EFFETS DU TRACÉ ET DE L`ÉTAT DES ROUTES SUR LA VITESSE
Transcription
EFFETS DU TRACÉ ET DE L`ÉTAT DES ROUTES SUR LA VITESSE
EFFETS DU TRACÉ ET DE L’ÉTAT DES ROUTES SUR LA VITESSE ET LA SÉCURITÉ Une première analyse par équations simultanées non linéaires distinguant entre risque et incertitude par Marc Gaudry1,2 Karine Vernier3 1 Agora Jules-Dupuit [email protected] 2 Département de sciences économiques Université de Montréal 3 Gaz de France (GDF) Paris [email protected] Cette étude a bénéficié de l’appui initial d’Émile Quinet, d’un financement de trois années et des bases de données du Service d’études techniques des routes et autoroutes (SETRA) du Ministère de l’équipement, du logement, des transports et du tourisme (MELTT) de France et d’une bourse d’excellence du Gouvernement du Canada détenue par Karine Vernier pendant une année au Centre de recherche sur les transports (CRT) de l’Université de Montréal. La contribution de Marc Gaudry a été continuellement soutenue par la Société de l’assurance automobile du Québec (SAAQ) dans le cadre du réseau international de modèles de type DRAG et par le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG). Cette contribution a par ailleurs été soutenue en 1998 de manière générale par un poste de chercheur du Centre national de la recherche scientifique (CNRS) au BETA, Université Louis Pasteur et UMR CNRS 7522, et de manière spécifique par un séjour comme chercheur étranger invité au Département évaluation et recherche en accidentologie (DERA) de l’Institut national de recherche sur les transports et leur sécurité (INRETS) d’Arcueil. Les auteurs remercient Jean-Marie Dufour, Marie-Thérèse Goux, François Laisney, Sylvain Lassarre, Thomas Lemieux et Urs Maag de leur précieux conseils et Francine Dufort, Piotr Tarnovski et Liem Tran de leur soutien relié à l’usage du progiciel TRIO utilisé au BETA, au CRT, à l’INRETS et au SETRA. Ce dernier n’est en rien responsable de l’usage de l’information fournie aux auteurs, lesquels assument l’entière responsabilité des résultats obtenus et souhaitent que des informations supplémentaires éventuellement disponibles sur les variables mal renseignées dans les banques de données actuelles permettront de transformer ce modèle exploratoire en outil professionnel. Bureau d’économie théorique et appliquée - Working Paper No 9823 Centre de recherche sur les transports - Publication CRT-98-74 Institut national de recherche sur les transports et leur sécurité - Rapport INRETS no 224 Novembre 1998. Révisé en juin 2002 Résumé Le présent article propose une méthode d'analyse des comportements routiers vis-à-vis de la sécurité routière et de la vitesse en fonction du trafic et des caractéristiques de géométrie et de surface routières. Nous élaborons une structure simultanée permettant de tenir compte des différents ajustements entre confort, vitesse et incertitude liés aux préférences des usagers. Dans l’esprit de Frank Knight, la formulation adoptée distingue, parmi les composantes du risque observé ou objectif, entre l’incertitude ou dangerosité et le risque calculé associé à la vitesse. On y utilise aussi pour la première fois une mesure empirique nouvelle du “ risque perçu ”, l’espérance maximale d’insécurité EMI, dérivée de la théorie de l’utilité aléatoire, avec précisément l’incertitude comme composante centrale, qui permet d’isoler le rôle de ce facteur parmi les autres déterminants du choix de vitesse. La structure d'estimation repose sur une modélisation de la vitesse (moyenne et variance) par un modèle non linéaire et de la sécurité routière (fréquence et gravité) par des modèles de choix discret de type Logit autorisant à la fois non linéarité et stratification endogène de l'échantillon. Il serait donc possible, sans engagement de frais trop importants, de compléter la base de données utilisée pour y inclure les variables désirées et corriger d’éventuels biais présents si ces variables n’étaient pas orthogonales à celles dont nous disposions. Mots clés: accidents de la route, fréquence, gravité, vitesse moyenne, écart-type des vitesses, structure multiniveaux DRAG, simultanéité, Frank Knight, incertitude, risque, espérance maximale d’insécurité EMI, infrastructure, tracé, géométrie, surface, structure de la chaussée, non linéarité, méthode du maximum de vraisemblance , BoxCox, Logit, stratification endogène d’échantillons, progiciel de régression TRIO, points de probabilité, élasticités, France, stations SIREDO, SETRA, MELTT. Abstract This paper presents a method to analyze the user's attitude toward speed and road safety in relation to traffic, road design and surface characteristics. A simultaneous structure makes it possible to take into account the trade-offs among comfort, speed and uncertainty dependent upon user preferences. Our formulation notably distinguishes between two components of observed objective risk, namely calculated risk linked to speed, and uncertainty or “ dangerousness ”, in the manner of Frank Knight. We also use for the first time a new empirical measure of “ perceived risk ”, expected maximum insecurity EMI, derived from random utility theory, with uncertainty at its core, facilitating the identification of the role of perceived risk among the determinants of speed choice. The estimation structure consists of three equation groups : the first two explain accident frequency and severity with discrete choice logit-type models easily admitting of nonlinearity and choice-based sampling. The speed equations, explaining both the mean and the variance of speeds, also consist of non linear flexible-form models. Our choice-based sampling approach permits future completion of the data base at low cost, in order to correct potential biases due to missing variables that may not be orthogonal to those at our disposal. i Keywords: road accidents, frequency, severity, average speed, standard error of speeds, multilevel DRAG structure, simultaneity, Frank Knight, uncertainty, risk, expected maximum insecurity EMI, infrastructure, layout, geometry, surface, roadway structure, non linearity, maximum likelihood method, Box-Cox, Logit, choice-based sampling, TRIO regression package, probability points, elasticities, France, MELTT, SETRA, SIREDO stations. Zusammenfassung In diesem Artikel wird ein Verfahren vorgestellt, das es erlaubt, die Einstellung des Nutzers zu Fahrgeschwindigkeit und Verkehrssicherheit in Bezug auf Verkehr, Straßenführung und Oberflächencharakteristika zu analysieren. Die simultane Form des Modells erlaubt die von den Präferenzen der Nutzer abhängende Einbeziehung der Anpassungsmöglichkeiten zwischen Komfort, Geschwindigkeit und Ungewißheit. Die Darstellung ermöglicht insbesondere die Unterscheidung zwischen zwei Komponenten des objektiven (beobachteten) Risikos, nämlich dem mit der Geschwindigkeit verbundenen berechenbaren Risiko und der Ungewißheit im Sinne von Frank Knight. Gleichzeitig wird erstmalig ein neues empirisches Maß des aus der Erwartungsnutzentheorie stammenden Konzepts des “wahrgenommenen Risikos” (Expected maximum insecurity EMI) genutzt, das auf die Ungewißheit fokussiert; dies erleichtert die Identifizierung der Bedeutung des wahrgenommenen Risikos unter den Bestimmungsgründen der Geschwindigkeitswahl. Die Schätzstruktur besteht aus drei Gruppen von Gleichungen: Die ersten beiden erklären Unfallhäufigkeiten und ihre Schwere mit diskreten Logit-Modellen, die in einfacher Form die Einbeziehung von Nichtlinearität und endogener Schichtung der Stichprobe ermöglichen. Die Geschwindigkeitsfunktion, die auch nichtlineare Gleichungen enthält, erklärt gleichzeitig den Mittelwert und die Varianz der Geschwindigkeit. Der Ansatz der endogenen Stichprobenerhebung erlaubt schließlich die Vervollständigung der Datenbasis zu niedrigen Kosten, um mögliche Fehler infolge fehlender Beobachtungen, die nicht orthogonal zu den verfügbaren sind, zu korrigieren. Schlüsselbegriffe: Verkehrsunfälle, Häufigkeit, Schwere, Durchschnittsgeschwindigkeit, Standardfehler der Geschwindigkeit, Mehrfach geschichtete DRAG Struktur, Simultanetät, Frank Knight, Ungewißheit, Risiko, Expected maximum insecurity EMI, Infrastruktur, Auslegung, Geometrie, Oberfläche, Straßenführung, Nichtlinearität, Maximum Likelihoodmethode, Box-Cox, Logit, endogene Stichprobenschichtung, TRIO Regressionsprogramm, Wahrscheinlichkeitspunkte, Elastizitäten, Frankreich, MELTT-, SETRA-, SIREDO-Stationen. ii Table des matières Résumé, Abstract, Zusammenfassung...............................................................................................i Table des matières .......................................................................................................................... iii Liste des figures et tableaux .............................................................................................................v 1. Introduction: caractéristiques de la chaussée et satisfaction de l’usager......................................1 2. Le contexte particulier du système de gestion GiRR-STRATÈGE .............................................2 2.1. Mesure et prévision des états de la chaussée.........................................................................2 2.2. États de la chaussée, sécurité et temps de parcours...............................................................3 2.3. Interactions entre vitesse et sécurité......................................................................................4 3. Le modèle de comportement ........................................................................................................5 3.1. Formulation intuitive: distinction entre risque et incertitude ................................................5 3.2. Modèle estimable ..................................................................................................................7 A. Mesure du risque perçu .......................................................................................................7 B. Mesure de la vitesse.............................................................................................................9 C. Limitations des données et modèle retenu...........................................................................9 D. Base de données utilisée....................................................................................................10 4. Formulation économétrique des équations du système..............................................................13 4.1 Non linéarité des variables ...................................................................................................13 4.2. Les équations de sécurité routière .......................................................................................13 A. Pertinence des modèles de choix discret ...........................................................................14 B. Spécification d’un modèle Logit non ordonné non linéaire ..............................................16 C. Stratification endogène de l'échantillon.............................................................................16 4.3. L'équation de vitesse ...........................................................................................................18 5. Résultats .....................................................................................................................................20 5.1. Données disponibles et tests................................................................................................20 5.2. Résultats choisis: les équations de sécurité .........................................................................21 A. Commentaires statistiques .................................................................................................21 B. Comportement: les vitesses attendues ...............................................................................23 C. Trafic: le pourcentage de poids lourds...............................................................................25 D. Route-dimensions en hauteur et longitudinales: virages et sommets ................................27 E. Route-dimensions en largeur: trois voies...........................................................................29 F. Route-indices de surface: l’ uni..........................................................................................29 G. Route-indices de surface ou de structure...........................................................................30 5.3. Résultats complets: l'équation de vitesse.............................................................................31 A. Commentaires statistiques .................................................................................................31 B. L’équation de vitesse moyenne .........................................................................................33 C. L’équation de l’écart-type des vitesses..............................................................................34 D. Conclusion.........................................................................................................................36 iii 6. Conclusion générale ...................................................................................................................36 7. Références ..................................................................................................................................38 Annexe 1. Description des 78 variables disponibles......................................................................42 Annexe 2. Résultats relatifs à la probabilité et à la gravité conditionnelle d'accident ...................45 Annexe 3. Binaires associées aux variables contenant des observations nulles ............................49 iv Liste des figures et tableaux Figure 1. Le processus de simulation des politiques d’entretien des chaussées...............................2 Figure 2. Le cadre multiniveaux simultanés retenu .........................................................................5 Figure 3. Base de données utilisée .................................................................................................11 Figure 4. Vitesses individuelles observées.....................................................................................12 Figure 5. Effet d'une variation de la vitesse moyenne sur la probabilité d'accident ......................24 Tableau 1. Modèles de choix discret récents explicatifs de la gravité ...........................................15 Tableau 2. Modèles explicatifs de la vitesse ..................................................................................19 Tableau 3. Groupes d’appartenance des variables utilisées ou retenues ........................................22 Tableau 4. Estimation de la fréquence et de la gravité: l’ajustement aux observations.................23 Tableau 5. Effets du comportement: vitesse moyenne et écart-type de la vitesse .........................24 Tableau 6. Effets du trafic: le pourcentage de poids lourds ...........................................................26 Tableau 7. Effets de la route: enchaînement de trois virages et sommet de rayon variable...........27 Tableau 8. Effets de la route: les éléments géométriques en plan..................................................28 Tableau 9. Effets de la route: les routes à trois voies .....................................................................29 Tableau 10. Effets de la route: la surface unie ...............................................................................30 Tableau 11. Résultat d'estimation de l'équation de vitesse.............................................................32 v 1. Introduction: caractéristiques de la chaussée et satisfaction de l’usager C’est un lieu commun de dire que les caractéristiques de design et d’entretien des chaussées impliquent pour les usagers des niveaux de service très divers. L'objectif de la présente étude est donc d'intégrer dans les procédures de décision d'entretien des chaussées la notion de service à l'usager. La plupart des systèmes de gestion de chaussée existants sont élaborés en vue de maintenir le patrimoine structural des chaussées. Toutefois, on constate que les intérêts relatifs aux économies en temps de transport et en sécurité routière sont de plus en plus vifs. Les sociétés actuelles exigent de meilleurs niveaux de services de la part des infrastructures (Conti et al., 1990; OCDE, 1987, OCDE, 1996). Cette préoccupation récente commence à être prise en compte par les gestionnaires routiers, et les activités de recherche et de développement des systèmes de gestions s'orientent progressivement vers la prise en compte de la notion de satisfaction de l'usager. Dans les systèmes actuels de gestion de chaussées la préoccupation relative aux niveaux de service est très récente. La plupart des systèmes excluent ces préoccupations de la comparaison économique de différentes stratégies d'entretien (par ex. Kulkarni, 1984; Butt et al., 1994) ou, dans la mesure où ils en tiennent implicitement compte, se contentent d'une considération assez sommaire. Le raisonnement consiste à avancer qu'un entretien de la structure de chaussée se caractérise par la pose d'une nouvelle couche de roulement qui remet à neuf l'ensemble des caractéristiques de surface. Pourtant, quand le trafic s'exprime en milliers de véhicules par jour, des économies, mêmes minimes, peuvent justifier des dépenses pour améliorer l'état des chaussées. Le modèle Highway Design Maintenance (Watanatada et al., 1987), développé par la Banque Mondiale pour les pays en voie de développement, fait figure de référence dans le domaine. Il intègre explicitement certains coûts supportés par les usagers, dans l'évaluation économique de différentes stratégies d'entretien. Malheureusement, les relations établies ne peuvent pas toujours s'appliquer aux contextes des pays industrialisés et des thématiques primordiales comme la sécurité routière ne sont pas intégrées au modèle. Certains pays, comme la France, ont tenté d'intégrer ces préoccupations dans les procédures de décision, mais l'évaluation reste imparfaite (SETRA-CETE Méditerranée, 1997). La présente étude concerne le développement du système de gestion des chaussées par l'administration française vis-à-vis du niveau de service à l'usager. Elle permet d'évaluer les relations entre les caractéristiques de chaussée, la vitesse de parcours et la sécurité routière. Les résultats de cette étude serviront de base de réflexion pour la construction d'un indice expert permettant d'intégrer les coûts liés à ces deux thématiques dans les procédures de choix de stratégies d'entretien. Nous nous proposons d'étudier l'impact des caractéristiques de la chaussée sur le temps de parcours et la sécurité des usagers. Nous introduisons pour ce faire un modèle de comportement à structure simultanée. Cette structure permet de prendre en compte les compromis réalisés par l'usager entre vitesse et sécurité. De plus, la structure d'estimation proposée permet de compléter la base de données à faible coût, ce qui offre des perspectives intéressantes, tant d'un point de vue des connaissances techniques que de l'avancée de la recherche dans le domaine. 