La montée des plateformes de mobilité en tant que service (MaaS) promet de remodeler la façon dont les gens se déplacent, offrant un accès intégré et à la demande à divers modes de transport, du transport en commun et du covoiturage au partage de vélos et à la location de voitures, grâce à une interface numérique unique. Comme les villes sont aux prises avec une congestion chronique, la pollution et la nécessité d'utiliser plus efficacement des infrastructures limitées, la compréhension de l'impact réel de MaaS sur le trafic urbain est devenue une priorité absolue pour les planificateurs, les décideurs et les chercheurs en transport.

Comprendre les plateformes de mobilité en tant que service (MaaS)

MaaS est plus qu'une simple application de planification de voyage; c'est un changement de paradigme dans le transport. Au cœur de sa plateforme MaaS regroupe plusieurs services de transport – bus et trains publics, trajets, partage de voitures, location de scooters, et même de taxis – dans une seule expérience unifiée. Les utilisateurs peuvent planifier un voyage, comparer les modes par coût et temps, réserver et payer pour l'ensemble du voyage à travers un compte et une application. Par exemple, un navetteur peut prendre un vélo partagé à une gare, monter le train au centre-ville, puis prendre un tour-part pour le dernier mile, tous coordonnés par une seule interface.

Les avantages que les promoteurs de MaaS peuvent tirer de cette initiative sont notamment la réduction de la dépendance à l'égard de la propriété de la voiture privée, la réduction des coûts de transport pour les usagers et une utilisation plus efficace des infrastructures existantes.

Pourquoi modéliser l'impact du Maas sur le trafic est important

L'introduction d'une plateforme MaaS dans un écosystème de transport urbain n'est pas un simple ajout; elle déclenche des interactions complexes, souvent non linéaires. Un déplacement de voitures privées pourrait libérer la capacité routière, mais la commodité de MaaS pourrait également entraîner de nouveaux voyages – des gens pourraient choisir de faire plus de voyages si les voyages deviennent plus faciles et moins chers. Si elle n'est pas gérée, cela pourrait contrecarrer les réductions de congestion. De plus, les effets varient en fonction du moment de la journée, de l'emplacement et de la démographie des utilisateurs.

Ces modèles permettent aux villes de répondre aux questions critiques : comment les différentes structures de tarification affecteront-elles le choix du mode ? Que se passera-t-il si l'adoption MaaS atteint 30 % ou 60 % ? Quelles zones verront le plus d'allégement de la congestion, et où les problèmes pourraient-ils s'aggraver ? Sans modélisation, les villes risquent de prendre des décisions d'infrastructure et de politique de plusieurs millions de dollars sur la base de la conjecture.

Approches et paramètres clés de modélisation

La modélisation de l'impact de MaaS sur le trafic urbain implique généralement une combinaison d'approches. Les plus courantes sont les modèles basés sur les agents (ABM), qui simulent le comportement des -Agents individuels (voyageurs) qui ont des préférences, des contraintes et des capacités d'apprentissage.

Taux d'adoption des utilisateurs

Les modèles intègrent souvent des courbes de diffusion (p. ex., courbes S) pour simuler l'adoption au fil du temps. Analyses de sensibilité des scénarios de test avec une absorption lente, modérée et rapide. Par exemple, une étude de MaaS en Suède a révélé que les taux d'adoption sont fortement influencés par la disponibilité de paiements sans faille et de planification de voyage, ainsi que la fiabilité perçue des modes partagés.

Modes de déplacement

Mais tous les déplacements ne sont pas égaux; certains utilisateurs peuvent passer d'un autobus à un vélo-partager sans réduire la circulation routière, d'autres d'un véhicule à un véhicule-rail, qui, s'ils ne sont pas regroupés, peuvent encore contribuer à la congestion. Les modèles doivent saisir les transitions spécifiques au mode et leur effet net sur les kilomètres parcourus (VMT).

Durée et fréquence du voyage

La commodité de MaaS peut affecter à la fois la durée et le nombre de voyages. Les utilisateurs peuvent faire plus de voyages ou combiner les voyages différemment (par exemple, diviser un voyage en une seule voiture dans un train et un segment de vélo-part). Les modèles doivent tenir compte de la demande induite : la possibilité que la mobilité plus facile génère des voyages supplémentaires, compensant en partie les avantages du déplacement en mode.

