Saint-Quentin
1 - Le contexte et la problématique
En début 2018, la mairie de Saint Quentin, les commerçants du centre-ville et les citoyens se sont réunis dans le cadre du projet européen SCIFI autour de trois ateliers thématiques (mobilité, énergie et environnement) dont l’objectif était d’identifier les principaux défis urbains. En ce qui concerne la mobilité, les regards des participants ont convergé sur les problématiques de stationnement, dont les infractions. Une des principales pistes avancées a été celle de l’utilisation de technologies destationnement intelligent pour contribuer à résoudre des problèmes relatifs au stationnement.
En 2020, la ville de Saint Quentin a été retenue dans l’appel à manifestations d’intérêt (AMI) Open Data Action Cœur de Ville pour bénéficier d’un accompagnement individuel et collectif portant sur l’usage des données territoriales pour résoudre des problématiques de mobilité. Dans la continuité de la démarche initiée en début 2018, la ville a décidé de focaliser l’accompagnement indivduel sur comment utiliser les données pour contribuer à résoudre la problématique des infractions de stationnement. Ce document présente les résultats de l’accompagnement individuel mené par Chronos dans le cadre de l’AMI open data Action Cœur de Ville en ce sens. Dans le reste de cette section nous analyserons la problématique des infractions de stationnement et les objectifs de l’accompagnement qui en découlent.
1.1 La problématique des infractions de stationnement
Le centre-ville fait face à un défi urbain relatif aux infractions de stationnement. Plusieurs profils d’infracteurs ont été identifiés par la police municipale sur la base de l’expérience de ses agents, à savoir:
Les personnes qui travaillent en centre-ville et stationnent toute la journée en zone verte
Les personnes qui se garent en zone orange (hypercentre) pour faire leurs courses
Les personnes qui se rendent entre 12h et 14h à proximité des zones denses en locaux de restauration
Les personnes stationnent dans des espaces interdits pendant les jours de marché (mercredi et samedi)
Les usagers de passage en zone orange et jaune
Les infractions ne semblent pas être motivées par une insuffisance de places de stationnement. En effet, Saint-Quentin a actuellement 1 283 places payantes en voirie auxquelles s’ajoutent 53 places payantes les samedis. La ville compte également avec environ 2 700 places gratuites en voirie. En outre, plusieurs parkings localisés en centre-ville ou à moins de 10 min à pied de celui-ci existent :
Parking Hôtel de Ville (payant et sous-terrain) : 281 places
Parking Liberté (gratuit) : 200 places
Parking Gambetta (gratuit) : 40 places
Parking Michelet (payant) : 100 places
Ceci fait un total de 4 621 places de stationnement pour un centre-ville à taille réduite. En effet, celui-ci peut être traversé en environ 30 min à pied (2 km).
Compte-tenu du taux de détection d’infractions subi et du niveau des forfaits post stationnement (FPS) et amendes associées à chaque type d’infraction (voir encart ci-dessous), les automobilistes mettent en œuvre des stratégies visant à prendre le risque de ne pas payer ou de dépasser le temps payé, ce qui diminue le taux de rotation des places de stationnement en centre-ville et nuit ainsi à son attractivité.
En effet, le fonctionnement du contrôle des infractions de stationnement ne permet pas d’optimiser la détection d’infractions. La police municipale a actuellement 3 équipes de 2 personnes dédiées au contrôle des infractions de stationnement dont deux actives chaque jour. Le centre-ville est divisé en 6 zones. Chaque jour deux équipes de 2 personnes sont envoyées à une heure et une zone déterminées de manière aléatoire par l’agent de maitrise. Les agents doivent contrôler chaque voiture de la zone sans savoir en amont lesquelles sont en infraction ou quelle serait la probabilité de trouver des voitures en infraction dans la zone (voire la rue) surveillée. De ce fait, les agents n’arrivent pas à contrôler toutes les zones en un seul jour et ne ciblent pas les zones ou rues où les infractions sont les plus récurrentes, ce qui contribue à rendre le taux de détection d’infractions bas et donc facilite les infractions de stationnement. Par ailleurs, la police municipale n’a pas actuellement la capacité à estimer quel est le taux d’infractions non détectées ni à exploiter des données qui lui permettent d’identifier des lieux ou des heures où les infractions de stationnement soient plus récurrentes et cibler ainsi le contrôle.
1.2 L’ambition : utiliser les données pour agir plus efficacement sur les infractions de stationnement
En parallèle, la ville de Saint Quentin dispose actuellement d’une variété de sources de données numériques relatives au stationnement et à la mobilité en général, à savoir :
11 jeux de données produits dans le cadre du projet européen SCIFI (places de parking réservées au PMR, noms et localisation des rues, événements culturels...) en lien avec la mobilité
Les données de mobilité du portail open data mutualisé avec l’agglomération
Les données relatives à l’occupation et le paiement des places payantes sur voirie issues des
horodateurs produites par le prestataire IEM
Les données relatives au paiement des places payantes sur voirie via smartphone produites par le prestataire Flowbird
Un tableau Excel dans lequel les différentes directions de la mairie mutualisent des informations sur l’occupation de l’espace public (lieu et endroit) liées à un événement (par exemple, une manifestation sportive).
Des données sur les infractions verbalisées issues du progiciel de la police municipale Edicia
La ville de Saint-Quentin est également impliquée dans le projet européen SCIFI, lequel se déroule suivant un calendrier similaire à celui de l’AMI. Dans ce cadre, la ville est en train de mener une expérimentation consistant à installer des capteurs et des caméras qui couvriront autour de 79 places en voirie (55 places dans la Place de la Basilique et 24 dans la rue de Vesoul) et permettront à la start-up Communithings (partenaire dans le cadre du projet SCIFI) de produire de nouvelles données d’occupation des places de stationnement sur voirie. Le déploiement à plus grande échelle de solutions smart parking sont envisageables dans le futur.
Le projet SCIFI
Lancé en juillet 2017, le projet SCIFI (Smart City Innovations Framework Implementation) est une initiative européenne, financée par le programme Interreg 2 Mers, visant à aider des villes moyennes à améliorer leur utilisation des données publiques afin d'améliorer les services publics, impliquer les citoyens et éclairer la prise de décision locale. Il s’inscrit dans une démarche de ville intelligente où les données publiques sont utilisées pour aider la ville à être à la fois plus efficace, efficiente, durable et inclusive.
Les villes impliquées dans le projet, Saint-Quentin, Bruges et Malines (Belgique), Delft (Pays-bas) vont identifier en collaboration avec leurs citoyens des défis dans les domaines de la mobilité, l’énergie et l’environnement. Avec le soutien de clusters d’innovation, à savoir le Faubourg Numérique (Saint-Quentin), Agoria (Belgique) et Cambridge Cleantech (Royaume-Uni) ainsi que l’université de Southampton (Royaume-Uni), les villes apporteront par la suite une réponseconcrète à ces défis en développant des solutions innovantes dans le cadre d’un programme d’accélération associant partenaires publics et privés.
