Contributions à l'analyse des comportements de réservation des usagers d'un service d'autopartage

Dans un contexte où la transition vers des modes de transport plus verts devient un enjeu majeur, l’autopartage émerge comme une solution prometteuse pour réduire la dépendance à la voiture individuelle. Elle contribue à la diversification des options de déplacement en complémentarité avec d'autres formes de mobilité durable telles que le transport en commun, le vélo et la marche. Dans ce domaine, Communauto se distingue par son rôle pionnier. Fondée à Montréal, l’entreprise est aujourd’hui le plus grand fournisseur de services d’autopartage en Amérique du Nord. Elle propose deux types : en libre-service ou en station. Cette étude vise à recommander des ressources à Communauto pour mieux répondre à la demande en station en examinant les comportements des abonnés de la région métropolitaine de Montréal. Bien que plusieurs recherches aient exploré les bénéfices de l’autopartage, peu d’études se sont penchées sur les habitudes de réservation des clients. Les comprendre permet non seulement d’optimiser l’utilisation des ressources disponibles, mais aussi d’orienter les stratégies de développement du service. Une analyse statistique des données de Communauto combinées aux informations territoriales et démographiques a été menée grâce aux logiciels RStudio et QGIS. Elle inclut des éléments du profil des membres, notamment le genre, l’âge, le type de forfait et la localisation résidentielle. L’usage du service de l’usager, les caractéristiques des stations et des réservations ainsi que les dimensions temporelles sont également considérées. Les résultats sont présentés sous forme de graphiques et de cartes géographiques. Des méthodes d’apprentissage automatique ont été utilisées afin de prédire le statut final d’une réservation contribuant à une meilleure compréhension des variables importantes. Dans le cadre de ce mémoire, des termes ont été définis pour approfondir des phénomènes observés comme la fausse annulation, soit une annulation suivie d’une nouvelle réservation honorée à la même date du début de réservation. Elles représentent 11,67% des réservations, alors que 70,61% sont des réservations honorées et 17,72%, des réelles annulations. L’analyse des comportements de réservation dévoile plusieurs tendances. Les réservations planifiées pour la fin de semaine ou la période estivale révèlent un taux d’annulation plus élevé. Une inscription effectuée à l’approche de la date du début de la réservation manifeste une plus forte probabilité d’être honorée. Les femmes annulent plus fréquemment et de manière plus anticipée que les hommes. Les utilisateurs de l’ouest, du centre, de l’est et de la banlieue de l’île de Montréal adoptent des habitudes distinctes. Les réservations de plus d’un jour rencontrent deux fois plus d’annulations que celles de durée inférieure. Les stations situées au centre-ville ou réservées aux résidents d’un immeuble sont généralement plus honorées. Deux modèles de différentes complexités sont explorés comme outils de prédiction des comportements de réservation. Les valeurs des indicateurs de la forêt aléatoire dépassent ceux de l’arbre de décision. L’exactitude de la forêt d’arbres décisionnels atteint 77,51% contre 69,67%, tandis que le score F1 s’élève à 85,15% comparativement à 77,84%. Certaines variables, dont celles associées à l’usage du service, augmentent la qualité de la prédiction. Les tendances observées permettent d’anticiper les comportements des abonnés et d’identifier des leviers d’intervention pour ajuster les politiques de gestion des réservations ou améliorer la prédiction de la demande. Dans le but de mieux organiser la flotte, Communauto pourrait appliquer la forêt aléatoire fréquemment. Si leur objectif est plutôt de réduire les annulations, le plan d’action devrait cibler les caractéristiques les plus étroitement corrélées.

Abstract

In a context where the transition toward more sustainable mobility is becoming a major challenge, carsharing is emerging as a promising solution to reduce dependence on private vehicles. It contributes to diversifying transportation options in a way that complements other sustainable modes of transport, such as public transit, bikesharing, and active mobility, including cycling and walking. In this field, Communauto stands out as a pioneering actor. Founded in Montreal, the company is now the largest carsharing provider in North America. It offers two types of carsharing services: free-floating and station-based. This study aims to deliver resources for Communauto to better meet the demand for station-based carsharing by examining user behaviours within the Montreal Metropolitan Region. While several studies have explored the benefits of station-based carsharing, few have focused specifically on the reservation behaviours of customers. Understanding these habits is essential not only for optimizing the use of available resources, but also for guiding strategic planning and service development. A statistical analysis was conducted exploiting Communauto’s internal data, combined with territorial and demographic data. This analysis was carried out utilizing RStudio and QGIS software and includes variables related to client profiles, such as gender, age, package type and place of residence, as well as their usage of the service, characteristics of stations and reservations, and the temporal dimensions of reservations. The results are presented in the form of graphs and geographic maps. In addition, machine learning methods were applied to predict the final status of a reservation, thereby contributing to a better understanding of the most influential variables. As part of this research, specific terms were defined to better capture observed patterns, such as false cancellations, which are cancellations followed by new reservations honoured on the same start date. These represent 11.67% of reservations, while 70.61% are honoured reservations and 17.72% are genuine cancellations. Analysis of reservation behaviour reveals several trends. Reservations planned for the weekend or summer period have a higher cancellation rate. A reservation made close to the start date of the reservation tends to be honoured. Women cancel more frequently and earlier than men. Residents of the west, centre, east and suburbs of the Island of Montreal exhibit different behaviours. Reservations of more than one day are cancelled twice as often as those of shorter duration. Stations located downtown or reserved for residents of a building are generally more likely to be honoured. Two models of varying complexity are explored as tools for predicting reservation behaviour. The random forest indicators outperform those of the decision tree. The accuracy of the decision tree forest reaches 77.51% compared to 69.67%, while the F1 score rises from 77.84% to 85.15%. Certain variables enable better predictions, such as those associated with service usage. The trends observed help anticipate user behaviour and identify actionable to adjust reservation management policies or improve demand forecasting. To better organize the fleet, Communauto could apply random forests frequently. If their objective is to reduce cancellations, interventions should target the characteristics most closely correlated.