Introduction

1Les effets négatifs de l’utilisation de plus en plus répandue de la voiture sont multiples : la pollution, l’insécurité et les accidents de la route n’en sont que quelques exemples. Les dernières décennies ont ainsi donné lieu au développement d’un corpus de recherches s’attardant entre autres aux usagers vulnérables du réseau routier que sont les piétons, de surcroît les enfants piétons (Stevenson et Sleet 1997 ; Wazana et al. 1997). En effet, les enfants sont des usagers plus à risque et sont des victimes affectées plus sévèrement (physiquement et psychologiquement) en raison de leurs attributs physique et cognitif encore en développement (Choinière et Dorval 1997). Au-delà des travaux qui recensent les facteurs de risque les plus fréquents chez les victimes piétons, de plus en plus d’intérêt est porté aux recherches qui examinent les espaces quotidiens vécus par les enfants (Roberts et al. 1995 ; Laflamme et Diderichsen 2000 ; Posner et al. 2002 ; Jutras 2003 ; LaScala et al. 2004). Dans la lignée de ces travaux, nous nous intéressons ici aux victimes piétons enfants en examinant les sites de collision en milieu scolaire.

2L’école primaire est un pilier du quotidien des enfants ; son existence et son emplacement géographique revêtent ainsi une grande importance. Par exemple, Perry (1929, cité dans Krizek 2003) fut le premier à concevoir les quartiers comme des unités spatiales de voisinage qui devaient contenir quatre éléments clés, dont une école primaire ; les autres étant des aires de jeux et de parcs, des points de services locaux et une configuration des bâtiments et des rues qui assurent l’accès sécuritaire aux services pour tous, notamment aux piétons. Encore aujourd’hui, certains auteurs affirment que les écoles publiques doivent faire partie intégrante de tout quartier de vie puisqu’elles représentent en soi une infrastructure unique et vitale pour la santé des quartiers, autant au plan physique (édifice et terrain souvent imposants) qu’au plan social (lieu de rassemblement en tout temps) (Driedger 1991 ; Katz et Bressi 1994 ; Krizek 2003 ; Vincent 2006). De plus, nous pouvons attribuer aux environnements entourant les écoles des routines stables d’achalandage automobile et piétonnier à l’entrée et à la sortie des classes. Ces affirmations mettent au premier plan l’importance de l’école comme lieu de passage et comme destination principale au quotidien, devenant ainsi un objet d’étude intéressant en accidentologie. Par ailleurs, la modélisation de ces environnements « scolaires » est peu présente dans les recherches actuelles. Notre démarche veut ainsi répondre à cette lacune en explorant, à l’aide d’un modèle intégrant l’espace – la régression géographiquement pondérée –, certaines variables socio-économiques et environnementales connues pour leur influence sur le risque piéton. Cet article présente notre schématisation du risque routier près des écoles avant de décrire brièvement les sources de données, les traitements préliminaires effectués et le fonctionnement de la modélisation spatiale utilisée. Nous présentons ensuite les résultats du modèle pour terminer avec une discussion sur leurs implications dans un contexte de prévention.

1. Cadre conceptuel

3Au plan conceptuel, nous avons retenu quatre dimensions pour la modélisation du risque piéton rattaché à une école : la dimension du réseau routier, la dimension de la morphologie urbaine, celle de l’environnement socio-économique et celle du milieu scolaire. Ces dimensions abordent un certain nombre de facteurs de risque connus auxquels s’ajoutent des variables spécifiques au contexte scolaire et encore peu étudiées, posant ainsi un certain nombre d’hypothèses de départ sur la modélisation à effectuer (Figure 1).

