See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/288512016

MODELISATION DE COMPORTEMENT INDIVIDUEL DE DEPLACEMENT POUR

LA VILLE DE TUNIS

Conference Paper · May 2010

CITATIONS READS

0 210

1 author:

Khaled Ben Abdallah

higher institute of transportation and logistics of sousse
9 PUBLICATIONS   99 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Khaled Ben Abdallah on 28 December 2015.

The user has requested enhancement of the downloaded file.

8e Conférence Internationale de MOdélisation et SIMulation - MOSIM’10 - 10 au 12 mai 2010 – Hammamet -Tunisie
« Évaluation et optimisation des systèmes innovants de production de biens et de services »

MODELISATION DE COMPORTEMENT INDIVIDUEL DE

DEPLACEMENT POUR LA VILLE DE TUNIS

BEN ABDALLAH Khaled

ISTLS /Tunisie

12, Rue Abdallah Ibn EZZOUBEIR, B.P : 247. Sousse

Ben_abdallahkhaled@yahoo.fr

RESUME :

L’étude microéconomique de comportement individuel de déplacement permet non seulement de donner une prévision
de cette demande mais également de quantifier l’impact d’un changement dans la politique de transport urbain sur le
bien être des individus. Les modèles de choix discret constituent un cadre d’analyse pertinent pour estimer la demande
individuelle de transport urbain. La raison est simple ; En économie, la demande de transport se distingue des
demandes classiques par son caractère discret. Cette étude présente une analyse microéconomique de Comportement
individuel de déplacement pour la ville de Tunis en ayant recours aux modèles de choix discret, qui découlent d’un
processus de maximisation d’utilité aléatoire. A cette fin, une version particulière de ces modèles sera appliquée : le
Logit.

MOTS CLES : Comportement individuel, modèles de choix discret, Logit.

1. INTRODUCTION lorsque nous considérons ne pas pouvoir

Les modèles de choix discrets permettent de
déterminer la probabilité de réalisation de
différentes alternatives envisageables (choix d’un
mode, d’une destination,…), supposées en nombre
fini, à partir de la description des individus et des
alternatives. Ils se basent sur plusieurs hypothèses
concernant la distribution statistique de terme
d’erreur et la spécification de la partie déterministe
du modèle. Ces derniers sont utilisés en fait,
parfaitement observer l’ensemble des déterminants
de préférences de l’individu. Du point de vue
analytique, seule une partie de ces déterminants
n’est pas stochastique. La détermination avec
certitude quelle alternative est préférée, est très
difficile. Cependant, en supposant certain nombre
d’hypothèses, on peut mettre en œuvre une
approche probabiliste cohérente. Empiriquement,
l’application majeure des modèles à utilité aléatoire
réside dans la modélisation de la demande de
transport et particulièrement le choix du mode de
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie

transport de passagers. Il s’agit d’évaluer la résulter d’un processus d’apprentissage des

probabilité qu’un individu choisisse tel mode plutôt préférences.
qu’un autre. Cette probabilité est fonction de niveau
de service (temps et coût) de mode de transport et
des caractéristiques socio-économiques de
l’individu en question. 2.1 Formulation analytique générale de modèles
de choix discrets :

La problématique générale de cette étude consiste à
estimer la structure de la demande individuelle de
transport urbain pour la ville de Tunis en ayant
recours aux modèles de choix discret qui découlent
d’une maximisation d’utilité aléatoire. Notre
objectif est de faire le point sur l’aspect théorique
de la notion de mobilité quotidienne et mettre en
lumière les déterminants de choix modal et
d’analyser les représentations individuelles des
moyens de transport dans le cadre de la mobilité de
la ville de Tunis.
Pour un exposé plus détaillé, considérons le modèle
statistique où un individu n appartenant à un
échantillon N choisit une alternative parmi un
nombre fini d’alternatives mutuellement exclusives.
L’utilité que l’individu n accorde à chaque
alternative i de son ensemble de choix est une
variable aléatoire Uin, appelée utilité perçue par
l’individu :
Uin  Vin   in (1)

