Mobilité urbaine: le meilleur algorithme ne sert à rien si personne ne lui fait confiance

Nous n’avons jamais autant su comment les villes bougent. Mais transformer ce savoir en trajets plus fluides, plus propres et plus équitables reste un défi. Le principal obstacle à la mobilité durable n’est peut-être pas technologique, mais politique et organisationnel.

En effet, des applications suivent les autobus en temps réel, des capteurs comptent voitures et piétons, des algorithmes anticipent les embouteillages… L’intelligence numérique, qui permet de développer des méthodes analytiques fondées sur les données, promet même aux réseaux de bus d’ajuster leur fréquence à la demande ou de faire des livraisons coordonnées avec moins de véhicules.

Et pourtant, traverser une ville reste souvent une épreuve: pannes, congestion, livraisons en double file qui bloquent autobus et cyclistes, quart de nuit qui se termine quand le métro ne passe plus, etc.

Données mal exploitées

Améliorer la mobilité urbaine sans augmenter la pollution ni les inégalités d’accès suppose précisément de mieux exploiter les données déjà disponibles plutôt que de construire davantage d’infrastructures.

Un constat se dessine: les données de mobilité sont encore mal exploitées. Elles ne transforment la mobilité que si elles sont partageables, représentatives et actionnables.

Comment, dans ces conditions, faire des données un véritable levier de transport durable?

C’est la question que nous avons explorée avec des chercheurs en transport et recherche opérationnelle venant du GERAD, du CIRRELT, de la SCRO et des acteurs québécois de la mobilité, notamment lors d’un symposium tenu le 17 mars 2026 à HEC Montréal.

Ce que les données ne voient pas

Tout d’abord, les données utilisées doivent refléter la réalité. Des travaux menés à Toronto l’ont montré: des itinéraires de livraison optimaux avec les données classiques disponibles étaient souvent ignorés des conducteurs, qui savaient qu’une intersection était impraticable ou préféraient une route familière.

Lorsque les recommandations sont conçues pour «faire sens» à leurs yeux, elles sont bien mieux suivies.

Or, pour que ces recommandations reflètent la réalité, encore faut-il des données qui décrivent correctement les déplacements des usagers. La mobilité durable se joue alors principalement sur la qualité et le partage des données plutôt que sur d’autres innovations attendues comme l’intégration tarifaire.

La circulation des données, c’est-à-dire le partage fluide des informations entre usagers, opérateurs et agences publiques, devient alors l’enjeu central de la mobilité durable.

Carrefour de données ouvertes

C’est dans cette perspective que des acteurs québécois de la mobilité agissent déjà. L’Autorité régionale de transport métropolitain (ARTM) prépare ainsi un carrefour de données ouvertes inspiré de Londres, où la politique d’ouverture de Transport for London génère, selon une analyse de Deloitte, jusqu’à 130 millions de livres de valeur par an.

Le partage des données se traduit par des déplacements plus nombreux, du temps de trajet épargné par les usagers grâce aux applications de planification en temps réel, de la valeur ajoutée créée par plus de 600 applications développées à partir de ces données, utilisées par plus de 40% des Londoniens. Le tout sans investissement public additionnel.

Mais cette volonté de partage se heurte à une logique inverse du côté des acteurs privés: dès qu’une plate-forme cherche à devenir dominante, garder les données pour soi devient un avantage concurrentiel, freinant l’ensemble de l’écosystème.

Transit, une application multimodale présente dans plus de mille villes, l’a observé directement: de nombreuses agences de transport souhaitent ouvrir leurs données, mais des acteurs privés ralentissent le mouvement.

Trois tensions principales freinent ce partage de données: le manque de normes communes, la mauvaise représentation des usagers et la perte d’informations.

Des données qui ne se parlent pas

La première tension est prosaïque: il n’existe souvent pas de normes communes pour collecter et formater les données de mobilité.

Résultat, les jeux de données d’un opérateur se combinent mal avec ceux d’un autre, et l’information reste cloisonnée là où il faudrait la croiser. À Montréal, les règles de stationnement en sont un exemple: chaque arrondissement gère ses règles différemment, rendant l’unification compliquée à l’échelle de la ville.