5La dimension morphologie urbaine renvoie à la configuration des espaces entourant les écoles à travers la mixité fonctionnelle et la densité résidentielle. Une plus grande mixité et une plus forte densité sont étroitement liées à un accroissement de l’exposition au trafic à travers, entre autres, la pratique de la marche et les routines de jeux des enfants (Mueller et al. 1990 ; Joly et al. 1991 ; Agran et al. 1996 ; Posner et al. 2002 ; Cervero et Duncan 2003 ; Granié 2004 ; Song et Knaap 2004 ; Leslie et al. 2005 ; Talen 2006). Ces deux caractéristiques sont ainsi considérées comme des facteurs de risque indirects.

6La dimension socio-économique inclut quant à elle deux composantes : la défavorisation des ménages et la densité populationnelle, toutes deux reconnues maintes fois comme des facteurs de risque importants en accidentologie (Dougherty et al. 1990 ; Braddock et al. 1991 ; Kendrick 1993 ; Agran et al. 1996 ; Roberts et al. 1996 ; Laflamme et Diderichsen 2000 ; Wazana et al. 2000 ; Lightstone et al. 2001 ; LaScala et al. 2004 ; Adams et al. 2005 ; Graham et al. 2005 ; Sonkin et al. 2006).

7Finalement, la dimension scolaire prend en considération les politiques de transport scolaire sous l’hypothèse qu’elles ont une influence sur le mode de transport vers l’école, celui-ci affectant encore une fois l’exposition au trafic.

8La transposition de ces dimensions dans un contexte urbain et scolaire demande la mise en place d’un territoire commun. D’emblée, la question de la délimitation de ce territoire s’impose donc à nous. Dans le cas présent, l’école est considérée comme le point central pour la construction de zones de proximité. Ces zones seront ensuite caractérisées par certaines variables reliées aux dimensions explicitées précédemment, et intégrées dans une modélisation qui tient compte de l’espace et qui permet l’analyse de spécificités locales.

2. Méthodologie

2.1 Région d’étude : Montréal, Canada

9Le recensement canadien de 2001 établit la population montréalaise à près de 1,8 millions et à plus de 3,4 millions pour la grande région métropolitaine, ce qui en fait la seconde ville canadienne en importance après Toronto (Statistique Canada 2001). De plus, Montréal comporte plusieurs caractéristiques uniques de par son héritage de métropole québécoise et canadienne : un clivage linguistique et économique s’établit entre les extrémités est (francophone et moins fortunée) et ouest (anglophone et plus fortunée) de l’île (Drouilly 1996 ; Apparicio et Séguin 2002). Ce clivage historique, bien qu’il s’atténue ces dernières décennies, se fait sentir dans la distribution spatiale des accidents et des écoles : les écoles anglophones étant situées plus à l’ouest ont en général des fréquences d’accident plus faibles (Cloutier 2004). En raison de son poids démographique et de son caractère urbain, cette région du Québec est l’endroit où le bilan des accidents piétonniers est le plus important, permettant ainsi la collecte d’un grand nombre d’accidents impliquant des enfants piétons sur une courte période (5 ans). De plus, bien que Montréal semble favorisé au plan de la marche chez les enfants en comparaison avec d’autres grandes villes occidentales (Roberts et al. 1997), elle n’est pas à l’abri de la tendance mondiale qui démontre une diminution constante des modes de transport actif au profit de la voiture, notamment pour se rendre à l’école (Morency et Chapleau 2005 ; Gagné et Lewis 2008).

2.2. Données : sources et traitements préliminaires

10Afin de modéliser le risque d’accidents impliquant des enfants autour des écoles primaires, trois jeux de données intégrées dans les SIG sont utilisés : les sites d’accidents impliquant des enfants, des données relatives aux écoles, et d’autres relatives à l’environnement urbain.

2.2.1. Sites d’accident

2.2.2. Milieu scolaire

12Les données concernant les écoles primaires publiques, comprenant notamment l’adresse civique et le nombre d’inscrits pour l’année scolaire 2000-2001, ont été fournies par le Conseil de gestion de la taxe scolaire de l’île de Montréal (CGTSIM). Nous avons exclu de l’étude les écoles qui n’étaient pas ouvertes durant toute la période d’étude (1999-2003) et les écoles spécialisées (pour des élèves avec difficultés ou handicapés), pour un total de 321 écoles intégrés aussi dans ArcGIS à partir d’un géocodage à l’adresse civique (Apparicio et Cloutier sous presse).