1 La section suivante présente le système français de gestion des chaussées ; on y justifie aussi le choix des deux thématiques, le temps de parcours et la sécurité, parmi l'ensemble des possibilités. La troisième section présente la structure du modèle utilisé et introduit la base de données. La quatrième section précise la formulation économétrique retenue et la dernière section commente les principaux résultats obtenus. 2. Le contexte particulier du système de gestion GiRR-STRATÈGE 2. 1. Mesure et prévision des états de la chaussée En France, depuis 1992, les services de l'équipement développent un système de gestion de chaussées, la gamme GiRR (Gestion Intelligente des Réseaux Routiers), en vue de gérer de manière plus rationnelle l'entretien du réseau routier. Les données permettent de calculer pour chaque tronçon ou “ section de route ” du réseau un indice de qualité structurelle, ou note patrimoine (NP à la Figure 1), et un indice de qualité de la couche de roulement, ou note surface (NS à la Figure 1), qui ensemble caractérisent l'état d'une chaussée. La note patrimoine est un indice expert établi par agrégation d'indices élémentaires relatifs à l'usure de la structure de la chaussée. La valeur de la note est directement reliée à un coût conventionnel de travaux de remise en état. Cela permet d'évaluer les coûts liés à différentes opérations de maintenance. La note surface permet par ailleurs de faire référence au niveau de service à l'usager : elle est établie de la même manière que la note patrimoine, sur la base d'indicateurs élémentaires de défauts superficiels de chaussée. Le module GiRR-STRATÈGE permet de simuler l'évolution de l'état d'une chaussée, en fonction d'une politique d'entretien et d'une contrainte budgétaire, et d'en évaluer les effets à moyen et long terme. Le logiciel incorpore un processus itératif. Chaque itération simule l'évolution du réseau en une année. Partant de l'état actuel, le processus applique une loi d'évolution, dont on peut connaître la fiabilité (Vernier, 1998), déterminée en fonction de l'entretien réalisé. L'évolution annuelle du réseau, soumis à différentes pratiques d'entretien, est obtenue par un produit matriciel utilisant le processus des chaînes de Markov. Figure 1. Le processus de simulation des politiques d’entretien des chaussées DONNEES DU RESEAU DEFINITION DE LA POLITIQUE APPLICATION DE LA POLITIQUE ANNEE+ANNEE+1 LOIS D'EVOLUTION EVOLUTION DES NOTES NP ET NS RESULTATS 2 Plusieurs stratégies peuvent être évaluées, les unes favorisant un meilleur état de surface, les autres s'attachant essentiellement aux caractéristiques structurelles ou encore combinant ces deux états de chaussée, tel qu’indiqué à la Figure 1. Les premiers résultats d'estimation (SETRA-CETE Méditerranée, 1997) mettent en question la pertinence de la note surface. En effet, si cette variable combine plusieurs indicateurs élémentaires de qualité de surface, rien n'indique sa relation avec le confort ressenti par l'usager, la sécurité, les coûts d'entretien des véhicules, le temps de parcours, la consommation de carburant ou le bruit de roulement. Ainsi, les résultats d'évaluation, établis sur la base d'un montant de travaux de remise en état, ne prennent pas en compte les avantages procurés à l'usager par un entretien. Il importe donc d'intégrer de façon plus explicite la notion de satisfaction des usagers dans les procédures de décisions du logiciel. La présente étude est une première approche d'une meilleure définition de cette note, en terme de valeur d'usage de l'infrastructure, et plus seulement en termes de coûts d'entretien. Pour ce faire, nous avons confronté les indicateurs élémentaires d'état de surface de la chaussée à différentes thématiques liées à la satisfaction des usagers. Les résultats de l'étude constituent une base pour la définition d'une nouvelle note surface qui intègre l'ensemble des coûts, supportés par les usagers et par le Maître d'Ouvrage. 2.2. États de la chaussée, sécurité et temps de parcours Les objectifs de l’entretien des chaussées sont de satisfaire les besoins des usagers, en assurant la sécurité de circulation, la régularité des parcours, un niveau de confort de conduite correct, et en limitant les nuisances subies par les riverains (bruit, insécurité, pollution). Le domaine de la gestion des chaussées est particulièrement concerné par ces différentes thématiques. L'état des chaussées affecte, en effet, l'ensemble de ces caractéristiques. Une chaussée plane offre un confort de conduite correct et autorise une vitesse élevée. Au contraire, une chaussée dégradée (fissures, ornières, réparations) réduit le confort de conduite, augmente les temps de parcours et affecte la sécurité routière. Beaucoup d'indicateurs élémentaires sont influents dans le domaine de la satisfaction des usagers, et certains peuvent même agir dans des directions opposées. Par exemple, le niveau de planéité de la surface de chaussée a un effet positif sur le confort et la vitesse mais, si l'infrastructure n'est pas conçue pour ce niveau de qualité (normes de conception des tracés géométriques, largeur des voies...), peut par contre avoir un effet néfaste sur le niveau de sécurité routière. Comme une étude exhaustive de l'ensemble des paramètres (bruit, confort, consommation de carburant, sécurité, temps de parcours) exige la constitution d'une base de données considérable, nous avons choisi, dans un premier temps, de nous intéresser à deux thématiques particulières : la sécurité et le temps de parcours. Ces deux éléments nous sont apparus comme les plus discriminants, et ce pour plusieurs raisons. L'accroissement constant de la mobilité et des contraintes de déplacements exige un service le plus performant possible en matière de temps de parcours. Le temps de parcours a fait l'objet de quelques études (Watanatada et al., 1987; Planco Consulting, 1993). Les coûts associés à une dégradation de ce niveau de service sont apparus très élevés, compte tenu, notamment, des méthodes d'évaluation de la valeur du temps. Planco Consulting (1993) détermine le coût du temps de parcours comme fonction des frais matériels 3 proportionnels au temps. Il réalise une proportion entre le temps et le capital investi dans les véhicules, l'achat, l'amortissement et l'entretien. La sécurité routière est également une préoccupation majeure. L'accident de la route est, en effet, une des principales causes de mortalité dans les pays développés : en 1998, on trouve à peine moins de 100 000 tués dans les 15 pays de l’Union Européenne et d’Amérique du Nord. À l’échelle mondiale, on estime à 17 millions le nombre de tués par les véhicules automobiles depuis le début du siècle (Bergeron, 1999). 2.3. Interactions entre vitesse et sécurité Un autre argument en faveur du choix de ces deux facteurs repose sur leurs interactions. On associe généralement le niveau de sécurité routière à la vitesse pratiquée, et inversement. De plus, on considère souvent que la sécurité et le temps de parcours agissent dans des directions opposées. Il existe, à ce sujet, un véritable consensus sur le fait que, toutes choses égales par ailleurs, la gravité des accidents augmente avec la vitesse et que la probabilité d'observer un accident augmente avec les écarts par rapport à la vitesse moyenne du flux de trafic. Il importe donc d'établir explicitement les relations pouvant exister entre ces deux éléments et de trouver le meilleur compromis entre la vitesse pratiquée et la sécurité de l'usager. Malgré l’accord général sur l’existence de cette interaction, nous n’avons pas trouvé dans la littérature de modèle simultané au sens strict : nous avons trouvé des modèles où le niveau de sécurité dépend de la vitesse et où la vitesse est elle-même expliquée par une autre équation, c’est-à-dire des modèles récursifs, mais pas de modèles où la rétroaction du niveau de risque attendu ou “ perçu ” sur la vitesse choisie est simultanément incorporée au modèle. Par exemple, les modèles à deux niveaux (Cardoso, 1997 et Aljani et al. 1998), ou à trois niveaux (Jaeger, 1998), sont récursifs. Inspirés par la théorie de l’utilité aléatoire, nous formulerons d’ailleurs une mesure du risque “ perçu ” qui dépendra du risque associé à la vitesse d’une part et des caractéristiques de la chaussée (et, dans notre modèle, du trafic) d’autre part. Pour les interpréter, nous associerons ces composantes respectivement au “ risque ”, c’est-à-dire risque calculable, et à l’incertitude, c’està-dire risque non calculable, au sens classique du livre célèbre de Knight (1921). Quant au rôle des caractéristiques des chaussées, il apparaît directement de maintes façons dans des équations explicatives du niveau de sécurité ou de la vitesse présentes dans la littérature, mais sans qu’on le caractérise avec autant d’éléments que ceux qui nous ont été disponibles. Barber et al. (1998), par exemple, reprenant le modèle de Zeeger et al. (1991), expliquent la fréquence des accidents dans les courbes avec un modèle à cinq variables dont le trafic et quatre caractéristiques géométriques des courbes. 4 3. Le modèle de comportement 3.1. Formulation intuitive: distinction entre risque et incertitude L'objectif de la modélisation étant d'évaluer la satisfaction de l'usager vis-à-vis de la vitesse et de la sécurité, la spécification doit permettre d'évaluer les préférences des usagers et l'impact des caractéristiques routières sur le niveau de satisfaction associé. Cadre multiniveaux. Compte tenu de la perception de l'environnement routier, l'usager va choisir un niveau de vitesse et percevoir un niveau de risque, sans nécessairement en maîtriser les conséquences. Ces deux évaluations sont dépendantes l'une de l'autre, et la structure du modèle général doit en tenir compte, tel qu’indiqué à la Figure 2, où l’on reconnaît une structure D-P (Demande-Performance) multiniveaux de type DRAG (Gaudry, 1984) à la fois simplifiée et précisée. D’une part, les caractéristiques des véhicules M-C étant données, l’ensemble des activités d’autoprotection ou d’autoassurance sont réduites au choix de vitesse - on néglige de représenter l’état d’entretien des véhicules et le port de la ceinture. D’autre part, la vitesse choisie V dépend du risque perçu défini comme espérance maximale d’insécurité EMI ≡ u(A,G): le risque perçu ne dépend pas directement de l’ensemble N-I des caractéristiques de l’environnement routier. Seules les caractéristiques k(N-I) associées au confort de roulement choisi jouent ici un rôle direct dans le choix de vitesse. Par ailleurs, on tient pour exogène ce niveau (inobservé) de confort de roulement déterminé conjointement avec la vitesse choisie, qui elle-même détermine un risque spécifique appelé “ risque calculé ”. Figure 2. Le cadre multiniveaux simultanés retenu (Équation non estimée) VICTIMES ← Temps de parcours ← Demande routière ←[( −−, −−−−), −−−−,−−−−− ,−−−−− ,−−- , ETC.] (DR) Fréquenc ←{Risque Incertitude [trafic Conducteur, ETC.} e calculé, +route+véhicule] et gravité (A) , (G) ←{(f(V)), (u[(DR, N-I), M-C]), (h (Y-G)) } Vitesse réalisée (V) ←{Risque Confort de Véhicule, Conducteur, ETC} perçu, roulement, ←{(EMI ≡ u(A,G)), (k(N-I)), (M-C), (Y-G) . Risque d’expo- D sition Risque de fréquence et de gravité Risque calculé } Risque et incertitude. Dans ce cadre où la simultanéité entre le risque objectif (observé) et la vitesse est claire, nous ajoutons une précision importante en définissant la variable latente u[(DR, N-I), M-C] comme génératrice d’incertitude résiduelle fonction du trafic, de la chaussée et du véhicule, après ajustement de la vitesse V par un conducteur de caractéristiques générales Y-G possédant une préférence pour le risque et associant une valeur au temps. Il s’agit d’une 5 P application de l’idée de Knight (1921) à un conducteur pour lequel il y a lieu de distinguer entre la partie calculable du risque et la partie non calculable. Cette incertitude désigne l’élément de surprise signifié par des notions comme la “ lisibilité de la route ” qui fait que le conducteur subit un risque objectif différent de celui qui est calculable ou prévisible par son choix de vitesse. Sans cette “ surprise ”, le risque objectif de fréquence ou de Gravité, A ou G, correspondrait pour cet individu au risque expliqué par la vitesse. Cette incertitude va ouvrir la porte à l’intervention du gestionnaire, par exemple en rendant utile l’information sur l’état de l’environnement de conduite. L’intervention devrait réduire la surprise et permettre au conducteur de maîtriser son risque. Si la surprise était toujours nulle, la vitesse choisie expliquerait alors le risque observé, qui lui-même impliquerait un niveau de risque perçu qui soutiendrait justement cette vitesse choisie. Car incertitude ne signifie pas absence de prise en compte, par le biais du risque perçu. Ceci est compatible avec l’idée de Knight, pour lequel l’incertitude, qui présente des caractéristiques vaguement Bayesiennes, n’est pas précisément définissable, mais est saisissable intuitivement de manière globale beaucoup mieux que de manière spécifique (“ directe ”, dans son langage) : nous parlons alors de “ dangerosité ” pour cette partie du risque perçu qui dépend de l’incertitude et nous disons que le conducteur perçoit le “ risque global ou dangerosité ” des environnements de conduite sans pour autant calculer le risque spécifique de chaque élément de cet environnement. On verra sous peu que notre mesure du risque perçu sera ici centrée de facto sur cette incertitude à l’exclusion d’autres facteurs, pour des raisons pratiques de disponibilité d’information et de formulation économétrique. Modèle théorique. Nous proposons donc une structure simultanée contenant trois équations. Les deux premières équations sont relatives à la réalisation de la sécurité routière pour un individu et la dernière équation, à la vitesse de parcours adoptée par cet usager. Les spécifications choisies pour les deux premières sont des modèles de choix discret Logit multinomiaux mais nous ne précisons que plus loin, en 4.2.B et en 4.3, la formulation mathématique des trois équations constituant le système. Fréquence : y*a = β1, a R a + β 2 , a YG a + β 3, a MC a + β 4 , a y v + ηa (1) Gravité : y*g = β1, g R g + β 2 , g YG g + β 3,g MC g + β 4 , g y v + ηg (2) Vitesse : y v = β1, v R v + β 2 , v YG v + β 3, v MC v + β 4 , v y aP + β5, v y gP + ηv (3) Avec y a* et y *g : vecteurs de variables latentes non observables représentant le risque pour un individu donné. À chacun correspond une variable discrète observée prenant des valeurs différentes selon les niveaux de y a* et y *g ; η a et η g : les perturbations suivant une distribution donnée ; R, Y-G, M-C : vecteurs de variables explicatives caractérisant respectivement la route empruntée (R ≡ (DR, N-I)), les caractéristiques du conducteur (Y-G) et du 6 véhicule (M-C); yv : variable continue observée dont la réalisation est la vitesse adoptée par l'usager ; ηv : perturbation associée à l'équation de vitesse, de moyenne nulle et d'écarttype σ2I ; y aP et y gP : variables décrivant le risque perçu par l'usager en fréquence et en gravité ; β i ,a , β i ,g et β i ,v : sont les vecteurs de paramètres à estimer. Ce système considère les dépendances existant entre la vitesse adoptée et le risque routier perçu ( y aP et y gP ). Ainsi, à un fort niveau de risque perçu correspondra une vitesse moins élevée qu'à un niveau de risque perçu plus faible. La principale difficulté est alors de caractériser le risque perçu, par définition non observable. L’analyse bibliographique de Delhomme et Malaterre (1990) montre qu’il est souvent évalué sur une échelle arbitraire, procédure de mesure exclue dans notre cas. Mais d’autres possibilités sont envisageables. 