Cette étude est basée sur les résultats de la dernière

enquête des déplacements des individus pour la
ville de Tunis, réalisée par le District de Tunis.
Nous nous intéresserons à un aspect particulier du
comportement individuel de choix modal, celui des
déplacements domicile-travail qui convergent vers
le centre ville entre 7h et 10h de matin. Pour
répondre à cette problématique, notre méthodologie
s’ordonne en deux parties. La première constitue
une présentation analytique de modèles de choix
discret alors que la deuxième présente son
application à la question de choix modal dans la
ville de Tunis.
2. REVUE DE LA LITTERATURE
Le niveau d’utilité accordé par chaque individu n
tiré au hasard de la population à une éventualité i
appartenant à son ensemble de choix, est fonction
de deux éléments :
Un élément non aléatoire Vin qui représente la
composante déterministe de l’utilité, appelée aussi
utilité mesurée par l’analyste ou bien part
observable de l’utilité. Il représente les goûts
moyens mesurables chez tous les individus pour
chaque éventualité i. Vni peut être représentée
comme fonction des caractéristiques individuelles
Sn et des attributs Wni. Plus précisément, on aura :

La modélisation du choix modal doit respecter la

nature particulière de la variable à expliquer. Il
Vin = f (Sn, Wni) (2)
s’agit d’une variable qualitative et non numérique
(moyen de transport), discrète et non continue
puisqu’elle prend un nombre limité des modalités.
Avec Sn est le vecteur des caractéristiques socio-
En plus, c’est une variable non ordonnée : on ne
économiques de l’individu n et Wni est le vecteur
peut pas à priori classer les modes de transports les
qui représente l’ensemble des attributs de
uns aux autres, par exemple affirmer que la voiture
l’alternative i.
particulière est « supérieur » à la bicyclette, elle-
même « supérieur » au bus,… L’analyse du choix
modal se réalise quotidiennement dans un Un élément aléatoire  ni qui représente les goûts

environnement non contrôlé et s’exprime en termes
de choix discrets, ce qui justifie pleinement l’usage
de modèles de choix probabiliste. Plus précisément,
un individu est soumis chaque jour à des
événements imprévus, qui peuvent, pour un motif
donné, modifier son choix du mode de transport. A
ces variations involontaires s’ajoutent des
modifications volontaires du choix qui peuvent
non mesurables propres à chaque individu de
caractéristiques Sn pour chaque éventualité i de
l’ensemble de choix. Cette composante aléatoire
tient son origine de plusieurs sources ;
Il y a des variables explicatives non considérées,
soient négligées par l’analyste car difficiles de les
découvrir, soient non intégrées dans le modèle vu
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie
qu’elles sont non mesurables. Elle peut aussi
provenir d’erreurs de mesure sur les variables ou
dans la spécification de la fonction d’utilité. Elle
peut s’interpréter par la variabilité des
comportements, goûts particuliers non mesurables
de l’individu, irrationalité, …
Cette formulation de problème rend le choix
probabiliste et la question ne serait plus de choix
mais de probabilité de choix. C’est le calcul de ces
probabilités qui importe et non les choix eux-
mêmes. Sous l’hypothèse de rationalité du
consommateur cherchant à maximiser sa
satisfaction, l’expression de la probabilité de choix
de l’alternative i parmi l’ensemble Cn des
alternatives disponibles pour l’individu n, noté P
(i/C) ou Pni s’écrit :
pn  i   pr U in  U jn  , j  Cn ; j  i
Programme de maximisation :
Modèle latent : Uin  Vin   in
Avec Vni= f (Sn, Wni)
Modèle observable : Yni = 1 si l’alternative i est choisie
0 si non
Yni désigne le choix observé
Le lien entre les deux : Yni= 1 si Uni ≥ Unj,  j ≠ i
0 si non.
La probabilité que l’individu n choisisse
l’alternative i est :
Pni = Pr (Uni ≥ Unj),  j ≠ i  C.
= Pr (Vni +  ni 
≥ Vnj + nj)
≥  - 
= Pr (Vni – Vnj nj ni)
Une attention particulière est portée à la loi à
laquelle obéissent les termes d’erreurs. La
spécification de la loi de distribution statistique de
la partie aléatoire va définir le profil définitif de la
fonction de probabilité du choix P ni. Différentes
spécifications de cette loi ont été utilisées. Mais on
s’intéresse seulement à une seule spécification ;
c’est le modèle Logit distribué selon la loi de
weibul.
Pour tout ensemble d’éventualités i, les termes
d’erreurs sont indépendants et identiquement
distribués selon une loi de weibul. La probabilité
donnée par le modèle Logit1 est :
exp(Vi )
Pni  n
 exp(Vj )
j 1
Ce modèle présente l’avantage d’avoir une
formulation mathématique relativement simple ce
(3)
qui explique son usage relativement répandu. Il
constitue un outil statistique simple permettant
d’ajuster correctement les variables endogènes
qualitatives et un outil micro-économique puissant
puisqu’il est dérivable de la maximisation d’une
fonction d’utilité. Cependant, il est contraint par
plusieurs hypothèses restrictives.
La méthode d’estimation statistique la plus
pratiquée est celle de maximum de vraisemblance.
L’idée de cette méthode est de rechercher parmi
toutes les valeurs possibles de paramètres, celles
qui ont la plus forte probabilité d’avoir généré les
choix observés. Soit un échantillon aléatoire
contenant N individus. Chaque individu n dispose
d’un ensemble individuel de choix, noté Cn,
composé de alternatives i ; La fonction de
vraisemblance est :
L   iC n Pni  ni
N