Sans normes communes, même les meilleures données restent difficiles à exploiter: un algorithme entraîné sur les données d’un réseau ne peut pas être directement appliqué à un autre, et les décisions prises à l’échelle d’un opérateur ne peuvent pas être optimisées à l’échelle du système entier.

L’interopérabilité, c’est-à-dire la capacité des systèmes à échanger et utiliser les données des uns et des autres, est la condition pour que l’intelligence numérique produise des gains réels à l’échelle de la ville.

Par ailleurs, les sociétés de transport ne sont pas toujours propriétaires de leurs propres données selon les contrats de collecte passés avec des entreprises privées. Sans référentiel partagé et accord entre acteurs, chacun optimise dans son silo, et les gains réalisables à l’échelle du système entier restent hors d’atteinte.

Qui est représenté dans les données?

La deuxième tension touche à la représentation.

Les systèmes sont pensés pour un usager «moyen» qui n’existe pas. Or, les moins bien servis sont souvent les moins présents dans les données qui servent à concevoir ces systèmes. Ce n’est pas qu’un enjeu statistique: ces usagers dépendent le plus du transport collectif.

Des enquêtes plus inclusives permettraient de les rendre visibles. C’est précisément l’enjeu que l’ARTM cherche à adresser: repérer où se creuse l’écart entre l’offre et la demande, en particulier là où se concentrent les populations vulnérables.

Des données plus représentatives permettraient par exemple d’identifier les zones où l’absence de service contraint les ménages à faibles revenus à posséder une voiture alors qu’un ajustement de fréquence ou de tracé suffirait à les en dispenser.

Améliorer le service suppose donc de comprendre des comportements et des besoins réels, et cela commence par collecter des données qui reflètent qui utilise vraiment le réseau, et qui en est exclu.

Anonymiser sans rendre inutile

La troisième oppose vie privée et utilité.

Pour protéger les usagers, on anonymise les données, mais une anonymisation aveugle peut effacer l’information même qui les rendait précieuses. Impossible, par exemple, de relier la consommation d’un autobus électrique à un style de conduite pour apprendre à rouler plus sobrement. Protéger les usagers et bien les servir tirent dans des directions opposées.

De nombreuses recherches illustrent l’importance d’avoir le profil et les préférences des utilisateurs pour cibler l’offre. Par exemple, les recherches sur l’autopartage menées avec Communauto montrent que si le service venait à disparaître, une part importante de ses membres achèteraient une voiture, entraînant une hausse directe du nombre de véhicules privés en circulation.

Ce bénéfice environnemental n’a pu être quantifié que parce que les usagers acceptent de divulguer leurs données de déplacement. Il en est de même pour les bornes de recharge de voiture: les conducteurs sont très différents les uns des autres, et un réseau conçu comme s’ils étaient identiques sature à certains endroits et reste désert ailleurs.

L’algorithme n’est pas l’obstacle

Ces trois freins ont un point commun: aucun n’est d’ordre technique.

La pression sur les routes, elle, ne faiblit pas: avec l’essor du commerce en ligne, le nombre de véhicules de livraison pourrait croître de plus de 60% dans le monde d’ici 2030, et la livraison par drone gagne les villes plus vite que les règles ne s’écrivent.

L’intelligence numérique n’est pas encore le frein. Ce sont les systèmes d’incitatifs, de normes, de confiance et de volonté politique qui décident si de meilleurs outils deviennent de meilleures villes. La recherche continue d’avancer, mais l’écart se creuse avec les conditions pour l’exploiter. Combler cet écart est un défi de gouvernance et aucun algorithme ne le relèvera seul.

– Contributeurs: Antoine Legrain, professeur au département de mathématiques et génie industriel, Polytechnique Montréal; Okan Arslan, professeur agrégé en recherche opérationnelle, HEC Montréal; Olivier Bahn, professeur en sciences de la décision, HEC Montréal.