Capacité et infrastructure du réseau

Lorsque MaaS ajoute de nouveaux modes (par exemple, des e-cooters) ou augmente l'utilisation d'autres modes (par exemple, des pistes cyclables), la capacité du réseau à gérer ces changements est cruciale. Les modèles intègrent des capacités routières et de transit, ainsi que la disponibilité de pistes cyclables dédiées, de zones de stationnement pour scooters et de zones de ramassage/drop-off. Sans ces détails, les simulations peuvent ignorer les goulets d'étranglement qui pourraient ne pas être bénéfiques.

Simulation de scénarios différents

Une fois qu'un modèle est construit et étalonné, les chercheurs font appel à plusieurs scénarios pour explorer les possibilités futures.

  • Scénarios de base : Aucune plateforme MaaS; les tendances actuelles persistent.
  • Scénarios d'adoption faible: 10-20% des voyageurs utilisent MaaS, avec des impacts limités sur le déplacement en mode et la fréquence de déplacement.
  • Scénarios d'adoption élevée:[ 50% ou plus, souvent associé à un soutien politique agressif (p. ex., tarification de la congestion, taxes de stationnement).
  • Scénarios d'intervention politique:[ Combinaisons de MaaS avec des mesures comme des trajets à prix dynamique, des voies d'autobus réservées ou des subventions pour les voyages en partage de vélos.

Certaines études simulent également des variations spatiales, par exemple, en introduisant le MaaS uniquement dans le centre-ville par rapport à l'ensemble de la métropole. Les extrants comprennent des changements dans les volumes de trafic sur les corridors clés, les temps de déplacement moyens, les niveaux d'émissions et les cotes d'accessibilité globales.

Par exemple, une simulation de MaaS à Helsinki (dans le cadre du pilote Whim) a indiqué que si MaaS avait adopté une approche significative, l'utilisation de voitures particulières pourrait diminuer de 20 % dans le centre-ville, ce qui entraînerait une réduction de 10 % des émissions de CO2. Toutefois, la même étude a fait observer que, sans politiques complémentaires, les véhicules roulants pourraient augmenter la surcharge (voyages vides) de 15 %, ce qui compenserait partiellement les avantages liés à la congestion.

Analyser les résultats potentiels : avantages et risques

Les études de modélisation indiquent régulièrement plusieurs résultats positifs potentiels, mais elles mettent aussi en évidence des risques et des compromis importants.

Réduction de la propriété et de l'utilisation des véhicules privés

Lorsque MaaS rend le transport multimodal aussi pratique que la conduite, de nombreux utilisateurs choisissent de ne pas posséder de voiture ou de l'utiliser moins. Cela entraîne une diminution du nombre de véhicules sur la route pendant les heures de pointe, ce qui réduit la congestion. Une étude de l'Université de Sydney réalisée en 2021 a révélé qu'un système MaaS entièrement intégré pourrait réduire la densité de trafic dans les centres urbains de 15 à 25 %.

Réduction des émissions

Avec moins de déplacements en voiture privée et plus d'utilisation du transport en commun électrique et des vélos partagés, les émissions urbaines peuvent diminuer. Cependant, cet avantage est conditionnel : si les véhicules roulants sont alimentés à l'essence et conduisent souvent à vide entre les trajets, l'effet net peut être faible.

Préoccupations en matière d'équité

Les plateformes MaaS sont numériques et nécessitent des smartphones et des cartes de crédit, excluant potentiellement les populations à faible revenu et les personnes âgées. De plus, si les services de transport routier servent principalement les quartiers aisés, les inégalités existantes pourraient s'aggraver.

Demande induite et effets de rebound

Comme mentionné, la commodité de MaaS peut encourager des voyages plus fréquents ou des distances plus longues. Par exemple, une personne qui voyageait auparavant en autobus peut passer à une gare routière, ajoutant un voyage en véhicule. Ou un vélo-partage peut remplacer un voyage à pied, puis provoquer un nouveau voyage en voiture plus tard. Les modèles qui ignorent ces dynamiques peuvent surestimer les avantages.

Impact sur le transport en commun

MaaS est souvent positionnée comme un complément au transport en commun, fournissant des connexions de premier/dernier kilomètre. Cependant, il pourrait également cannibaliser le transport en commun si les gens passent des autobus à des trajets partagés moins chers. La modélisation peut aider à identifier les conditions dans lesquelles le transport en commun s'est stabilisé ou diminue, guidant l'intégration des tarifs et les décisions d'acheminement.

Incidences et recommandations sur les politiques

Les enseignements tirés de la modélisation du trafic se traduisent directement par des politiques réalisables.

