D’une façon surprenante, cette étape n’est pas abordée dans le projet SUCCESS (Smaller Urban Communities in CIVITAS for Environmentally Sustainable Solutions) appartenant au programme CIVITAS (qui a résulte d'une collaboration entre Université Petrol-Gaze Ploiesti, ATMO Poitou Charentes, CdA La Rochelle, La Mairie du Municipe de Ploiesti, Ecole des Mines Paris, Université La Rochelle et TTP, Preston UK), bien que choisir de mettre en place plutôt une mesure qu’une autre est toujours une lourde tâche pour les décideurs pour plusieurs raisons: soit les critères de choix sont parfois discutables, soit parce que tous les impacts potentiels ne sont pas pris en considération, soit parce que les usagers du réseau eux-mêmes ne sont pas vus comme des « acteurs » mais comme des « consommateurs » passifs.
Tableau 1. Principe de l’approche, méthodes employées et résultats attendus
2.1. Choix d’indicateurs pertinents
Méthode: Dans notre démarche, nous considérons qu’un chef de projet sélectionne des mesures susceptibles de répondre à un objectif fixé. Dans une liste non exhaustive (ouverte) d’indicateurs, qui s’inspire de celle utilisée pour le programme CIVITAS, le chef de projet retient des indicateurs communs aux mesures à comparer et qui lui semblent pertinents.
Figure 1. Quelques exemples d’interfaces homme-machine
Park & Ride ×
…
…
Car Sharing ×
Catégorie Indicateur
Bruit ×
Environnement
Niveau de CO ×
Social Sécurité ×
Transport Vitesse moyenne ×
Fusion des évaluations:
- Multi sources - Multi critères -Multi experts
Etapes Méthodes Résultats
Choix d’indicateurs
pertinents Evaluation subjective
1
Liste des indicateurs pertinents à évaluer
Evaluation préliminaire des indicateurs
Estimation des poids Grille Kelly,
Analytic Hierarchy Process Classement des mesures
Logique Floue Score pour chaque mesure
Théorie des croyances Evaluation globale:
- Par indicateur
- Pour tous les indicateurs Efficacité de la mesure 2
Logique floue,
Enquêtes à préférences déclarées Evaluation linguistique des indicateurs
Sources d’évaluation par
indicateur Choix source : modèles, enquêtes,
avis, me expériences Evaluations numériques ou qualitatives
Similitudes des indicateurs, Poids des indicateurs
Valider Indicateurs à évaluer
Liste de mesure à évaluer Valider
Mesure à évaluer
Utilisation : En pratique, l’utilisateur de l’outil d’aide à la décision fera une intervention au niveau de l’interface homme-machine afin de sélectionner les mesures qu’il veut comparer et pour des indicateurs qui lui semblent pertinents (figure 1).
2.2. Une estimation préliminaire des indicateurs pertinents
Pour cette phase préliminaire, le chef de projet estimera les indicateurs à l’aide de variables qualitatives (termes linguistiques du type très bien, mauvais etc.). Ce choix s’explique par le fait que, pour un nombre élevé de mesures satisfaisant potentiellement le même objectif principal, des évaluations quantitatives « a priori » seraient exhaustives. Cela est d’autant plus vrai que, pour certains indicateurs (ceux liés à la qualité de l’air, par exemple), les campagnes de mesures expérimentales seraient trop coûteuses ou elles nécessiteraient de s’équiper d’une instrumentation lourde qui risque de ne pas être exploitée par la suite.
Du fait de sa subjectivité et de la multitude de sources d’informations dont le chef du projet peut disposer (modèle, enquête, rapports, mesures expérimentales,..), l’évaluation des indicateurs se fait selon le formalisme de la logique floue.
Renseigner le niveau des indicateurs quantifiables (qualité de l’air, niveau de congestion, etc) à l’aide de spécialistes en écologie, transport ou économie ne pose pas des problèmes particuliers. En revanche, estimer les impacts sociaux (sécurité, le degré de satisfaction, etc) implique l’organisation des enquêtes auprès des usagers du réseau de transport. Cela est toujours « risqué », car un chef de projet peut voir le rejet « social » d’un projet issu d’une enquête classique (que pensez-vous de l’implantation d’un Park&Ride ?....) alors que point de vue économique, transport, écologique il est évalué comme étant le plus efficace. Mais ne pas s’y intéresser, est également une faille de nombreux projets transport/urbanisme.