3.2. Modèle estimable A. Mesure du risque perçu À partir de réalisations discrètes ? La première possibilité consiste à considérer que le risque perçu est caractérisé par les réalisations de la variable discrète associée. Le comportement de la vitesse est alors décrit comme une fonction des caractéristiques routières et des réalisations de l'accident en probabilité et en gravité. Cependant, un accident étant un événement rare, il est peu vraisemblable que les individus accordent une importance particulière à son occurrence et que celle-ci affecte directement le risque perçu par l'usager. Comme fonction linéaire des variables routières ? Il semble plus réaliste de postuler qu'un individu associe à chaque site un niveau de risque, quelle que soit l'histoire de ce site en matière de sécurité routière, en considérant par exemple les risques perçus de fréquence ou de gravité comme des fonctions linéaires fa et fg des caractéristiques routières R. Cette hypothèse est raisonnable car elle repose sur l'analyse de la configuration de la section courante et du trafic, et constitue donc une évaluation acceptable du risque perçu. Néanmoins, l'intégration d’une telle mesure de risque perçu transformerait (3) en : y v = β*1 R v + β* 2 YG v + β* 3 MC v + ηv , (3*) où, du fait de la linéarité, les coefficients combinent les effets préalablement distincts, de sorte que le rôle spécifique du risque perçu n’est plus identifiable. Aucune correction identifiable n'est alors réalisée dans l'équation de vitesse si la mesure du risque perçu est une fonction linéaire des variables explicatives : cette possibilité est aussi à exclure. 7 L’espérance maximale d’utilité. Nous préférons définir le risque routier perçu comme l’espérance maximale d’insécurité EMI, l’analogue de l’espérance maximale d’utilité EMU construite à partir de la mesure inclusive de Williams-McFadden (Williams, 1977) : Ma y ap = I a ( R ,YG , MC , y v ) = ∑ exp( Via ) (4-A) i =1 Mg y gp = I g ( R , YG , MC , y v ) = ∑ exp( Vig ) (5-A) i =1 où Vi a (resp. Vi g ) désigne l'utilité associée à la ième réalisation dans le modèle de probabilité d'accident (resp. de gravité d'accident) et est fonction des caractéristiques R, Y-G et M-C de la section, du conducteur, du véhicule et de sa vitesse choisie yv; de plus, Ma (resp. Mg) désigne le nombre de réalisations possibles de la probabilité d'accident (resp. de la gravité). Le logarithme naturel des valeurs inclusives I a ( R , YG , MC , y v ) et I g ( R , YG , MC , y v ) représente ici l'espérance maximale d’insécurité (EMI) associée à l'ensemble des alternatives des deux modèles de risque routier, l'espérance maximale de ce que l'usager peut attendre, compte tenu de ce qu'il peut faire. De telles mesures, dites d’espérance maximale d’utilité (EMU), sont souvent utilisées dans les applications à la demande de transport, où les problèmes hiérarchiques sont fréquents (BenAkiva et Lerman, 1985; Ortuzar et Willumsen, 1990). Elles présentent l'avantage de caractériser le risque perçu par une variable unique dans chaque modalité du risque routier (probabilité et gravité d'accident), alors que la probabilité d'accident est expliquée par un modèle à deux alternatives et la gravité par un modèle à trois alternatives. Une caractérisation du risque perçu par les différentes réalisations du risque aurait bien nécessité la prise en compte dans le modèle de vitesse de 6 variables explicatives supplémentaires correspondant aux différentes combinaisons possibles de la fréquence et de la gravité. Un estimateur de première étape. Comme estimateur de première étape du risque percu défini en (4-A) et (5-A), nous adoptons les deux modèles Logit multinomiaux suivants: [ y*a = R aβ1, a + YG aβ 2 , a + MC aβ 3, a + ε a (4-B) y*g = R gβ1, g + YG gβ 2 , g + MC gβ 3, g + ε g (5-B) ] [ ] Avec E ε R , YG , MC = 0 et E ε a ε g R , YG , MC = 0 . Ces deux mesures, définies par des variables exogènes, sont aymptotiquement indépendantes des erreurs. Les valeurs y$ *a et yˆ *g calculées par (4-B) et (5-B) sont donc des estimations de première étape, ou instrumentales, d’une mesure de risque perçu où toutes les variables de (1) et (2), y compris la vitesse choisie, sont prises en compte dans (4-A) et (5-A). Une seconde étape incluerait alors dans (4-B) et (5-B) non seulement les exogènes déjà présentes mais aussi une estimation de première étape de la vitesse choisie, y$ v . Mais les limitations de notre échantillon 8 de vitesses nous incitent à envisager des estimations de seconde étape seulement dans le cadre d’éventuels travaux ultérieurs. B. Mesure de la vitesse Biais de simultanéité et échantillons indépendants. Si ces choix de (4-B) et (5-B) pour décrire le risque perçu ont pour conséquence de supprimer un "degré" de simultanéité, la vitesse demeure une variable à la fois endogène expliquée et explicative, posant un problème de biais possible dans l’estimation de (1) et (2). Ce problème persiste même si, en l’absence d’observations de la vitesse individuelle pratiquée par les individus accidentés, nous sommes forcés d’utiliser des mesures dérivées de l’ensemble des vitesses observées sur les sections en question - formulation qui a d’ailleurs son intérêt propre - comme la vitesse moyenne et l’écarttype des vitesses individuelles. Une difficulté supplémentaire tient au fait que ces mesures n’existent que pour 17 sections. En conséquence, nous générerons des mesures de vitesse attendue à partir des équations (8) et (11) estimées pour ces 17 sections et nous les utiliserons dans les équations (1)-(2) en excluant les 17 sections de l’échantillon utilisé pour l’estimation de celles-ci. En effet, si l’échantillon utilisé pour estimer l’équation de vitesse est disjoint ou indépendant de celui utilisé pour estimer les équations de fréquence et gravité, il est connu (Arellano et Meghir, 1992) que la mesure y ve = E ( y v ) ainsi dérivée et utilisée à la place de la vitesse observée dans les équations (1)-(2) sera indépendante des erreurs de ces deux équations, et y produira des estimations convergentes. C. Limitations des données et modèle retenu Cette utilisation d’échantillons disjoints est d’ailleurs facilitée par le fait que les 60 000 observations de vitesse instantanée dont nous disposons, prises sur 17 des sections de route, peuvent être considérée aléatoire. Le faible nombre de ces sections limite naturellement la qualité de la mesure qui en est dérivée pour les autres sections. Modèle estimable. De plus, aucune base de données relative aux caractéristiques des individus ou des véhicules n'ayant pu être obtenue, il faut estimer un modèle (1)-(5) émondé, contenant des endogènes explicatives dérivées en deux étapes préliminaires: Gravité : y*a = β1, a R a + β 2 , a ~y ve + ηa y*g = β1, g R g + β 2 ,g ~y ev + ηg (7) Vitesse : y v = β1, v R v + β 2 , v y$ aP + β 3, v y$ gP + ηv (8) Probabilité : (6) où y$ aP et y$ gP sont tirés de modèles de première étape décrivant, respectivement, le risque perçu associé à la probabilité d'accident : Ma y = I a ( R) = ∑ exp(Vi a ) , i =1 ainsi que le risque perçu associé à la gravité des accidents : p a 9 (9) Mg y = I g ( R ) = ∑ exp(Vi g ) , i =1 p g (10) et où ~y ev , la vitesse attendue, est ensuite calculée de (8) : y ve = E ( y v ) ; avec enfin : [ ] [ ] (11) [ ] [ ] E I a ( R ) ηv = E I g ( R) ηv = 0 , ainsi que E y ve ηa = E y ve ηg = 0 . (12) Dans ce nouveau système à échantillons disjoints, yv est indépendant de (ya, yg): en conséquence, l'équation (8) permet de générer des mesures de vitesse attendue, ~y ev , pour chaque section considérée dans les équations de probabilité et de gravité d'accident, qui permettront une estimation convergente des équations (6)-(7), car une éventuelle corrélation entre les erreurs η a et η g n'affecte pas la convergence des estimateurs de seconde étape. D. Base de données utilisée Nous avons appliqué ce modèle à une base de données regroupant trois sources différentes, tel qu’indiqué à la Figure 3, où on remarque que les caractéristiques des conducteurs Y-G et celles des véhicules M-C ne sont disponibles que pour les accidentés mais pas pour les individus sans accidents ou pour les véhicules dont la vitesse est mesurée. Les trois bases-sources sont regroupées grâce au repérage commun entre elles : par exemple, l’accident survenu au point A est à 700 m. du point de repère no. 3 ou à 3300 m. du point de repère no. 0. Données accidents. La base de données sur les accidents couvre une période de 5 années (19911995). Parmi l’ensemble des renseignements disponibles, nous n’avons exploité que l’information relative à la gravité des blessures par accident et à la localisation. Données routières. La base de données routière est la principale. Elle contient 50 000 sections de routes nationales de longueurs variables et décrit les caractéristiques de surface et de structure de chaussée ainsi que les caractéristiques de géométrie et de trafic. Concernant le trafic, nous avons exploité le fichier “ histo ” disponible au SETRA dans lequel sont recensées les moyennes journalières annuelles de trafic (MJA) pour les véhicules légers et les poids lourds. Ces mesures proviennent de stations de comptage disposées sur le réseau national français et sont homogènes pour des sections de longueur moyenne 25 kilomètres. 10 L’ensemble des mesures relatives à l’état de la chaussée concerne l’année 1993 et est issu de la campagne de relevés relative à l’opération Image Qualité du Réseau National (IQRN). Les mesures sont disponibles pour l’ensemble du réseau de routes nationales françaises et caractérisent les sections au pas de 200 mètres. Ces mesures, d’où sont tirées les variables des groupes 14 et 15 de l’Annexe 1, sont des indicateurs élémentaires de dégradation de chaussée décrivant à la fois l’état de la structure et de la surface de la chaussée. Les états structurels établissent la résistance de la chaussée aux agressions du climat et du trafic. Les états de surface conditionnent davantage le confort de roulement, la sécurité et, plus généralement, le niveau de service offert aux usagers. Pour leur part, les données de géométrie sont des mesures réalisées par les stations gyroscopiques. Ces mesures ont fait l’objet d’une validation par les services du ministère de l’équipement pour l’ensemble des sections considérées dans l’étude. Le réseau a donc été découpé en zones géométriques homogènes selon la nature de l’élément en plan ou en long (virage, ligne droite, descente, montée…) et sa difficulté (rayon du virage, pourcentage de pente). De plus, nous avons crée des variables supplémentaires permettant de caractériser la zone d’approche des sections selon le tracé en plan et le profil en long. Ces zones d’approche décrivent l’enchaînement des éléments géométriques sur une longueur de 450 mètres précédant la section courante. Figure 3. Base de données utilisée Analyse de la sécurité routière Analyse de la vitesse Base de données routière (50 000 sections homogènes) Sections sans accident (48758 sections) Caractéristiques R Sections avec un accident (1225 sections) Caractéristiques R, YG, MC Tirage aléatoire de 1316 sections Modélisation 1- Evaluer le risque perçu f(R) 2- Générer des mesures de vitesse attendue Tirage aléatoire d'un conducteur par section parmi l'ensemble des individus circulant 1316 individus sans accidents Caractéristiques R Sections instrumentées (17 sections) Caractéristiques R 1225 individus avec accident Caractéristiques R, YG, MC 11 Figure 4. Vitesses individuelles observées Figure 4.1. Vitesses individuelles en fonction de la longueur des véhicules, les 17 stations (base complète) Vitesse longueur Figure A4.2. Station La Brillante, dép. 04 dép. 01 Figure A4.3. Station de Tenay, Figure 4.4. Station de Coetmieux, dép. 22 Figure 4.5. Station de Plelan le Petit, 12 Données vitesses. Finalement, la base de données vitesses illustrées à la Figure 4 contient 60 000 mesures de vitesse instantanée réalisées spécialement pour cette étude sur une période non exceptionnelle de 24 heures et sur 17 des sections de la base de données routières. Il n'a pas été possible de mesurer les vitesses sur l'ensemble des sections étudiées: les stations de comptage (SIREDO) permettant de relever la vitesse instantanée des véhicules ne sont pas réparties sur l'ensemble du territoire et les méthodes de relevé par radar nous sont apparues trop coûteuses puisque nous utilisons 2 541 sections dans le modèle de fréquence des accidents. Les mesures ont été réalisées par des stations de comptage fixes, installées par les services de l'Équipement et utilisées pour les comptages de trafic annuels : leur localisation est donc sans rapport avec notre étude. La sélection des sections où la vitesse a été mesurée est alors considérée comme aléatoire. 4. Formulation économétrique des équations du système 4.1 Non linéarité des variables L’un des auteurs (Gaudry, 1998) a récemment résumé l’importance théorique et pratique de la non linéarité, tant dans les modèles Logit que dans les modèles de régression classiques. La non linéarité est généralement plus raisonnable que la linéarité, donne un meilleur ajustement aux données, influence les élasticités et même les signes de la régression. Ces considérations et l’expérience expliquent que la transformation de Box et Cox (1964) soit la plus pratiquée des transformations non linéaires en économétrie, puisque le paramètre λ appliqué à la variable continue X strictement positive et définie par X (λ) = Xλ − 1 λ X ( λ ) = ln( X) , si λ ≠ 0 (13) , si λ = 0 (14) contient comme cas particulier les spécifications linéaire (λ=1) et logarithmique (λ=0). Dans le cas d’une variable qui contiendrait des observations nulles, le progiciel TRIO que nous utilisons (Gaudry et al., 1995) autorise la transformation et crée une variable auxiliaire compensatoire qui préserve l’invariance des formes aux unités de mesure des X, tel qu’expliqué à l’Annexe 3. 4.2. Les équations de sécurité routière L'équation de probabilité d'accident corporel s'intéresse à l'occurrence d'accident, quelle qu'en soit la gravité. Dans la seconde équation, la gravité est expliquée selon trois niveaux: (i) les accidents mortels, où au moins une personne est décédée ; (ii) les accidents avec blessés graves, où au moins une personne présente des blessures graves mais personne n'est tué ; 13 (iii) les accidents avec blessés légers, où au moins une personne souffre de blessures légères mais personne n'est grièvement blessé ou tué. A. Pertinence des modèles de choix discret Les modèles classiques de sécurité routière qui utilisent les données individuelles sont les modèles de comptage (Poisson ou binomial négatif). Nous avons choisi de leur préférer des modèles de choix discrets, très utilisés dans la modélisation de choix de modes de transports, pour plusieurs raisons. Dans un premier temps, la justification de la préférence pour ces modèles s'appuie sur la nature des données à modéliser. Nous considérons chaque individu isolément et observons, d'une part, sa réalisation en probabilité d'accident et, d'autre part, la gravité conditionnelle à l'occurrence d'accident. La modélisation de la fréquence ne s'appuie donc que sur les variables binaires (l'individu a un accident ou n'en a pas). Or, on sait que les modèles de comptage sont particulièrement recommandés lorsque les queues de distributions sont bien représentées. La principale application de ces modèles est d'ailleurs l'explication du nombre d'accidents, lorsque les valeurs observées ne peuvent justifier une erreur de type Gaussien. En outre, la modélisation de la gravité repose sur un type d'accident et, comme leur nom l'indique, les variables de comptage ne sont pas des variables de catégorie. Il ne serait donc pas approprié d'utiliser un modèle de comptage pour modéliser la probabilité ou la gravité des accidents, telle que nous les avons spécifiées içi, malgré la possibilité de traiter les problèmes d’hétérogénéité aléatoire et de corrélation spatiale (Bolduc and Bonin, 1999) offerte par certaines distributions multinomiales. Fréquence. Boyer et al. (1992) ont montré, dans le cadre d’un modèle où l’implication antérieure des individus ressort clairement, que le modèle Logit multinomial donne des résultats très différents de ceux obtenus par des modèles de comptage, peut-être justement parce que les observations ne sont pas indépendantes dans le temps : les modèles de choix discret ne reposent pas sur l’hypothèse d’indépendance temporelle et ne supposent pas que la variance de la fréquence est égale à son espérance mathématique, contrairement au modèle de Poisson. Il semble préférable d’accorder un crédit supérieur aux modèles de choix discret, surtout si on peut tenir compte, comme dans le Logit, de la non linéarité et de la présence d’échantillons stratifiés. McCarthy et Madanat (1994) anticipent d’ailleurs que ces nouvelles modélisations amélioreront la qualité des modèles de sécurité. Gravité. Ces modèles de choix discret se répartissent en deux catégories: les modèles ordonnés et les modèles non ordonnés. Ce choix se présente pour la modélisation de la gravité, dont la classification n’est pas binaire. L'utilisation d'un modèle ordonné suppose le classement de la gravité selon un certain ordre de grandeur. Il existe bien sûr d'importantes nuances sur l'ordre de la gravité. La classification est ici très délicate et suppose une connaissance détaillée des blessures. Ordonner les différentes gravités s'avère donc une tâche hasardeuse et nous ne pouvons certifier, a priori, que les catégories créées suivront un ordre de gravité. De plus, Amemiya (1985) stipule que l'utilisation d'un modèle ordonné doit se faire avec précaution. En effet, dans l'hypothèse où le vrai modèle est non ordonné, un 14 modèle ordonné peut conduire à d'importants biais d'estimation des probabilités, alors que le contraire n'est pas vrai: on encourt alors seulement une perte d'efficacité. Nous avons donc opté pour une modélisation de la gravité des accidents selon un modèle Logit multinomial non linéaire, comme d’autres l’ont fait avec des modèles linéaires, ainsi qu’on le constate au Tableau 1. Weiss (1992), dans une étude sur la gravité des accidents, note par ailleurs que les études présentent de sérieuses limites dues essentiellement à l'absence de variables comportementales comme la vitesse. L’absence de ces variables transforme implicitement les modèles utilisés en formules mécanistes et les équations structurelles en formes réduites : ainsi, (3*) est une forme réduite de l’équation de vitesse. Tableau 1. Modèles de choix discret récents explicatifs de la gravité Modèles linéaires ATO EGUAKUN O'DONNEL WEISS SHANKAR et WILSON et CONNOR et al. 1995 1996 1992 1995, 1996 Type de modèle Probit ordonné Logit emboîté Variable dépendante niveau de gravité Nombre de niveaux traités ( ?) 