Les impacts du Métrobus de Québec sur le report modal

Les impacts du Métrobus de Québec sur le Les impacts du Métrobus de Québec sur le report modalreport modal

Mémoire de maîtriseDépartement d’ATDR - CRAD

Céline BourelFévrier 2004

Direction : Martin-Lee-Gosselin, Co-direction : Paul Villeneuve

Plan de la présentationPlan de la présentation

• Mise en contexte• La notion du report modal• Objectif de la recherche• Le Métrobus de Québec• Méthodologie• Définitions des variables• Résultats préliminaires• Impact du Métrobus sur le taux de motorisation des

ménages• Conclusions

Mise en contexteMise en contexte

• L’utilisation croissante de l’automobile dans les villes cause plusieurs problèmes, tels que : – Pollution atmosphérique et sonore,– Diminution de l’accessibilité (Congestion routière),

• Une solution pour « contrer » ce phénomène : développer les systèmes de transport collectif, qui répondent aux principes de durabilité

« Consolider et améliorer le transport en commun », une priorité énoncée dans le Plan de Transport de l’agglomération de la Capitale Nationale 2000

Et pour cause, Québec « Royaume de l’automobile » :- 22km d’autoroutes / 100 000 habitants, contre 8km à Montréal et

7km à Toronto.1

1 Québec 2025, Conférence tenue à l’Université Laval en septembre 2002.

La notion du report modalLa notion du report modal

• La mise en place ou l’amélioration des systèmes de transports publics ont pour objectif de générer des reports modaux de l’automobile vers le TC.Reports modaux espérés : Automobilistes > Usagers des TC

• Cependant, ces reports ne sont pas systématiques.

• Selon des études1 de suivi françaises menées dans les années 1990, les nouveaux usagers des TC étaient issus pour un tiers d’anciens cyclistes et piétons, pour un autre tiers de personnes qui ne se déplaçaient pas avant, et pour un troisième tiers d’automobilistes, soit moins de 10% de conducteurs.

• À Québec, la part du TC a baissé de 1991 à 2001.

1 Selon Kaufmann, Vincent (2000) Mobilité quotidienne et dynamiques urbaines. Le report modal. Lausanne, Presses polytechniques et universitaires romandes.

Objectif de la rechercheObjectif de la recherche

• Analyser les impacts du Métrobus sur la propension des habitants à utiliser le transport collectif.

• Mieux comprendre l’utilisation du TC à Québec.

Le Métrobus de QuébecLe Métrobus de Québec

• Implanté en 1992

• Deux lignes #800 et #801

• Fréquence de passage plus élevée

• Distance entre arrêts plus élevée

• Circulation sur voies réservées

Extrait du Plan d’action 1991-1992-1993

801

800

MéthodologieMéthodologie

• Utilisation des enquêtes Origine-Destination du RTC de 1991, 1996 et 2001.

• Élaboration d’un modèle de régression logistique binomiale :

Y = f(X1, X2, X3, …, Xn)

• Comparaison l’influence des variables entre les trois dates.

Mode de transport utilisé pour effectuer

le déplacement

Automobile ou

TC du RTC

Variables indépendantes permettant de prédire le mode de transport utilisé, dont

une variable liée au Métrobus

Définition de la variable indépendante liée au Définition de la variable indépendante liée au MétrobusMétrobus

1) Dist OMD :

Distance entre l’origine du déplacement et l’arrêt Métrobus le plus proche + Distance entre la destination du déplacement et l’arrêt Métrobus le plus proche.

En 1991, prise en compte des arrêts des lignes d’autobus remplacées par le Métrobus. (#8, #14, #15, #30, #50, #100)

Distances calculées selon le réseau routier dans le logiciel Transcad, selon l’hypothèse du plus court chemin.

Définition des autres variables indépendantesDéfinition des autres variables indépendantes

1) Variables liées au déplacement : Distance OD, le But du déplacement, les Densités en terme de ménages, d’emplois, de lieux d’études, de commerces, de lignes d’autobus et de routes principales des zones d’origine et de destination, Plage horaire du déplacement.

2) Variables liées à la personne : Sexe, Groupe d’âge, Occupation, Possession d’un permis de conduire, Nombre de déplacements effectués dans la journée.

3) Variables liées au ménage : Nombre de personnes, Nombre d’auto par conducteur, Distance du ménage à l’arrêt Métrobus le plus proche.