n1
 ni  1 si l’individu n choisit effectivement l’alternative i
0 si non
La probabilité des choix observés est le produit des
probabilités que chaque usager n choisisse i. De
point de vue analytique, il est possible d’appliquer
une transformation strictement monotone à cette
expression pour le rendre plus maniable. C’est
notamment la transformation logarithmique :
1
Pour plus de détails concernant le modèle logistique, on
conseille le lecteur de consulter P. Taffé (2004).
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie
N
InL    ni In( Pni )
n 1 iCn
La maximisation de cette expression permettra
d’obtenir les estimateurs des paramètres du modèle
Logit. Ce processus d’optimisation passe par le
calcul des dérivées premières de la fonction de
Vraisemblance2 par rapport à β1 et β2. Le modèle à
estimer peut s’écrire en terme « d’odds » de
l’événement réalisé (« l’odds » d’un événement
réalisé est défini comme le ratio de la probabilité
d’un événement réalisé sur la probabilité de
l’événement non réalisé). En effet, à l’encontre du
modèle linéaire, l’influence d’une variable sur la
probabilité P n’est pas linéaire:
Log (odds)= log P(évenem ent réalisé) =log (
P(évenem ent non  réalisé)
A partir de cette équation, on voit que les
coefficients peuvent être interprétés comme la
variation du logarithme de l’ « odds » associée avec
une variation d’une unité d’une variable
indépendante :
2.2 Pourquoi modéliser le comportement
individuel de déplacement ?
L’analyse des comportements de déplacements a
fait l’objet des plusieurs études. Elle est en étroite
relation avec la prévision de la demande, la
conception et l’évaluation des stratégies et plus
généralement la planification des transports. k.
Goulias (2000., p.1) confirme « Understanding
human behavior and human values was recognized
many years ago as a key ingredient in the planning
of communities. In depth understanding of human
nature is essential to the planning, design and
operational analysis of transportation systems »
La planification des transports urbains s’inscrit dans
une démarche plus générale de planification
urbaine. Elle tend aujourd’hui à proposer une vision
2
Sous des hypothèses générales, il a été démontré que la
fonction de vraisemblance est globalement concave, ce qui
implique que si un maximum (une solution) existe, elle est
unique et les estimateurs sont alors consistants.
intégrée de l’évolution du système de transport. «
Travel behaviour research is closely related to the
professional and pratical activities of travel demand
forcasting, transport planning and policy
assessment, and indeed in practice, these
applications often provide the context in which
travel behaviour research is carried out » (Faire
D’Arcier, cité dans Bonnel et al, 1997., p 321)
La modélisation du comportement individuel de
déplacements joue un rôle considérable dans le
processus de planification. Elle permet de
comprendre les besoins et les attentes et aussi de
prévoir l’évolution de la demande du trafic et par
conséquent les tendances futures du système des
déplacements. Pour répondre aux besoins d’une
nouvelle planification, plus large et plus cohérente,
il est nécessaire de procéder à une meilleure
compréhension des comportements et des habitudes
de déplacements et par conséquent à une
P )
connaissance plus approfondie de la demande,
1 P puisque « les pratiques de déplacement
appartiennent in fine aux individus qui réalisent
l’ensemble des déplacements quotidiens » (Petit,
2000a., p88)
Le but de l’analyse des comportements de
déplacement est de concevoir des modèles
théoriques et pratiques qui puissent produire, aussi
fidèle que possible, l’étendue et la distribution des
flux de trafic générés par les individus, afin de
pouvoir prévoir comment ces flux changeront en
fonction du temps ou en raison d’un changement
significatif des systèmes de transport. Définir la
projection détaillée de la demande nécessite
d’identifier les paramètres qui influencent les
décisions individuelles. La qualité de la
planification dépend fortement de la connaissance
des comportements de déplacements des individus.
Les pratiques de la mobilité sont le résultat des
comportements individuels et la compréhension de
la mobilité passe par l’identification et l’étude des
comportements individuels. Cependant aucun
consensus n’a été atteint dans la formalisation