  • Prix de la congestion:[ La tarification pour l'utilisation de la route, en particulier dans les zones denses, peut rendre les déplacements en voiture privée moins attrayants et inciter les utilisateurs vers les options MaaS.
  • Les voies et l'infrastructure dédiées:[ La fourniture de voies prioritaires pour les autobus, les vélos et les véhicules à fort occupation garantit que les modes partagés restent rapides et fiables, encourageant le changement de mode.
  • L'intégration avec le transport en commun:[ Les subventions MaaS pour les voyages en transit ou les laissez-passer mensuels intégrés peuvent renforcer la complémentarité plutôt que la concurrence.
  • Mandats de partage de données :[ Pour garder les modèles précis, les villes ont besoin d'accéder aux données de la plateforme MaaS (protégée par la confidentialité).
  • Prix progressifs pour les trajets à pied: Les tarifs dynamiques basés sur le temps et l'emplacement peuvent réduire les overheads et décourager les trajets non en commun pendant les heures de pointe.

Par exemple, une étude basée sur des modèles à Singapour a testé la combinaison de MaaS et d'une charge de congestion à distance. La simulation a montré que cette combinaison de politiques pourrait réduire le volume de trafic de 18 % tout en augmentant la vitesse moyenne de 12 %.

Défis et limites des efforts actuels de modélisation

Malgré leur puissance, les modèles de trafic pour MaaS sont confrontés à des défis importants. Premièrement, la qualité et la disponibilité des données : MaaS est relativement nouvelle et les données comportementales à long terme sont rares.

Deuxièmement, le comportement humain est adaptatif et souvent irrationnel. Les modèles basés sur la rationalité économique ne peuvent pas saisir les habitudes, la réticence à changer de mode ou les problèmes de confiance.

Troisièmement, le paysage des transports évolue constamment : les nouvelles technologies de véhicules, l'utilisation des terres et les événements imprévus (p. ex. pandémies) modifient rapidement les habitudes de déplacement.

Quatrièmement, la transparence et la reproductibilité des modèles sont des préoccupations, et de nombreuses simulations sont exclusives ou trop complexes pour être pleinement comprises par tous les intervenants.

Enfin, la modélisation ne peut pas remplacer l'expérimentation réelle.De nombreuses villes mènent des programmes pilotes en parallèle de leurs travaux de simulation. La combinaison de la modélisation et des tests sur le terrain offre la base la plus solide pour la prise de décision.

Étude de cas : La simulation MaaS de Vienne

Vienne est l'une des nombreuses villes européennes qui a largement modélisé l'impact potentiel de MaaS. Son agence de mobilité, Wiener Linien, a collaboré avec des chercheurs pour développer un modèle basé sur les agents de la zone métropolitaine, peuplé de profils de voyageurs synthétisés basés sur des données de recensement et d'enquêtes de voyage. Ils ont simulé l'introduction d'une nouvelle plateforme MaaS (basée sur l'application existante WienMobil) avec différents niveaux de tarification, politiques de stationnement, et investissements en transport public.

L'étude a révélé qu'une plateforme MaaS offrant un abonnement --mobilité (un tarif mensuel couvrant un transport en commun illimité plus un certain nombre de trajets et de vélos-partages) pourrait réduire de 25% les déplacements en voiture privée dans le centre de la ville. Cependant, le modèle a également révélé une augmentation potentielle de 30% de l'utilisation de vélos-partages qui nécessiteraient une infrastructure de vélo en expansion. La ville a utilisé ces résultats pour justifier une nouvelle autoroute de cycle et pour calibrer le prix du plan d'abonnement.

Conclusion

La modélisation de l'impact du MaaS sur le trafic urbain n'est pas seulement un exercice académique, c'est un outil essentiel pour la navigation vers des modes de transport plus durables et équitables. En simulant l'adoption des utilisateurs, les déplacements en mode, les habitudes de déplacement et les contraintes de réseau, les villes peuvent anticiper les possibilités et les pièges des plateformes de mobilité intégrées.

Les villes qui investissent dans des capacités de simulation robustes, soutenues par des systèmes de gestion des données comme Directus qui peuvent intégrer diverses sources de données, seront mieux placées pour prendre des décisions éclairées. Le cheminement vers une mobilité partagée et transparente est complexe, mais avec une modélisation minutieuse et une politique adaptative, le trafic urbain n'a pas besoin d'être une victime de ces progrès.