Variable indépendante manquanteVariable indépendante manquante

• Temps de déplacement en TC Temps de dépl. en automobile

Est-ce que le TC est une alternative concurrentielle à l’automobile pour un déplacement donné?

Ex 1 : Déplacement de A vers B > 30 minutes en auto> 2 h et 4 transferts en

autobusEx 2 : Déplacement de C vers D > 20 minutes en auto

> 20 min, 0 transfert en autobus

>> Influence évidente de cette variable sur le choix du mode de transport pour un déplacement.

Territoire considéréTerritoire considéré

Statistiques descriptives concernant les ménages du Statistiques descriptives concernant les ménages du territoire retenu: territoire retenu:

Année d’enquête 1991 2001 Variation

Nombre de ménages dans l’échantillon

17 969 22 174 +19,0%

Données expansionnées

Nombre de ménages 203 415 238 542 +17,3%

Nombre moyen de personnes 2,42 2,37 -2,1%

Nombre moyen d’automobiles 1,15 1,27 +10,4%

Nombre moyen de conducteurs 1,23 1,35 +9,8%

Nombre moyen d’auto par conducteur

0,93 0,94 +1,1%

Statistiques descriptives concernant les personnes de Statistiques descriptives concernant les personnes de l’échantillon retenu: l’échantillon retenu:

Année d’enquête 1991 1996 2001

Nombre de personnes dans l’échantillon

42 781 43 689 52 939


Nombre de personnes 491 585 499 411 510 062

Âge moyen des personnes 35,81 37,50 39,30

Âge moyen des personnes avec un laissez-passer du RTC

33,27 31,65 31,46

SexeF : 52,4%M : 47,6%

F : 52,3%M : 47,7%

F : 51,5%M : 48,5%

Sexe des personnes avec un laissez-passer du RTC

F : 58,5%M : 41,5%

F : 56,9%M : 43,1%

F : 56,9%M : 43,1%

Permis de conduire (parmi les 16 ans et plus)

0 : 19,3%1 : 80,7%

0 : 18,8%1 : 81,2%

0 : 16,2%1 : 83,8%

Laissez-passer RTC0 : 88,5%1 : 11,5%

0 : 90,6%1 : 9,4%

0 : 90,6%1 : 9,4%

Statistiques descriptives concernant les personnes de Statistiques descriptives concernant les personnes de l’échantillon retenu: l’échantillon retenu:


Nombre de déplacements par personne

2,20C : 2,80*P : 2,08*

TC : 2,18*

2,47C : 3,03*P : 2,16*

TC : 2,11*

2,57C : 3,10*P : 2,17*

TC : 2,01*

* Différence significative au seuil de 5%

Statistiques descriptives concernant les déplacements Statistiques descriptives concernant les déplacements de l’échantillon retenu : de l’échantillon retenu :


Nombre de déplacements dans l’échantillon

55 290 76 756 103 052


Nombre de déplacements 632 400 881 006 991 438

Mode de transportC : Conducteur, P : Passager, TC : Transport en commun

C : 64,2%*P : 17,1%*

TC : 18,8%*(118 674 dépl.)

C : 68,4%*P : 18,6%*

TC : 12,9%*(114 002 dépl.)

C : 70,0%*P : 18,8%*

TC : 11,2%*(111 211 dépl.)


Statistiques descriptives concernant les déplacements Statistiques descriptives concernant les déplacements de l’échantillon retenu : de l’échantillon retenu :


Distance OMD

5,54 kmC : 6,04 km*P : 5,85 km*

TC : 3,57 km*

5,89 kmC : 6,28 km*P : 5,97 km*

TC : 3,69 km*

6,08 kmC : 6,41 km*P : 6,27 km*

TC : 3,71 km*

Distance OD

8,30 km ~C : 8,78 km*P : 7,77 km*

TC : 7,13 km*

7,29 kmC : 7,55 km*P : 6,62 km*

TC : 6,82 km*

7,33 kmC : 7,55 km*P : 6,51 km*

TC : 7,37 km*

Nombre de déplacements intermédiaires

-

0,44C : 0,49*P : 0,45*

TC : 0,20*

0,58C : 0,67*P : 0,48*

TC : 0,21*


Résultats préliminaires du modèle de régression Résultats préliminaires du modèle de régression logistique en 1991, 1996 et 2001 logistique en 1991, 1996 et 2001

Dependent Variable Encoding

0

1

Original ValueConducteur

TC

Internal Value

Omnibus Tests of Model Coefficients

307140,645 39 ,000

307140,645 39 ,000

307140,645 39 ,000

Step

Block

Model

Step 1Chi-square df Sig.