4 6 4 Classes et variables explicatives Comportement vitesse 1 1 1 ceinture/casque 1 1 1 1 Trafic type collision 1 2 4 Route-Chaussée géométrie 2 Route-Environnement météorologie 2 heure collision 2 1 1 Véhicule type de véhicule 3 2 position (blessé) 1 Conducteur âge 1 2 1 1 sexe 1 1 1 expérience 1 alcool 1 1 1 Nombre d'observations 2500 18069 770 1505 15 B. Spécification d’un modèle Logit non ordonné non linéaire Choix direct de la vitesse et risque objectif. La description des comportements faite en 3.1 suppose que les préférences sont représentées par une fonction d'utilité où l’utilité du temps et du confort de roulement dépendent du risque choisi par le conducteur, en fonction de l'infrastructure sur laquelle il circule et de la vitesse qu'il choisit (Underwood et al., 1993). L’utilité va donc reposer sur l'évaluation d'une perte anticipée associée au risque perçu et sa maximisation va déterminer un choix de vitesse, instrument de maîtrise du risque implicitement choisi par l’individu et facteur important du risque objectif (décrit selon deux modalités, soit probabilité d'accident et gravité) auquel il s’expose. Indépendance des réalisations du risque objectif. Le caractère largement autonome du risque objectif autorise à postuler que les résidus εi des équations (6) et (7) sont indépendants et identiquement distribués selon une loi de type "valeurs extrêmes" de fonction de répartition: F(ε i ) = P(ε i ≤ ε ) = exp( exp( −ε i )) . (15) On peut montrer que P(Yi = δ ) = exp( Viδ ) N ( ) P( Zi = α Yi = δ ) = et ∑ exp Vjδ j=1 exp(Viα ) M ∑ exp(V α ) (16) j j =1 où Yi désigne la réalisation de la perte en probabilité d'accident, Zi la réalisation de la perte en gravité, Viδ représente la fonction d'utilité associée à la réalisation δ pour l'individu i et, si λk représente la transformation Box-Cox associée au paramètre Xk, s'écrit : K Viδ = ∑ β k X(iδλkk ) . (17) k =1 Nous nous sommes assurés que l'hypothèse d'indépendance des alternatives, ou de compatibilité avec l’axiome IIA (“ Independance of Irrelevant Alternatives ”) impliquée par (16), était valide en appliquant le test de Small et Hsiao (cf. Ben-Akiva et Lerman, 1985). Cette hypothèse, généralement rejetée dans le cas des modèles de choix du mode de transport, est naturellement moins incongrue ici. C. Stratification endogène de l'échantillon Compte tenu du caractère rare et aléatoire d'un accident, nous avons réalisé une stratification endogène de l'échantillon. Ainsi, sur les sections où aucun accident n'a été recensé, nous ne considérons qu'un seul individu parmi les milliers qui ont circulé. Sur les sections où un accident a été recensé, nous ne retenons que le conducteur victime de l'accident. Cette construction d'échantillon est largement utilisée dans les études portant sur les choix de 16 modes de transport et même en biométrie. L'attrait d'une telle segmentation de l'échantillon repose sur la constitution des bases de données, alors beaucoup moins coûteuses. Par ailleurs, les techniques d'estimations liées à de tels échantillons sont parfaitement connues et opérationnelles : Manski et Lerman (1977) ont réalisé une analyse des processus d’échantillonnage stratifié en considérant l’estimateur du maximum de vraisemblance dans une situation plus générale que le cas aléatoire. Dans les modèles de choix discret, on peut formaliser la distribution de la population à la fois sur les caractéristiques des individus X et des alternatives i. On note f(i, X) la distribution jointe de i et X. Alors f(i, X) peut être factorisée en un produit d'une distribution conditionnelle et d'une distribution marginale: f ( i, x ) = p( i / x , β , λ ) p( x ) (18) Dans le cas d’un échantillon aléatoire, on a: N I N I L = ∏ ∏ f (i, x n ) yin = ∏ ∏ p(i / x n , β , λ ) yin p( x n ) yin n =1 i =1 (19) n =1 i =1 avec p(xn) indépendant de β et λ . Cette probabilité n’intervient donc pas dans les calculs des estimateurs. Lorsque l'échantillon aléatoire est stratifié selon G groupes, on obtient la vraisemblance suivante, pour l’échantillon complet: yin f (i, x n ) Hg (i ) , L = ∏∏∏ Wg (i ) g =1 n =1 i =1 G Ng I (20) avec Hg(i) représentant la proportion d'individus choisissant l’alternative i dans échantillon total et Wg(i) représentant la proportion analogue dans l'échantillon stratifié. Manski et Lerman (1977) ont prouvé, sans perte de généralité pour un modèle où λ* = 1, que pour un échantillon endogène ou stratifié par le choix, la solution π* = ( β*, λ*)’ de W ( i ) G Ng I g maxπ ∑ ∑ ∑ y in ln( p( i / x n , π )) g = 1 n = 1 i = 1 H g ( i ) (21) est un estimateur convergent de π = ( β, λ)’. Nous avons utilisé cette procédure, disponible dans TRIO (Liem et Gaudry, 1993), qui pondère chaque observation par Wg(i)/Hg(i) et s’appelle Weighted Endogeneous Sample Maximum Likelihood (WESML). 17 4.3. L'équation de vitesse L'analyse bibliographique esquissée au Tableau 2 identifie deux principales mesures continues de vitesse : la vitesse moyenne VM et l'écart-type des vitesses, relié à V85, la moyenne des 85èmes percentiles des vitesses pratiquées sur les sections. D’autres auteurs étudient des cas particuliers : par exemple, Kang (1998) analyse des domaines de dépassement de la vitesse légale à l’aide d’un Probit ordonné. S'il est vrai que seule la vitesse moyenne est à considérer pour l'évaluation du temps de parcours, l'écart-type présente un impact non négligeable sur la sécurité. Les écarts de vitesses peuvent être, dans une certaine mesure, contrôlés par des mesures législatives ou une meilleure maîtrise de certains paramètres routiers. On observe, par exemple, que les mesures de limitation de vitesse n'ont pas un impact significatif sur la vitesse moyenne, mais contribuent à un écrêtement des vitesses élevées. L'équation (8) définissant la vitesse attendue sur chaque section peut donc se réécrire selon : VM VM = β 1,VM RVM + β 2,VM y aP + β 3,VM y gP + η VM (8a) ETET = β 1, ET RET + β 2, ET y + β 3, ET y + η ET (8b) P a P g où VM désigne la vitesse moyenne et ET l'écart-type des vitesses. La spécification économétrique utilisée pour estimer chacune de ces équations par la méthode du maximum de vraisemblance est : (λ y ) K (λ ) = ∑ β k ⋅ X X k + ut . yt kt k =1 (22) Nous avons tenté d'utiliser l'échantillon constitué des 60 000 mesures de vitesse instantanée. Toutefois, comme ces mesures ne sont relatives qu'à 17 sections, nous ne disposions que de 17 ensembles distincts de caractéristiques de chaussée permettant d'expliquer ces 60 000 mesures. En outre, les informations enregistrées par les stations SIREDO relatives aux véhicules ne peuvent pas être utilisées dans cette modélisation, car cette information n'est pas disponible pour l'ensemble des individus considérés dans le système. Compte tenu de ces contraintes, nous avons choisi de retenir la solution de l'agrégation des mesures de vitesse instantanée, ce qui produit une surestimation des écarts type parce que nous n’avons pas pondéré ces observations, mais ne crée pas de biais des coefficients. Aucune distinction selon le type de véhicule ou les conditions de circulation n'est réalisée. Il aurait en effet été possible de calculer les mesures de vitesse agrégées pour: (i) les véhicules de longueur inférieure à 7 mètres et de longueur supérieure (puisque ce seuil apparaît nettement à l'analyse visuelle de la Figure 4.1) et (ii) les véhicules circulant de nuit ou de jour, ainsi que (iii) les croisements des deux stratifications précédentes. Néanmoins, la base de données relative aux individus considérés dans l'analyse de la sécurité routière ne contient pas d'indication précise sur la composition du trafic ni sur sa répartition horaire. Ainsi considérer ces mesures stratifiées revient à prendre le risque d'introduire des erreurs d'observation dues 18 Var. dépendante Comportement Tableau 2. Modèles explicatifs de la vitesse Collins et Gambard Badeau Lamm Cardoso Krammes et al. et al. (1996) (1986) (1997) (1987, 90) (1997) V85 VM,V85 VM V85 V15,V8 5 Classes et Groupes ou variables explicatives Port ceinture Vitesse approche X Largeur d’accotement Type de route Largeur de chaussée X X NS X Route-Indices de surface Type du revêtement NS Route-Environnement et Information Météorologie X Signalisation NS Route-Régulation Véhicule (1998) VM X X X X Route-Dimensions en hauteur et longitudinales Degré de courbure X Rayon du virage X X X Longueur de courbe X NS Angle de déflexion X Degré de pente X X Route-Dimensions en largeur et longueur de section Longueur de rampe NS Obstacle latéral NS Distance de visibilité X Dévers NS NS Lois sur la sécurité Vitesse limite (1985) V85 X Trafic Kilométrage-véhicule Trafic Activité industrielle Calendrier Godlewski Jaeger NS X X X NS X X X NS X X NS NS X X X X X X* NS X X X X X X Puissance Prix carburant et veh. Conducteur Alcool * Pour mettre en évidence l'impact du niveau d'uni sur la vitesse des véhicules, les sites choisis sont homogènes en géométrie et en trafic. NS signifie “ non significatif ”. 19 X au manque d'information dans l'échantillon associé à l'analyse de la sécurité routière. Les mesures agrégées de tous véhicules et toutes conditions de circulation confondues sont des valeurs plus imprécises mais moins contestables. 5. Résultats 5.1. Données disponibles et tests Variables et formes choisies. À cause de la difficulté de formuler des anticipations sur l’effet des diverses variables, nous avons fait des centaines de tests du χ2 d’inclusion et de forme fonctionnelle sur les variables prises en groupe ou individuellement, variables dont on trouvera à l’Annexe 1 des définitions précises pour les 78 d’entre elles qui décrivent le trafic et la section de route observée. Elles y sont regroupées, comme au Tableau 3, qui résume qualitativement les résultats obtenus. On y voit que les mêmes groupes de variables n’expliquent pas la fréquence et la gravité, ou la moyenne et l’écart-type des vitesses. Confidentialité. Le Service d'études Technique des Routes et Autoroutes (SETRA), qui a fourni l'ensemble des bases de données, souhaite conserver l'exclusivité de certains résultats portant sur 9 des 10 variables retenues (parmi les 26 testées) relatives aux caractéristiques de surface des chaussées dans les modèles de sécurité routière. Il ne nous est donc pas possible de présenter tous les résultats. Toutefois, nous pouvons présenter les résultats concernant la caractéristique de surface “ uni ” et les autres variables, comme la géométrie, le trafic et les variables de comportement. Les résultats sur la sécurité présentés à l’Annexe 2 sont donc complets au sens numérique, mais il est impossible d’y identifier les noms occultés de 9 variables et des variables binaires qui leurs sont parfois associées. Les résultats sur les vitesses au Tableau 11 sont intègres, c’est-àdire complets et interprétables. Expression des résultats. Ces tableaux, entiers ou non, sont extraits de sorties Tablex du logiciel TRIO qui présente les principaux résultats d'estimation en trois parties distinctes : I. comprend des élasticités, évaluées à la moyenne échantillonnale des variables, ainsi que tests de Student conditionnels aux bêtas estimés et donc invariants aux unités de mesure des X (Schlesselman, 1971). Dans les modèles probabilistes d’accidents, nous utilisons comme élasticité la mesure des “ points de probabilité ”: ( π Pn ( i ), X j )= ∂ P( y n = i ) ∂ Xj 20 ⋅ Xj (23) qui s'interprète comme l’effet sur la probabilité P(yn=i), effet exprimé en points de probabilités, d'une variation en pourcentage du Xj explicatif. Dans le modèle de vitesse, nous utilisons la motion usuelle d’élasticité : ( η y, X k ) = ∂ y Xk ∂ Xk y ; (24) II. est relative aux transformations non linéaires inclues dans le modèle. Pour chaque transformation Box-Cox, deux statistiques t de Student sont proposées, l'une permettant de tester l'hypothèse nulle de linéarité et l'autre de forme logarithmique. Nos tests t sont présentés à titre indicatif : calculés par la méthode des dérivées premières de Berndt et al. (1974), ils sont beaucoup moins précis que les tests exacts du χ2 qui nous ont guidés; III. présente enfin les autres résultats liés à l'estimation, à savoir, la valeur de la fonction de vraisemblance maximisée et des tests de qualité d'ajustement. La base de données utilisée par chaque modèle y est également définie. 5.2. Résultats choisis: les équations de sécurité Les extraits proposés présentent quatre modèles : les modèles de première étape prob:1 et grav:1 qui n’intègrent pas les variables comportementales (mesures de vitesses attendues) et les modèles prob:2 et grav:2 où ces variables sont prises en compte, selon (6) et (7). Nous ferons des commentaires statistiques génénéraux sur les modèles et des commentaires spécifiques sur 11 variables appartenant à chacune des 5 grandes classes du Tableau 3. Le lecteur intéressé à plus d’information trouvera dans Vernier (1999) une discussion de l’effet du niveau de trafic (Groupe 3), du profil en long de la zone d’approche (Groupe 5), de l’angle de cap, utilisé tel quel ou décomposé par orientation géographique(nord, sud, est, ouest ; Groupe 10), ainsi que des commentaires qualitatifs d’indices de surface, comme la hauteur au sable, les réparations localisées ou importantes et les déformations faibles ou graves (Groupe 14). A. Commentaires statistiques Dans un premier temps, nous fournissons au Tableau 4 les statistiques générales d'estimation relatives au nombre d'observations et à la qualité de l'ajustement aux observations. L'échantillon sur lequel repose le modèle de probabilité contient les 1 225 individus ayant subi un accident, qui sont également utilisés pour l'estimation du modèle de gravité. De plus, 1 316 individus n'ayant subi aucun accident sont considérés pour compléter à 2 541 observations l'échantillon du modèle de fréquence d’accidents. La construction de cet échantillon endogène s'est faite par tirage aléatoire des 1 316 individus dans la base de 21 Tableau 3. Groupes d’appartenance des variables utilisées ou retenues Classes et Groupes des 82 variables testées Groupes des variables retenues Sécurité Vitesse Équations A G µ(V) σ(V) Comportement (4 éléments) G 1. Vitesse ∇√ ∇√ G 2. Risque perçu (Espérance max. d’utilité) ∇√ ∇√ Trafic (7 éléments) G 3. Quantité de trafic ∇√ ∇√ ∇√ G 4. Classe de débit Route-Dimensions en hauteur et longitudinales (32 éléments) G 5. Zone d’approche en long √ G 6. Zone d’approche en plan ∇√ G 7. Nature de l’élément en long ∇√ G 8. Nature de l’élément en plan ∇√ √ ∇√ ∇√ √ √ √ Route-Dimensions en largeur et longueur de section (13 éléments) G 11. Classe hiérarchique dans réseau national √ √ G 12. Classe de profil (# de voies) ∇√ G 13. Longueur et largeur entretenue des voies √ √ Route-Indices de surface (26 éléments) G 14. Uni, frottement, orniérage, désenrobage.. ∇√ √ G 15. Structuraux : fissurations diverses √ √ ∇√ G 9. Difficulté associée à l’élément en long G 10. Difficulté associée à l’élément en plan ∇√ ∇√ ∇√ G 16. Matériau couche de roulement : béton, … G 17. Liant de couche de roulement : bitume, … Nombre total d’éléments testés Nombre d’éléments retenus Éléments de référence retenus (**) Transformations Box-Cox utilisées Variables auxiliaires obtenant un β, associées à des variables X k ≥ 0 transformées par λ Constantes de régression Nombre d’observations 80 32 (5) 4 4 80 34* (5) 1 14 ∇√ 80 5 (2) 2 0 ∇√ 80 7 (2) 1 1 1 2 1 1 2541 1225 17 17 Le symbole √ signifie que des éléments de ce groupe ont été retenus et que les résultats numériques sont montrés en détail à l’Annexe 2, pour les équations de fréquence et de gravité, ou au Tableau 11, pour les équations de vitesse. Si toutefois le groupe comprend une ou plusieurs variables dont les résultats sont confidentiels, le symbole est ajouté : l’identification de ces variables par leur nom est impossible à l’Annexe 2. Le symbole ∇ signifie que les résultats pour certaines variables sont commentés dans le texte. (*) 34 variables mais 68 coefficients β. (**) Variables dont les coefficients sont confondus avec ceux des constantes de régression. 