Revue de littérature — Simulation multi-agents du covoiturage
1. Introduction
Le covoiturage constitue un mode de transport alternatif dont le potentiel de réduction des émissions et de la congestion est reconnu, mais dont l’adoption reste faible en pratique (typiquement 4 à 10 % des déplacements domicile-travail). La simulation multi-agents (SMA) offre un cadre privilégié pour comprendre les mécanismes par lesquels des comportements individuels produisent — ou non — l’émergence d’un système de covoiturage viable à l’échelle collective.
2. Modèles agent-based du comportement de covoiturage
2.1 Le modèle de référence : Galland et al. (2014)
Le travail fondateur de Galland et al. (2014) propose un modèle ABM complet du covoiturage implémenté sur la plateforme Janus, alimenté par les données d’activités FEATHERS (Flandres, Belgique). Le modèle décompose le comportement carpooleur en cinq activités séquentielles : sélection du mode, matching, négociation, conduite et feedback. Le matching combine similarité de profil, de trajet et d’intervalle temporel. La réputation des conducteurs évolue dynamiquement via un mécanisme de gossip dans le réseau social. Sur 1 000 agents, le taux de covoiturage émerge à 4 %, cohérent avec les données terrain.
2.2 Négociation et contraintes d’activités : Hussain et al. (2016)
Hussain et al. (2016) approfondissent la phase de négociation en modélisant explicitement les contraintes d’activités individuelles (horaires fixes, dépendances entre activités). Ils montrent que la flexibilité horaire est le déterminant principal du succès de la négociation — une contrainte locale qui produit un effet global sur le taux d’adoption. Ce résultat illustre directement le mécanisme d’émergence : des règles individuelles simples (horaires contraints) génèrent un pattern collectif (faible adoption) sans qu’aucun agent ne “décide” du taux global.
2.3 Passage à l’échelle : Hussain et al. (2017)
Face aux limitations computationnelles des modèles microscopiques, Hussain et al. (2017) proposent un modèle agrégé par groupes socio-démographiques. Ce travail soulève une question fondamentale pour la recherche sur l’émergence : à quel niveau de granularité les propriétés émergentes sont-elles préservées ? La tension entre fidélité comportementale et scalabilité reste ouverte.
3. Simulation à grande échelle : MATSim
Wang (2017) implémente le ridesharing dynamique dans MATSim, framework d’assignation dynamique itérative développé à l’ETH Zurich. MATSim adopte une approche complémentaire : chaque agent optimise son agenda quotidien en compétition avec les autres, le système convergeant vers un équilibre de Nash approximatif. Cette approche top-down calibrée contraste avec l’approche bottom-up émergente de Janus/FEATHERS — les deux paradigmes produisent des comportements agrégés comparables mais par des mécanismes radicalement différents.
4. Facteurs comportementaux et adoption
Au-delà des modèles computationnels, Deterding et al. (2021) recensent les déterminants psychologiques de l’adoption : attitudes, normes sociales perçues, confiance, et facteurs incitatifs. Leur cadre conceptuel identifie le revenu comme facteur négatif et la confiance envers les partenaires comme facteur clé — ce qui rejoint directement le mécanisme de réputation modélisé par Galland et al.
5. Synthèse et positionnement
La littérature converge vers trois constats :
-
L’émergence du covoiturage est fragile : de petites variations dans les contraintes individuelles (flexibilité horaire, profil socio-économique, confiance) produisent des variations importantes du taux d’adoption collectif — signature d’un système complexe sensible aux conditions initiales.
-
Le matching est le goulot d’étranglement : la compatibilité trajet + horaire + profil constitue la contrainte principale, plus que la volonté de covoiturer en soi.
-
La scalabilité reste un défi ouvert : les modèles comportementalement riches (Janus) ne passent pas à l’échelle ; les modèles scalables (MATSim) sacrifient la finesse comportementale.