Dans ce contexte, la ville de Saint Quentin a candidaté à l’AMI open data Action Cœur de Ville dans l’objectif d’être accompagnée sur comment utiliser les données de mobilité dont elle dispose et dont elle disposera une fois le projet SCIFI achevé pour mieux contrôler les infractions et, par ce biais, améliorer la situation du stationnement en centre-ville. Ce document présente le travail mené par Chronos en ce sens auprès de la ville de Saint-Quentin dans le cadre de l’AMI. Suite à des entretiens avec la police municipale, nous avons précisé cet objectif.
2 - Exploiter les données de mobilité pour améliorer le contrôle des infractions de stationnement
L’objectif principal de cette étude consiste à mieux utiliser les données pour décourager les infractions. Pour y aboutir, deux types de défis doivent être soulevés.
Premièrement, un défi relatif à l’exploitation des données dont cette section fait l’objet. Il s’agira de détecter quelles sont les données disponibles actuellement et lesquelles pourront être obtenues dans le futur pour proposer une exploitation des données qui permette à la police municipale d’agir de manière plus efficace dans la réduction des infractions.
Deuxièmement, un défi relatif à l’information voyageur. Actuellement les automobilistes ne savent pas bien où trouver des places de stationnement et se plaignent de qu’il en manque alors que, comme montré plus haut, celles-ci sont suffisantes. De ce fait, le contrôle accru des infractions devra être accompagné de la génération d’information voyageur de qualité qui cible les automobilistes selon plusieurs modalités (affiches, information en temps réel via une appli, panneau signalétique, campagne de communication auprès des commerçants...) pour que ceux-ci puissent se diriger vers des places de stationnement (gratuites ou payantes) dans le respect des normes. Cette problématique n’étant pas spécifique à Saint Quentin et étant traitée dans l’accompagnement collectif de l’AMI dans laquelle l’accompagnement individuel de Saint Quentin s’inscrit, ce livrable sera focalisé sur comment exploiter les données pour augmenter le taux de détection d’infractions de stationnement. En revanche, il estimportant de considérer l’information comme un volet complémentaire à un contrôle accru des infractions pour que ceux-ci soient perçus comme justes par les habitants.
En ce qui concerne le premier défi, trois types de méthodologies peuvent être employées pour mettre les données au service du détection d’infractions de stationnement :
Méthodologies basées sur l’utilisation de données historiques. Ces méthodologies consistent à exploiter des données historiques, notamment relatives aux verbalisations, pour détecter des facteurs tels que le jour de la semaine, le lieu ou l’heure qui sont liés à des infractions plus récurrentes.
Méthodologies basées sur la modélisation. Ces méthodes modélisent mathématiquement le comportement des automobilistes pour obtenir une probabilité d’infraction en fonction de plusieurs variables (zone, horaire, motif de déplacement...).
Méthodologies basées sur la production de données en temps réel. Ces méthodes utilisent des technologies de stationnement intelligent (données issues d’horodateurs connectés, caméras et capteurs permettant de détecter l’occupation d’une place...) pour produire des données en temps réel qui alertent la police municipale dès qu’une infraction a lieu.
Nous proposons de retenir les méthodologies basées sur l’utilisation de données historiques et celles basées sur la production de données en temps réel. Alors que les premières peuvent être déployées sur la base des données existantes, les secondes nécessiteront un déploiement massif de capteurs et un travail technique pour croiser des données financières (horodateurs et appli de paiement du stationnement) et d’occupation (détection de l’occupation d’une place par un capteur ou une caméra), ainsi qu’une modification dans l’expérience usager des automobilistes se garant dans des zones payantes et/ou dans les méthodes de travail de la police municipale. Dans un contexte où Saint Quentin commence à expérimenter la mise en œuvre d’une technologie de stationnement intelligent dans le cadre du projet SCIFI, travailler sur ces deux méthodologies nous permettra d’apporter une solution de court-terme (proposer une méthodologie d’utilisation des données historiques) et de contribuer à l’essor d’une solution de moyen terme (produire des recommandations pour déployer en grande échelle une solution basée sur la production de données en temps réel), notamment dans un contexte où le contrat avec le prestataire des horodateurs arrivera bientôt à sa fin, ce qui permettrait de traduire les recommandations dans un futur contrat. Nous proposons de ne pas poursuivre un travail basé sur de la modélisation étant donné que ces méthodologies nécessitent un temps de travail au-delà de celui prévu dans le cadre de cet AMI ainsi que la recollection de données précises actuellement inexistantes pour calibrer les modèles. En outre, la valeur ajoutée des approches par la modélisation est faible par rapport à celle apportée par l’utilisation de données historiques. Par ailleurs, la ville de Saint Quentin aurait besoin de faire recours de manière régulière à un profil expert de la modélisation du stationnement pourqu’une telle approche soit opérationnelle dans la durée.
Travailler suivant deux méthodologies est fructueux non seulement parce que chacune répond à une temporalité différente, mais aussi parce que les deux méthodologies retenues sont complémentaires. En effet, une fois la méthodologie basée sur la production de données en temps réel généralisée, celles-ci pourront être compilées et faire l’objet d’analyse de données historiques plus précises. Par exemple, ces données permettraient d’obtenir un taux de détection plus précis alors qu’actuellement la ville ne peut pas estimer le nombre d’infractions non détectées.
2.1 Exploiter des données historiques pour améliorer le contrôle des infractions de stationnement
Dans cette sous-section nous décrivons comment la ville de Saint Quentin pourrait se saisir des données dont elle dispose actuellement pour mettre en place la méthodologie basée sur les données historiques décrite plus haut. Il est important de signaler que nous n’avons pas pu avoir accès aux données historiques sur les verbalisations que la police municipale détient dans le logiciel Edicia. De ce fait, cette section décrit comment exploiter des données historiques sur les verbalisations sans inclure des détails opérationnels tels que les extractions qui devraient être faites du logiciel pour y parvenir.
2.1.1 Comprendre les déterminants des infractions de stationnement pour mieux les cibler à l’aide de la donnée
Plusieurs facteurs affectent la décision d’un automobiliste de commettre une infraction de stationnement. Il est important de les connaître de façon à pouvoir mieux orienter la détection d’infractions. En effet, pour que les données puissent être utilisées dans cet objectif il est nécessaire de savoir quelles sont les données les plus pertinentes à analyser pour orienter la patrouille de la police municipale. La littérature (Bradley & Layzell, 1986 ; Brown, 1983 ; Dix & Layzell, 1983 ; Nourinejad, Gandomi & Noorda, 2020) a identifié plusieurs déterminants des infractions de stationnement que l’on peut diviser en trois catégories : demande de stationnement, niveau de contrôle et choix opportunistes des automobilistes.
Demande de stationnement
Les facteurs suivants affectent la probabilité qu’un automobiliste soit en infraction dans la mesure où ils sont liés à une demande de stationnement (par exemple, plus d’automobilistes ont besoin d’une place de stationnement les mercredis là où le marché a lieu) et un certain usage plus propice aux infractions (par exemple, il est plus probable qu’on dépasse le temps de stationnement dans les rues commerciales en heure de pointe) :
Heure de la journée
Jour de la semaine
Évènement exceptionnel (concert, conférence...)