d’une théorie des comportements de mobilité.
L’étude des comportements a fait l’objet de
plusieurs champs d’investigation et a suscité une
vaste littérature dans différents domaines à savoir
l’économie, sociologie, géographie,…. «
L’analyse des pratiques de déplacement, à l’image
de la recherche en transport dans son ensemble, est
traditionnellement structurée par les modes de
pensée de l’économiste et du géographe » ( J.Petit.,
2003 ., p.3)
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie
Des modèles de plus en plus sophistiqués ne cessent
de se développer pour comprendre et prévoir le
comportement de déplacements et afin d’anticiper
les changements du comportement en réponse aux
changements du système de transport. Néanmoins
les chercheurs n’arrivent pas à cerner correctement
les logiques des comportements de déplacements vu
leur caractère multidisciplinaire et aléatoire.
La théorie microéconomique du consommateur a
été transposée à l’usager du système de transport
afin de comprendre son comportement. Selon S.
Masson (1998., p 7) « de façon générale,
l’analyse de la demande de transport s’inscrit dans
le paradigme économique néoclassique. Les usagers
sont supposés être des individus rationnels
cherchant à maximiser leur utilité »
Comme les sciences économiques, la géographie et
plus précisément la géographie sociale a un apport
significatif dans les études des comportements de
déplacements. La géographie des transports, dans le
cadre de l’analyse des pratiques de déplacement,
tend quant à elle traditionnellement à caractériser
les liens à leur environnement d’individus au sens
statistique ou de groupes agis par leur
environnement social.
Les psychologues se sont intéressés aux problèmes
de transport (Thevenin., 2002). L’objectif était de
connaître à l’aide de mesures psychologiques le
comportement d’usagers confrontés au choix d’un
mode de transport. Ces mesures s’appuient sur la
théorie de la dissonance cognitive qui stipule que
les comportements antérieurs conditionnent de
façon décisive les attitudes des individus
L’appropriation de l’environnement, l’expérience,
l’habitude et les routines ont influence significative
sur les comportements de déplacements.
Les pratiques sociales peuvent compliquer les
modèles économiques (Offner ., 1995). « La
mobilité individuelle ne se résume pas à la seule
impulsion individuelle à se déplacer, et nous avons
postulé, en nous éloignant de la vision
individualiste de Zahavi, qu’elle est aussi et surtout
une production sociale » (Massot, et Orfeuil.,
2005., p 4).
2.3 Les logiques de déplacements :
Lors de ses déplacements, l’usager se réfère à
plusieurs logiques d’action instrumentales et non
instrumentales recherchant ainsi à être assez
rationnel que possible et à avoir un comportement
idéal.
2.3.1 La logique de l’efficacité instrumentale :
La rationalité économique est réductible à un
comportement d’homo oeconomicus où l’usager
cherche à minimiser le temps et le coût de
déplacement (Kaufmann., 1997) à travers un
calcul du rapport argent-temps. Cette logique tient
une place structurante dans la construction des
pratiques de déplacement et apparaît comme la plus
évidente. Elle est certainement présente dans la
quasi-totalité des pratiques quotidiennes mais reste
loin à déterminer seule le comportement du choix
modal.
2.3.2 La logique d’habitude :
Selon cette rationalité, la recherche d’une économie
substantielle de coût de changement est au centre
des pratiques modales (Flamm., 2002). Changer le
mode habituel de transport constitue « Une
mutation comportementale lourde » (Petit .,2002.,
p4) qui entraîne une perte du temps pour
s’informer, se préparer et même pour s’adapter à un
nouveau type de mobilité. Préserver les routines et
habitudes est une source du gain du temps.
2.3.3 La logique de cohérence :
L’interaction entre les déplacements et les
programmes d’activité nécessite une structuration
des choix et une coordination des activités de la
manière la plus cohérente. La réalisation du
programme d’activité dans un espace donné est
indissociable de déplacement et de la contrainte
temporelle qu’elle impose. Cette rationalité
psychologique fait l’objet des travaux récents ayant
pour finalité l’analyse de perpétuelle interaction
entre l’allocation du temps au transport et le
programme d’activité.
2.3.4 La logique d’opportunité :