22 données complète dont nous disposions. Les proportions de pondération utilisées dans l'estimation sont calculées sur ces bases. En ce qui a trait à l’ajustement, l'ajout des variables de comportement permet, au sens du test du χ2, un gain plus important dans le modèle relatif à la gravité que dans le modèle relatif à la fréquence des accidents. B. Comportement: les vitesses attendues On trouvera au Tableau 5 les points de probabilité calculés selon l’équation (23) et évalués à la moyenne échantillonnale des variables, ainsi que les t de Student des variables du premier groupe, soit l’espérance de la vitesse moyenne et de l’écart-type des vitesses. L’interprétation correcte d’un t de Student exige de se rappeler si le coefficient auquel il se rapporte représente un coefficient structurel ou une différence de deux coefficients. En effet, dans les équations de gravité, les t de Student testent la différence entre les coefficients structurels des variables pour l’état indiqué et ceux de l’état de référence indiqué par (e.r.) pour une variable incluse (suite aux tests du χ2 pratiqués). Dans l’équation de fréquence d’accident, l’état de référence est l’absence d’accident. Rappelons par ailleurs que, dans tous les cas, le t de Student fournit une indication assez peu précise comparée à l’information exacte fournie par le test du χ2 et peut donc la contredire. Les vitesses moyennes estimées et les écart-type des vitesses estimés contribuent tant à l'explication de la probabilité des accidents qu'à leur gravité, au sens des test du χ2, même si l’indication supplémentaire du t de Student porte à croire à des effets plus significatifs dans le cas de la vitesse que dans celui de l’écart-type. Tableau 4. Estimation de la fréquence et de la gravité: l’ajustement aux observations modèle modèle modèle modèle prob:1 prob:2 grav:1 grav:2 III. Statistiques générales Log-vrais. finale Log-vrais. avec constante seulement Rho carré Rho carré bar : Akaike Horowitz Hensher et Johnson Pourcentage de bonne prévision Nombre d'alternatives Nombre d'observations Paramètres estimés des - Variables - Constantes - Binaires associées - Transformations Box-Cox -725.669 -847.365 .144 .099 .121 .131 55.057 2 2541 30 1 4 3 23 -724.371 -847.365 .145 .097 .121 .131 55.293 2 2541 32 1 4 4 -1064.15 -1195.99 .110 .043 .076 .080 57.143 3 1225 66 2 14 1 -1061.46 -1195.99 .112 .041 .077 .080 57.796 3 1225 68 2 14 1 Tableau 5. Effets du comportement: vitesse moyenne et écart-type de la vitesse I. Probabilité d’accident (a) Points de probabilité et t de Student des var. G 1. Vitesse vitesse moyenne attendue écart-type de la vitesse attendu Transformation Box-Cox de VM Modèle prob:2 t=0 π(a) VM ET λ4 -.202 .001 4.233 t=1 (-1.63) (0.03) [1.73] [1.32] I. Probabilité de gravité (g): 1. Blessures Légères = (B .L.) 2. Blessures Graves = (B.G.) 3. Mortelle = (M.) Points de probabilité et t de Student des var. G 1. Vitesse vitesse moyenne attendue écart-type de la vitesse attendu Transformation Box-Cox de VM VM ET λ4 Modèle grav:2 π(g) t=0 (B .L.) -.247 (B.G.) .138 (M.) .108 (B .L.) .029 (B.G.) .023 (M.) -.052 1.802 (e.r.) (1.37) (1.54) (e.r.) (0.01) (-1.31) [0.29] [0.13] t=1 Vitesse. En termes de probabilité, une augmentation de la vitesse moyenne favorise une diminution importante de la probabilité d'avoir un accident, toutes autres variables étant égales par ailleurs. De plus, la forme fonctionnelle estimée relative à l'effet de la vitesse moyenne sur la probabilité d'avoir un accident est statistiquement différente d'une forme logarithmique (λ=0) avec un degré de confiance supérieur à 10 %. En revanche, on ne rejette pas la forme linéaire. Le modèle estime pourtant une fonction puissance quatrième, ce qui indiquerait qu'une augmentation des vitesses a un impact mineur si le niveau initial de vitesse est faible alors que l'effet sera plus fort à des vitesses élevées, tel que montré à la Figure 5. Ce résultat est cohérent avec les anticipations, dans la mesure où la vitesse et l’attention sont complémentaires et relativement peu d’accidents arrivent à des vitesses élevées. Figure 5. Effet d'une variation de la vitesse moyenne sur la probabilité d'accident variation de la probabilité d'accident Effet d'une variation de la vitesse moyenne sur la probabilité d'accident vitesse m oyenne 24 En terme de gravité, il ressort naturellement du modèle que les vitesses moyennes contribuent à augmenter la probabilité conditionnelle de gravité importante ou mortelle des accidents, bien que les coefficients estimés pour ces différences entre états ne soient pas très significatifs. Le modèle postule que si la vitesse double, la gravité des accidents augmente sensiblement. Elle se traduit, en moyenne, par une baisse de près de 25 points de probabilité d'avoir un accident avec blessés légers et des probabilités plus faibles, mais presqu’égales, d'avoir un accident avec blessés graves ou d'avoir un accident mortel. Écart-type des vitesses. De par le test de Student sur la différence entre états, les écarts type des vitesses ont un effet sur l'alternative "accidents mortels" significativement différent de celui observé sur l'alternative de référence "accidents avec blessés légers". Une augmentation des écarts types tend à réduire la probabilité d'avoir un accident mortel alors qu'elle augmente les deux probabilités concurrentes. Cette situation peut s'expliquer par une attention accrue des individus lorsque les vitesses de flux dans le trafic sont fort différentes, mais aussi par des typologies différentes d'accidents. L'importance relative de l'écart-type est bien inférieure à celle de la vitesse moyenne qui demeure la mesure de vitesse la plus discriminante en sécurité routière. Les résultats relatifs à ces deux paramètres comportementaux semblent en accord avec ceux de Solomon (1964) qui trouve une corrélation positive entre la fréquence d’accident (sans distinction de gravité) et l’écart-type de la vitesse. C. Trafic: le pourcentage de poids lourds Le second résultat que l'on se propose d'analyser est relatif au pourcentage de poids lourds dans le flux de trafic. On postule que la composition du trafic influence la sécurité routière. Au Tableau 6, cette hypothèse est confirmée : la variable donnant le pourcentage de poids lourds présente une puissance explicative significative tant pour la fréquence que pour la gravité des accidents, même au sens des test t de Student. Probabilité. En ce qui concerne la probabilité d'avoir un accident, on observe, toutes choses étant égales par ailleurs, qu'une augmentation du pourcentage de poids lourds dans le flux de trafic correspond à une diminution de la probabilité d'accident; si ce pourcentage double, la probabilité d'avoir un accident perd onze points. En général, l'augmentation du trafic lourd produit deux effets inverses sur la probabilité d'accident. Certaines études confirment une réduction de la probabilité d'accident. Ce phénomène peut s'expliquer par l'expérience de conduite des conducteurs de poids lourds. De plus, les véhicules ont des caractéristiques de stabilité et de puissance tout à fait particulières. Ces deux éléments ont pour conséquence d'observer des pratiques de conduite différentes (plus calmes, vitesse lente, anticipation). En revanche, d'autres études affichent des résultats divergents et les appuient en postulant que les usagers prennent un risque supplémentaire lors de manoeuvres de dépassement hasardeuses ou en conduisant avec un énervement supérieur. Le contexte décrit par la base de données utilisée nous amène à observer une réduction de la probabilité d'accident lorsque le pourcentage de poids lourds augmente. 25 Tableau 6. Effets du trafic: le pourcentage de poids lourds I. Probabilité d’accident (a) Modèle prob:2 π(a) (t = 0) Points de probabilité et t de Student des var. G 3. Quantité de trafic pourcentage de poids lourds PourcPL -.110 I. Probabilité de gravité (g): 1. Blessures Légères = (B .L.) 2. Blessures Graves = (B.G.) 3. Mortelle = (M.) Points de probabilité et t de Student des var. G 3. Quantité de trafic pourcentage de poids lourds PourcPL (-3.66) Modèle grav:2 π (g) (B .L.) (B.G.) (M.) -.025 -.048 .073 (t = 0) (e.r.) (-0.33) (2.45) Gravité. En termes de gravité, on observe que l'impact du pourcentage de poids lourds n'est pas significativement différent sur les deux premières alternatives (blessés légers et blessés graves). En revanche, l'impact est significativement différent sur la probabilité d'avoir un accident mortel. Plus la proportion de poids lourds est importante, plus la gravité des accidents augmente, en particulier, la probabilité d'avoir un accident mortel. Mais il convient ici de distinguer deux cas. Lorsque le pourcentage de poids lourds augmente dans le flux de circulation, deux principaux types d’accident sont possibles. Le premier concerne les accidents impliquant les poids lourds et le second n’implique que des véhicules légers. Dans le premier cas, il est évident que la gravité des blessures sera plus importante. En effet, on définit souvent l'accident de la circulation comme un échange d'énergie entre deux véhicules. Plus l'énergie développée est importante, plus l'accident est grave. Ainsi, les accidents avec les poids lourds apparaissent évidemment plus dramatiques. En outre, plusieurs caractéristiques propres aux véhicules lourds viennent aggraver ce phénomène. Les différentiels de masse entre les véhicules légers et les lourds contribuent très largement à l'augmentation de la gravité mais la construction même des poids lourds est également en cause. On observe que les pare-chocs des poids lourds sont encore au niveau des pare-brise des véhicules légers. En cas de choc, frontal ou latéral, les occupants des véhicules légers sont très peu protégés par la carrosserie qui ne joue alors pas son rôle "d'absorbeur" d'énergie. Ce problème a été identifié et les poids lourds récents sont maintenant équipés d'un pare-choc abaissé. Cependant, l'ensemble du parc de véhicules n'est pas totalement renouvelé. Dans le second cas, la gravité des blessures est à rapprocher du type d’accident qui a lieu dans ce contexte, notamment les chocs frontaux entre véhicules dus à des dépassements hasardeux et risqués. 26 D. Route-dimensions en hauteur et longitudinales: virages et sommets Enchaînement de trois virages ; sommet de rayon variable. On constatera au Tableau 7 que deux variables reliées à la dimension en hauteur ou longitudinale réduisent la probabilité d’accident mais augmentent la gravité des accidents, même après avoir tenu compte des ajustements de vitesse. Il s’agit d’une zone d’approche contituée d’un enchaînement de trois virages (par rapport à une quasi-droite), et d’un sommet “ en bosse ”, c’est-à-dire de rayon variable (par rapport à une montée). Les éléments en plan : le cercle à gauche. Mais d’autres variables longitudinales n’influencent que la fréquence des accidents. Nous avons en effet étudié l'impact des différents éléments géométriques en plan, car les relevés des stations gyroscopiques permettent de distinguer 5 éléments en plan: l'alignement droit, le cercle à droite, le cercle à gauche et les raccordements vers la droite et vers la gauche. Nous avons établi au Tableau 8 les risques de circulation liés aux quatre derniers éléments cités, par référence à un déplacement sur section droite. Dans un premier temps, les résultats présentés au Tableau 8 mettent en évidence que le type d'élément sur lequel les usagers circulent a un impact sur la probabilité d'accident. La circulation sur raccordement a un effet significativement différent par rapport à un déplacement sur section droite alors que la circulation en virage n'a pas un impact significatif. Il ressort du modèle que la circulation sur les entrées ou sorties de virage (raccordements) réduit la probabilité d'accident, par comparaison à un déplacement sur une section droite. Tableau 7. Effets de la route: enchaînement de trois virages et sommet de rayon variable I. Probabilité d’accident (a) Modèle prob:2 π(a) t=0 Points de probabilité et t de Student des var. G 6. Zone d’approche en plan (e.r. : quasi-droite) enchaînement de trois virages virvirvir -.082 (-1.77) -.144 (-2.12) G 7. Nature de l’élément en long (e.r. : montée) raccordement en bosse racbos I. Probabilité de gravité (g): 1. Blessures Légères = (B .L.) 2. Blessures Graves = (B.G.) 3. Mortelle = (M.) Points de probabilité et t de Student des var. G 6. Zone d’approche en plan (e.r. : quasi-droite) enchaînement de trois virages virvirvir Modèle grav:2 π (g) t=0 (B .L.) -.152 (B.G.) .113 (M.) .040 (e.r.) (1.75) (1.39) (B .L.) -.181 (B.G.) .096 (M.) -.085 (e.r.) (1.15) (1.94) G 7. Nature de l’élément en long (e.r. : montée) raccordement en bosse racbos 27 Tableau 8. Effets de la route: les éléments géométriques en plan I. Probabilité d’accident (a) Modèle prob:2 t=0 Points de probabilité et t de Student des var. π(a) G 8. Nature de l’élément en plan (e.r. : section droite) cercle à droite cercle à gauche raccordement à droite raccordement à gauche cerdro cergau racdro racgau .004 .031 -.168 -.068 t=1 (0.12) (1.05) (-3.60) (-1.75) Ce résultat est sujet à un certain nombre de réserves, liées notamment à la localisation des accidents. Lorsqu'un véhicule quitte la chaussée suite à une perte de contrôle, au moins deux localisations d'accident sont envisageables: le lieu où le conducteur perd le contrôle et l'endroit où le véhicule sort de la chaussée. Ces deux éventualités peuvent se traduire par une localisation en virage ou en raccordement. Il est donc très difficile, parfois hasardeux d'isoler ces deux paramètres. Toutefois, une analyse plus fine de la base de données nous a permis d’identifier précisément un facteur de confusion important. Il en ressort que les raccordements indiquent la présence de cercles à faible rayon alors que les cercles représentent des virages à large rayon n’ayant pas besoin d’être introduits par des raccordements. Le modèle postule donc que les cercles à grand rayon ne sont pas plus risqués que les alignements droits, et ce résultat est conforme à nos anticipations. Par ailleurs, les estimations indiquent que les raccordements sont moins risqués que la circulation sur section droite. Ce résultat paraît a priori surprenant mais les raccordements sont associés à la présence de clothoïdes pour l'introduction du virage (les usagers sont correctement guidés dans l'analyse de la difficulté associée à la partie circulaire) et pour la sortie du virage (les usagers peuvent rétablir progressivement la vitesse de parcours désirée), ces éléments ne surprennent pas l'usager et la route apparaît parfaitement lisible pour une négociation sûre de ces éléments géométriques. Dans un second temps, il ressort du modèle que le sens de l'élément joue également un rôle important. On observe, en effet, que les courbures vers la gauche sont plus risquées que les courbures vers la droite. Les raccordements à droite présentent moins de risques (-16,8 % sur la probabilité d'avoir un accident) que les raccordements à gauche (-6.8 %). Un résultat similaire a déjà été présenté dans un document SETRA-CETE Normandie Centre (1997). Les auteurs expliquent cette situation par le fait que dans les courbes à gauche, l'accélération transversale s'applique par la droite et est amplifiée par le dévers, généralement incliné vers la droite. En cas de perte de contrôle, les véhicules se dirigent vers l'accotement droit où les manoeuvres de récupération sont limitées et dépendent des caractéristiques de l'accotement, notamment, liées au revêtement ou à la présence d'obstacles. Dans les courbes à droite, l'accélération transversale s'applique au véhicule vers la gauche et, dans la majorité des cas, le dévers atténue l'effet de cette accélération. En cas de perte contrôle, le véhicule est déporté sur la voie de circulation en sens inverse. En l'absence de trafic, les chaussées jouent le rôle d'une zone de récupération large, revêtue et sans obstacle. 