. Parmi celles les plus probables figurent : – le report des usagers du vélo d’un itinéraire à un autre, tout particulièrement quand des requalifications de voirie sont survenues depuis 2018 (dont des nouveaux aménagements pour vélos), et/ou quand le point de comptage se situe au milieu d’un réseau très maillé (tel que Paris Lafayette),
– une relation très importante avec la pratique d’autres modes, tels que le transport ferré (à l’image de Paris Lafayette qui est proche des gares parisiennes du Nord et de l’Est) dont la fréquentation a été très affectée par le télétravail, notamment en Île-de-France,
– une part modale déficitaire du vélo sur l’agglomération.
4.3 Analyse des données jointes comptages et indicateurs météorologiques
Pour la suite des travaux, la composante de tendance a été supprimée des trafics vélo, afin de pouvoir comparer et analyser les données de manière cohérente entre janvier 2018 et mai 2021.
Une classification des données journalières de comptage a été réalisée indépendamment sur chacune des variables suivantes : Temp, Vh, Vvent, Prec3h, et le mois de l’année. Les Tables 2a et 2b donnent le résultat de cette classification. Dans ces tableaux, les classes vides correspondent à des données inexistantes ou à des classes dont l’effectif est inférieur à 5 éléments.
Dans l’ensemble, les données couvrent de manière régulière chaque mois de l’année, avec un nombre N de jours suffisant. On note cependant la coupure de juillet et août liée aux congés d’été et celle de novembre et décembre 2020 (période « post-Covid ») liée à une situation sanitaire compliquée. Comme il a été évoqué précédemment, la période de l’année joue un rôle très important dans l’usage du mode vélo : il est observé un rythme cyclique qui se répète chaque année avec une affluence plus forte sur les mois courant du début du printemps à la fin de l’été. Ce phénomène, déjà présent en période « pré-Covid », semble s’accentuer en période « post-Covid » sur plusieurs points de comptage pour lesquels on note une baisse des trafics en dehors des mois d’été.
Table 2a : Classification des données selon Temp, Vh, Vvent, Prec3h, et le mois de l’année
Covid-19 Table 2b : Classification des données selon Temp, Vh, Vvent, Prec3h, et le mois de l’année
Concernant les indicateurs météorologiques, les classes sont assez régulièrement peuplées, à l’exception des classes de visibilité faible (inférieure à 1 km) et de température négative. Il est observé :
– un trafic vélo qui croît avec la température, tendance qui est encore plus contrastée en période « post- Covid » et qui se recoupe avec une plus forte concentration des usages sur les mois d’été, c’est-à-dire les mois les plus chauds ;
– une baisse de l’usage en condition de visibilité horizontale réduite qui se maintient d’une période à l’autre ; – un faible impact négatif du vent sur les trafics qui est parfois accentué en période « post-Covid » ;
– un impact négatif de la pluie qui semble diminuer en période « post-Covid ».
La classification des données fournit une première vision des impacts de la crise et de l’influence des conditions météorologiques. Cependant, elle ne permet pas de réaliser une analyse approfondie des dépendances entre le trafic vélo et chaque indicateur.
Dans la suite, nos travaux ont intégré des données de comptage vélo sur l’agglomération suisse de Basel (Bâle en français), cette dernière ouvrant également ses bases de données sur internet. Les points de comptage retenus sont Dreirosenbrücke et Wettsteinbrücke, tous deux dans le sens provenant du quartier de Klein Basel. En plus d’être une ville frontalière ayant des liens très forts avec la France et l’Allemagne, la métropole bénéficie de la couverture de la station SYNOP Bâle-Mulhouse, ce qui constitue des données supplémentaires intéressantes pour l’étude.