Model Summary

193887,97 ,456 ,724Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square

Classification Tablea

397069 8655 97,9

27115 72296 72,7

92,9

ObservedAutomobile

TC

USAG_STC

Overall Percentage

Step 1Automobile TC

USAG_STC PercentageCorrect

Predicted

The cut value is ,500a.

1991

Model Summary

191063,13 ,419 ,751Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square


594226 8819 98,5

26206 72993 73,6

95,0

Observed0

1

MODE_TC

Overall Percentage

Step 10 1

MODE_TC PercentageCorrect

Predicted


Model Summary

202043,79 ,394 ,743Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square

1996


72057 27467 72,4

8759 684960 98,7

95,4

Observed1

0

AUTOBUS

Overall Percentage

Step 11 0

AUTOBUS PercentageCorrect

Predicted


2001

Quelques remarques Quelques remarques concernant les variables de contrôleconcernant les variables de contrôle

• Le nombre d’auto par conducteur dans le ménage demeure la variable prédominante aux trois dates dans le choix modal.

• Plages horaires favorables au TC, aux trois dates : les heures de pointe du matin et du soir.

• Plage horaire favorable au Conducteur, aux trois dates : 22h30 et +.

• Les étudiants demeurent « pro-TC « aux trois dates.• Les retraités demeurent « pro-Conduite » aux trois dates.

• Le sexe influence le choix modal de façon marquée en 1991, mais perd de son effet en 1996 et 2001.

Analyse de la variable dist_OMDAnalyse de la variable dist_OMD

Dans le contexte de baisse de la part modale du TC, ces coefficients peuvent s’interpréter de la façon suivante :

1991 1996 2001

Coefficients de régression logistique -0,123 -0,156 -0,140

Probabilité d’utiliser le TC

Dist_OMD

Pente = - 0,123

Pente = - 0,156

Pente = - 0,140

Analyse de la variable dist_OMDAnalyse de la variable dist_OMD

Effet majeur de 1991 à 1996 :

Canalisation de la demande en TC dans le corridor Métrobus.

> maintien du TC à proximité des lignes #800 et #801, alors que déclin du TC à distance plus élevée.

1996-2001 :

Le Métrobus semble plafonner > Le TC décline également dans le corridor Métrobus.

Probabilité d’utiliser le TC

Dist_OMD

Exemple d’analyse détaillée pour corroborer nos Exemple d’analyse détaillée pour corroborer nos interprétations (à venir):interprétations (à venir):

• À partir des équations de régression logistique obtenues pour les trois modèles, • Analyse de sous-ensembles• En fixant toutes les variables (Age = 19 ans, Sexe = Féminin, Occupation = étudiante, auto par

conducteur = 0,5 …), sauf la variable Dist_OMD que l’on fait varier.• On obtient la probabilité d’utiliser le TC en fonction de la distance OMD pour ce sous groupe

en particulier. Illustration :

60%

65%

70%

75%

80%

85%

90%

95%

0 2 4 6 8 10 12 14

Distance OMD (Origine-Métrobus + Métrobus-Origine) en km

Pro

ba

bili

té d

'uti

lise

r le

Tra

ns

po

rt e

n c

om

mu

n 1991

1996

Impact du Métrobus Impact du Métrobus sur le nombre d’autos dans les ménagessur le nombre d’autos dans les ménages

• Une hypothèse émise est que le Métrobus a eu un impact sur le nombre d’automobiles dans les ménages.

• Le Métrobus concurrence t-il le second véhicule dans les ménages?

• Difficulté : Isoler l’effet du Métrobus, sachant que de nombreux facteurs ont affecté le taux de motorisation des ménages ces dernières années.