Lieu
Niveau de contrôle
Niveau du forfait post stationnement : plus il est élevé, plus la probabilité d’infraction diminue
Niveau de contrôle perçu par l’automobiliste : plus il est élevé, plus la probabilité d’infraction diminue
Choix opportunistes de l’automobiliste
Tarif de stationnement : plus il est élevée, plus la probabilité d’infraction augmente
Durée de l’arrêt : plus le temps d’arrêt en dessus de celui offert est court, plus la probabilité d’infraction augmente. Ceci est dû au fait que l’automobiliste considère qu’en un temps court il est moins probable qu’un agent contrôle le stationnement qu’en un temps long.
Motif affaire : les automobilistes qui se déplacent pour des motifs professionnels sont plus propice à réaliser une infraction si celle-ci est prise en charge par leur employeur
2.1.2 Choisir un objectif opérationnel pour orienter l’optimisation de la détection d’infractions
Avant de pouvoir exploiter les données pour diminuer les infractions de stationnement il est important de fixer un objectif opérationnel que la police municipale devra suivre pour atteindre la diminution du nombre d’infractions. En effet, plusieurs approches peuvent être prises, chacune pouvant se traduire par ce que la police municipale cherchera à optimiser à l’aide des données. Les principales options sont les suivantes :
Revenus des FPS. C’est le cas de la ville de Nantes, qui expérimente actuellement un usage de la data qui dirige les agents vers les zones et horaires où il y a le moins de recettes de FPS
Infractions détectées. Il s’agit d’augmenter le taux de détection d’infractions, soit le nombre moyen de verbalisations par voiture contrôlée
Présence homogène de la police municipale. Cette approche cherche à dissuader les infractions en déployant une présence homogène dans les différents lieux et de la ville et horaires/jours de la semaine qui signale aux automobilistes qu’il n’y a pas de lieux/jours/heures où une infraction sera difficilement détectée
Vitesse de réponse. Il s’agit de minimiser le temps entre une infraction et sa détection par la police municipale
Si ces quatre approches sont certainement liées, chacune mobilise les données de manière différente pour orienter les patrouilles de la police municipale. Il convient donc de choisir celle qui convient le plus à la ville de Saint Quentin. Nous recommandons l’approche « infractions détectées » du fait que, dans le contexte actuel, elle est la mieux adaptée pour répondre à la problématique des infractions, lesquelles sont principalement motivées par des comportements opportunistes. En effet, étant donné que les automobilistes réalisent des infractions en spéculant sur le fait qu’elles ne seront pas détectées, une augmentation du taux de détection devrait changer les perceptions des automobilistes, lesquels percevront un niveau de contrôle plus élevé (cf. section 2.1.1) et vont donc décider de réaliser moins d’infractions.
L’approche « présence homogène de la police municipale » agirait dans le même sens mais en visant la dissuasion (le fait de voir des agents contrôler des voitures dissuade l’automobiliste avant qu’il ne réalise l’infraction) plutôt que la détection d’une infraction (l’automobiliste réalise une infraction mais, une fois celle-ci détectée, il décide de ne pas en refaire). Cependant, une telle approche nécessite un nombre conséquent d’agents dont la police municipale ne dispose pas actuellement.
L’approche « revenus FPS » cherche à maximiser les recettes. Elle consiste à utiliser des indicateurs tels que le nombre verbalisations par secteur et le taux de paiement par secteur de façon à orienter la police municipale vers les secteurs qui génèrent un revenu en dessous de l’objectif fixé par la ville. Si la hausse des recettes du FPS est nécessairement liée à une plus grande détection d’infractions, rien ne garantit que les zones qui génèrent des recettes en dessus de la cible fixée par la ville ne soient pas plus prioritaires en termes de contrôle des infractions que celles qui génèrent des recettes en dessous de l’objectif. En effet, il est possible que, même en générant des recettes en dessus de l’objectif, une zone ait un taux d’infraction plus élevé que le reste. L’objectif de la ville de Saint Quentin n’étant pas la collecte de recettes, nous excluons cette approche.
Finalement, l’approche « vitesse de réponse » nécessitant une capacité à détecter des infractions en temps réel, nous la traiterons dans la section 2.2, « Méthodologies basées sur la production de données en temps réel ». Comme nous le montrerons dans cette section, aucune technologie ne permet actuellement de détecter tout type d’infraction de stationnement en temps réel. L’approche « vitesse de réponse » doit donc être pensée dans un deuxième temps (une fois la technologie pertinente installée) comme un complément en temps réel de l’approche « infractions détectée », cette dernière pouvant être implémentée sur la base des données dont la ville de Saint Quentin dispose actuellement. Nous traiterons ce sujet dans la sous-section suivante.
2.1.3 Comment mobiliser les données de Saint Quentin pour optimiser la détection d’infractions
Ayant déterminé un objectif opérationnel consistant à augmenter le taux de détection d’infractions, nous procéderons maintenant à indiquer comment les données peuvent être exploitées pour l’accomplir.
Pour augmenter le taux de détection il faut que, pour chaque voiture contrôlée, il soit plus probable pour l’agent de trouver une voiture en infraction qu’actuellement. Ceci ne pourra être le cas que si les agents ciblent les automobilistes en infraction. En ce sens, les données liées aux déterminants des infractions évoquées dans la section 2.1.1 peuvent être utiles de trois façons complémentaires.
2.1.3.1 Ciblage en fonction des lieux, horaires et jours de la semaine avec le plus d’infractions
Comme nous l’avons évoqué plus haut, on constate que dans toutes les villes les infractions de stationnement sont plus fréquentes dans certains secteurs, jours de la semaine et horaires. En partant de données historiques sur les infractions il est donc possible de déterminer quelles combinaisons de jours/horaires et secteur présentent le plus d’infractions. Ces données peuvent ainsi être traduites en indicateurs simples à construire et très éclairants pour prendre des décisions informées tels que :
Nombre d’infractions en dessus/dessous de la moyenne pour le jour/horaire du secteur
Ecart relatif à la moyenne pour le jour/horaire du secteur
Liste des jours/horaires et secteurs avec le plus d’infractions
Il serait judicieux de calculer ces indicateurs non seulement pour l’ensemble des infractions mais aussi en distinguant par type d’infraction. Certains moments de la journée pourraient, par exemple, être plus propices au stationnement gênant mais pas au dépassement du temps de stationnement. Ceci pourrait être le cas si, par exemple, ces stationnements gênants seraient motivés par des trajets qui nécessitent un stationnement de courte durée (déposer des enfants à l’école, faire une course...).
Les trois indicateurs listés plus haut peuvent être utilisés pour orienter la patrouille de la police municipale à l’aide de visualisations de simple usage tels qu’un tableau avec un code de couleurs qui synthétise, pour chaque secteur, quels sont les horaires et jours où il y a le plus d’infractions (cf. Figure 1) ou un heatmap ou « carte de fréquentation » qui montre, pour une période donnée (jour de la semaine, mois, tranche horaire, etc.), quels sont les secteurs où il y a le plus d’infractions (cf. Figure 2).
Figure 1: Tableau affichant le nombre d'infractions de stationnement selon le jour de la semaine et l'heure pour la ville de Toronto
.