L’individu cherche à profiter des opportunités qui
lui sont offertes dans le temps et dans l’espace. La
disponibilité et l’accessibilité constituent les
opportunités les plus recherchées à travers cette
rationalité axiologique dont la philosophie est de
s’adapter plus rapidement à des modifications des
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie
emplois du temps et de rechercher une possibilité
supérieure en termes d’appropriation signifiante du
temps de déplacement. La productivité, le
relâchement et la sociabilité constituent les trois
logiques d’appropriation du temps de déplacement
(Flamm., 2005).
2.3.5 La logique d’agrément :
Cette rationalité perceptive repose sur un système
des valeurs qui s’appuie sur la qualité comparée des
offres de transports. L’individu privilégie le moyen
de transport qui procure l’agrément et le plaisir. Cet
aspect d’ordre psychologique considère le moyen
de transport comme « lieux de convivialité » (J.
Petit., 2003., p46) et se fonde sur un arbitrage basé
sur la qualité de service : la ponctualité, la
fréquence et le temps total.
3. PRESENTATION DES DONNEES :
Les données utilisées pour spécifier le modèle
proviennent de la base de donnée de l’enquête
ménage-déplacement3 disponible dès 2000, qui
offre la possibilité d’étudier les comportements
actuels des déplacements des tunisiens.
Les individus sélectionnés (Les décideurs)
ceux dont les déplacements :
 sont effectués entre 7h et 10h de matin :
les déplacements pendant les heures de
pointes présentent une valeur du temps
plus élevée.
 Ont pour motif le travail : les
déplacements Domicile-travail est
incontestablement la plus signifiante, vu
son caractère régulier dans le temps et
l’espace. Ces déplacements sont bien
connus par les usagers ce qui permet de
garantir une plus grande robustesse des
estimations de la valeur du temps. Les
déplacements occasionnels ou pour motifs
irréguliers sont sujets de plusieurs
variables difficiles à identifier.
 ont pour destination Tunis-centre ville : on
s’intéresse aux déplacements convergents
vers le centre ville. L’agglomération
3
Elle consiste la source d’information la plus détaillée pour les
études de mobilité. Elle permet de croiser les caractéristiques
socio-économiques et familiales avec leurs pratiques de transport
quotidien. Elle s’appuie sur un échantillon représentatif de la
population et elle a pour but de fournir une description de
l’ensemble des déplacements de personnes.
Tunisoise se caractérise par une
concentration au niveau de l’emploi dans
le centre ville, surtout le secteur tertiaire.
Ce constat se traduit par un flux quotidien
des déplacements Domicile-travail très
massif.
 Sont réalisés en bus, métro ou voiture
particulière (trois alternatives)
Dans le cadre de cette recherche, la variable
dépendante(Y) est bien entendu du type catégoriel :
chacune des catégories mutuellement exclusives
correspond à un mode de transport: automobile et
transport collectif. Sous la dernière catégorie,
seulement les modes bus et métro ont été
considérés, puisque le partage du marché du
transport collectif du Grand Tunis est détenu par
ces modes. L’analyse sera traitée en tant qu’un
processus de choix à deux étapes ; dans la 1ère
étape, il s’agit de choix entre la voiture et le
transport collectif, puis si l’individu a opté pour le
second choix, nous passerons à la 2ème étape.
Conformément à la spécification de la fonction
d’utilité identifiée précédemment, notre étude
nécessite le recours à deux types de variables
explicatives : les variables socio-économiques (âge
AG, sexe SX, sa position dans la famille CF, son
revenu RV, la taille de ménage TAI, la disponibilité
de la voiture PV et la possession permis PP)
assurant l’hétérogénéité des individus et les
sont caractéristiques de modes de transport dont les
plus importantes sont le temps et le coût de
déplacement. Les variables socio-économiques ont
été tirées directement de l’enquête proprement dite,
alors que les variables relatives à l’offre ont subi
des transformations afin de les adapter
convenablement à nos spécifications
économétriques.
4. RESULTATS DES ESTIMATIONS ET
COMMENTAIRES
4.1 : Choix entre voiture et les autres modes de
transport :
Les résultats du modèle Logit, après omission des
variables statistiquement non significatives, est
présenté comme suit ;
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie

Dependent Variable: Y1

Method: ML - Binary Logit

variable CF PP PV RV
Sample: 1 948 dy/dx 0.389 1.407 1.005 0.104
Tableau 2 : Effets marginaux des variables (étape 1)
Included observations: 948

Convergence achieved after 7 iterations

Covariance matrix computed using second derivatives Ces 4 variables ont un impact solide sur le choix de
la solution voiture particulière. Le signe positif de
Variable Coefficient Std. Error z-Statistic Prob. CF indique qu’un chef de famille a tendance à se
déplacer en voiture en cas de disponibilité. Les
C -10.41080 1.683237 -6.184986 0.0000 variables PP et PV ont une influence positive sur la
CF 2.119437 0.703644 3.012088 0.0026
probabilité de choisir l’éventualité « voiture », ou
plus précisément sur la probabilité que l’utilité
RV 0.654761 0.286119 2.288421 0.0221 procurée à l’individu en choisissant cette
éventualité sera supérieure à celle dans le cas
PP 3.103388 0.962082 3.225699 0.0013
inverse. Etre titulaire d’un permis de conduire
PV 6.603703 1.159976 5.692967 0.0000 incitera à l’acquisition d’une voiture et à son
utilisation. Le revenu canalise les individus dans
Mean dependent var 0.310000 S.D. dependent var 0.463266 leurs choix ; son signe positif confirme l’hypothèse
que lorsque le revenu augmente, la probabilité
S.E. of regression 0.190788 Akaike info criterion 0.311332
d’utilisation de la voiture accroit.
Sum squared resid 10.73802 Schwarz criterion 0.373062

Log likelihood -41.69986 Hannan-Quinn criter. 0.336037

Restr. log likelihood -185.7302 Avg. log likelihood
LR statistic (4 df) 288.0607 McFadden R-squared 0.775482
Probability(LR stat) 0.000000
Obs with Dep=0 403 Total obs
Obs with Dep=1 545
Tableau 1 : Modèle LOGIT réduit (étape 1)
La qualité du modèle est très satisfaisante puisque
la probabilité que le modèle soit non significatif est
nulle. Les coefficients estimés ne permettent qu’une
analyse de leur signe et de leur significativité
statistique car à la différence d’un modèle linéaire,
les coefficients ne présentent pas un effet marginal.
L’influence d’une variable sur la probabilité
d’apparition étudiée P n’est pas linèaire, elle l’est
seulement sur son logit : In[P/(1-P)].
Pour les autres variables, elles sont non
-0.139000
significatives, toutefois l’analyse économique de
ces paramètres montrent qu’elles ont un impact
certain sur le choix modal ; le signe de la variable
sexe révèle que lorsque cette variable passe de 0 à1,
l’odds de choisir la voiture décroit. Les femmes
948
sembleraient utiliser davantage la voiture et les
variables âge et taille de ménage affectent
positivement la probabilité de choisir l’éventualité
voiture ; plus on avance en âge, plus on a de chance
à posséder un permis de conduire. Pour la taille de
ménage, le nombre d’enfants à charge inciterait les
chefs de famille à se déplacer en voiture.
4.2 Choix entre bus et métro :
Les résultats d’estimation sont représentées dans le
tableau au dissous :

L’’interpretation des résultats d’estimation se fait à

partir des effets marginaux. L’effet marginal
consiste à la réponse à la question : « Quelle est la
variation de la probabilité de l’événement ( y=1) en
cas de variation d’une des variables explicatives ?
L’effet marginal pour chaque variable explicative
est obtenu en calculant la moyenne des effets
marginaux individuels (pour chaque observation).
Tous ces calcules sone obtenus à l’aide de
l’EXCEL :
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie

Dependent Variable: Y2 confort que le métro offre. Concernant la variable

Method: ML - Binary Logit
TAI, plus la famille est nombreuse, plus le choix de
bus est grand.
Sample: 1 948

Included observations: 948

Convergence achieved after 4 iterations

Nous constatons que la variable cout de bus n’est
pas significative et que son signe est positif. Il est
Covariance matrix computed using second derivatives contraire à la théorie microéconomique qui affirme
que le prix et la demande d’un bien sont
Variable Coefficient Std. Error z-Statistic Prob. inversement proportionnels : les tarifs proposés par
les sociétés de transport pour bus semble acceptable
C 2.686511 0.718726 3.737879 0.0002 et peut supporter encore une légère augmentation.
TAI 0.211123 0.093536 2.257131 0.0240