13Deux autres acteurs reliés au milieu scolaire ont été sollicités : les cinq commissions scolaires en charge du transport des élèves et le service de police de la ville de Montréal (SPVM) en charge des brigadiers scolaires. Les informations concernant le transport scolaire en 2000-2001 nous ont permis de prendre en considération les politiques de transport scolaire tandis que la recension effectuée à partir des documents du SPVM (année scolaire 2003-2004) a permis de spatialiser 519 traversées où un brigadier scolaire est en poste à tous les jours.

2.2.3. Environnement urbain

14Trois sources de données ont été mises à notre disposition pour la définition de l’environnement urbain entourant les écoles : le recensement de la population (2001) diffusé par Statistique Canada et les cartes du réseau routier (2003) et d’occupation du sol (2000) du service de géomatique de la ville de Montréal (Communauté urbaine de Montréal 2001).

2.2.4. Fiabilité des jeux de données

15Pour conclure cette section, il nous apparaît important de discuter brièvement de la fiabilité des données décrites, qui proviennent par ailleurs toutes de services gouvernementaux qui sont en charge de leur création, de leur gestion et de leur mise à jour régulière. Dans le cas des accidents (variable dépendante), rappelons l’importance de la SAAQ qui, en raison de son régime d’indemnisation public, est le seul organisme à intégrer une aussi grande quantité d’informations sur les accidents et les victimes. Par contre, la fiabilité des données que la SAAQ compile est tributaire de la qualité des rapports remplis sur les lieux des accidents par les policiers. À défaut d’une meilleure source, les données fournies par la SAAQ nous semblent fiables et pertinentes, surtout qu’elles sont mises à jour continuellement. Les données scolaires sont sous la gouverne du CGTSIM qui se doit de les maintenir à jour en raison de son rôle de percepteur de la taxe scolaire. En ce sens, la liste des écoles, des élèves et de la langue d’enseignement ne devrait pas comporter d’erreurs majeures, surtout qu’elle nous a été fournie à la fin de l’année, et ainsi après les dernières vérifications internes. En terminant, mentionnons que la Ville de Montréal, qui est la source principale de données pour l’environnement bâti (rues, occupation du sol), est en charge de la création de ces bases de données. Par ailleurs, les fichiers qui nous ont été fournis correspondaient à la dernière mise à jour disponible au temps de notre requête.

2.3. Données : intégration spatiale et création des variables

2.3.1. Délimitation des zones de proximité autour des écoles

16La création des zones de proximité autour des écoles est basée sur la distance réticulaire et repose sur des fonctions globales d’analyse d’image dans les SIG (Tomlin 1990) illustrées à la figure 2. Brièvement, le principe se décompose en quatre étapes réalisées dans le module Spatial Analyst d’ArcGIS (McCoy et Johnston 2002) :

• 1) les couches vectorielles des écoles et du réseau routier sont converties en couches matricielles ;

• 2) la fonction CostAllocation attribue à chaque pixel de rues l’identifiant de l’école la plus proche ; 3) tandis que la fonction EucAllocation attribue l’identifiant de l’école aux pixels compris entre deux segments de rues ;

• 4) finalement, la couche matricielle de zones de proximité ainsi générée est convertie en vectoriel (polygones).

17L’avantage d’une telle méthode est de délimiter des zones d’influence des écoles à partir de la distance réticulaire (à partir du réseau de rues), et non pas en fonction de la distance euclidienne (à vol d’oiseau) comme c’est le cas avec les polygones Thiessen. Une fois ces 321 zones de proximité délimitées, il est alors possible de générer plusieurs variables caractérisant l’environnement urbain de ces zones, mais aussi, d’attribuer les sites d’accident à une seule école, soit celle la plus proche.

