L'angle mort du genre dans les données de mobilité

L’histoire bien connue du déneigement à Karlskoga, en Suède, illustre parfaitement pourquoi il est essentiel de réfléchir à la manière dont nous collectons et analysons les données, ainsi qu’aux personnes impliquées dans les processus décisionnels (Perez, 2019). En 2011, Karlskoga a constaté que sa politique de déneigement apparemment neutre du point de vue du genre — qui priorisait les grandes artères avant les trottoirs et les pistes cyclables — désavantageait involontairement les femmes. Comme les hommes étaient plus susceptibles de se déplacer en voiture et les femmes plus susceptibles de marcher ou d’utiliser les transports collectifs, tout en enchaînant des déplacements complexes liés aux responsabilités de care (« trip chaining »), ces dernières étaient davantage exposées aux risques liés aux surfaces glacées. Lorsque la municipalité a inversé l’ordre de déneigement pour prioriser les piéton·ne·s et les usager·ère·s du transport collectif, elle a non seulement amélioré la sécurité, mais aussi réduit les coûts : les blessures chez les piéton·ne·s — majoritairement des femmes — coûtaient environ deux fois plus cher que l’entretien hivernal des routes.

Cette situation a mis en lumière un écart plus large dans les données liées au genre en planification des transports : les schémas de déplacement plus linéaires des hommes dominent la collecte de données et les décisions qui en découlent, tandis que les déplacements plus variés, souvent non rémunérés et liés au care, restent sous-comptabilisés ou mal catégorisés.

Au fil des décennies, la collecte de données origine-destination (OD) à Montréal est passée des enquêtes téléphoniques traditionnelles auprès des ménages, menées depuis les années 1970, à un système hybride comprenant de vastes enquêtes OD en ligne, des données transactionnelles passives du système de carte à puce OPUS, des journaux de déplacements BIXI et des traces issues d’applications mobiles. Cette évolution a profondément transformé la manière dont le genre apparaît — ou non — dans les données et les analyses de mobilité.

Les premières enquêtes OD sous-estimaient fréquemment les courts déplacements à pied et les trajets enchaînés liés aux responsabilités de care, en désignant souvent une seule personne répondante par ménage, ce qui occultait les schémas de mobilité plus complexes des femmes (Ravensbergen et al., 2023). L’enquête ARTM/MTQ de 2018 a introduit des questionnaires en ligne et un codage plus détaillé des déplacements, permettant d’identifier la « mobilité du care » et de réaliser des analyses ventilées selon le sexe (Balarezo et al., 2024).

Cependant, les sources passives plus récentes, comme les transactions OPUS et les journaux de déplacements BIXI, offrent des données temporelles et spatiales à haute résolution sans inclure d’attributs de genre directs. Les chercheur·euse·s doivent donc inférer ou coupler des informations démographiques provenant d’autres sources, une approche susceptible d’introduire des biais de sélection et d’inférence (Delisle, 2024). Les études récentes sur la micromobilité et les traces téléphoniques continuent de révéler un écart persistant dans les données liées au genre : les femmes y sont sous-représentées, et les déplacements courts et non motorisés demeurent sous-comptabilisés (Preston et al., 2022). De plus, les incohérences dans l’enregistrement du « sexe » par rapport au « genre » — lorsqu’il est enregistré — limitent la comparabilité et renforcent certains angles morts analytiques. Les chaînes analytiques, du nettoyage des données aux prédictions par apprentissage automatique, risquent d’amplifier ces biais lorsque le genre n’est pas explicitement pris en compte (Nadeem et al., 2020).

La collecte de données à Montréal est aujourd’hui plus diversifiée et technologiquement sophistiquée, mais la visibilité du genre dans les données demeure inégale. Ce n’est que récemment que les méthodologies ont commencé à s’attaquer à la sous-représentation systémique des schémas de mobilité des femmes et à mettre en évidence la manière dont le travail de care, les préoccupations liées à la sécurité et l’enchaînement des déplacements continuent de façonner des résultats de mobilité genrés (Ravensbergen et al., 2023 ; Balarezo et al., 2024).

Sur les plateformes de Curbcut, nous avons intégré plusieurs choix méthodologiques dans notre analyse de l’accessibilité aux services afin d’atténuer ces déséquilibres :

• évaluer l’accessibilité selon l’ensemble des modes de déplacement (marche, vélo, transport collectif et automobile), plutôt que de se concentrer uniquement sur les trajets domicile-travail en voiture ;
• inclure un large éventail de destinations du quotidien — services de garde, épiceries, services de santé, loisirs — et non seulement les lieux d’emploi ;
• intégrer les variations selon l’heure de la journée, comme la fréquence du transport collectif et les heures d’ouverture, en évitant les hypothèses implicites d’une mobilité « 9 à 5 » ;
• utiliser des données spatiales fines afin de détecter les inégalités à l’intérieur des quartiers, et non seulement entre de grandes zones.

Bien entendu, il ne s’agit que d’un point de départ. Les ajustements méthodologiques ne suffisent pas, à eux seuls, à résoudre les enjeux structurels qui produisent des inégalités de mobilité liées au genre. Combler l’écart dans les données nécessite à la fois un changement plus profond dans la manière dont les villes collectent et interprètent les données, et une plus grande participation des femmes à la planification et à la conception des systèmes de transport, dans le cadre de politiques urbaines plus larges qui reflètent réellement leurs pratiques de mobilité.

À quoi ressembleraient nos villes si nous commencions à concevoir des systèmes de mobilité pour tout le monde ?