PV -1.548489 0.502655 -3.080619 0.0021

5. CONCLUSION
DRM -0.061324 0.014788 -4.146861 0.0000

Mean dependent var 0.758454 S.D. dependent var 0.429058

L’objectif de cette étude consiste à estimer la
S.E. of regression 0.383735 Akaike info criterion 0.985622
demande individuelle de transport urbain pour la
Sum squared resid 29.89231 Schwarz criterion 1.050022 ville de Tunis en ayant recours aux modèles de
choix discret. A la lumière des résultats obtenus,
Log likelihood -98.01188 Hannan-Quinn criter. 1.011665
plusieurs idées essentielles se dégagent :
Restr. log likelihood -114.4410 Avg. log likelihood -0.473487

LR statistic (3df) 32.85833 McFadden R-squared 0.143560

La problématique relative aux déterminants du
Probability(LR stat) 3.45 E-07
choix modal représente un champ d’investigation
encore peu exploré ; étudier les déterminants du
Obs with Dep=0 403 Total obs 948
choix modal nécessite la prise en compte d’autres
Obs with Dep=1 545 éléments subjectifs. Les variables socio-
économiques jouent un rôle déterminant dans
Tableau 3 : Modèle LOGIT réduit (étape 2) l’explication du choix modal des individus.