2.3.2. Les variables du modèle

18Les zones de proximité deviennent ainsi les unités d’analyse à partir desquelles est modélisé le risque routier près des écoles. Subséquemment, la variable dépendante est le nombre d’accidents impliquant des enfants piétons ayant eu lieu dans la zone de proximité de l’école. Quant aux neuf variables dépendantes – les facteurs de risque sélectionnés –, elles sont rattachées aux dimensions introduites plus tôt (tableau 1).

Tableau 1 : Les variables indépendantes utilisées pour modéliser le nombre d’accidents dans les zones de proximité des écoles

Dimension	Facteur de risque	Variable
Réseau routier	Trafic	- Densité du réseau (longueur en mètres au km2)
		- Densité des artères (longueur en mètre au km2)
	Programme de prévention	- Nombre de brigadiers
Morphologie urbaine	Mixité fonctionnelle	- Indice d’entropie des occupations du sol (0 à 1)
	Densité résidentielle	- Nombre de logements au km2
		- Proportion de l’occupation habitation faible densité dans la superficie totale de la zone de proximité
Socio-économique	Défavorisation sociale	- Indice de défavorisation
	Densité populationnelle	- Proportion d’enfants de 5 à 14 ans dans la population totale résidant dans la zone de proximité
Scolaire	Politique de transport scolaire	- Proportion d’élèves non éligibles au transport par autobus scolaire

19Concernant la dimension réseau routier, trois variables ont été retenues : la densité du réseau, la densité des artères et les brigadiers scolaires. Les deux premières variables ont été calculées en fonction de la longueur des segments de rues – soit l’ensemble des segments, soit ceux des artères principales et secondaires – compris dans chaque zone de proximité tandis que la seconde est le nombre de brigadiers présents dans la zone de proximité de l’école.

20Relativement à la dimension morphologie urbaine, trois variables ont été créées : un indice d’entropie des occupations du sol, la densité résidentielle globale et la faible densité résidentielle. L’indice d’entropie est calculé en fonction des 16 occupations du sol présentes sur le territoire de l’île de Montréal. Cet indice varie de 0 à 1 soit d’une spécialisation parfaite (une seule occupation du sol est présente dans la zone) à une diversité fonctionnelle maximale (chacune des 16 occupations du sol couvre 1/16 de la superficie de la zone de proximité) ; il est calculé de la façon suivante (Theil 1972 ; Apparicio 2000) :

21Les deux autres variables retenues pour cette dimension sont le nombre de logements au kilomètre carré (densité résidentielle) et la proportion de la superficie totale de la zone de proximité occupée par de l’habitation à faible densité.

22Pour ce qui est de la dimension socio-économique, deux variables ont été créées : un indice de défavorisation et une densité populationnelle (enfants). L’indice de défavorisation sociale est en fait la sommation de quatre variables ramenées sur une échelle de 0 à 1 en lien avec la pauvreté (Greene 1991 ; Apparicio et al. 2007 ; Apparicio et al. 2007 ; Cloutier et al. 2007) : le pourcentage de familles monoparentales dans l’ensemble des familles ; le taux de chômage, la proportion d’adultes de plus de 20 ans avec une faible scolarité (moins d’une neuvième année) et le pourcentage des ménages à faible revenu. L’indice varie potentiellement de 0 à 4, soit d’une défavorisation minimale à une défavorisation maximale. Pour notre jeu de données, il varie entre 0,18 (défavorisation minimale) et 3,37 (défavorisation maximale). La densité populationnelle est représentée quant à elle par la proportion d’enfants de 5 à 14 ans dans la population totale résidant dans la zone de proximité.

23La dimension scolaire est opérationnalisée par une seule variable dans le cas présent : la proportion des élèves n’étant pas éligible au transport par autobus scolaire. Cette variable représente l’hypothèse selon laquelle un plus grand nombre d’enfants est susceptible de se rendre à pied à l’école lorsqu’ils ne sont pas éligibles au transport. Elle a été calculée pour chaque école selon le nombre d’inscrits en 2000-2001 (dénominateur).

