City Planner — outil d’implantation multi-villes

Décider où placer un toilette public coûte des mois de marchés publics et une facture de conseil à cinq chiffres

L’implantation d’infrastructures urbaines paraît simple de l’extérieur et se révèle politiquement sensible et analytiquement coûteuse à l’intérieur des administrations. Le parcours type : un agent identifie un besoin, une mission de conseil est passée en marché public pendant des mois, une analyse SIG propriétaire tourne sur des plateformes qui peuvent coûter jusqu’à 280 000 £ par an à l’échelle entreprise, et un rapport arrive dont la méthodologie n’est ni inspectable ni reproductible. Trois personas portent la douleur : l’agent de l’espace public qui doit défendre « pourquoi cette rue » en commission, le chercheur en politiques publiques sans méthodologie multi-villes uniforme, et le rédacteur de subventions qui a besoin de preuves avant/après quantifiées pour un dossier Interreg ou NEB Facility.

Paris / toilettes publics : cercles de couverture de 500 m, recommandations classées, curseur de budget avec avant/après

Aucun outil ouvert ne répondait à la question de l’implantation avec à la fois un scoring pondéré par l’équité et une preuve de couverture avant/après — ils visualisaient les manques ou collectaient des avis, et s’arrêtaient là

Trente-cinq outils audités — et une colonne vide partout sauf dans le monde académique

La discovery a combiné quatre méthodes : un balayage concurrentiel de ~35 outils couvrant SIG d’entreprise, plateformes civic-tech participatives, scores d’accessibilité et analytics de capteurs ; une revue de littérature (2SFCA, MCLP, Kolm-Pollak EDE) ; un audit open data des trois villes ; et un benchmarking méthodologique face au Tree Equity Score d’American Forests, à Conveyal Analysis et à TfL Healthy Streets. La grille de lecture a convergé vers un constat : Conveyal quantifie l’avant/après mais le planificateur dessine le scénario à la main ; UrbanAccess et CityAccessMap ne montrent que les manques ; Esri y répond semi-manuellement pour £££ et un analyste formé. La colonne « recommande de nouveaux emplacements » était vide partout sauf dans les papers académiques — qui ne sont pas des produits.

Le Tree Equity Score a fourni le plan méthodologique — scoring multiplicatif, indicateurs d’équité à poids égaux, cadrage avant/après, page de méthodes transparente. Adapter le précédent public le plus rigoureux d’un domaine adjacent a donné à la méthodologie sa crédibilité auprès d’un public sceptique dès le premier jour, et épargné des semaines d’itération sur le design du scoring.

Partir du précédent public le plus solide du domaine adjacent — puis remplacer le manque de canopée par l’accès aux toilettes, les census blocks par une grille H3 et les indices américains par FILOSOFI, BIMD et IMD

Gap × équité sur une grille hexagonale — multiplicatif à dessein

Chaque cellule H3 de ~0,1 km² reçoit Score = 100 × (1 − GapScore × EquityIndex). Le GapScore est la distance sur le réseau piéton jusqu’à l’équipement existant le plus proche (OSMnx + Dijkstra multi-sources) rapportée au maximum de la ville ; l’EquityIndex compose des données de défaveur réelles — INSEE FILOSOFI pour 645 zones IRIS parisiennes, Statbel BIMD pour 261 secteurs anversois, ONS IMD pour 5 666 LSOA londoniennes — avec un plancher à 0,1 pour qu’une défaveur nulle n’efface jamais un manque physique réel. Multiplicatif, pas additif, et c’est testé : la formule additive recommandait quatre emplacements parisiens à forte défaveur mais à couverture déjà suffisante ; la multiplicative non.