28 Les résultats obtenus confirment également les statistiques d'accident selon lesquelles il y a davantage d'accidents dans les courbes à gauche que dans les courbes à droite. On se rappellera toutefois que, comme l’indique le Tableau 3, ces variables du Groupe 8 n’avaient pas d’influence sur la gravité des accidents. E. Route-dimensions en largeur: trois voies Par contre, d’autres variables n’ont pas d’influence sur la fréquence mais influencent la gravité. Les routes à trois voies (par rapport aux routes à deux voies) augmentent la gravité des accidents avec blessures graves mais réduisent la gravité des autres accidents, même si les effets ne sont pas très significatifs : il faut croire qu’il y a une forme de compensation du risque qui conduit à cette concentration manifeste dans le pattern des signes au Tableau 9. Tableau 9. Effets de la route: les routes à trois voies I. Probabilité de gravité (g): 1. Blessures Légères = (B .L.) Modèle grav:2 2. Blessures Graves = (B.G.) 3. Mortelle = (M.) (t = 0) Points de probabilité et t de Student des var. π (g) G 12. Classe de profil (e.r. : deux voies) trois voies troisv (B .L.) -.031 (e.r.) (B.G.) .040 (0.67) (M.) -.010 (-.10) F. Route-indices de surface: l’ uni Parmi les indices de surface, on constatera, à l’Annexe 2, que la variable uni, qui décrit les ondulations de surface, n'affecte que la probabilité d'accident. Elle présente un intérêt particulier dû aux relations étroites qu'elle entretient avec la vitesse de parcours : plus l'uni est élevé, plus la surface de chaussée est dégradée par des irrégularités longitudinales et la difficulté d’y circuler à vitesse élevée augmente. Il n’est dès lors guère surprenant de constater au Tableau 10 que la prise en compte de la vitesse fait baisser substantiellement le niveau de significativité de la variable uni sur les deux probabilités concurrentes. Si, dans le premier modèle, on observe que plus l'uni est mauvais, moins la probabilité d'avoir un accident est élevée (la significativité de 1,42 ne permet pas de discuter de l'importance des effets mais permet d'accepter la direction), le modèle ne permet pas d'établir un tel résultat. En conséquence, il apparaît nettement que, dans le premier modèle, l'effet non maîtrisé de la vitesse des véhicules se retrouve dans la variable uni. L'estimation de cette variable est alors biaisée. En outre, la fonction de vraisemblance maximisée du modèle prob:2 peut être comparée à celle du modèle identique dans lequel on a supprimé la variable uni. Il ressort que la différence entre ces deux fonctions de vraisemblance est égale à 0,62, ce qui indique que la variable uni n'a plus aucun poids dans l'explication de la probabilité d'accident. La seule variable qui n'est pas affectée sensiblement par second l'inclusion des paramètres relatifs à la 29 Tableau 10. Effets de la route: la surface unie G 14. Uni, frottement, orniérage, désenrobage... I. Probabilité d’accident (a) Modèle prob:1 t=0 t=1 Points de probabilité et t de Student des var. π (a) valeur de planéité de chaussée binaire associée valuni bvaluni -.070 .074 Transformation B-C de valuni λ 1 I. Probabilité d’accident (a) Points de probabilité et t de Student des var. uni binaire associée valuni bvaluni Transformation B-C de valuni ??1 (-1.42) (1.23) .535 [2.77] [-2.40] Modèle prob:2 t=0 t=1 π (a) -.035 .073 (-.60) (1.12) .525 [2.56] [-2.31] vitesse est le paramètre de la transformation Box-Cox auquel est soumis la variable. Toutefois, ce paramètre est également appliqué à la variable relative à la longueur de la section courante, qui appartient au Groupe 13, dont l'estimation n'est pas affectée par la considération de la vitesse. Aussi, l'estimation de ce paramètre ne reposant pas sur la seule variable uni, sa valeur d'un modèle à l'autre est ici difficilement appréciable. On observe ici qu'un modèle purement mécanique reliant les caractéristiques de chaussées à l'occurrence d'accident conduit à donner un poids à la variable uni, qui contient en réalité les effets de la vitesse. Ainsi, l'uni affecte la perception de l'usager et engage le conducteur à ajuster sa vitesse en fonction des conditions de roulement qui lui sont offertes mais n'a pas vraiment d'impact direct sur la probabilité d'accident. G. Route-indices de surface ou de structure On peut constater à l’Annexe 2 que toutes les variables de surface ou de structure ont une variable binaire associée. Ces variables sont égales à un lorsque la variable continue est positive et sont égales à zéro autrement. Dans le cas où la variable continue apparaît sous forme linéaire, la variable binaire associée désigne l’effet de la présence du phénomène et la variable continue capture l’effet de la la quantité du phénomène. Toutefois, lorsque la variable continue est assujettie à une transformation Box-Cox, la variable binaire joue de plus le rôle d’assurer l’invariance de la transformation aux unités de mesure utilisées pour représenter le phénomène. Le lecteur remarquera que les signes des variables binaires sont généralement opposés à ceux de leurs variables continues, excepté dans le cas de la variable G (partiellement) et de la variable I (totalement). L’interprétaion des effets de ces variables exige donc de combiner les effets de paires de variables. 30 5.3. Résultats complets: l'équation de vitesse La modélisation des mesures de vitesse moyenne, VM, et d'écart-type des vitesses, ET, permet de les relier au risque perçu et à des variables d'infrastructure associées au confort de roulement. Basées sur l'analyse de seulement 17 sections courantes de caractéristiques différentes, nos estimations sont à considérer avec précaution. Les deux modèles estimés présentés au Tableau 11 servent ensuite à générer, selon les équations (8) et (11), des mesures de vitesse attendue pour les sections de l’échantillon d’estimation des équations (6)-(7). La première partie de ce tableau présente les élasticités, calculées selon l’équation (24) et évaluées à la moyenne de l’échantillon, et les t de Student associés aux estimateurs retenus par des tests du χ2 . La seconde partie précise les formes fonctionnelles utilisées et deux tests d’hypothèse relatifs à la linéarité et à la forme logarithmique. Finalement, la troisième partie présente les résultats liés à la qualité de l’ajustement. A. Commentaires statistiques On remarque d’abord que les t de Student des transformation de Box-Cox, calculés par la méthode des dérivées premières de Berndt et al. (1974), semblent ici mal approximés - sans doute à cause du faible nombre d’observations - puisqu’ils reflètent mal le gain certain en logvraisemblance : il faut plutôt faire confiance aux tests du χ2 qui demeurent exacts, et suggèrent une forme logarithmique des termes transformés. Les variables "uni", "fissures transversales graves" et "risque perçu en gravité" apportent, par exemple, un gain faible sur la vraisemblance lorsqu'elles ne sont pas transformées, dans l’une et l’autre des équations. Cela dit, la transformation Box-Cox associée aux deux valeurs inclusives de fréquence et de gravité dans l’équation de vitesse moyenne s’avère proche de 0 : nous pouvons donc accepter ces termes comme mesures d’espérance d’utilité, définies au sens strict par le logarithme naturel de la valeur inclusive. Dans l’équation de l’écart-type toutefois, la forme linéaire des valeurs inclusives est retenue, mais ces mesures sont moins significatives. Une troisième chose à remarquer est que toutes les variables d’infrastructure retenues par les tests de χ2 sont bien associées au confort de roulement : en présence des variables de risque perçu, les tests ont en effet exclu les autres variables d’infrastructure, conformément aux anticipations signifiées à la Figure 2 par l’expression (k(N-I)). En quatrième lieu, s’agissant des résultats relatifs à l'estimation du modèle de l'écart-type, on observe que la variable binaire “ dftgrav ”associée à la variable “ ftgrav ”, et générée par l’usage de la transformation de Box Cox sur “ ftgrav ”, est particulièrement significative. Nous avons donc testé l'impact de cette variable introduite de manière directe dans la forme linéaire du modèle : dans ce cas, la variable binaire “ dftgrav ” représente seulement la présence de fissures transversales graves, et la variable “ ftgrav ” représente la quantité de fissures: la valeur de la fonction de vraisemblance ainsi obtenue (- 42.856) confirme le rôle de la présence de fissures transversales graves, en sus de celui de la quantité de telles fissures, puisque le gain en log-vraisemblance est de 3 points (par rapport à - 45.864). 31 Tableau 11. Résultat d'estimation de l'équation de vitesse Modèle VM I. Élasticités et t de Student des variables (t = 0) η G 2. Risque perçu risque perçu en probabilité EMUp -.207 (-.68) transformation Box-Cox de EMUp LAM2 [ λ2 ] risque perçu en gravité EMUgr -.124 (-1.67) transformation Box-Cox de EMUgr LAM2 [ λ2 ] G 3. Quantité de trafic moy. journalière annuelle tous véh. MJA -.071 (-.56) G 6. Zone d’approche en plan (e.r. : section droite) virage virage G 11. Classe hiérarchique dans le réseau national (e.r. : route nationale) liaison autoroutière LACRA .243 (1.39) G 14. Uni, frottement, orniérage, désenrobage... valeur de planéité de chaussée valuni .242 (1.50) transformation Box-Cox de valuni LAM1 [ λ1 ] G 15. Structuraux : fissurations diverses fissures transversales graves ftgrav transformation Box-Cox de ftgrav LAM1 variable binaire associée dftgrav G 17. Liant de couche de roulement : bitume,...(e.r. : grave bitume) grave hydraulique GH non traité NT II. Valeurs de λ ; t de Student Transformation λ1 Transformation λ2 Modèle ET η (t = 0) .047 (.07) .043 (.52) -.226 (-1.76) .450 (3.02) -.002 [ λ1 ] .535 (-2.01) .230 -.248 (0.76) (-1.59) (6.85) [λ] t=0;t=1 [λ] t = 0; t = 1 -.135 -.327 -.04 ; -.34 -.27 ; -1.08 -9.99 -.01 ; -.01 III. Statistiques générales Log-vraisemblance avec λ estimés Log-vraisemblance avec λ = 1 Log vraisemblance avec λ = 1 et la variable dftgrav incluse Pseudo-R-2 Pseudo-R-2 ajusté aux degrés de liberté Nombre d’observations Nombre de paramètres estimés - Bêtas - Variables - constantes - binaires associées - Transformations Box-Cox 32 -57.185 -59.842 -37.431 .746 .549 17 -45.864 -42.856 .861 .683 17 5 1 0 2 7 1 1 1 B. L’équation de vitesse moyenne Les paramètres influants sur la vitesse moyenne des véhicules mesurée en un point sont les variables de risque perçu, le trafic de tous les véhicules exprimé en nombre moyen de véhicules par jour, le type de voies et l'uni. Conformément aux attentes, les caractéristiques d’infrastructure autres que celles reliées au confort n’ont pas été retenues par les tests du χ2 . Les mesures de risque perçu. Le concept de risque perçu constitue un facteur très important relié au phénomène des accidents. Le risque perçu illustre l'ampleur, évaluée par le conducteur, des difficultés présentées par l'infrastructure. Ainsi, on postule que, lorsqu'il perçoit un risque plus grand, le conducteur a tendance à soutenir davantage son attention, et on peut dès lors s'attendre à ce qu'il réduise sa vitesse de parcours. Le coefficient estimé relatif au risque perçu en probabilité d'accident n'a pas un effet significativement différent de zéro sur la vitesse moyenne, contrairement au risque perçu en gravité. Néanmoins, tel qu'attendu, il ressort du modèle qu'une hausse du risque perçu en gravité s'accompagne d'une diminution de la vitesse moyenne. On découvre que les usagers réagissent fortement à un risque supplémentaire. Un accroissement de 10 % du niveau de risque relatif à la gravité potentielle de l'accident occasionne une réduction de 12.4 % de la vitesse. Ce résultat est évalué toutes choses étant égales par ailleurs. L'effet important du risque perçu lié à la gravité indique que l'automobiliste a une certaine appréciation du danger. Pour le conducteur, la vitesse moyenne semble davantage associée à un niveau de dommage. On cite communément l'exemple des autoroutes sur lesquelles les usagers ont le sentiment que les accidents sont peu fréquents mais, lorsqu'ils surviennent, ont des conséquences beaucoup plus graves, voire mortelles. Ce résultat permet de formuler l'hypothèse suivant laquelle les conducteurs, conscients de l'éventuelle gravité en cas d'accident, adoptent un comportement routier plus prudent de sorte qu'il présente un risque de blessure grave et de décès moins élevé. Cette prudence de comportement se traduit par une diminution forte de la vitesse et par une réaction plus intense à un niveau de gravité qu'à une probabilité d'accident. Par ailleurs, il ressort du modèle que la forme estimée des ajustements de la vitesse moyenne en fonction de la perception du risque est voisine de la fonction inverse de la racine carrée. Alors que les tests t d'hypothèse, dont on a dit plus haut qu’ils étaient numériquement fragiles, ne permettent de rejeter ni la forme linéaire ni la forme logarithmique, le test du χ2 , toujours exact, montre que la transformation Box-Cox offre un gain significatif sur la vraisemblance. Si l'on accepte la forme estimée selon une puissance - 0.33, cela indique qu'à compter d'un certain niveau de risque, l'impact d'une variation sur la vitesse tend à se stabiliser alors qu'à de faibles niveaux, cette même variation a un fort effet. Ce comportement s'explique par plusieurs éléments. D'abord, on peut supposer l'existence d'un phénomène d'accoutumance au risque. Dans un milieu sans contrainte et d'apparence sûre, l'apparition du moindre facteur risqué aura un effet majeur. A contrario, dans un 33 environnement routier très dense et très complexe, ce risque supplémentaire n'aura pas d'impact comparable. A cette situation vient s'ajouter le niveau des limites légales de vitesse. On peut supposer que les automobilistes estiment sécuritaire une vitesse de parcours proche de la limite légale et rechignent à adopter une vitesse significativement inférieure. La principale raison vient du fait que la vitesse n'est pas seulement motivée par les paramètres d'infrastructure mais également par des caractéristiques liées aux conducteurs et à leurs véhicules. Le trafic. Les sections étudiées sont situées en rase campagne. La circulation des véhicules est libre et aucun problème de congestion n'est présent. Dans ce contexte, on s'intéresse particulièrement à la façon dont l'usager moyen du réseau se comporte face à différentes densités de trafic. Selon toute vraisemblance, on s'attend à ce qu'un nombre supérieur de véhicules contraigne le conducteur à réduire sa vitesse. L'estimation ne permet pas d'accepter cette anticipation avec une grande certitude, compte tenu de la faible significativité du t associé au coefficient estimé de cette variable pourtant retenue dans la liste. L'uni. L'uni décrit le niveau de planéité de la chaussée. Un très bon niveau d'uni caractérise une chaussée parfaite sur laquelle aucun sentiment d'inconfort n'est ressenti. Le paramètre estimé présente un niveau de significativité faible (1.50), ce qui indique que la variance associée à cette estimation est relativement importante. Malgré cette incertitude, l'estimation est conforme à nos attentes. Le modèle révèle qu'une dégradation de l'uni entraîne une baisse de la vitesse. De nombreuses études confirment ce résultat (Gambard, 1986). Les défauts d'uni provoquent des vibrations de la caisse du véhicule, particulièrement sensibles pour l'usager. Pour des raisons de confort celui-ci a tendance à ralentir spontanément. C. L’équation de l’écart-type des vitesses L'écart-type dépend surtout des caractéristiques géométriques de la chaussée (virage, nombre de voies), de la présence et du niveau de déformations graves sur la chaussée, et de la nature de la chaussée (non traitée, grave bitume ou grave hydraulique). Le risque perçu. Contrairement à la vitesse moyenne, l'écart-type des vitesses n'est pas significativement influencé par les mesures de risque perçu tant en probabilité qu'en gravité. Cette situation s'explique par les perceptions différentes des usagers liées à leurs aptitudes de conduite et aux véhicules utilisés. La majorité des automobilistes va réduire sa vitesse de parcours lorsqu'un risque sera perçu. Cependant, la vitesse n'est pas réduite de la même intensité par tout le monde, ce qui a pour conséquence de ne pas affecter sensiblement les écarts types. Les deux groupes de variables qui permettraient d'approfondir l'analyse sont la description du véhicule (équipement en sécurité, puissance, âge, type...) et la caractérisation du conducteur (age, sexe, motif de déplacement...). Malheureusement, la base de données dont nous disposons ne contient pas ces renseignements et ne nous permet pas d'établir les responsabilités respectives liées à ces paramètres dans les différentiels de vitesse. 