Figure 2: Exemple de carte de fréquentation représentant la distribution spatiale du nombre d'infractions
Source : Shao et al (2016)
Les données du logiciel Edicia dont la ville de Saint Quentin dispose déjà peuvent être exploitées pour générer ce type d’indicateurs. Ceci dit, deux précisions méthodologiques doivent être prises en compte au moment de les manipuler
Premièrement, il est important de prendre une durée longue et homogène. En effet, plus la durée est restreinte, plus il est probable que le comportement des automobilistes observés ne soit pas représentatif de leurs comportements habituels. En outre, étant donné que certains comportements de stationnement dont les infractions dépendent du moment de l’année (par exemple, les infractions de stationnement aux alentours des écoles devraient diminuer considérablement pendant les vacances scolaires), il est important de prendre une période homogène qui n’inclut pas des variabilités saisonnières. Par exemple, si l’analyse des données historique montre que les lieux ou heures de la journée où le plus grand nombre d’infractions se concentre varie considérablement pendant l’été, il convient de calculer les indicateurs une fois pour l’été et une fois pour le reste de l’année. En revanche, utiliser une période de 16 mois pourrait être moins favorable. Suivant l’exemple antérieur, une période de 16 mois incluant deux vacances d’été pourrait surreprésenter les vacances scolaires et donc sous- estimer le taux d’infraction des zones à proximité des écoles.
Deuxièmement, l’analyse des données historiques d’infractions sera d’autant plus précise pour prévoir les infractions futures que les contrôles de la police municipale qui les ont générées aura été aléatoire. En effet, les données historiques du logiciel Edicia correspondent aux infractions détectées par les agents de la police municipale et pas aux infractions totales; d’autres infractions non détectées ont aussi eu lieu dans le passé. Si l’exhaustivité des données n’est pas un problème (on a pas besoin d’avoir un registre de toutes les infractions, détectées et non détectées, pour comprendre s’il y a plus d’infractions les mercredis), il est important que le sous-ensemble des données sur les infractions détectées par la police municipale (c’est-à-dire, les données historiques du logiciel Edicia) soit représentatif de l’ensemble des infractions (celles détectées et non détectées par la police municipale). Ceci devrait être le cas si les choix des lieux, jours de la semaine et horaires des patrouilles ont été faits, comme l’a précisé lors d’un entretien M. Szwechowiez, chef de service de police municipale, de manière aléatoire. Si des données historiques sur les lieux, horaires et jours de la semaine qui ont été contrôlés existent nous conseillons de vérifier qu’il n’y ait pas de lieux, d’horaires ou de jours de la semaine qui aient été considérablement plus contrôlés que le reste. Dans ce cas, nous pourrons assumer que les données historiques sur les infractions sont représentatives de l’ensemble des infractions réalisées, soit la somme des infractions détectées par la police et celles non détectées.
2.1.3.2 Ciblage en fonction du temps de stationnement
Comme évoqué dans la section 2.1.1, le temps de stationnement est un des autres déterminants des infractions. Les automobilistes qui s’arrêtent pour peu de temps sont plus propices à réaliser une infraction du fait qu’ils considèrent qu’il est peu probable qu’un agent de la police les détecte pendant une durée courte (par exemple, 10 min).
Actuellement la ville de Saint-Quentin ne dispose que des données des horodateurs pour observer le temps de stationnement selon la zone. En effet, les données qui remontent des horodateurs permettent de calculer le temps moyen de stationnement de chaque secteur, jour de la semaine et horaire. Ceci dit, il convient de préciser que le temps de stationnement qui peut être calculé est sous-estimé par définition du fait de que certains automobilistes dépassent le temps de stationnement et d’autres ne paient pas le stationnement soit pour des raisons légitimes (par exemple, les personnes à mobilité réduite), soit pour des raisons illégitimes (infraction du type « non-paiement »). En outre, étant donné que, comme évoqué plus haut, le taux d’infraction n’est pas homogène dans le temps ni entre secteurs,
la comparaison entre le temps moyen/médian de stationnement de plusieurs secteurs peut être faussée : le secteur A pourrait apparaître faussement comme un ayant un temps de stationnement deux fois plus élevé que celui du secteur B du fait que dans le secteur B il y a beaucoup plus d’infracteurs, et donc beaucoup plus de stationnements de longue durée sous-estimés (sous paiement) ou non détectés (non-paiement) par les horodateurs. Les données issues des horodateurs ne donnent donc que desobservations imparfaites du temps de stationnement. En l’absence d’autres sources de données il est toutefois intéressant de les analyser tout en étant conscient des limitent qu’elles supposent. Une fois des capteurs implantés de manière massive dans la ville, des données fiables sur le temps de stationnement pourront être récoltées. Effet, les données des capteurs ne dépendant pas de la volonté de paiement des automobilistes, elles ne présentent pas les écueils évoqués plus haut concernant les données des horodateurs en ce qui concerne le calcul du temps de stationnement.
Une fois les données sur le temps de stationnement obtenues, il convient de calculer dans un premier temps le temps moyen/médian de stationnement pour chaque combinaison de secteur, jour de la semaine et tranche horaire (par exemple, pour l’Hôtel de ville les mardis entre 14h et 15h). L’utilisation du temps médian (le temps de stationnement à partir duquel on a autant d’automobilistes en dessous qu’en dessus de ce temps) à la place du temps moyen si l’on constate des temps de stationnement trèsdisparates pour un même secteur, jour de la semaine et horaire. Dans un deuxième temps, ces données peuvent être contrastées aux données historiques d’infractions issues du logiciel Edicia pour corroborer si les tandems « secteur / jour de la semaine / horaire » dans lesquels le temps de stationnement moyen/médian est faible (par exemple, moindre à 15 min) sont aussi ceux pour lesquels on observe des infractions de non-paiement ou de stationnement gênant. Si c’est bien le cas, ceci voudrait dire qu’ilfaudrait cibler le non-paiement et le stationnement gênant dans ces tandems « secteur / jour de la semaine / horaire ».
2.1.3.3 Ciblage en fonction des évènements
Comme évoqué plus haut, certains événements (un concert, une manifestation sportive...) peuvent donner lieu à des infractions de stationnement. Etant donné que la ville de Saint-Quentin compte avec un tableau Excel dans lequel les différentes directions de la mairie mutualisent des informations sur l’occupation de l’espace public (lieu et endroit), celles-ci peuvent être croisées avec les données du logiciel Edicia sur les infractions pour vérifier si, quand certains types d’événements ont lieu, on constate plus d’infractions par rapport à la moyenne du tandem « secteur / jour de la semaine / horaire » correspondant. Si c’est le cas, une coordination entre la mairie et la police municipale peut être mise en place pour que cette dernière cible les lieux où ces événements instigateurs d’infraction tiendront au moment de réaliser des contrôles.
2.1.3.4 Combiner contrôles ciblés et aléatoires
Nous avons exposé ci-dessus trois façons complémentaires d’exploiter les données dont Saint Quentin dispose actuellement pour cibler le contrôle du stationnement dans l’objectif d’augmenter le taux de détection d’infractions.
