Données d’accidentalité et données de mobilité : le mix gagnant pour la sécurité routière

Les données d’accidentalité : une information nécessaire mais plus suffisante

Sur le réseau routier français, les données d’accidentalité sont compilées dans des fiches BAAC (Bulletin d’Analyse des Accidents Corporels). Elles regroupent les informations renseignées par les forces de l’ordre (Police, Gendarmerie, CRS) et relatives aux accidents ayant causé des dommages corporels. Après avoir été soumises à 2 niveaux de contrôle qualité et validées par les observatoires départementaux de la sécurité routière (ODSR), ces données sont labellisées par l’Autorité de la Statistique Publique. En moyenne, 60 000 fiches BAAC sont remontées et analysées chaque année.  

Quels types d’informations sont capturées via les fiches BAAC ?

• Le lieu de l’accident
• La date et l’heure de l’accident
• La description des véhicules impliqués
• Les détails sur la route (croisement, intersection)
• La vitesse maximale autorisée à l’endroit de l’accident
• Les facteurs liés au conducteur (vitesse excessive, somnolence, distraction, dépassement dangereux, consommation d’alcool ou de drogue…)
• Les facteurs liés au véhicule (éclatement pneumatique, incendie du véhicule, défaillance technique…)
• Les facteurs liés à l’état de la route (chaussée glissante, nid de poule, virage dangereux…)
• Les parties impliquées (âge, sexe, nationalité)

 

Quelles sont les limites des données d’accidentalité ?

Les données d’accidentalité sont très utiles pour identifier a posteriori les zones accidentogènes, analyser les circonstances et déterminer les causes des accidents. Néanmoins, elles reposent uniquement sur l’analyse des accidents graves avec dommages corporels déclarés et les indicateurs ne prennent donc pas en compte les accidents légers, ni les « presqu’accidents  » ou « quasi accidents » (situations dangereuses qui auraient pu entraîner un accident).

Les données de comportement de conduite : un complément essentiel pour prévenir les accidents routiers

Pour compléter l’analyse des statistiques d’accidentalité, de nombreuses données de mobilité sont disponibles aujourd’hui, parmi lesquelles les données de comportements de conduite qui, transformées et contextualisées, permettent d’évaluer précisément les zones à risque.  

L’enjeu

Passer d’une vision post-accidentelle à une approche préventive en s’appuyant sur l’analyse de données réelles de comportements de conduite.  

L’objectif

Réduire les accidents en identifiant les « presqu’accidents » qui impliquent des comportements atypiques et qui, jusqu’ici, n’étaient pas pris en compte.  

Le principe

Capturer des données via un principe de boîtier GPS embarqué ou une application smartphone puis les enrichir et les contextualiser avant de les analyser pour identifier les comportements à risque :

• Accélérations
• Freinages
• Niveau de vitesse anormal ou à risque
• Vitesses excessives ou inadaptées au contexte

   

Le bénéfice

L’analyse de données de comportement de conduite agrégés sur une population permet de révéler les presqu’accidents (occurrence et intensité des comportements atypiques) et ainsi d’identifier et caractériser les zones à risque. Le bénéfice est de pouvoir anticiper les opérations de maintenance et ainsi améliorer la sécurité des routes. Grâce à l’analyse fine des comportements de conduite, il est désormais possible de détecter les risques avant même qu’un accident ne se produise… Et ça peut sauver des vies !    

Bienvenue dans l’analyse intelligente des données de mobilité !

Avec ce développement croissant de données de mobilité, une question se pose : comment faire de ces données de réels outils d’aide à la décision ? En effet, la simple restitution de données brutes ne possède qu’un intérêt limité et ne débouche pas immédiatement sur un réel plan d’actions. La solution passe par une analyse intelligente des données pour mieux comprendre les comportements, les contextualiser afin d’identifier et sécuriser les zones à risque.    

Mais alors, comment rendre les données intelligentes ?

Toute la valeur ajoutée des « data scientists » réside dans leur capacité à transformer de simples données brutes en  véritables leviers d’action. Pour les décideurs et gestionnaires d’infrastructures, cela signifie bénéficier d’informations directement exploitables afin de planifier les opérations de maintenance ou de sécurité routière sur leur réseau routier. Le challenge aujourd’hui consiste à trouver un service couvrant la chaîne complète de traitement et d’analyse fine des données :

• Capture des données brutes en continu pour obtenir un maximum de détails sur le comportement de conduite.
• Enrichissement via données de contexte (météo, jour/nuit…) et transformation avec algorithmes et modèles.
• Restitution des données interprétées et exploitables sous forme d’outils d’aide à la décision opérationnels.

   

Virages Atypiques par Michelin DDI : Prévenir les accidents en identifiant les zones de virage à risque

Spécialiste de la donnée intelligente actionnable, Michelin DDI a conçu une plateforme de services basés sur l’analyse des comportements de conduite. L’objectif ? Simplifier et optimiser l’évaluation et la gestion des réseaux routiers aux décideurs et gestionnaires d’infrastructures.   Parmi ces offres, Michelin DDI propose un service « Virages Atypiques ».    

L’objectif :

Prévenir les accidents en identifiant précisément les virages à risque.  

La solution :

Un service d’aide à la décision qui détecte les comportements atypiques et restitue un indicateur compris entre 0 et 1, cote de risque attribuée à chaque virage et corrélée aux données d’accidentologie, permettant d’identifier les virages à risque sur un territoire.    

Les bénéfices :

• Un diagnostic digital simplifié avec une analyse des données de comportement de conduite, pouvant s’intégrer dans le système SIG des collectivités
• Une aide à la décision opérationnelle pour prioriser les investissements en maintenance en se basant sur des faits réels
• Un gain en autonomie et économie avec un outil fiable et facile à utiliser
• Une mesure de l’impact des actions entreprises grâce à une analyse comparative des indicateurs avant / après