III. Conclusion

Pour modéliser l’évolution des volumes globaux de trafics à longue distance, deux méthodes de modélisation sont habituellement utilisées : calage de modèles macro-économiques sur séries temporelles ou calage de modèles sur une enquête à une date donnée.

Les modèles calés sur données d’enquêtes utilisent toute la richesse d’information sur les caractéristiques des individus et des motifs. Toutefois ces modèles produisent des élasticités en coupe transversale calculées à partir de différences inter-catégorielles à une date donnée. Utilisés en projection, ces modèles risquent de produire des biais. Pour produire des modèles fiables en projection, il serait utile de construire des modèles âge-cohortes afin de bénéficier d’information dynamique. Malheureusement, compte-tenu de l’évolution des méthodologies d’enquêtes et de la faible taille des échantillons, les enquêtes transports de 1982 et 1993 sont difficilement comparables (chapitre 1).

Compte-tenu de la croissance rapide des flux à longue distance, il paraît important, dans le cadre de projections macro-économiques de long terme, de privilégier l’information dynamique et l’identification de relations temporelles de long terme entre les trafics et les principales variables macro-économiques explicatives. Les modèles calés sur séries temporelles présentent toutefois des inconvénients. Les articles de recherche que nous avons pu recenser portent largement sur les techniques économétriques de calage : pertinence de l’introduction de termes de retards, spécification en niveaux ou en taux de croissance, et plus récemment techniques de cointégration. L’analyse des dynamiques temporelles et les techniques de calage s’avèrent être en effet des éléments tout à fait essentiels de la modélisation sur séries temporelles. Toutefois, la pertinence de l’architecture des modèles et de la spécification des variables explicatives constituent aussi des éléments d’analyse de l’opérationnalité. Les modèles de simulation des trafics nationaux totaux sont presque toujours des modèles de demande directe. Or ces modèles perdent la logique de génération – choix modal. Il est possible d’adopter une structure de modélisation génération – partage modal calée sur séries chronologiques. Toutefois lorsque la demande est composée d’une superposition de marchés hétérogènes, une segmentation de la demande serait utile pour améliorer la pertinence… ce qui conduit à un problème de mesurabilité. Par ailleurs, les modèles calés sur des séries chronologiques annuelles utilisent un faible nombre de variables explicatives et ces variables sont fortement agrégées. Or une même variable explicative peut correspondre à des évolutions contrastées de la structure d'offre de transport et donc à des variations diverses des trafics globaux… ce qui soulève le problème de la pertinence de la formulation des variables explicatives introduites dans la modélisation.

Le chapitre suivant vise à tester de façon pratique, et analyser sous l’angle de l’opérationnalité, différents modèles calés sur séries chronologiques globales. Plusieurs architectures de modèles y sont testées. Dans le chapitre 4, nous nous appuyons constamment sur les éléments théoriques explicités dans le présent chapitre 3, que ce soit l’inventaire des différentes spécifications possibles pour les modèles de demande directe et de partage modal, les propriétés de ces modèles (par exemple la propriété IIA pour le logit multinomial), ou bien les difficultés de calage (conséquence d’une corrélation de variables ou de l’existence d’un trend dans les trafics et les variables explicatives).