Cependant, il est important de ne pas réaliser tous les contrôles suivant une logique de ciblage mais de dédier quelques ressources humaines à des contrôles aléatoires continus. Cette modalité de contrôle devrait être maintenue pour deux raisons. Premièrement, comme expliqué plus haut, les contrôles aléatoires permettent d’estimer les infractions totales (détectées et non détectées) à partir des infractions détectées. De ce fait, si les contrôles aléatoires continuent, les données du logiciel Edicia réalisées par les agents suivant un parcours aléatoire continueront d’être un bon indicateur du « vrai » taux d’infraction des zones contrôlées. Il sera donc important de pouvoir indiquer dans le logiciel si le contrôle a été réalisé suivant une logique aléatoire ou pas. De cette manière, les données des infractions détectées suivant un contrôle aléatoire pourront être isolées dans l’analyse. Deuxièmement, si les automobilistes perçoivent ou (dans le cas où une communication soit réalisée) apprennent que la police municipale fait des contrôles ciblés, on peut s’attendre à ce qu’ils commencent à réaliser plus d’infractions dans les secteurs / horaires / jours qu’ils considèrent ou observent comme n’étant pasciblés. Pour cette raison, le fait que des contrôles aléatoires continuent à avoir lieu montrera aux automobilistes que même des secteurs / horaires / jours non prioritaires continueront d’être contrôlés.
2.1.4 Exploiter les données de Saint Quentin pour faire un suivi de la démarche
Une fois que la police municipale commencera à réaliser des patrouilles ciblées en fonction de l’analyse des données historiques d’infractions, les données que le logiciel Edicia produira pourront être utilisées pour apprécier l’efficacité du ciblage et l’ajuster en conséquence.
Etant donné que l’exploitation des données préconisée a pour objectif d’augmenter le taux de détection des infractions, la démarche aura eu du succès si le taux d’infractions détectées augmente suite à l’introduction du ciblage diminue.
Cependant, cet effet ne devrait être que temporaire : une fois que les automobilistes auront appréhendé le fait que les contrôles de la police municipale sont plus efficaces, ils devraient commencer à réaliser moins d’infractions, ce qui ferait redescendre le taux de détection d’infractions. De ce fait, si le ciblage a du succès, on devait observer une évolution du taux de détection d’infractions qui suive l’allure décrite par la Figure 3 ci-dessous.
Le calcul du taux d’infractions détectées
Le taux d’infractions détectées peut être calculé comme il suit :
Le nombre d’infractions détectées correspond aux infractions renseignées par la police municipale dans le logiciel Edicia. Pour aboutir au taux d’infractions détectées, il doit être calculé pour la même zone et période (par exemple, la Place de la Basilique les jeudis entre 14h et 15h) que le nombre de voitures contrôlées.
Figure 3: Evolution prévue du taux de détection des infractions suite à la mise en place de contrôles ciblés
La Figure 3 illustre comment, entre le moment et où les contrôles ciblés commencent et le moment où ils résultent dans un changement de comportement des automobilistes vers une diminution des infractions, le taux de détection d’infractions devrait augmenter. En effet, le ciblage devrait permettre aux agents de la police municipale de détecter plus de voitures en infraction par patrouille, ce qui fera augmenter le taux de détection d’infractions. A partir d’un moment (ligne rouge dans la figure), les automobilistes auront intériorisé le fait que, s’ils font des infractions, il est désormais plus probable qu’elle soit sanctionnée. De ce fait, ils réaliseront moins d’infractions, ce qui fera que le taux de détection d’infractions baisse et finisse par se stabiliser. Il convient de signaler que, si dans la Figure 3 le taux de détection d’infractions se stabilise à un taux supérieur à celui d’avant le début des contrôles ciblés, ceci ne sera pas forcément le cas. Ce taux pourrait aussi bien se stabiliser autour d’une valeur inférieure à celle d’avant le début des contrôles ciblés. Ceci dépendra du rapport entre la hausse du taux de détection que les contrôles ciblés vont générer, d’une part, et la baisse des infractions induites par un contrôle plus efficace, de l’autre.
Ceci dit, trois précisions méthodologiques doivent être faites à propos de l’usage du taux de détection d’infractions comme indicateur de suivi de la démarche. La première porte sur la temporalité. Il n’y a pas de règle qui puisse s’appliquer à toute ville concernant le temps de latence entre un contrôle plus efficace des infractions et une baisse des infractions. Ce temps va dépendre à la fois d’à quel point le ciblage aura permis de mieux détecter les infractions et de la rapidité avec laquelle les automobilistesappréhenderont ce changement et commenceront à faire moins d’infractions, ce qui à son tour peut dépendre de plusieurs facteurs (le fait d’avoir été pris en infraction, crédibilité de soutenabilité des contrôles aux yeux des automobilistes, communication de la mairie sur des contrôles plus efficaces...)
De ce fait, il convient d’attendre un temps prudentiel d’un an pour réaliser un premier bilan robuste dans lequel on cherchera à vérifier si l’évolution du taux de détection d’infractions suit l’allure attendue.
La deuxième précision méthodologique porte sur l’interprétation de la baisse du taux de détection dans un deuxième temps. Cette baisse pourrait traduire le fait que, pendant ce deuxième temps, les agents de la police sont orientés vers des tandems « secteur / jour de la semaine / horaire » où il y a moins d’infracteurs que dans la moyenne de la ville. Dans ce cas, la baisse du nombre d’infractions détectées par voiture contrôlée ne refléterait pas un changement de comportement induit par l’efficacité accrue des contrôles mais une réorientation des contrôles vers des secteurs, jours de la semaine ou horaires ou jours de la semaine moins propices aux infractions. Dans l’objectif de discerner entre ces deux interprétations opposées d’une même évolution du taux de détection d’infractions il convient d’observer l’évolution dans le temps du taux de détection d’infractions pour un même tandem « secteur / jour de la semaine / horaire ». De cette manière l’effet « réorientation des contrôles vers des secteurs / jours de la semaine / horaires moins propices aux infractions » aura été éliminé. Une autre option consiste à comparer le taux d’infractions détectées dans les zones / horaires / jours contrôlés de manière aléatoire avant et après l’introduction du ciblage.
Une fois l’analyse de l’effet du ciblage réalisée au bout d’une période longue (par exemple, un an) en observant l’évolution du taux de détection d’infractions, deux types d’ajustements peuvent être faits si les infractions restent trop élevées par rapport à l’objectif que la police municipale se sera fixé. Un premier consiste à ré-analyser les données historiques. Les comportements des automobilistes peuvent avoir évolué pendant la période d’analyse pour plusieurs raisons (changement d’habitudes, évolution des règles de stationnement, ouverture d’un parking...) et, de ce fait, les indicateurs sur les secteurs / jours de la semaine / horaires les plus propices aux infractions produits à un instant t peuvent ne plus être d’actualité par la suite. Il convient ainsi de réaliser de nouvelles analyses de l’historique des infractions détectées dans le logiciel Edicia (toujours en n’analysant que les infractions détectées via des contrôles aléatoires) dès qu’un changement majeur affectant les comportements des automobilistes aura lieu et, plus généralement, tous les ans. Un deuxième type d’ajustement possible consiste à augmenter soit le nombre de contrôles réalisés (ce qui nécessite plus de ressources humaines) soit le forfait post stationnement. Ces deux mesures devraient aboutir à une baisse des infractions.