34 La nature de la voie. La nature de la voie contient implicitement plusieurs caractéristiques de chaussées. Elle fait notamment référence à la largeur et au nombre de voies, au niveau de trafic, aux équipements sécuritaires des infrastructures.... Les 17 sections utilisées ne peuvent pas être significativement représentées dans les cinq classes existantes, étiquetées à l’Annexe 1 : Liaison Autoroutière en Continuité du Réseau Autoroutier (LACRA), Grande Liaison d'Aménagement du Territoire (GLAT), Voie Routière Urbaine (VRU), Route Nationale de Liaison (RNL), et Route Nationale (RN). Nous avons donc regroupé différentes classes. La première contient les RN et les RNL, la seconde contient les autres types de routes. Une réserve peut être émise sur la place des Voies Routières Urbaines mais ce type de route étant, la plupart du temps, un axe à deux fois deux voies, nous avons choisi de l'intégrer à la catégorie désignée supra. En outre, les éventuelles erreurs de prédiction auront peu d'impact sur le résultat final de l'étude compte tenu du faible nombre de ces sections dans la base de données. La nature de la voie présente un impact majeur sur les écarts de vitesse. Sur les sections à deux fois deux voies, le modèle annonce des écarts type moyens de vitesse supérieurs de 45 % par comparaison aux écarts type sur route à deux voies seulement. Ce résultat est cohérent avec les anticipations. La différence énorme s'explique essentiellement par les différences de puissance et de confort des véhicules sur le marché et par les différents conducteurs; la différence la plus frappante étant, évidement, celle existant entre les véhicules légers et les poids lourds. Cependant, dans une même gamme de véhicules, d'importantes différences existent en termes de puissance, d'équipements et de confort. Comme dans l'analyse des variables de risque, les informations relatives au conducteur et à son véhicule font cruellement défaut pour expliquer ce résultat qui, du reste, pourrait être modulé si ces variables étaient inclues dans le modèle. La nature du liant et les fissures transversales graves. Les fissures transversales et la nature du liant sont deux caractéristiques de structure de chaussée. Le liant désigne le matériau utilisé pour solidariser les graviers composant la couche inférieure de chaussée. On distingue trois types de liant: Non Traité (NT), Grave Bitume (GB) et Grave Hydraulique (GH). Les chaussées non traitées (NT) présentent souvent un niveau de déformation élevé, surtout lorsque le trafic est important. Les chaussées NT sont plus sujettes aux fissures que les structures GB ou GH. Cela tient à la composition de la couche de base dont les graviers ne sont pas solidarisés. Par ailleurs, il existe, entre les structures GB et GH, d'importantes différences, également liées au phénomène de fissuration. Les structures GH sont rigides et sujettes à des phénomènes de dilatation dûs essentiellement aux variations de température. Ce phénomène se caractérise par l'apparition de fissures transversales sur les couches supérieures du revêtement. En revanche, les chaussées GB, plus souples, ne souffrent pas de ces variations climatiques et sont beaucoup moins exposées aux fissures. Il ressort du modèle que les écarts type des vitesses sont différents selon les natures de liant. Plus précisément, l'impact de la circulation sur une chaussée présentant un liant GB ou GH n'est pas significatif. En revanche, les écarts type sur chaussées non traitées sont significativement plus faibles que ceux observés sur chaussée GB. Ce résultat peut s'expliquer 35 par les fissures présentes sur les chaussées et est confirmé par les résultats concernant le paramètre relatif aux fissures transversales graves. Les impacts de cette variable se déclinent selon deux modalités: le niveau et la présence de fissures. Le modèle révèle que, plus que le niveau de fissures graves, leur présence a un impact fort. Ceci est confirmé par la variable binaire associée à ce paramètre caractérisant la présence ou l'absence de fissures sur la section. Il en ressort que la présence de fissures sur la chaussée a pour conséquence d'augmenter les écarts type de vitesse de plus de 50 %. Il apparaît donc que les automobilistes n'ajustent pas leur vitesse avec la même sensibilité à cette caractéristique de surface de chaussée. Les fissures transversales sont visibles par les usagers. Il est possible que ceux-ci y associent un niveau de sécurité de la chaussée déficient. Les deux résultats relatifs à la structure de la chaussée sont donc cohérents. D. Conclusion L'ensemble des résultats obtenus est cohérent avec nos attentes et, même si l'estimation ne repose que sur 17 sections, les valeurs de vitesse moyenne et d'écart-type générées ne sont absolument pas aberrantes. Les vitesses inférées sont peut-être imparfaites, car certaines sections de l'échantillon présentent des configurations géométriques particulièrement contraignantes ou des caractéristiques de surfaces influentes qui n'apparaissent pas dans le modèle. La base de données dont nous disposons est une limite certaine à une inférence plus précise mais aucune valeur absurde n'est générée et les histogrammes de vitesse associés sont très cohérents. 6. Conclusion générale Nous avons estimé un système simultané d’interactions de comportement entre vitesse choisie et risque perçu, en mesurant celui-ci comme un espérance maximale d’insécurité (EMI) décomposable, au sens de Knight, entre incertitude et risque calculé. Nous n’avons pas trouvé d’autres études routières utilisant l’une ou l’autre de ces trois dimensions. Nos résultats sont généralement robustes en ce sens que la pertinence des divers facteurs a été établie à l’aide de tests de χ2 et la forme de leur inclusion déterminée de manière endogène par des transformations de Box et Cox. En particulier, la forme logarithmique, dite log-sum, exigée par la théorie de l’espérance maximale d’utilité s’est avérée optimale pour représenter le risque perçu dans l’équation de vitesse moyenne. Les transformations Box-Cox se sont encore une fois avérées utiles, tant pour la qualité d’ajustement aux données que pour le caractère plus raisonnable des résultats obtenus, par comparaison avec des résultats de forme prédéterminée, en particulier linéaire. 36 L’exceptionnelle richesse de la banque de données en variables descriptives de la géométrie et de l’état des routes a permis un premier défrichage du problème, dans un contexte multiniveaux de type DRAG. Toutefois, l’absence de variables sur d’autres facteurs comme les caractéristiques du conducteur, du véhicule et du climat, ainsi que la faible représentativité de l’échantillon de vitesses, impliquent certainement des résultats biaisés. Mais nous proposons une structure théorique pour établir un modèle de comportement très complet, grâce à la stratification de l'échantillon réalisée dans le cadre du modèle Logit, stratification qui permettrait de compléter la base de données sans engendrer de coûts exorbitants, tant au niveau financier qu'humain. Une enquête auprès de 1 500 usagers de la route permettrait, dans un premier temps, de tenir compte des caractéristiques liées aux conducteurs et à leurs véhicules. Pour pouvoir tirer grand avantage de la structure simultanée estimable, une enquête supplémentaire sur les vitesses pratiquées par les usagers serait nécessaire. Bien que moins coûteuse qu'un sondage global, un recueil correct sur 1 500 sections de route générerait des dépenses importantes. On pourrait alors obtenir un modèle aux résultats tout à fait crédibles et utilisables, au lieu d’être seulement intéressants. Complété de nouvelles variables explicatives, le modèle permettrait en particulier de bien déterminer les parts respectives de l’incertitude et du risque calculé dans l’explication du risque observé. Cette distinction claire ouvre la porte à la mesure de l’utilité de diverses interventions du gestionnaire, comme la signalisation, les avertissements, ainsi qu’à la détermination des limites de ces interventions. Si certaines mesures correctives peuvent en principe réduire l’incertitude, il y a sans doute une limite à cette réduction, ou un irréductible “fond d’incertitude ” : notre structure permettrait de l’isoler. La rentabilité des interventions de ce type “ réduction d’incertitude ” n’est pas moins importante que celle de mesures correctives liées directement aux vitesses de parcours, s’agissant des conséquences sur la probabilité et la gravité des accidents. 37 7. Références ALJANI, A. A. M., RHODES, A. H. and A. V. METCALFE, “ Speed, Speed Limits and Road Traffic Accidents under Free Flow Conditions ”, Acident Analysis and Prevention, 31, 161-168, 1998. AMEMIYA, T., “Advanced Econometrics”, Harvard University Press, Cambridge Massachusetts. 1985. ARELLANO, M. and C. MEGHIR, “ Female Labour Supply and On-The-Job Search : An Empirical Model Estimated Using Complementary Data Sets ”, Review of Economic Studies, 59, 537557, 1992. ATO EGUAKUM, G. and F. WILSON, “Modelling Risk as a Choice Process”, Compte rendu de la 9eme conf. canadienne multidisciplinaire sur la sécurité routière, pp. 173-184, 23-25 mai 1995, Montréal. 1995. BADEAU, N., BAASS, K. et C. POIRIER, «Stabilité des véhicules dans les courbes: Expérimentations, analyse et interprétation des résultats», Non Publié, Centre de Recherche sur les Transports, Université de Montréal, 75 p., janvier 1997. BARBER, P., BADEAU, N. et K. BAASS, «L’effet des profils horizontal et vertical sur la sécurité routière, Tome I », Non Publié, Laboratoire de circulation et de sécurité routière, École Polytechnique, Montréal, 73 p., décembre 1998. BEN-AKIVA, M. and S. R. LERMAN, “Discrete Choice Analysis: Theory and Application to Travel Demand Analysis”, Massachusetts, MIT Press. 1985. BERGERON, R., Le Livre Noir de l’Automobile, Hypothèse, Montréal, 435 p., 1999. BERNDT, E. R., HALL, B. H., HALL, R. E. and J. A. HAUSMAN, “ Estimation and Inference in Nonlinear Models ”, Annals of Economic and Social Measurement, 3, 653-665, 1974. BOLDUC, D. and S. BONIN, “ Bayesian Analysis of Road Accidents: A General Framework for the Multinomial Case ”, in Dionne, G. and C. Laberge-Nadeau, eds, Automobile Insurance: Road Safety, New Drivers, Risks, Insurance Fraud and Regulation, Kluwer Academic Publishers, Boston, MA, pp. 79-100, 1999. BOYER, M., DIONNE, G. and C. VANASSE, “Econometrics Models of Accident Distribution” in G. Dionne (ed.) Contributions to Insurance Economics, Kluwer Academic Publishers, Boston, MA, pp.169-213, 1992. BOX, G. P. and D. R. COX, “An Analysis of Transformations”, Journal of the Royal Statistical Society, Series B, 26, 211-243. 1964. BUTT, A. A., SHASHIN, M. Y., CARPENTER, S. H. and J. V. CARNAHAN, “Application of Markov Chain Process to Pavement Management Systems at Network Level”, Third International Conference on Managing Pavement, Transportation Research Board, Vol. 2, pp.159-172. 1994. 38 CARDOSO, J. L., “Accident rates and Speed Consistency on Horizontal Curves in Carriageway Rural Roads”, International Conference Traffic Safety on two Continents, 22-24 Dec. 1997, Lisboa. 1997. COLLINS, K. M. and R. A. KRAMMES, “Preliminary Validation of a Speed-profile Model for Design Consistency Evaluation”, TRB, Preprint 960590. 1996. CONTI, T. C., McMINIMEE, J. C. and P. SENEVIATRE, “Maintenance Skid Correction Program in Utah”, Transportation Research Record 1410, pp. 32-40. 1990. DELHOMME , P., et G. MALATERRE, «Analyse bibliographique des méthodes d'investigation du comportement de conducteur par observation embarquées», Programme DRIVE V1040, INRETS, Arcueil. 1990. GAMBARD, J. M., «Approche du comportement cinématique du véhicule libre sur un axe routier», Thèse de docteur ingénieur, E.N.P.C., 1986. GAUDRY, M., «DRAG, un modèle de la Demande Routière, des Accidents et de leur Gravité, appliqué au Québec de 1956 à 1982», Publication CRT 359, Centre de recherche sur les transports, Université de Montréal, 1984. GAUDRY, M., “Some Perspective on the DRAG Approach and Family of National Road Safety Models”, Working Paper 9808, Bureau d’économie théorique et appliquée, Université Louis Pasteur, et Publication CRT 9807, Centre de recherche sur les transports, Université de Montréal. 1998. GAUDRY, M. et al., “TRIO Tutorial, Reference and Model Types Manuals, Version 2.0”, , Publications CRT 902, 903, 904, Centre de recherche sur les transports, Université de Montréal, 1995. GODLEWSKI, D., «Optimisation de la gestion routière: Utilisation de l'uni longitudinal», Thèse de docteur ingénieur, E.N.P.C., 1985. JAEGER, L., «Développement d'un modèle explicatif des accidents de la route en France sur une base mensuelle de 1956 à 1993», Thèse de doctorat, Université Louis Pasteur, Strasbourg. 1998. Publication CRT-99-11, Centre de recherche sur les transports, Université de Montréal, 1999. KANG, K., “ Ordered Probit Model of the Speed Selection Behavior : Results Based on a Korean Micro Data ”, Fourth Annual Conference on Transportation, Traffic Safety and Health, Tokyo, Japan, October 1998. KNIGHT, F. H., Risk, Uncertainty and Profit, Houghton, Mifflin, 1921. KULKARNI, R. B., “Dynamic Decision Model for Pavement Management System”, Transportation Research Record 997, pp.19-27. 1984. KULKARNI, R. B., GOLABI, K., FINN, F. and E. ALVITI, “Development of a Network Optimization System”, Arizona Department of Transportation, Final Report, Vol. 1 et 2, Woodward-cycle Consultants, San Francisco. 1990. 39 LAMM, R. and E. M. CHOUEIRI, “Rural Roads Speed Inconsistency Design Method. Part 1. Operating Speed and Accident Rates on Two-Lane Rural Highway Curved Sections: Investigation about Consistency and Inconsistency in Horizontal Aligment”, Clarkson University, Report 87026, Postdam. 1987. LAMM, R., CHOUEIRI, E. M. and T. MAILAENDER, “Comparison of Operating Speeds on dry and wet Pavements of two Lane Rural Highways”, Transportation Research Record, 1280, pp.199-207. 1990. LIEM, T. and M. GAUDRY, “PROBABILITY: The P-2 Program for the Standard and Generalised Box- Cox Logit Models with Disagreggate Data”, Publication CRT 527, Centre de recherche sur les transports, Université de Montréal, 1993. MANSKI, C. F. and S. R. LERMAN, “The Estimation of Choice Probabilities from Choice Based Samples”, Econometrica, vol. 45. 1977. McCARTHY, P. S., and S. MADANAT “Highway Accident Data Analysis: Alternative Econometric Method”, Transportation Research Record 1467, pp. 44-49. 1994. OCDE, «Systèmes de gestion des chaussées», Recherche en matière de route et de transports routiers. 1987. OCDE, «Recherche en matière de route et de transports routiers: Perspectives 2000», Recherche en matière de route et de transports routiers, Trentième anniversaire, 1996. O'DONNEL, C. J. and D. H. CONNOR, “Predicting The Severity of Motor Vehicle Accident Injuries Using Models of Ordered Multiple Choice”, Accident Analysis and Prevention, Vol. 28, pp. 739-753, 1996. ORTUZAR, J. D. and L. G. WILLUMSEN, Modelling Transport, John Wiley and Sons. 1990. PLANCO CONSULTING, «Evaluation macro-économique des investissements dans les infrastructures de transport», Publications du ministère des transports, Cahier 72, Essen, Bonn. 1993. SCHLESSELMAN, J., “ Power Families : A Note on the Box and Cox Transformation ”, Journal of the Royal Statistical Society, Series B, 33, 307-311, 1971. SETRA-CETE Normandie Centre: «Les accidents par sortie de chaussée», Document interne SETRA, 1997. SETRA-CETE Méditerranée: «Simulation de stratégies d'entretien sur le réseau national», Document interne SETRA, 1997. SHANKAR, V., MANNERING, F. and W. BARFIELD, “Effect of Roadway Geometrics and Environmental factors on Rural Freeway Accident Frequency”, Accident Analysis and Prevention, Vol. 27, pp. 371-389. 1995. SHANKAR, V., MANNERING, F. and W. BARFIELD, “Statistical Analysis of Accident Severity on Rural Freeways”, Transportation Research Board, Preprint 960112, 1996. 40 SOLOMON, D., “Accidents on Main Rural Highways Related to Speed, Driver and Vehicle”, U.S. Department of Transportation, Federal Highway Administration, July 1964. UNDERWOOD, G. C., JIANG, C. and C. I. HOWARTH, “Modelling of Safety Measure Effects and Risk Compensation”, Accident Analysis and Prevention, Vol. 25, pp. 277-288. 1993. VERNIER, K., «Fonctions de survie et méthode des M-estimateurs : application au module STRATÈGE du système français de gestion des chaussées GiRR », Publication CRT-98-58, Centre de recherche sur les transports, Université de Montréal, novembre 1998. VERNIER, K., «Les incidences du tracé routier et des états de chaussée sur le comportement des usagers vis-à-vis de la vitesse et de la sécurité», Thèse de doctorat, Université Louis Pasteur, Strasbourg. 1999, et Publication CRT-99-16, Centre de recherche sur les transports, Université de Montréal, 1999. WATANATADA, T., DHARESHWAR, A. M. and P. R. S. REZENDE-LIMA, “Models for Predicting Vehicle Speed and Operating Costs based on Mechanistics Principals: Theory and Quantification”, HDM III, Volume II. 1987. WEISS, A. A., “The Effects of Helmet Use on the Severity of Head Injuries Motorcycle Accidents”, Journal of The American Statistical Association, 87, pp. 48-56. 