24Finalement, la variable dépendante à modéliser représente le nombre de sites d’accident par zones de proximité. La distribution des fréquences de cette variable, comme bien souvent en accidentologie, suit une distribution de Poisson : les petits effectifs sont plus fréquents du fait que les accidents sont des évènements rares dans le temps et dans l’espace (Lovett et Flowerdew 1989 ; Rosner, 2006). La modélisation du risque à partir de cette variable devra donc tenir compte de cette distribution.

2.4. Le recours à la modélisation spatiale

25Les modèles de régression classiques sont souvent peu appropriés aux données spatiales puisqu’ils ne peuvent prendre en compte l’autocorrélation spatiale des variables indépendantes et de la variable dépendante. Ils ne peuvent aussi saisir l’instabilité spatiale de la relation entre la variable y et les variables indépendantes (Fotheringham et al. 1996 ; Anselin et Griffith 1998). Cette relation peut en effet varier dans l’espace : « le modèle est alors très efficace dans certaines zones géographiques et inversement, peu efficace dans d’autres. Une telle situation se traduit habituellement par une autocorrélation spatiale positive des résidus » (Apparicio et al. 2007).

26Afin de contrer ce problème de l’instabilité spatiale du modèle, mais aussi afin d’analyser localement la relation entre la variable dépendante et ses prédicteurs, les géographes ont recours de plus en plus fréquemment à ce que Fotheringham et ses collègues ont appelé la régression géographiquement pondérée (Geographically weighted regression – GWR) (Fotheringham et al. 1998 ; 2002 ; LeSage 2004). Succinctement, les modèles GWR sont en fait des extensions des modèles de régression classique. Par exemple, un modèle GWR Poisson s’écrit de la façon suivante, où (u_i, v_i) représente les coordonnées géographiques du point i (ou du centroïde du polygone i) et où les paramètres β₀ et β_k peuvent varier dans l’espace (Fotheringham et al. 1998 ; 2002 ; Nakaya et al. 2005).

27L’objectif ici n’est pas de décrire en détail la GWR ; pour une description plus détaillée des paramètres du modèle, on pourra consulter en anglais, Fotheringham et al. (2002) ou en français Apparicio et al. (2007). Cependant, retenons que la résolution de cette équation de régression sous une distribution de Poisson est basée sur une méthode itérative des moindres carrés (iteratively reweighted least squares) et sur une matrice de pondération qui varie soit en fonction de la distance séparant les unités i et j.

28Ainsi, les modèles GWR produisent une équation de régression pour chaque entité spatiale, et des valeurs locales pour les paramètres (β₀, β_k), les résidus, les T de Student, etc. Ces valeurs peuvent donc être cartographiées et analysées dans leur contexte spécifique. Dans le cadre de cette étude, le recours à un modèle GWR Poisson permettra de visualiser l’intensité des variations locales des facteurs prédictifs des accidents dans les zones de proximité des écoles.

3. Résultats

3.1. Portrait descriptif de l’accidentologie du territoire à l’étude

29Avant d’analyser les résultats des modèles, il nous apparaît important de dresser le portrait des accidents impliquant des enfants piétons à Montréal pour la période étudiée (1999-2003). Notons tout d’abord que le nombre d’accidents en période scolaire oscille autour de 200 par année, avec une faible diminution en 2002 et 2003 (181 et 183 accidents respectivement). De ces victimes, 61 % étaient des garçons et 55 % étaient âgées entre 10 et 14 ans.

30La distribution géographique des sites d’accident démontre une concentration dans les quartiers centraux où la densité de population et de circulation automobile est la plus forte. Ces zones de concentration correspondent globalement aussi aux espaces de pauvreté de Montréal. Par ailleurs, il est intéressant d’observer que les sites d’accidents se retrouvent un peu partout sur le territoire à l’étude, nous rappelant que peu de zones peuplées sont totalement exemptes d’accidents (Figure 3).