2.2 Méthodologies basées sur la production de données en temps réel
Il n’existe pas une technologie qui permet de détecter tout type d’infraction en temps réel avec une précision à la place. Pour y parvenir, une combinaison de données financières (horodateurs connectés et applis de paiement du stationnement) et d’occupation (données issues de technologies relevant du stationnement intelligent) est nécessaire. Ceci implique non seulement d’avoir recours à deux types de technologies différentes (paiement et détection d’occupation) mais aussi d’établir une modalité de raccordement entre ces deux types de données qui nécessite dans la plupart des cas une intervention humaine. Ceci donne lieu à plusieurs modalités de détection d’infractions de stationnement en temps réel, chacune présentant des avantages et des inconvénients. Le tableau ci-dessous les résume en qui concerne la détection à la place.
Tableau 1: Description des modalités de détection d'infractions de stationnement à la place en temps réel
Aux modalités de détection d’infractions à la place en temps réel décrites dans le Tableau 1 il faut ajouter une autre méthode de détection par zone de stationnement que la mairie de Soissons est en train d’expérimenter avec SCIFI. Celle-ci consiste à utiliser les données sur l’occupation d’une zone (par exemple, la Place de la Basilique) issue des capteurs de stationnement et les comparer aux recettes des horodateurs à proximité de la zone. Si un écart considérable entre les recettes espérées (c’est-à-dire, les recettes qui devraient avoir être perçues compte-tenu du nombre de voitures et le temps de stationnement de chacune) et les recettes avérées (celles comptabilisées par les horodateurs et l’appli de paiement) est constaté, cela révélerait la présence de dépassement du temps de stationnement ou du non-paiement par les automobilistes dans cette zone. En revanche, cette méthode ne permet pas de détecter d’autres types d’infractions (stationnement hors emplacement, stationnement sur trottoir etc.), lesquelles peuvent être détectées en ne faisant recours que aux données issues des capteurs.
Cette méthode peut être utilisée à la fois dans une approche par les données historiques (cf. Section 2.1) et dans une approche en quasi temps réel. Dans le premier cas, suivant la logique des méthodes décrite dans la Section 2.1, une analyse des données historiques de paiement et d’occupation peut être faite pour détecter les tandems « secteur / jour de la semaine / horaire » dans lesquels les infractions relevant du non-paiement et du dépassement de temps sont les plus fréquentes. Si la méthode est utilisée en temps quasi-réel, une attention toute particulière doit être portée au calibrage des seuils qui déclencheront un contrôle par la police municipale. En effet, comme cette méthode ne permet pas de détecter ni le moment précis où un automobiliste quitte la zone de stationnement sans payer ni le moment exact à partir duquel un automobiliste a dépassé le temps de stationnement déjà payé, il s’agit d’une approche en temps quasi-réel. Ceci implique que, pour pouvoir déclencher une alerte en temps réel qui mobilise la police municipale, le croisement des données financières et d’occupation doit prendre en compte deux seuils :
Seuil A : l’écart entre les recettes espérées et avérées qui déclenchera l’alerte. Cet écart peut varier par zone de stationnement, jour de la semaine et heure.
Seuil B : l’écart entre le nombre de minutes écoulées entre le moment où la voiture a stationné son temps de stationnement a finalisé, d’une part, et le moment où le paiement devrait avoir eu lieu. Par exemple, si on considère qu’une personne nécessite jusqu’à 7 minutes pour payer son stationnement, la recette espérée devrait arriver 7 min après le moment où la voiture a stationné.
Plus le niveau de chacun de ces deux seuils sera élevé, plus le pourcentage de faux négatifs sera élevé et celui de faux positifs sera bas et. Par exemple, si on considère un seuil A de 1 000 € et un seuil B de 20 minutes, peu d’alertes seront déclenchées alors que des infractions auront eu lieu : il y aura donc beaucoup de faux négatifs. Symétriquement, il est fort probable que si une alerte est déclenchée et la police municipale contrôle la zone, des infractions seront détectées : il y aura peu de faux positifs. A l’inverse, plus le niveau de chacun de ces deux seuils sera bas, plus le pourcentage de faux négatifs sera bas et le pourcentage de faux positifs sera haut. Par exemple, si on considère un seuil A de 10 € et un seuil B de 1 minute, beaucoup d’alertes seront déclenchées et il est fort probable que, au moment du contrôle, peu d’infractions soient détectées : il y aura beaucoup de faux positifs. En revanche, si une alerte n’est pas déclenchée pendant une période pour la zone, il est fort probable qu’il y ait eu peu d’infractions : il y aura peu de faux négatifs.
Un bon équilibre entre faux positifs et faux négatifs doit donc être atteint en choisissant des niveaux appropriés pour chacun des seuils. En ce qui concerne le seuil A, une approche par tâtonnement peut être menée pour déterminer son niveau. Pour chaque tandem « secteur / jour de la semaine / horaire » on peut faire évoluer le seuil A pour observer comment les faux positifs et les faux négatifs évoluent et puis choisir un niveau qui permet d’atteindre l’équilibre entre faux positifs et faux négatifs souhaité. Cet équilibre dépendra d’un arbitrage que la ville devra faire : si les faux positifs impliquent un temps de travail improductif pour la police municipale, les faux négatifs se traduisent par un manque à gagner par la mairie en termes de recettes dérivées du stationnement payant en voirie. En ce qui concerne le seuil B, il peut être déterminé pour chaque zone en considérant le temps de marche nécessaire pour aller de l’horodateur à la place de stationnement associée la plus élevée et en y ajoutant un temps supplémentaire cohérent avec les pratiques de stationnement (bien stationner la voiture, prendre ses affaires, etc.).
5 - Recommandations pour la suite
L’analyse des caractéristiques des différentes modalités de détection d’infractions de stationnement en temps réel à la lumière des caractéristiques de la ville de Saint Quentin nous permet d’établir des recommandations pour aboutir à moyen terme à une détection d’infractions en temps réel à grande échelle efficace et soutenable dans la durée.
Recommandation #1 : Opter pour une combinaison de technologies de stationnement intelligent et de technologies de paiement avec liaison humaine
Les technologies de stationnement intelligent ne permettent pas de détecter automatiquement le non- paiement et le dépassement de temps hormis dans des parkings à entrée unique. Dans ce cas particulier, la reconnaissance des plaques d’immatriculation des voitures situées à l’entrée du parking par une caméra permettrait de lier des données financières et d’occupation via le numéro de plaque d’immatriculation sans intervention humaine. Saint Quentin ne disposant pas actuellement de parkings à entrée unique et le non-paiement et le dépassement de temps étant les deux types d’infractions identifiées par la police municipale comme les plus récurrentes et difficiles à détecter sans appui technologique, il s’avérera nécessaire d’opter en pour une combinaison de technologies de stationnement intelligent et de technologies de paiement faisant recours à une liaison humaine.