1992. WILLIAMS, H. C. W. L., “ On the formation of travel demand models and economic evaluation measures of user benefit ”. Environment and Planning, 9a(3), 285-344, 1977. ZEEGER, C.V. et al., “ Cost-Effectiveness Geometric Improvements for Safety Upgrading of Horizontal Curves ”, FHWA-RD-90-021, Federal Highway Administration, McLean, Virginia, 237 p., 1991. 41 Annexe 1. Description des 78 variables disponibles VARIABLES DE TRAFIC G. 6. Zone d'approche en plan : décrit les sections adjacentes à la section courante selon le tracé en plan. Nous avons retenu les sections adjacentes sur une longueur de 450 m. Les quasi-droites sont des cercles de rayon supérieur à 1000 m. Les virages décrivent des arcs de rayon inférieur à 1000 m. G. 3. Quantité de trafic (moyen annuel) observé sur la section pourcPL Pourcentage de poids lourds MJA Moyenne journalière annuelle de trafic tous véhicules MJAPL qdqdv Moyenne journalière annuelle Deux quasi-droites suivies d'un virage de trafic poids lourd qdvv G. 4. Niveau de trafic : permet d'associer la Quasi-droite suivie de deux virages section à une classe de trafic déterminée par un intervalle de moyennes journalières annuelles. virvirqd Deux virages suivis d'une quasi-droite T0 MJA ∈ [750;2000] T1 MJA ∈ [300;750] d'une quasi-droite et d'un T2 MJA ∈ [150;300] virage T3 MJA < 150 vqdv virvirvir Enchaînement d'un virage, Enchaînement de trois virages qd VARIABLES D’INFRASTRUCTURE G. 5. Zone d'approche en long : décrit les sections adjacentes à la section courante selon le profil en long. Nous avons retenu les sections adjacentes sur une longueur de 450 m. descente Descente continue sur 450 dpente Descente drampe Montée parbos Partie à rayon constant faisant la transition entre une mètres montée montée et une descente. Montée continue sur 450 parcre mètres profalt Partie à rayon constant faisant la transition entre une Profil alterné, succession descente et une montée. de montées /de descentes lginc Quasi-droite G. 7. Nature de l'élément en long : l'élément en long de la section courante. racbos Profil des sections Partie à rayon progressif faisant la transition entre une adjacentes inconnu montée et une descente. [ ••• ] raccre Partie à rayon progressif faisant la transition entre une descente et une montée [ ••• ] 42 Annexe 1. Description des 78 variables disponibles (suite) [ ••• ] [ ••• ] G. 8. Nature de l'élément en plan : l'élément en plan de la section courante. Sud-Est cerdro Sud-Ouest (100 à 200 Gr) Cercle (rayon constant) tournant vers la droite cergau G. 11. Type de route : indique l'appartenance hiérarchique de la section.Classification faite en fonction du trafic, du nombre de voies et du rôle de la section dans le réseau d'infrastructure. tournant vers la gauche Section droite racdro Sortie ou entrée de virage GLAT (rayon progressif) tournant Territoire. Sortie ou entrée de virage LACRA (rayon progressif) tournant Liaison autoroutière en Continuité du réseau vers la gauche Autoroutier. G. 9. Difficulté associée à l'élément en long pen_ramp Grande Liaison d'Aménagement du vers la droite racgau Orientation Sud-Ouest (200 à 300 Gr) Cercle (rayon constant) droite Orientation Sud-Est Degré de pente (%) G. 10. Difficulté associée à l'élément en plan RN Route Nationale Ordinaire. RNL Route nationale de liaison. VRU Voie Routière Urbaine. G. 12. Classe de profil : donne le nombre de voies de la section courante. ray_vir Rayon du virage (mètres) anglecap Orientation par rapport au deux_2v voies à chaussées séparées. Nord géographique évalué en quatrev grades (Gr) Est Sud séparées Orientation vers le nord (350 troisv Section à trois voies à 400 ou 0 à 50 Gr) deuxv Sections à deux voies Orientation vers le Sud (150 à G. 13. Variables routières : éléments généraux relatifs à la section courante 250 Gr) Ouest long Orientation vers l'ouest (250 idroute Orientation Nord-Est Numéro identifiant la section courante (0 à 100 Gr) Nord-Ouest Longueur de la section courante à 350 Gr) Nord-Est Section à deux fois deux voies à chaussées non Orientation vers l'est (50 à 150 Gr) Nord Section à deux fois deux larg_ent Orientation Nord-Ouest (300 Largeur de la chaussée entretenue à 400 Gr) [ ••• ] nbvoi 43 Nombre de voies Annexe 1. Description des 78 variables disponibles (suite et fin) [ ••• ] [ ••• ] G. 15. Caractéristiques de structure de chaussée G. 14. Caractéristiques de surface de chaussée valcft flfaib Coefficient de Frottement faibles Transversal, mesure flgrav d'adhérence (microtexture) valhs valuni arrach glac_res Fissures longitudinales Fissures longitudinales graves Hauteur au Sable, mesure d'adhérence (macrotexture) ftfaib Fissures transversales faibles Uni, mesure de planéité de ftgrav Fissures transversales graves chaussée ind_pat Indice patrimoine indicateur Arrachements, dégradations agrégé des états élémentaires de type écaillage de la précédents, compris entre 0 et surface. 20 Glaçage / ressuage, G. 16. Nature de la couche de roulement : dégradations du type types de matériaux utilisés pour la couche de roulement désenrobage. deffaib defgrav rep_loc Déformations faibles BBC Béton bitumineux clouté (ornières, affaissements... de BBDR Béton bitumineux drainant profondeur < 3 cm) BBM Béton bitumineux mince Déformations faibles BBTM Béton bitumineux très mince (ornières, affaissements... de BBSG Béton bitumineux semi grenu profondeur > 3 cm) ES Enduit superficiel Réparations localisées T Technique spéciale Réfections ponctuelles de la ENROB Enrobé chaussée (< ½ voie de roulement) rep_imp G. 17. Nature du liant utilisé pour la couche de roulement : matériaux permettant Réparations localisées de solidariser les gravillons constituant la couche de roulement. Réfections ponctuelles de la chaussée (> ½ voie de ind_sur roulement) GB Liant grave bitume Indice de notation de surface, GH Liant grave hydraulique indicateur agrégé des états NT Non traité élémentaires précédents, FIN du tableau compris entre 0 et 20 [ ••• ] 44 Annexe 2. Résultats relatifs à la probabilité et à la gravité conditionnelle d'accident nom variable modèle prob:1 modèle prob:2 Probabilité d’accident (a) I Points de probabilité ; t de Student II Valeurs de λ ; t de Student G 1. Vitesse Ecart type attendu de et la vitesse Vitesse moyenne attendue π (a) (t =0) λ [t =0;t=1] π (a) (t =0) λ [t =0;t=1] 4.233[1.73][1.32] .101 (3.11) .535 [2.77][-2.40] -.107 (-3.81) .525 [2.56][-2.31] -.110 (-3.66) G 5. Zone d'approche long (référence à descente) Montée continue montée -.035 (-1.25) Profil alterné Profil inconnu profalt lginc -.033 (-1.11) -.006 (-.24) -.003 (-.13) -.005 (-.10) -.002 (-.03) G 6. Zone d'approche plan (référence à quasi-droite) Quasi-droite suivie qdqdv -.015 (-.58) d'un virage Quasi-droite suivie de l'enchaînement de deux virages Enchaînement de deux virages suivi d'un alignement quasi-droit Enchaînement d'un virage, d'une quasidroite et d'un virage Enchaînement de trois virages qdvv virvirqd vqdv virvirvir .029 .023 (.01) -.052 (-1.31) -.247 .138 (1.37) .108 (1.54) 1.802 [.29][.13] -.202 (-1.63) .114 (4.00) modèle grav:2 Probabilité de gravité (g): Blessures Légères = (B .L.) Blessures Graves = (B.G.) Mortelle = (M.) π (g) (t =0) π (g) (t =0) λ [t =0;t=1] λ [t =0;t=1] .001 (.03) vml LAMBDA LAM 4 G 3. Quantité de trafic Moyenne Journalière MJA Annuelle de trafic tous véhicules LAMBDA LAM 1 Pourcentage Poids PourcPL Lourds modèle grav:1 -.019 (-.67) -.021 (-.48) -.028 (-.59) -.002 (-.05) .004 (.08) 0.006 (.15) .008 (.19) -0.69 (-1.62) -.082 (-1.77) 45 -.047 -.030 (-.06) .077 (2.81) -.025 -.048 (-.33) .073 (2.45) .032 .013 -.045 .058 -.005 -.054 .026 -.027 .001 (-.71) (-2.63) .041 .008 -.049 .063 -.010 -.053 (-.35) (-.08) .035 -.032 (-.44) -.003 (-.21) (-.15) (-1.84) -.124 .130 (3.03) -.006 (.56) -1.04 .075 (1.24) .030 (1.06) .136 -.006 (-.90) -.131 (-2.39) -.129 .141 -.011 -.112 .089 .023 .137 -.016 -.122 .033 -.083 .050 -.127 .082 .045 .049 -.082 .033 -.152 .113 .040 (-.94) (1.16) (1.48) (1.53) (-.29) (-2.06) (-.84) (-2.66) (3.02) (.39) (.136) (.92) (-.99) (-2.34) (-.97) (.61) (1.75) (1.39) Annexe 2. Résultats relatifs à la probabilité et à la gravité conditionnelle d'accident (p.2) G 7. Elément en long (référence à montée) Descente drampe -.007 (-.28) Parabole en bosse Parabole en creux parbos parcre Raccordement en bosse racbos Raccordement en creux raccre .011 (.29) .037 (1.18) -.129 (-2.01) -.016 (-.37) G 8. Elément en plan (référence à droite) Cercle vers la droite cerdro .004 (.13) Cercle vers la cergau .029 (1.04) gauche Raccordement vers racdro -.163 (-3.67) la droite Raccordement vers racgau -.063 (-1.72) la gauche G 9. Difficulté associée à l’élément en long Degré de pente ou de pen_ramp rampe G 10. Difficulté associée à l’élément en plan Angle de cap anglecap .044 (2.51) -.006 (-.22) .006 (.15) .034 (1.03) -.144 (-2.12) -.021 (-.47) LACRA Voie Routière Urbaine VRU RNL -.148 (-2.88) .002 (.09) .110 (.98) Trois voies (1.52) (-.38) (1.11) (1.93) (1.09) (1.82) (1.93) (1.44) .058 -.013 -.045 -.083 .114 -.031 -.101 .047 .054 -.181 .096 .085 -.187 .140 .047 (-.71) (-1.95) (1.56) (-.38) (1.32) (2.23) (1.15) (1.94) (2.12) (1.76) -.168 (-3.60) -.068 (-1.75) .051 (2.62) -.093 (-1.97) .007 (.24) .161 (1.28) G 12. Classe de profil (référence à deux voies) Deux fois deux voies deux_2v Quatre voies (-.72) (-1.82) .004 (.12) .031 (1.05) LAMBDA LAM 2 2.439 [1.42][.84] 2.24 [1.39][.77] G 11. Hierarchie (référence à route nationale ordinaire) Grande Liaison GLAT -.074 (-1.34) .013 (-.16) d'Aménagement du Territoire Liaison Autoroutière en Continuité du Réseau Autoroutier Route Nationale de Liaison .056 -.015 -.042 -.080 .111 -.031 -.084 .038 .046 -.172 .090 .082 -.163 .128 .035 .004 .001 (.19) -.005 (2.01) .005 .001 (.28) -.006 (2.29) .043 -.082 (-2.08) .039 (1.44) .054 -.086 (-2.24) .032 (1.00) .072 -.159 (-1.28) .086 (1.51) .144 -.222 4 .079 .001 -.116 .115 .051 -.045 -.006 .583 -.641 .059 -.051 -.061 .112 .054 -.048 -.006 .620 -.630 .010 -.048 .197 -.149 .015 -.098 .083 -.017 .026 -.010 quatrev troisv 46 (-.10) (1.62) (-1.18) (-.55) (-3.97) (-1.07) (1.00) (-1.78) (-.75) (1.84) (.42) (-.21) -.067 .211 -.144 .005 -.094 .088 -.031 .040 -.009 (-1.69) (.84) (-.47) (1.38) (-1.11) (-.54) (-3.78) (-.45) (1.12) (-1.69) (-.66) (2.03) (.67) (-.10) Annexe 2. Résultats relatifs à la probabilité et à la gravité conditionnelle d'accident (p.3) G 13. Variable routière Longueur de la long section courante .072 (6.22) .072 (5.86) -.039 .008 (1.10) .031 (3.27) -.045 .011 (1.32) .035 (3.59) .005 -.011 (-1.12) .007 (1.08) 1.691 [2.24][.97] -.008 .070 (1.08) -.062 (-2.29) .086 -.092 (-2.42) .006 (-.39) .022 -.000 (-1.28) -.021 (-1.94) 1.691 [2.24][.97] -.049 .051 (.95) -.002 (.17) .012 -.005 (-1.10) -.007 (-0.71) 1.691 [2.24][.97] -.252 .087 (1.20) .165 (2.58) -.028 .019 (3.54) .009 (3.82) 1.691 [2.24][.97] .148 -.077 (-2.12) -.071 (-2.34) .003 -.003 (-1.05) -.000 (-.47) 1.691 [2.24][.97] .031 .061 (.42) -.092 (-2.07) .006 -.016 (-1.05) .010 (1.19) 1.480 [2.51][.81] -.010 .072 (1.09) -.062 (-2.27) .087 -.097 (-2.48) .009 (-.27) .041 -.005 (-1.51) -.036 (-2.14) 1.480 [2.51][.81] -.086 .074 (1.37) .012 (.68) .030 -.016 (-1.24) -.014 (-.77) 1.480 [2.51][.81] -.283 .117 (1.28) .166 (2.59) -.051 .034 (3.68) .017 (3.97) 1.480 [2.51][.81] .154 -.085 (-2.21) -.069 (-2.33) .009 -.008 (-1.28) -.001 (-.63) 1.480 [2.51][.81] .012 .072 (.67) -.085 (-1.84) LAMBDA LAM 1 .535 [2.77][-2.40] .525 [2.56][2.31] G 14 et G 15. Caractéristiques de surface ou de structure de chaussée Uni valuni -.070 (-1.42) -.035 (-.60) LAMBDA Binaire associée Variable A Variable B LAM 1 bvaluni A B LAM1 binaire associée dB Variable C C Variable D D LAMBDA Binaire associée LAM1 dD Variable E E -.000 (-1.00) -.000 (-.86) LAMBDA Binaire associée LAM2 / LAM1 dE 2.439 [1.42] [.84] .144 (1.92) 2.240 [1.39] [.77] .138 (1.72) Variable F F LAMBDA Binaire Associée LAM1 dF Variable G G -.763 (-1.68) -.909 (-1.47) LAMBDA Binaire associée LAM3 / LAM1 dG -.341 [-.31] [-1.23] .124 (2.55) -.516 [-.35] [-1.03] .129 (2.42) .535 [2.77][-2.40] .074 (1.23) -.054 (-2.11) .525 [2.56][-2.31] .073 (1.12) -.057 (-2.08) 47 Annexe 2. Résultats relatifs à la probabilité et à la gravité conditionnelle d'accident (p.4) Variable H H .013 (.86) .010 (.78) LAMBDA Binaire associée -.341 [-.31] [-1.23] -.006 (-.13) -.517 [-.35] [-1.03] -.012 (-.21) Variable I LAM3 / LAM1 dH I LAMBDA Binaire associée LAM1 dI -.030 .036 (1.98) -.006 (-.09) 1.691 [2.24][.97] -.014 -.017 (-.10) .031 (-.15) -.010 .008 (1.38) .002 (1.20) 1.691 [2.24][.97] .026 .014 (-.10) -.041 (-2.13) III. Statistiques générales Log-vrais. Finale -725.669 -724.371 -1064.15 Log-vrais avec const. seulement -847.365 -847.365 -1195.99 Rho carré .144 .145 .110 Rho carré bar Akaike .099 .097 .043 Horowitz .121 .121 .076 Hensher et Johnson .131 .131 .080 Pourcentage de bonnes 55.057 55.293 57.143 prévisions Nombre d'alternatives 2 2 3 Nombre d'observations 2541 2541 1225 Nombre de paramètres estimés Bêtas - Variables 30 32 66 - constantes 1 1 2 - binaires associées 4 4 14 - Transformations Box-Cox 3 4 1 Note : le tableau d’origine sera disponible lorsque le SETRA en autorisera la diffusion. 48 -.037 .043 (2.02) -.006 (.02) 1.480 [2.51][.81] -.012 -.020 (-.15) .032 (1.40) -.018 .013 (1.59) .005 (1.62) 1.480 [2.51][.81] .027 .008 (-.20) -.036 (-1.90) -1061.46 -1195.99 .112 .041 .077 .080 57.796 3 1225 68 2 14 1 Annexe 3. Binaires associées aux variables contenant des observations nulles Nous avons dit plus haut que nous avions utilisé des transformations de Box-Cox (BC) sur des variables contenant une part d’observations nulles, en particulier les variables de structure et de surface des groupes 14 et 15 occultées à l’Annexe 2. Nous voulons préciser içi que ces variables binaires associées à des variables non strictement positives jouent un rôle essentiel qui explique que le progiciel TRIO les génère automatiquement. Mais, comme elles changent le sens du modèle, il y a lieu d’en préciser le sens en partant d’un cas linéaire simple bien connu. Variable binaire d’interaction en régression linéaire. Considérons un modèle de régression linéaire classique où la variable dépendante y dépend d’une constante, d’une variable Q qui n’est pas strictement positive, par exemple la chute de neige, et d’une variable binaire associée D, c’est-à-dire, en ajoutant l’indice t des observations : y t = β 0 + β Qt + β d Dt + ut (25) où Dt = 1 si Qt ≠ 0 et Dt = 0 autrement. Dans ce modèle, la variable Dt peut s’interpréter simplement comme une variable d’interaction ajoutant l’effet d’un état à celui de la quantité représentée par Qt : on mesurerait dans notre exemple l’effet de la présence de neige en sus de celui de la quantité de neige. Bien sûr, si on définit la variable d’état par son complément, Dt = 0 si Qt ≠ 0 et Dt = 1 autrement, on ne fait qu’inverser le signe de βd. L’ajout d’une telle variable d’état consomme un degré de liberté, modifie le modèle formulé sans elle, et ne contribue peut-être rien à l’explication. Variable binaire et invariance en présence de transformation BC. Si toutefois le modèle est : y t = β 0 + β Q(t λ ) + β d D t + u t , (26) où la transformation BC définie en (13)-(14) est appliquée seulement aux valeurs positives de Qt, la variable binaire associée jouera un rôle supplémentaire : celui de préserver l’invariance de l’estimation du λ aux unités de mesure utilisées pour Qt. La preuve analytique de cette affirmation est difficile à faire, contrairement à la preuve numérique, accessible si on a un logiciel de régression. Cette dernière a la structure suivante. Fixons λ à une valeur arbitraire, 2 par exemple, et appliquons l’estimateur des moindres carrés ordinaires en conservant Qt en unités originales. On obtient le vecteur β$ 0 , β$ , β$ d . ~ ~ ~ ~ Réestimons ensuite avec le facteur d’échelle s : Q t = sQ t . On obtient alors β0 , β , βd et on constate ~ ~ ~ ~ que β$ 0 = β0 , que β$ = sλ β , et que β$ d = βd + s( λ )β . L’ajustement nécessité par l’absence de transformation des observations nulles de Qt se fait par le coefficient de la variable binaire associée. Le modèle sera invariant parce que le coefficient de la constante ne s’ajuste pas alors que le coefficient de Qt s’ajuste comme d’habitude de manière inversement proportionnelle au facteur sλ. La variable binaire associée a donc simultanément deux sens içi : celui d’une variable d’interaction et celui d’une variable compensatoire. Invariance lors de la transformation d’une variable strictement positive. Il ne faut pas confondre cette invariance constatée avec celle qu’a décrite Schlesselman (1971) dont nous avons parlé plus haut dans le cas des variables strictement positives assujetties aux transformations BC. Dans ce cas, en présence d’une constante de régression, le coefficient de celle-ci s’ajuste à un changement d’échelle s de la variable Q transformée selon le mécanisme simple suivant : 49 β0 + β ( Qλ − 1) λ ) (27) β 0 + βsλ (Q s) λ − β λ (28) ~ ~ ~ ~ β0 + β Qλ λ − β λ + β λ − β λ (29) ~ ~ ~ β0 + β ( Qλ − 1) λ − β λ + β λ (30) ~ ~ ~ β0 + β ( Q λ − 1 ) λ (31) λ ~ où β =s λ β , comme dans le cas précédent, mais où il est par contre facile de dériver analytiquement le ~ ~ nouveau coefficient de la constante β0 = β 0 − β λ + β λ . 50