3.2. Modèle de régression géographiquement pondérée (GWR)

31Tout d’abord, le tableau 2 présente les résultats d’un modèle de Poisson global qui ne tient pas compte de l’espace. On remarque dans ce modèle que cinq variables sont significativement et positivement reliées au nombre d’accidents par zone de proximité. Ce sont dans l’ordre la densité populationnelle, l’indice de défavorisation, le nombre de brigadiers, la densité résidentielle et l’indice d’entropie. Les résultats du modèle GWR démontrent également le pouvoir explicatif de ces cinq mêmes variables. Par ailleurs, le modèle GWR représente une amélioration du modèle global puisque le critère AIC y est moins élevé : il passe de 536,2 pour le modèle global à 339,6 pour le modèle GWR (Nakaya et al. 2005).

Tableau 2 : Résultats du modèle GLOBAL de Poisson

Variable	β	Erreur Standard	Valeur de T	Exp(B)	Exp(B) standardisé
Intercepte	-1,593	0,314	-5,068	0,203	0,064
Densité du réseau	0,007	0,012	0,553	1,007	0,012
Densité des artères	0,021	0,023	0,903	1,021	0,023
Nombre de brigadiers	0,131	0,024	5,415	1,139	0,027
Indice d’entropie	0,856	0,376	2,278	2,354	0,885
Densité résidentielle	0,094	0,023	4,050	1,098	0,025
Faible densité résidentielle	0,001	0,002	0,570	1,001	0,002
Indice de défavorisation	0,445	0,058	7,719	1,560	0,090
Densité populationnelle (enfants)	0,001	0.000	7,954	1,001	0,000
Éligibilité au transport	0,204	0,159	1,279	1,226	0,195

32Comme mentionné précédemment, l’avantage principal de la régression géographiquement pondérée est qu’il est possible de géovisualiser les variations locales du modèle général et ainsi de discerner où le modèle s’ajuste le mieux. A ce titre, les Figure 4 et 5 illustrent respectivement le nombre de variables significatives et les valeurs de T rattachées à chaque entité spatiale – les zones de proximité – pour les cinq variables indépendantes significatives. Le premier constat général qui se dégage de ces résultats est que le nombre de variables indépendantes significatives est plus important dans les quartiers centraux et dans les quartiers plus périphériques de l’est de l’île de Montréal (Figure 4.A). Second constat général, la variable indépendante la plus significative n’est pas la même pour toutes les zones de proximité (Figure 4.B) : la densité populationnelle est la plus significative dans les zones du centre de l’île de Montréal alors que dans les zones de l’est de l’île, c’est la défavorisation qui a le plus grand pouvoir explicatif.

33De façon plus détaillée, la relation entre la présence de brigadiers et le risque d’accident ne se manifeste pas dans le sens de notre hypothèse de départ, ce qui nous ramène à réfléchir sur la procédure d’attribution des brigadiers à des traversées spécifiques. En effet, comme ces traversées sont bien souvent choisies en fonction de leur dangerosité élevée, il est normal de constater un lien statistique positif entre la présence de brigadiers et le risque d’accident, a fortiori dans les zones significatives illustrées, connues pour leur accumulation de facteurs de risque (Figure 5.A). Cela ne remet pas en cause l’efficacité de ce programme de prévention, mais renforce plutôt l’importance de son application.

34La significativité des deux variables concernant la morphologie urbaine démontre le lien fort existant entre la configuration de certains quartiers et le risque d’accident. La variable entropie n’est significative que dans quelques zones de proximité au Nord-Est de l’île alors que la variable densité résidentielle est reliée au risque d’accident dans des zones de proximité au Centre et dans l’Est de la ville (Figure 5.B et C). Rappelons en terminant que ces variables de configuration des quartiers sont reconnues pour avoir des répercussions sur le trafic, bien que les deux variables en lien avec le trafic ne soient pas significatives dans notre modèle.