(plan de financement, augmentation des femmes en emplois,…)

Impact du Métrobus Impact du Métrobus sur le nombre d’autos dans les ménagessur le nombre d’autos dans les ménages

Distance au Métrobus < 1000 m > 1000m

Nombre moyen d’automobile(s) par foyer en 1991 0,94 1,38

Nombre moyen d’automobile(s) par foyer en 2001 1,04 1,49

Variation +10,64% +7,97%

< 250 m 250-500m 500-1000m

Nombre moyen d’automobile(s) par foyer en 1991

0,83 0,95 1,02

Nombre moyen d’automobile(s) par foyer en 2001

0,91 1,05 1,16

Variation +9,64% +10,53% +13,73%

Construction d’un modèle de régression Construction d’un modèle de régression logistique multinomialelogistique multinomiale

• Variable dépendante : Nombre d’automobile(s) dans les foyers

• Objectif : Prédire le nombre d’automobile(s) dans les foyers grâce à plusieurs variables, dont la distance de la résidence à l’arrêt Métrobus le plus proche.

• Analyser l’évolution de la variable « Proximité du Métrobus ».

Modèle préliminaire en 1991Modèle préliminaire en 1991

Model Fitting Information

415204,970

240583,088 174621,881 24 ,000

ModelIntercept Only

Final

-2 LogLikelihood Chi-Square df Sig.

Pseudo R-Square

,576

,659

,415

Cox and Snell

Nagelkerke

McFadden

Parameter Estimates

8,977 ,085 11100,152 1 ,000

-4,553 ,027 28553,472 1 ,000 1,053E-02 9,992E-03 1,111E-02

-3,881 ,026 23111,860 1 ,000 2,062E-02 1,962E-02 2,168E-02

-1,520 ,021 4999,588 1 ,000 ,219 ,210 ,228

,679 ,015 2084,352 1 ,000 1,971 1,915 2,030

-,740 ,023 1030,104 1 ,000 ,477 ,456 ,499

-,584 ,030 370,845 1 ,000 ,558 ,526 ,592

-,288 ,005 3594,980 1 ,000 ,750 ,743 ,757

-,062 ,006 108,050 1 ,000 ,940 ,929 ,951

-,151 ,006 679,279 1 ,000 ,859 ,850 ,869

,746 ,077 94,324 1 ,000 2,109 1,814 2,452

-,007 ,064 ,011 1 ,915 ,993 ,877 1,125

-,078 ,051 2,354 1 ,125 ,925 ,837 1,022

0a , , 0 , , , ,

5,462 ,049 12298,712 1 ,000

-1,766 ,017 10751,660 1 ,000 ,171 ,165 ,177

-1,502 ,015 9479,983 1 ,000 ,223 ,216 ,230

-,768 ,013 3652,770 1 ,000 ,464 ,453 ,476

,152 ,008 397,785 1 ,000 1,164 1,147 1,182

-,212 ,016 168,286 1 ,000 ,809 ,783 ,835

-,153 ,018 74,521 1 ,000 ,858 ,829 ,889

-,073 ,002 1131,236 1 ,000 ,930 ,926 ,934

-,001 ,003 ,040 1 ,842 ,999 ,994 1,005

-,061 ,003 352,927 1 ,000 ,941 ,935 ,947

,548 ,043 162,578 1 ,000 1,730 1,590 1,882

,202 ,031 42,334 1 ,000 1,224 1,152 1,301

,067 ,022 9,588 1 ,002 1,070 1,025 1,116

0a , , 0 , , , ,

Intercept

HCOND

FCOND

NBTRAV

NBETU

NBRET

NBDOM

NDDEPLM

DISTRM

DEUCRECE

[ZONE=1]

[ZONE=2]

[ZONE=3]

[ZONE=4]

Intercept

HCOND

FCOND

NBTRAV

NBETU

NBRET

NBDOM

NDDEPLM

DISTRM

DEUCRECE

[ZONE=1]

[ZONE=2]

[ZONE=3]

[ZONE=4]

CL_AUTO0

1

B Std. Error Wald df Sig. Exp(B) Lower Bound Upper Bound

95% Confidence Interval forExp(B)

This parameter is set to zero because it is redundant.a.

Modèle préliminaire en 2001Modèle préliminaire en 2001

Model Fitting Information

475835,803

282396,599 193439,205 24 ,000

ModelIntercept Only

Final

-2 LogLikelihood Chi-Square df Sig.