Table 3 : Exemple de résultats de régressions linéaires appliquées sur les trafics vélo
Comptage Période Valeur
statistique
Constante Coefficients
Temp Vhlog Vvent Prec3h
Montreuil Croix de Chavaux
Pré-Covid 25e centile 75e centile
1110 1120
126 137
12,8 21,3
-36,6 -27,8
-63,5 -55,5 Post-Covid 25e centile
75e centile
1090 1110
255 264
-12,4 -0,10
-26,0 -17,4
-29,6 -20,4 Paris
Pompidou
Pré-Covid 25e centile 75e centile
644 652
121 126
2,92 8,14
-26,8 -21,4
-58,2 -52,2 Post-Covid 25e centile
75e centile
712 735
246 253
-4,27 2,38
-61,2 -47,3
-23,4 -12,3
Une première méthode de régression a été appliquée sur les données. Il s’agit d’une régression linéaire classique permettant de décomposer le trafic en combinaison linéaire des indicateurs météorologiques. La Table 3 présente les résultats de telles régressions pour Montreuil Croix de Chavaux et Paris Pompidou. Il ressort des résultats obtenus quelques évolutions significatives concernant la constante, et les coefficients des indicateurs Temp et Prec3h. Néanmoins, la régression linéaire a deux inconvénients majeurs :
– cette technique pose l’hypothèse forte que le trafic a un lien de stricte linéarité avec chaque variable, ce qui est très limitant pour reproduire des phénomènes complexes,
– les résultats qui sont donnés ne sont pas normalisés, ce qui complique les futures comparaisons.
Covid-19 Fig. 3 : Évolution de la partie constante des trafics vélo obtenue par régression linéaire
(valeur normalisée à 1 en période « pré-Covid »)
Il a donc été fait le choix d’analyser uniquement la partie constante du trafic à l’aide de cette technique. La Fig. 3 présente l’évolution normalisée de l’ensemble des valeurs constantes issues de la régression linéaire.
Sur l’ensemble des points, les évolutions demeurent modérées en période « post-Covid » et n’excèdent pas 12 % en valeur absolue. Sachant que les trafics ont été corrigés en supprimant la tendance (et donc que le volume moyen est stationnaire d’une période à l’autre), cette analyse permet donc de conclure que, même si elle évolue sensiblement dans un sens ou dans l’autre, l’équilibre entre partie constante et partie variable du trafic vélo n’est pas bouleversée entre période « pré-Covid » et période « post-Covid ».
Fig. 4 : Poids des indicateurs météorologiques sur les périodes « pré-Covid » et « post-Covid »
Temp Vhlog Vvent Prec3h
Une deuxième méthode de régression, basée sur la technique d’apprentissage automatique Random Forest, a été appliquée sur les données. La Fig. 4 présente les résultats des régressions en termes de poids respectif de chacun des indicateurs dans le modèle construit par apprentissage automatique. Les poids analysés sont des valeurs médianes calculées sur la base de 25 itérations « phase d’apprentissage + phase de test » réalisées avec 2000 estimateurs. Grâce à cette technique de régression et au principe de poids normalisés, les jeux de données peuvent être plus facilement comparés entre points de comptage, entre agglomérations, et entre périodes « pré-Covid » et « post-Covid ».
Dans la période « pré-Covid », il est constaté :
– une répartition assez commune des poids de chaque indicateur pour l’ensemble des points de comptages, à savoir : un poids majoritaire de Temp compris entre 0,55 et 0,75, des poids minoritaires de Vhlog, Vvent et Prec3h compris entre 0,1 et 0,2 ;
Covid-19 – une répartition quelque peu différente pour Nantes De Gaulle, Nantes Tabarly, Basel Dreirosenbrücke, Basel Wettsteinbrücke ménageant plus de poids au vent (à Nantes) ou aux précipitations (à Basel).
Ces résultats montrent une prédominance de la température, et de fait de la saison, dans l’explication de la fréquentation vélo sur tous les points de comptage.
En période « post-Covid », il est constaté :
– sur plusieurs points de comptages et plusieurs agglomérations (dont Montreuil, Paris et Rennes) : une augmentation très forte du poids de la température (ou de la saisonnalité) comprise entre 15 et 25 points, une diminution très forte voire une quasi-suppression du poids des précipitations, et parfois une régression plus modérée des poids de la visibilité horizontale et de la vitesse du vent ;
– sur les autres données (dont Tours et Basel) : des évolutions ont possiblement eu lieu mais les différences obtenues sont trop peu significatives pour pouvoir conclure de manière certaine.