La modélisation économétrique de comportement

Les effets marginaux des variables sont :
variables TAI PV DRM
dy/dx 0.04 -0.37 -0.004
Tableau 4 : Effets marginaux des variables (étape 2)
Nous remarquons que dans le choix entre
l’utilisation de bus et du métro, seulement les
variables TAI, PV, DRM sont significatives au
seuil de 5% ;
De point de vue économique, la variable PV a un
signe significatif : le fait de disposer d’une voiture
particulière diminue la probabilité de choisir le bus
pour se déplacer. S’agissant de la variable DRM, le
résultat est médiocre ; même si la durée du voyage
s’allonge en métro, les utilisateurs continuaient à
emprunter ce moyen et ne se rabattraient pas sur le
transport par bus. Ceci est contraire à la logique,
cependant il pourrait s’expliquer par le plus de
individuel de déplacement est très intéressante
comme étape primordiale dans la régulation du
trafic et le choix d’investissement en matière des
infrastructures du transport.
Cependant, la modélisation proposée est de type
statique ne prenant pas en compte l’hétérogénéité
des comportements dans le temps et dans l’espace.
Comment intégrer les facteurs psychologiques, et
surtout l’habitude dans la modélisation du
comportement individuel de déplacement ?
Une autre question fondamentale porte
essentiellement sur l’opérationnalité d’un tel
modèle « simplifié », dont le fondement est que le
cout généralisé reste la variable la plus importante
pour expliquer le comportement individuel.
Pour des applications futures, il serait plus
judicieux d’utiliser des spécifications moins
contraignantes, notamment le Logit emboité pour
mieux cerner la demande de transport urbain pour
la ville de Tunis.
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie
REFERENCES
Ben-Akiva, M. and Bierlaire M., 1999. Discrete
choice methods and their applications to short-term
travel decisions. Handbook of Transportation
Science, 23, Kluwer.
Bhat C., 2005. A multiple discrete–continuous
extreme value model: formulation and application
to discretionary time-use decisions. Transportation
Research Part B, vol 39, p. 679–707.
Bhat R., 2007. The multiple discrete-continuous
extreme value model; role of utility function
parameters, identification considerations, and
model extensions. Transportation Research Part B,
vol 32.
Bonnel P., 2005. Prévoir la demande des transports.
Presses de l’école nationale des ponts et chaussées,
INBN 2-85978-395-4.
Cascetta E., 2001. Transportation Systems
Engineering: Theory and Methods. Kluwer
Academic Publishers.
Cinzia C., 2005. Les modèles de choix discrets.
Eurequa working Paper, N 3/2005.
De Lapparent M ., 2005. Déplacements D-T en île
de France et choix individuels du mode de
transport . L’actualité économique, Revue d’analyse
économique, vol 61, n 3.
De Palma A., Fontan C., 2001. Choix modal et
valeurs du temps en Ile-de-France. N° 2001-20.
De Palma A., Nathalie P., 2007. Modèles des choix
discrets ; Application en transport. 9ère journée
Transport ESSEC.
Domenich, T. and D. McFadden., 1975. Urban
Travel Demand: a behavioral analysis. North-
Holland, Amsterdam.
Dobruszkes F. et al., 2002. Reflexions sur l’usage
des modèles dans les etudes de transport et les
sciences socials. Recherche Transport sécurité, N
74, Janvier- mars 2002, p.1-25.
Flamm M., 2004. Les déterminants des pratiques et
des présentations individuelles des moyens de
transport. Thèse N°2897 Lausanne, EPFL.
Faire D’Acier B,. 2001. Hypothetical Situations :
The attempt to find new behavioral hypotheses in
Transport Surveys : Raising the standard.
Transportation Research Circular E-C008, II-L p.1-
18.
Goodwin P., Cairus S., Vythoulkas P., 2004.
Changing travel behaviour. ESRC Transport
Studies Unit, university college London, Preprint
based on the final TSU conference, September
2004, p. 38.
Goulias K.G., 2000. Travel behaviour and Values
research for human centered transportation systems.
Committee on traveller behaviour and values, The
Pennsylvania State University, 6 p.
Guiguené A., 2004. Attitudes et opinions vis-à-vis
des modes de transport, comment susciter un report
modal ?. Transportation Research Part E 27, p. 256-
271.
Hensher D., Small K., 2005. Handbook of transport
Modelling. Handbooks in transport, volume 1/2005.
Iragael J., Masson S., 2006. Les déterminants de la
demande en transports collectifs urbains. Les
cahiers scientifiques du transport, N 50, p. 91-120.
Kockelman K.M., Krishnamurthy S., 2004. A new
approach for travel demand modelling: linking
Roy’s Identity to discrete choice. Transportation
Research Part B, vol38, p.459–475.
Kaufmann V., 1997. Sociologie de la mobilité
urbaine. Thèse de doctorat en sociologie. Ecole
polytechnique fédérale de Lausanne, 338p.
Laurent P., 2000. Modélisation des transports
urbains ; Approches désagrégées. Transportation
Research, vol 33, p.354- 367.
Lollivier S., Marpsat M., 2001. L’économétrie et
l’étude des comportements. Présentation et mise en
œuvre de modèles de régression qualitatifs. Les
modèles uni variés à résidus logistiques ou
normaux (logit, probit). Document n 0001, série
des documents de travail, Méthodologie Statistique,
INSEE.
Masson S., 1998. Interactions entre système de
transport et système de localisation. Les cahiers
scientifiques du transport, N 33, p.79 -108.
Masson S., 2000. Les interactions entre système de
transport et système de localisation et leur
modélisation. Thèse de Doctorat en sciences
Economiques, spécialité Economie des Transports,
Université Lumière Lyon 2, p.470.
Masson J., 2007. La mobilité au quotidien ; entre
choix individuel et production sociale. Cahiers
internationaux de sociologie, vol CXV111, p. 81-
100.
McFadden D., 1974. The measurement of urban
travel demand. Journal of Public Economics, vol
3,p. 303-328.
 MOSIM’10 – 10 au 12 mai 2010 – Hammamet - Tunisie

Offner J.M., 1995. La socio-économie des

transports, histoire critique. In acte du séminaire
ville et transport. Tome II. Plan urbain- direction de
l’architecture et de l’urbanisme, Paris, p. 239-246.

Orfeuil J.P., Massot M., 2005. La mobilité au

quotidien, entre choix individuel et production
sociale. cahiers internationaux de sociologie, Vol
CXVIII ,p.81-100.

Panagiolis T., 1980. Contribution à l’étude de la

demande de transport ; Pertinence de modèles
désagrégés. Thèse de doctorat, N 377/1980.

Petit J., 2003. Cinq logiques de mobilité et leurs

conséquences sur la planification des déplacements
urbains. Les cahiers scientifiques du transport, N43,
p.35 -58.

Simma A., Axhausen K., 2004. Interactions

between travel behaviour, accessibility and personal
characteristics. Working Paper, November 2003,
p.25.

Thevenin T., 2002. Quand l’information

géographique se met au service des transports
publics urbains. Thèse de doctorat en géographie.
Université de Franche comté. Décembre 2002,
261p.

View publication stats