35Finalement, il n’est pas étonnant de constater que les variables indice de défavorisation et proportion d’enfants aient une plus grande aire d’influence dans la ville, ces deux facteurs étant les plus cités dans les recherches sur les enfants piétons (Figure 5.D et E).

Discussion

36L’objectif de la présente recherche était d’étudier l’influence de différentes variables socio-économiques et environnementales sur le risque d’accident piéton à travers une modélisation qui tient compte de l’environnement urbain autour des écoles. Les premiers résultats obtenus corroborent les recherches portant sur la problématique des enfants piétons à Montréal, notamment en ce qui concerne la défavorisation et la distribution spatiale des accidents en général (Pless et al. 1987 ; Dougherty et al. 1990 ; Joly et al. 1991 ; Macpherson et al. 1998). La majorité de nos hypothèses de départ ont été confirmées, à l’exception du nombre de brigadiers ce qui, comme discuté précédemment, provient certainement de la façon dont les traversées à sécuriser sont choisies. Pour ce qui est des variables de trafic qui sont demeurées non significatives dans notre modèle, il semble que ces constituants de la morphologie urbaine aient plutôt été capturés par les variables d’entropie et de densité résidentielle.

37Par ailleurs, nos travaux explorent plus en profondeur les relations entre certains facteurs de risque et l’occurrence d’accident d’une façon nouvelle et unique en raison du caractère local de notre modèle. En effet, les résultats de la modélisation à l’aide des SIG et de la GWR confirment le fort potentiel de ces outils pour analyser spatialement et localement la problématique des accidents de la route. Rappelons par exemple que la variable indépendante la plus significative, tout comme le nombre de variables significatives ne sont pas les mêmes pour toutes les zones de proximité. A ce titre, le choix des zones de proximité comme unité spatiale d’analyse apporte une originalité méthodologique tout en contribuant à l’avancement des connaissances en accidentologie.

Conclusion

38Au-delà de l’identification d’écoles et d’environnements plus à risque, il est bon de rappeler que le risque d’accident accru pour certains jeunes piétons crée des appréhensions envers les modes de transport actifs que sont la marche et le vélo, réduisant ainsi la pratique d’activité physique, notamment sur le chemin de l’école. Bien que difficile à quantifier, cette insécurité modifie les habitudes de vie des enfants et des familles au profit de la voiture alors que les conséquences de ces modifications ne sont pas du tout pris en compte dans les bilans routiers habituels (Hillman et Adams 1992). Au regard de ces constats, la réflexion qui s’engage présentement au sein des organisations de santé publique devient primordiale dans toute stratégie de mobilité scolaire, et les travaux à caractère géographique devraient y prendre une place grandissante.

39Nos résultats s’insèrent dans une vision de la prévention priorisant l’environnement, et en particulier les environnements scolaires puisque les écoles sont des lieux quotidiens de destination pour la quasi-totalité des enfants. Ce type d’approche est de plus en plus prisé par les divers intervenants puisque les mesures de prévention éducatives visant uniquement les changements de comportement chez les enfants se sont avérées très peu efficaces pour réduire le nombre de victimes à moyen et à long terme (Preusser et Lund 1988 ; Schieber et Thompson 1996 ; Granié 2004). Notre approche contribue aussi à mettre l’emphase sur le caractère local de certains facteurs de risque : tous les quartiers de la ville n’ont pas la même expérience du risque routier piéton, les facteurs de risque identifiés pour l’ensemble d’une ville donnée n’agissent pas localement avec la même intensité.

40Il ne s’agit pas ici de remettre en cause les politiques globales de prévention, mais plutôt d’affirmer la complémentarité de celles-ci avec des plans d’intervention à l’échelle locale. Or, une connaissance approfondie des facteurs de risque locaux, et surtout de leur intensité, ne peut qu’aider les intervenants de santé publique à définir des stratégies de prévention prenant mieux en compte les réalités locales, les rendant ainsi, on l’espère, plus efficaces.