Fig. 5 : Evolution du poids des indicateurs météorologiques Temp et Prec3h en fonction du taux de croissance (évolution de l’indice) des trafics vélos observée en période « post-Covid »
Temp Prec3h
La Fig. 5 présente une autre représentation des résultats des régressions par Random Forest : les évolutions des poids (valeur « post-Covid » - valeur « pré-Covid ») des indicateurs météorologiques les plus significatifs Temp et Prec3h en fonction de la progression moyenne annuelle de l’indice de trafic en période « post- Covid ». Il apparaît que ces deux grandeurs semblent entretenir une relation forte :
– pour les points de comptage à faible dynamique (négatif ou positif, mais proche de zéro), les poids des indicateurs Temp et Prec3h, évoluent peu ou de manière modérée ;
– pour les points de comptage ou le trafic vélo augmente fortement sur la période « post-Covid », il est observé un changement significatif dans la répartition des poids de Temp et Prec3h dans la modélisation des trafics par régression Random Forest.
La modification du poids, c’est-à-dire de l’influence, de tel ou tel indicateur météorologique semble ainsi être liée à l’attraction d’une quantité significative de nouveaux usagers ou de nouveaux déplacements vers le vélo après mars 2020. Cette nouvelle fréquentation est associée à une modification du comportement global du trafic vélo dans le sens où :
– la saisonnalité, c’est-à-dire le contraste d’usage du vélo entre les mois « froids » et les mois « chauds », paraît plus marquée,
– la réticence aux phénomènes de pluie ou à d’autres facteurs limitant (comme le vent ou une visibilité réduite) paraît moins forte comparée à l’effet de température/saison, sur la période mars 2020 – mai 2021, d’après les données issues des points de comptage à dynamique forte.
Les analyses précédentes sont néanmoins à considérer avec précaution, étant donné le caractère instable du contexte de la période mars 2020 – juin 2021. Des facteurs inconnus demeurent concernant les évolutions apparentes des trafics vélo. Notamment :
– La survie dans l’air et la transmission du virus sont plus élevées au moment où les températures sont basses. Le contraste des trafics entre hiver et été peut être également le produit de l’alternance entre poussée (avec mesures de restrictions plus ou moins strictes) et recul de l’activité du virus sur le territoire.
– La sensibilité aux conditions météorologiques dégradées n’est pas simple à appréhender. Elle peut évoluer dans le cas où la pratique vélo est déjà rentrée dans l’habitude et perdure bien après la crise. De même,
Covid-19 l’investissement dans un vélo neuf et/ou dans des matériels de protection contre la pluie et le froid modifie la manière dont l’usager compose avec la météo.
5 / Déploiement et voies de progrès
La période « post-Covid » étant limitée dans le temps aux effets relativement immédiats de la crise, il est difficile de tirer des conclusions quant à des évolutions durables des comportements. En effet, la période observée a comporté d’autres restrictions que les mesures strictes de confinement, et le télétravail était encore important dans certains secteurs d’emploi ou zones géographiques. Aussi, des analyses similaires pourraient être conduites sur des données plus récentes ou à venir, et sur d’autres agglomérations, afin de dégager des tendances à long terme.
La présente étude s’est concentrée uniquement sur 4 indicateurs influant le trafic vélo, mais il demeure d’autres indicateurs à analyser en termes d’effets potentiels sur ce trafic, notamment :
– la température relative par rapport à une moyenne glissante ou à une normale saisonnière, – le jour de la semaine, ou certains moments de l’année.
Par ailleurs, un travail de comparaison des techniques d’apprentissage automatique pourrait être mené dans le but de trouver l’outil de modélisation et de prévision le plus fiable.
6 / Conclusion
Le présent travail constitue un premier pas dans l’exploration des bases de données de trafics vélo, dans le but de comprendre de manière approfondie en quoi la crise de la Covid a modifié la pratique du vélo. Les outils employés, dont la régression par apprentissage automatique, ont donné des résultats satisfaisants dans l’analyse des données de trafics. De telles techniques d’intelligence artificielle sont des atouts précieux pour identifier des tendances ou des phénomènes à partir d’un grand volume d’informations.
Cependant, la démarche nécessite d’être reconduite sur des données provenant d’une période moins marquée par la crise et par tous ses effets connexes. Cela permettrait de discerner avec plus de fiabilité des changements manifestes à moyen ou long terme dans le comportement des usagers qui pratiquent le vélo.
Ces évolutions seraient à étudier en lien avec les conditions météorologiques toujours, mais également avec d’autres facteurs pouvant influencer cette pratique.