Recommandation #2 : Déployer une solution suivant une logique d’expérimentation
Indépendamment de la nature de la solution retenue, il convient de réaliser une expérimentation sur quelques lieux que la police municipale identifie comme particulièrement problématiques en termes d’infractions avant de déployer la solution à grande échelle. Ceci permettra d’obtenir des retours d’expérience à la fois sur les problématiques techniques qui vont se poser et sur les leviers de changement de comportement que la liaison humaine entre les données d’occupation et les données financières vont nécessiter. Nous proposons de privilégier comme premier lieu d’expérimentation la Place de l’Hôtel de Ville étant donné que, dans le cadre du projet SCIFI, des caméras seront installées pour surveiller le stationnement. Il s’agit donc d’une opportunité à saisir pour expérimenter à la fois la technologie de détection d’occupation des places et son raccordement à des données financières pour détecter des infractions en temps réel.
Recommandation #3 : Privilégier une liaison entrée données financières et données d’occupation par l’automobiliste
Les deux types de liaisons humaines entre les données financières et les données d’occupation (par les automobilistes et par les agents de la police municipale) présentent des avantages et des inconvénients. Il s’agit donc de choisir celle qui pose le moins d’inconvénients et de faciliter sa mise en place. En ce sens, si l’option d’une liaison par les agents de la police municipale peut être intéressante du fait qu’elle ne pose pas de contraintes à l’usager, elle sera difficilement applicable à grande échelle. En effet, pour qu’une détection en temps réel du non-paiement et du dépassement du temps de stationnement soit possible, les agents de la police municipale devraient rentrer les plaques de toutes le voitures stationnées dans chaque place surveillée avant qu’elle ne parte. Compte-tenu du fait que la police municipale compte avec 4 agents actifs en simultanée pour contrôler le stationnement, cette solution ne paraît pas tenable sur le long terme même si la détection d’infractions est automatisée et le routage optimisé. En effet, dans un cas extrême où les 4 agents seraient dédiés de manière exclusive à rentrer les plaques, ils devraient contrôler toute la ville, ce qu’ils n’arrivent pas à faire actuellement concernant les infractions faute de temps. Ceci serait particulièrement difficile dans des rues à haute rotation. Cela nous amène donc à privilégier l’option d’une liaison par l’automobiliste, ce qui nécessitera deux choses. Premièrement, une numérotation des places de stationnement couplée à une aide au repérage des numéros de places qui peut prendre plusieurs formes combinables :
Marquage au sol
Panneaux d’affichage
Etablissement de points de repère liés au numéro de place (« en face du pressing », « à l’angle
de la rue X et la rue Y... »
Cartographie des numéros de place mise en open data pour récupération par des applis/sites
Pré-identification de la place par les capteurs intelligents proposée aux usagers qui paient le
stationnement via une appli
Logique de numérotation intuitive
Communication auprès des commerçants sur les numéros de places les plus proches de leurs
magasins
Deuxièmement, une communication par la ville auprès des automobilistes sur le fait de devoir indiquer la place de stationnement à chaque transaction avec l’horodateur ou l’appli de paiement. Pour cela, une introduction progressive qui permette aux usagers de s’habituer à ce nouveau système devrait être privilégiée. Cette introduction progressive devrait être en accord avec le déploiement graduel du système dans des lieux d’expérimentation (Recommandation #2). En outre, pour faciliter l’adoption de cette nouvelle contrainte à l’expérience usager de l’automobiliste, il est souhaitable que la ville introduise une communication « positive » sur les places de stationnement disponibles (cf. Recommandation #4).
Recommandation #4 : Communiquer sur les places disponibles dans les parkings sous-utilisés
Les technologies de stationnement intelligent à déployer permettront non seulement de détecter des infractions mais aussi (entre autres) de calculer des taux d’occupation par place de stationnement. Une fois déployées à grande échelle pendant un temps permettant d’obtenir un historique de données d’usage représentatives, ces technologies donneront à la ville la capacité à identifier les places de stationnement surutilisées sous-utilisées.
Ceci lui permettra de fournir aux automobilistes cherchant à se garer dans des places surutilisées des informations pouvant aller jusqu’au temps réel sur les places disponibles dans les parkings sous-utilisés à proximité par plusieurs canaux (appli de paiement du stationnement, panneaux de jalonnement dynamiques, communication auprès des commerçants, campagne de publicité, site de la ville...). Bien qu’il s’agisse d’un usage des données de stationnement intelligent qui dépasse la problématique des infractions, il convient de fournir à l’automobiliste ces informations utiles au moment du déploiement d’une nouvelle contrainte (obligation de fournir le numéro de place pour pouvoir payer le stationnement) pour deux raisons. Premièrement, ceci rendra le changement plus acceptable par les usagers, lesquels ne le percevront pas que comme une contrainte dès lors qu’ils prendront conscience que les technologies de stationnement intelligent peuvent également leur fournir un service utile pour leur quotidien. Deuxièmement, ceci permettra à la ville de présenter les évolutions en matière de stationnement intelligent aux habitants dans le cadre d’une politique de stationnement d’ensemble.
Recommandation #5 : Faire le choix d’un prestataire de technologie de stationnement intelligent qui garantisse la capacité à raccorder les données financières, d’occupation et relatives aux FPS
Sur le plan technique, la détection en temps réel d’infractions de stationnement nécessitera non seulement un raccordement entre des données financières et d’occupation mais aussi, en ce qui concerne le traitement de ces infractions par la police municipale, un accordement technique avec le logiciel de traitement des infractions utilisé par la police municipale. Pour cela, des interphases techniques permettant de faire dialoguer trois types de données (données de paiement, données d’occupation et données relatives à la verbalisation) ainsi que la mise en place d’une « langue commune » (même identification des horodateurs et des places, même définition des infractions et des marges de tolérance...) entre les logiciels de détection de l’occupation d’une place, ceux gérant le paiement par horodateur ou via une appli et le logiciel de traitement des verbalisations. Pour accomplir cet objectif, deux options sont possibles. Une première consiste à faire coopérer différents prestataires, chacun gérant potentiellement une des quatre technologies : horodateurs, appli de paiement, capteurs intelligents et logiciel de gestion des verbalisations. Une deuxième consiste à avoir un seul prestataire qui fournisse ces quatre fonctionnalités. La première option est celle la plus proche de la situation actuelle à Saint Quentin, qui a trois prestataires et un progiciel: IEM, qui gère les horodateurs, Flowbird, qui assure les paiements du stationnement par appli, le logiciel Edicia pour la gestion des verbalisations par la police municipale et Communithings, qui va déployer des capteurs intelligents dans un seul lieu (Place de l’Hôtel de Ville) et dans le cadre du projet européen SCIFI. La coopération entre plusieurs prestataires techniques peut être compliquée à la fois en termes techniques et stratégiques du fait que les choix techniques des prestataires ne sont pas a priori compatibles entre eux et que les prestataires sont souvent concurrents sur plusieurs marchés. Si cette option est retenue, la ville de Saint Quentin devra demander aux prestataires d’établir une modalité de raccordement technique entre leurs technologies à inclure dans les contrats passés avec eux, lesquels devront contenir également des obligations de performance. Néanmoins, en cas de problème technique concernant la liaison desdonnées financières et d’occupation il peut s’avérer difficile pour la ville d’identifier lequel ou lesquels des opérateurs n’a pas rempli ses obligations. De ce fait, la deuxième option consistant à avoir un opérateur unique devrait être privilégiée dans la mesure où le budget accordé et les besoins de la ville soient respectés et que la temporalité des contrats déjà passés avec les opérateurs actuels le permette. Cette option permet à la fois de mieux assurer la liaison technique et de négocier un prix plus bas pour un service intégré.