Les recommandations sortent d’un greedy max-coverage — garanti ≥63 % de l’optimum mathématique (Nemhauser 1978) avec la dispersion géographique intégrée — doublé d’un solveur MCLP exact (PuLP + CBC) sélectionnable par run ; en pratique les deux s’accordent à 0,1 pp près. Les distances réseau pèsent plus qu’il n’y paraît : pour les toilettes de Londres, les buffers à vol d’oiseau annonçaient ~33 % de couverture là où le réseau piéton en montre 13,2 % — fleuves, parcs et autoroutes flattaient la carte en silence.

La grille de scores H3 — jaune pâle : bien desservi, rouge foncé : haute priorité ; les marqueurs numérotés sont les recommandations du moteur

L’architecture est une séparation délibérée : un moteur Python précalcule tout hors ligne — téléchargement des données, nettoyage, CRS métrique par ville, grille, scores, optimisation, scénarios précalculés du curseur de budget — et l’app React sert du GeoJSON statique sans backend live. L’intelligence en Python, la livraison en React : l’analyse est coûteuse, l’hébergement coûte 0 £.

Trois villes, une méthodologie — et une histoire qu’aucun outil mono-ville ne peut raconter

Le même budget de dix toilettes produit trois réponses très différentes. Paris (588 sanisettes, le pipeline open data le plus propre du lot) couvre déjà 85,0 % des cellules pondérées par la demande à moins de 500 m à pied ; dix de plus portent ce chiffre à 89,8 %. Anvers couvre 17,4 % avec 91 toilettes cartographiés — dix nouveaux le montent à 24,0 %, le meilleur rendement marginal par équipement des trois. Londres couvre 17,5 % à une échelle physique bien plus grande ; dix équipements ne déplacent que 0,9 pp — une dynamique de rendements décroissants qui plaide pour un programme d’investissement plus long et de meilleures données avant l’optimisation.

Anvers — le cas d’équité le plus fort : meilleur rendement marginal par nouvel équipement

Vue Compare — bannière de normalisation explicite : un 60 à Anvers n’est pas un 60 à Paris

L’artefact final est un Decision Brief : une page prête à imprimer avec les emplacements classés, la méthodologie par composant, les sources de données avec leurs niveaux de confiance et le chiffre avant/après dont un rédacteur de subventions a réellement besoin. L’honnêteté sur les données est une fonctionnalité du produit, pas une note de bas de page — le sous-cartographiage OSM des quartiers défavorisés et périphériques sous-estime le manque exactement là où le besoin d’équité est le plus fort, et chaque Brief le signale.

Le Decision Brief — la page unique qu’un dossier de subvention peut joindre comme preuve

▶Démo en ligne

city-planner.ontwrpn.com

Ouvrir

En ligne — 3 villes, 8 types d’équipements, 24 jeux de données précalculés, planificateur what-if inclus

Ce que les chiffres sont — et ce qu’ils ne sont pas encore

C’est un projet de portfolio mené en solo, pas un déploiement commandé par une ville : les chiffres d’impact sont des sorties analytiques de données ouvertes vivantes, comparées à des délais de marchés publics documentés et à des prix d’outils publiés — pas une étude utilisateur. L’outil est techniquement complet sur les 24 combinaisons ville × équipement, et aucun planificateur municipal ne l’a encore utilisé ; un sprint de validation structuré avec des utilisateurs proches des villes est l’élément le plus important de la roadmap, et l’avoir programmé après le lancement plutôt que pendant la phase 3 est la première chose que je ferais autrement. L’espace blanc v2 identifié — une couche RAG qui cite les propres documents de politique de la ville pour expliquer chaque recommandation — n’est revendiqué par aucun concurrent de l’audit.

Walking skeleton d’abord : une ville, un type d’équipement, de bout en bout — chaque ville suivante fut un adaptateur sur une base qui marchait, pas une reconstruction

Sources

• American Forests. Tree Equity Score — methodology. — le plan de scoring que ce projet adapte aux villes européennes
• Nemhauser, Wolsey & Fisher (1978). An analysis of approximations for maximizing submodular set functions. Mathematical Programming 14. — la garantie d’optimalité ≥63 % derrière le greedy max-coverage