Références
Hanson, S., Hanson, P., 1977. Evaluating the impact of weather on bicycle use. Journal of the Transportation Research Record, 629, 43-48.
Nankervis, M., 1999. The effect of weather and climate on bicycle commuting. Transportation Research Part A, 33, 417-431.
Nosal, Th., Miranda-Moreno, L.F., Krstulic, Z., 2014. Incorporating weather: comparative analysis of annual average daily bicyclist trafic estimation methods. Journal of the Transportation Research Record, 2468, 100-110.
Wessel, J., 2020. Using weather forecasts to forecast whether bikes are used. Transportation Research Part A, 138, 537-559.
Galich, A., Nieland, S., Lenz, B., Blechschmidt, J., 2021. How would we cycle today if we had the weather of tomorrow? An analysis of the impact of climate change on bicycle traffic. Sustainability, 13, 10254.
Bean, R., Pojani, D., Corcoran, J., 2021. How does weather affect bikeshare use? A comparative analysis of forty cities across climate zones. Journal of Transport Geography, 95, 103155.
Diamban,M.L., 2020. Analyse de l’effet des données météorologiques sur les modes de déplacements.
Rapport de stage pour l’obtention du Master SSD, Université Grenoble Alpes / Cerema.
Satishkumar, V., E., Yongyun, C., 2020. A rule-based model for Seoul bike sharing demand prediction using weather data. European Journal of Remote Sensing, DOI:10.1080/22797254.2020.1725789.
Nelson, T., Roy, A., Ferster, C., Fischer, J., Brum-Bastos, V., Laberee, K., Yu, H., Winters, M., 2021.
Generalized model for mapping bicycle ridership with crowdsourced data. Transportation Research Part C, 125, 102981.
Sardinha, C., Fainnamore, A.C., Henriques, R., 2021. Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context. arXiv preprint, arXiv:2105.01125.
Koshtura, D., Bublyk, M., Matseliukh, Y., Dosyn, D., Chyrun, L., Lozynska, O., Karpov, I., Peleshchak, I., Maslak, M., Sachenko, O., 2020. Analysis of the demand for bicycle use in a cmart city based on machine learning. In: CEUR Workshop Proceedings, 2631, 172-183.
Covid-19
Wilfried Raballand est chargé d’études en modélisation des trafics et déplacement au département Mobilités du Cerema Centre-Est. Après un cursus universitaire scientifique, il a obtenu un doctorat en physique à l’université de Bourgogne en 2005. Depuis 2012, il travaille sur les recueils de données de trafics, dont les enquêtes cordons réalisées sur les grandes agglomérations, ainsi que sur la modélisation statique et dynamique des déplacements en milieu urbain et interurbain. Il travaille actuellement sur la modélisation en territoire peu dense, les potentiels de covoiturage, et l’évaluation des données issues de nouvelles technologies pour la connaissance des déplacements. Il contribue aux développements méthodologiques liés à la modélisation statique, à l’étude des zones à faibles émissions, et à la modernisation des enquêtes routières grâce aux sources numériques.
Alice Marchal est chargée d’études en modélisation des trafics et déplacement au département Mobilités du Cerema Centre-Est. Après un diplôme d’ingénieur ENTPE – spécialité Transport, territoires et villes, elle a effectué une année de spécialisation en statistiques et Data Science à l'Université Lyon 2, où elle a pu apprendre les principes et le codage pour l’application de l’Intelligence Artificielle dans divers domaines (reconnaissance d’image, text mining...). Désormais au Cerema depuis 2019, elle travaille sur la modélisation statique des déplacements.
Baptiste Bion est chargé d’études en analyse et modélisation de la mobilité au département Mobilités du Cerema Centre-Est. En parallèle d’un diplôme d’ingénieur ENTPE avec spécialité économie des transports, il a effectué un Master 2 à l’ISFA en économétrie et statistiques. Il a acquis des connaissances dans le domaine du traitement, de l’analyse et de la synthèse de données. Après ces études, il a passé un an à Cerema ITM en tant que chargé d’études logiciels ouvrages d’art où il a développé ses connaissances en langage informatique et en logiciels de calculs.
Désormais au Cerema Centre-Est, il travaille sur la modélisation statique des déplacements ainsi que sur l’analyse de ceux-ci.