Pseudo R-Square

,556

,643

,406

Cox and Snell

Nagelkerke

McFadden

Parameter Estimates

9,232 ,089 10650,944 1 ,000

-5,258 ,030 31435,834 1 ,000 5,207E-03 4,913E-03 5,519E-03

-4,674 ,028 28031,039 1 ,000 9,331E-03 8,835E-03 9,856E-03

-,969 ,024 1573,291 1 ,000 ,379 ,362 ,398

,979 ,020 2380,600 1 ,000 2,662 2,559 2,769

-,656 ,024 743,828 1 ,000 ,519 ,495 ,544

,193 ,032 35,720 1 ,000 1,212 1,138 1,292

-,197 ,004 1974,514 1 ,000 ,822 ,814 ,829

-,045 ,007 45,033 1 ,000 ,956 ,943 ,969

-,234 ,006 1524,315 1 ,000 ,791 ,782 ,801

,551 ,079 49,126 1 ,000 1,735 1,487 2,024

-,392 ,067 34,192 1 ,000 ,675 ,592 ,770

-,595 ,055 117,397 1 ,000 ,552 ,495 ,614

0a , , 0 , , , ,

5,191 ,043 14811,383 1 ,000

-1,829 ,016 12644,895 1 ,000 ,161 ,156 ,166

-1,565 ,015 11510,764 1 ,000 ,209 ,203 ,215

-,732 ,013 3046,825 1 ,000 ,481 ,469 ,494

,178 ,008 439,622 1 ,000 1,194 1,175 1,214

-,136 ,014 93,938 1 ,000 ,872 ,849 ,897

-,024 ,018 1,701 1 ,192 ,977 ,943 1,012

-,017 ,002 113,991 1 ,000 ,983 ,980 ,986

,017 ,003 38,319 1 ,000 1,017 1,011 1,022

-,084 ,003 923,047 1 ,000 ,920 ,915 ,925

,569 ,037 233,586 1 ,000 1,766 1,642 1,900

,075 ,027 7,598 1 ,006 1,078 1,022 1,138

-,048 ,019 6,200 1 ,013 ,953 ,918 ,990

0a , , 0 , , , ,

Intercept

HCOND

FCOND

NBTRAV

NBETU

NBRET

NBDOM

NBDEPLM

DISTRM

DEUCRECE

[ZONES=1]

[ZONES=2]

[ZONES=3]

[ZONES=4]

Intercept

HCOND

FCOND

NBTRAV

NBETU

NBRET

NBDOM

NBDEPLM

DISTRM

DEUCRECE

[ZONES=1]

[ZONES=2]

[ZONES=3]

[ZONES=4]

CL_AUTO,00

1,00

B Std. Error Wald df Sig. Exp(B) Lower Bound Upper Bound

95% Confidence Interval forExp(B)

This parameter is set to zero because it is redundant.a.

ConclusionsConclusions

• D’après les résultats préliminaires obtenus, nous pouvons faire plusieurs constats :– Le Métrobus n’a pas permis de report modal global, comme le

montre la baisse du taux de déplacements réalisés en TC de 1991 à 2001.

– Cependant, le Métrobus a permis de maintenir et canaliser le TC dans son corridor surtout de 1991 à 1996.

– De 1996 à 2001, le Métrobus semble « s’essouffler » et la part des déplacements en TC baisser à son tour dans le corridor Métrobus.

– Par ailleurs, dans le contexte de hausse du taux de motorisation des ménages, le Métrobus semble avoir limiter quelque peu cette hausse à proximité de ses lignes.

Pour expliquer ses résultats …Pour expliquer ses résultats …

• Baisse globale du TC à Québec et concentration de la demande dans le corridor Métrobus, 1991-1996 :– Le TC autre que Métrobus non concurrentiel à l’auto du point de

vue des temps de déplacement. (Temps de déplacements en automobile très courts – réseau autoroutier dense, peu de congestion)

– Le Métrobus, une alternative efficace à l’auto, dans son corridor, en particulier aux heures de pointe.

• 1996-2001 : Le métrobus plafonne– Attractivité en baisse (Concurrence de l’auto, autobus bondés

aux heures de pointe)

RemerciementsRemerciements

• Cette recherche s’inscrit dans le cadre d’un projet global de modélisation spatiale nommé Processus, dirigé par Martin-Lee-Gosselin et financé par le CRSH.

• Elle a également été choisie et encouragée par la Fondation des Ingénieurs Municipaux du Québec.

• Merci à notre partenaire, le RTC.

• Merci aux différents membres du CRAD pour leur aide.

• Un remerciement spécial à Paul Villeneuve pour sa disponibilité et son « secours » quand certains aspects de la régression logistique deviennent obscurs.

Documents

Les impacts du Métrobus de Québec sur le report modal