Recommandation #6 : Exiger aux prestataires une mise à disposition de toutes les données produites
Les technologies nécessaires à la détection d’infractions de stationnement en temps réel permettront de faire des analyses qui dépasseront la question des infractions (taux d’occupation, taux de rotation, congestion...). Si les prestataires de ces technologies fournissent souvent des tableaux de bord permettant de réaliser des analyses de données historiques en temps réel de manière automatique via des indicateurs, les besoins de la ville peuvent aller au-delà de ces derniers et évoluer dans le temps. En outre, si les prestataires offrent la possibilité de faire des exportations des données en format xls ou csv, beaucoup d’entre eux ne permettent d’exporter que les données ou indicateurs affichés dans le tableau de bord. Il convient donc d’inclure une clause dans le contrat passé avec le/les prestataire(s) qui permette à la ville de de récupérer les bases de données brutes et de faire toute exploitation des données qu’elle juge pertinentes, y compris une mise en open data. Une telle clause permettra également à Saint Quentin de ne pas dépendre techniquement du prestataire choisi. En effet, disposer ouvrira à la ville la possibilité de réaliser ses propres analyses (dont notamment des analyses servant à affiner l’approche d’optimisation du contrôle des infractions sur la base de données historiques détaillée dans la section 2.1) et de ne pas perdre les données historiques si elle était amenée à changer de prestataire.
Il est important de souligner que l’insertion d’une telle clause n’est nécessaire que si certains cahiers des clauses administratives générales (CCAG) sont utilisés. En reprenant les travaux d’Open Data France1, dans les lignes qui suivent nous présentons dans quels cas il est judicieux d’ajouter la clause et nous proposons une formulation pour celle-ci.
Les marchés publics permettant d’approvisionner des outils à partir desquels des données publiques pourront être ouvertes, ou permettant de commander des prestations de service ou des études comportant dans leur résultat des données publiques sont encadrés par trois cahiers des clauses administratives générales CCAG.
Marchés couverts par le CCAG TIC*
*Cahier des clauses administratives générales applicables aux Techniques de l’Information et de la Communication
Cela concerne tout ce qui est relatif à l’approvisionnement de logiciels, maintenance etc. L’article 37-1 du CCAG TIC prévoit d’ores et déjà l’utilisation des résultats pour publication :
“Le titulaire du marché autorise le pouvoir adjudicateur à extraire et exploiter librement les bases de données incluses, le cas échéant, dans les résultats, notamment en vue de la mise à disposition des informations publiques à des fins de réutilisation à titre gratuit ou onéreux.”
Marchés couverts par le CCAG FCS*
*Cahier des Clauses Administratives Générales applicables aux marchés publics de Fournitures Courantes et de Services
Cela concerne tout ce qui est relatif à la réalisation de prestations corrélées à un approvisionnement logiciel. Exemple : photo aérienne. Le CCAG FCS ne comporte pas de clause relative à la publication des résultats.
Marchés couverts par le CCAG PI*
*Cahier des clauses administratives générales, prestations intellectuelles.
Le cas du CCAG PI est plus complexe. Dans notre sphère cela ne concernera que les résultats des études. L’option du CCAG PI relative à l’utilisation des résultats par le titulaire peut être l’option A ou B.
Option A ― Le titulaire du marché concède, à titre non exclusif, au pouvoir adjudicateur et aux tiers désignés dans le marché le droit d'utiliser ou de faire utiliser les résultats, en l'état ou modifiés, de façon permanente ou temporaire, en tout ou partie, par tout moyen et sous toutes formes.
Option B ― Le titulaire du marché cède, à titre exclusif, l'intégralité des droits ou titres de toute nature afférents aux résultats permettant au pouvoir adjudicateur de les exploiter librement, y compris à des fins commerciales, pour les destinations précisées dans les documents particuliers du marché.
Après un travail en collaboration des différentes collectivités ouvrant leurs données publiques et membres d’Open Data France, il est proposé une clause spécifique à rajouter dans les consultations à partir desquelles les collectivités achètent les outils dont elles ont besoin.
La clause est à insérer de préférence dans le CCAP (Cahier des Clauses Administratives Particulières) et non dans le CCTP (Cahier des Clauses Techniques Particulières).
Article à rajouter .
La commune de Saint Quentin s’est engagée dans une politique pour l’innovation et le développement numérique faisant une place prioritaire au logiciel libre et à la réutilisation des données publiques conformément à la loi pour une République numérique, n° 2016-1321 du 7 octobre 2016 et au Livre III du Code des relations entre le public et l'administration, en vigueur au 09 octobre 2016.
Pour cela, elle permet aujourd’hui à des tiers de réutiliser librement les données publiques diffusées sur sa plateforme accessible à l’adresse [url portail]. Sont expressément exclues de cette démarche les données à caractère personnel ainsi que celles sur lesquelles des tiers détiendraient des droits de propriété intellectuelle. [Conformément à l’article 37-1 du CCAG TIC,] le pouvoir adjudicateur se réserve la possibilité de publier sous une licence de réutilisation publique, qui précise les droits et les obligations rattachés aux données, les données issues de l’utilisation de l’outil approvisionné par le présent marché. A cette fin, le titulaire fournit au pouvoir adjudicateur, dans des standards ouverts (c’est-à-dire, selon l’article 4 de la LCEN du 21 juin 2004 « tout protocole de communication, d'interconnexion ou d'échange et tout format de données interopérable et dont les spécifications techniques sont publiques et sans restriction d'accès ni de mise en œuvre »), en vue de la mise à disposition à titre gratuit des informations publiques à des fins de réutilisation à titre gratuit ou onéreux:
Les outils permettant d’extraire et exploiter librement tout ou partie de ces données et bases de données.
Ou le cas échéant, les données et bases de données collectées ou produites à l’occasion de l’exécution du présent marché.
Précision sur les données essentielles et leur format
Certains jeux de données "prioritaires" font l'objet d'une standardisation en raison de leur intérêt particulier et de la nécessité de garantir leur interopérabilité. Pour ces raisons, différentes structures de portée nationale déterminent les données essentielles que l'on doit trouver dans ces jeux de données ainsi que le format de présentation de ces données. C'est l'objet du Socle Commun des Données Locales porté par OpenDataFrance.
Pour éviter les difficultés de production de ces données dans le format attendu, il est préférable de demander contractuellement aux prestataires et délégataires la mise à disposition de ces données conformément au référentiel du SCDL.
Une clause à insérer dans le CCTP (puisque spécifique à chaque prestation) est proposée :
« Lorsque les données produites dans le cadre du présent marché font partie des données mentionnées dans le référentiel national Socle Commun des Données Locales, le titulaire sera tenu de transmettre ces données à la collectivité dans les formats décrits dans ce référentiel.
Les formats de transmission des données autres que celles mentionnées dans le référentiel national Socle Commun des Données Locales, seront transmises à la collectivité sous un format ouvert qui devra être décrit dans le mémoire technique »
6 - Les documents de capitalisation
Dernière mise à jour
