Les limites des modèles socio-économiques de prévision des mobilités sont aujourd’hui identifiées. Pourtant, malgré cette prise de conscience et une volonté partagée de faire évoluer les pratiques, les modèles ne se transforment pas du jour au lendemain. Pourquoi ces évolutions prennent-elles du temps ? Qu’est-ce qui freine aujourd’hui le passage à l’échelle ? Et quelles pistes concrètes permettent d’avancer sans fragiliser la décision publique ?
Les modèles dits « de nouvelle génération », en particulier les modèles multi-agents, reposent sur des ruptures technologiques récentes. Ils nécessitent des compétences en codage et des données fines, à l’échelle de l’individu. Longtemps cantonnés au monde académique, ces outils commencent à se diffuser mais restent encore relativement rares dans les territoires, qui ont massivement investi dans les modèles de génération précédente dits « modèles 4 étapes ».
Pour nous faire progresser collectivement, il est nécessaire de commencer à déployer les modèles multi-agents à un niveau opérationnel, de les comparer aux modèles existants et de les utiliser de manière complémentaire, afin de tester leur robustesse avant un usage généralisé. Cette logique permet d’intégrer l’innovation tout en capitalisant sur les outils préexistants, dans leurs domaines de pertinence respectifs.
Développer de nouveaux modèles implique des investissements importants : compétences spécialisées, infrastructures de calcul, temps de recherche et d’ingénierie. À cela s’ajoutent les coûts de maintenance et d’actualisation des outils dans la durée. Dans un contexte de contrainte budgétaire, ces investissements doivent être justifiés par une valeur ajoutée réelle pour la décision publique.
Une approche collective à travers des investissements ciblés pour une mutualisation des coûts, une mobilisation des expertises académiques et une production d’outils partageables avec l’ensemble des maîtres d’ouvrage, en privilégiant des logiques Open Source, permettraient une reproductibilité d’un territoire à l’autre en favorisant à la fois la comparabilité des résultats et les économies d’échelle. L’enjeu n’est pas de réinventer l’ensemble des modèles, mais d’investir là où les gains méthodologiques sont les plus décisifs.