Nous proposons d’intégrer une méthode dont l’idée à la base est de développer des enquêtes lors desquelles les personnes interrogées seront placées dans une situation hypothétique et confrontées à une série d'options imaginaires. Les personnes interrogées doivent indiquer ce qu'elles choisiraient, si elles se trouvaient dans une telle situation, dans la réalité. Ce type d’enquête porte le nom d’enquêtes de préférences déclarées.
Ce type d’enquête a l’avantage de modéliser et donc prévoir un comportement « moyenné » des usagers, selon des catégories sociodémographiques que l’utilisateur peut définir lui-même: communetés ethniques, niveaux de revenus des ménages, tranches d’âge etc.
Utilisation: L’utilisateur devra compléter une grille comme celle présentée dans la figure 2.
En ce qui concerne les indicateurs qui seront évalués par enquêtes, un module spécial sera crée où l’utilisateur pourra définir lui-même les catégories sociodémographiques et les variables dont il veut tester les effets: à partir d’une bibliothèque de configurations stockées en mémoire, une enquête sera proposée et le traitement de données sera informatisé. Le décideur aura comme informations supplémentaires:
− les variables les plus significatives pour les usagers interrogés;
− leurs préférences pour une mesure en matière de sécurité, degré de satisfaction, perception de l’accessibilité etc.
Indicateur Type Niveau
bruit faible
… …
sécurité
qualitatif
Très bonne
Figure 2. Evaluation linguistique des indicateurs 2.3. Poids des indicateurs pertinents
Méthode Supposons que dans la phase de choix de mesures tous les indicateurs ne pourraient pas être évalués (manque de sources d’informations, par exemple): il pourrait être intéressant de mettre en évidence certaines similitudes entre les indicateurs car dans ce cas l’utilisateur pourra se limiter à déterminer un seul par catégorie, sachant que les autres ont une évolution similaire. Cela permettra également de limiter des campagnes de mesures expérimentales trop coûteuses en évaluant expérimentalement un indicateur et en utilisant un modèle approché pour estimer ceux qui en dépendent. L’utilisateur peut choisir de mettre en évidence des similitudes entre les mesures ou dépendances entre les indicateurs par la méthode dite de la grille répertoire.
Chaque indicateur peut prendre un poids (degré d’importance) plus ou moins important qui va affecter le classement des mesures. En plus, pour une même mesure, on peut retrouver d’autres perceptions pour le poids des indicateurs selon les spécificités des villes (par exemple, si à Ploiesti et La rochelle on envisage d’introduire un système de bus GPL, la mairie de Ploiesti pourrait s’intéresser aux impacts sur le transport plutôt qu’aux impacts sociaux, tandis que la CdA La Rochelle pourrait faire l’inverse). Il est donc primordial de laisser à l’utilisateur la liberté de quantifier lui-même le poids des indicateurs à évaluer. La méthode que nous allons employer est la AHP (Analytic Hierarchy Process). La AHP est réputée très performante dans le domaine de l’analyse multi-critères car elle classe des grandeurs quantitatives aussi bien que qualitatives, trie des éléments d’un système dans différents niveaux et dans des groupes à caractéristiques similaires, permet de garder une consistance logique des jugements utilisés pour déterminer les priorités.
Utilisation Une fois complétée la grille d’évaluation linguistique des indicateurs, l’utilisateur disposera d’une représentation sous forme hiérarchique qui lui permettra de grouper les indicateurs selon de degré de dépendances. Un algorithme intégré dans le logiciel permettra la quantification des poids des indicateurs pour chacune des mesures analysées et cela en fonction des particularités d’une ville.
2.4. Classement des mesures de transport
Méthode: Chaque indicateur étant évalué et son poids estimé, nous allons développer une méthode de classement. L’emploi des variables linguistiques, est la force de notre approche mais peut être source d’ennuis à la fois. Il va falloir élaborer des fonctions de classement permettant de transformer les nombres flous en nombres réels. A partir des caractéristiques liées à l’exactitude et l'uniformité, on propose d’utiliser l’approche de classement flou de Chang.
Utilisation: Un algorithme sera implémenté pour qu’un utilisateur puisse disposer d’un classement des mesures et du score correspondant pour chacune, afin de choisir, au cas de scores proches, celle qui lui semble la plus fiable.