Mobilité urbaine et énergie : comment nous avons conçu un tableau de bord pour mesurer les émissions de CO₂ à Nantes, Rennes et Niort

Nous avons construit, avec Power BI et un template Figma, un jeu de visualisations qui quantifie et compare l’empreinte carbone de la mobilité (avion, voiture, bus, vélo) et de la consommation d’énergie (électricité, gaz) dans trois villes françaises : Nantes, Rennes et Niort. Le billet documente le processus de bout en bout — préparation des données, modélisation, design UI — ainsi que les principaux résultats.

Introduction

Rendre la transition bas-carbone mesurable et actionnable : c’est l’objectif de ce projet, qui transforme des données ouvertes en un tableau de bord interactif pour explorer l’impact climatique de la mobilité et de l’énergie à l’échelle urbaine.

Objectifs

Quantifier les émissions de CO₂ par mode de transport.
Comparer les schémas de mobilité entre les villes.
Analyser l’évolution temporelle des émissions (2016–2019).
Produire des insights actionnables pour des politiques de mobilité durable.
Intégrer l’énergie (électricité & gaz) comme facteur clé des émissions.

Données & méthodologie

Sources : ADEME et Agence ORE pour la consommation annuelle d’électricité et de gaz par commune, complétées par des données démographiques et des facteurs de conversion CO₂.
Préparation & modélisation Power BI :
- Standardisation des tables de consommation (Avion/Bus/Vélo/Voiture) puis fusion en ConsommationTotale. Clé relationnelle cle_habitants pour relier consommations et population.
- Relations : TypeTransport (consommation ↔ équivalences carbone) et cle_habitants (consommation ↔ habitants).
- Mesures DAX : Kg CO2, tonne_co2, milliers_kms, CO2 par habitant, etc.
Visualisations :
- Aster Plots (distances & émissions), nuage de mots (poids par ville), cartes KPI, barres empilées (CO₂ par habitant), ligne temporelle (évolution CO₂) et carte.
Énergie : import du CSV Agence ORE, mesure CO2_Electricite_kg via LOOKUPVALUE, segmentation par Année et Ville.

Design du dashboard (dataviz)

Template Figma : zones dédiées aux KPI, filtres, graphiques et carte ; export en image de fond pour Power BI.
Approche UX : hiérarchie visuelle claire, thème sombre, filtres à gauche pour guider l’exploration.
Implémentation : placement précis des visuels selon la maquette ; slicers (Année, Ville, Type de transport) ; bandeau KPI (CO₂, kilomètres totaux, consommation d’énergie, CO₂ électricité).

Résultats & insights

1) Quel mode de transport émet le plus ?

Avion : ~45,9 millions t CO₂ (le plus émetteur).
Voiture : ~2 millions t CO₂.
Bus : ~17 141 t CO₂.
Vélo : 0 émission (dans le périmètre de calcul). Total cumulé (4 modes) : ~47,96 millions t CO₂.

2) CO₂ par habitant : qui émet le plus ?

Nantes : 1 506,21 kg CO₂/hab (plus forte empreinte).
Rennes : 634,18 kg CO₂/hab.
Niort : 113,35 kg CO₂/hab (plus faible).

3) Évolution temporelle (2016–2019)

Nantes : hausse continue, pic en août 2019 (~808 M kg CO₂).
Rennes : légère hausse avec pic en sept. 2018 (~337 M kg CO₂).
Niort : niveaux faibles, pic en mars 2019 (~61,6 M kg CO₂). Constat : pas de baisse durable sur la période ; au contraire, les émissions augmentent.

4) Énergie : consommation & CO₂ de l’électricité

Consommation totale (élec + gaz) : Nantes > 3 M MWh/an ; Rennes ~2,2–2,5 M MWh/an ; Niort ~0,7–0,9 M MWh/an.
CO₂ de l’électricité (kg/an) : Nantes ~111–113 M ; Rennes ~73–76 M ; Niort ~26–37 M (tendance plutôt stable).
Part du cumulé (période) : Nantes ~448 M (52 %), Rennes ~296 M (34 %), Niort ~118 M (14 %).

Lecture rapide : Nantes concentre le plus d’activité et de consommation ; Rennes suit un profil intermédiaire ; Niort se distingue par une intensité carbone plus faible, possiblement via un mix énergétique plus propre et une intensité industrielle moindre.

Impact & cas d’usage

Collectivités :
- Renforcer le transport public (≈ 3× moins d’émissions/km que la voiture et 6× moins que l’avion).
- Mettre en place des zones à faibles émissions.
- Accélérer les infrastructures cyclables sécurisées pour les trajets < 5 km.
Opérateurs :
- Optimiser les lignes sous-performantes, moderniser la flotte là où l’impact est maximal, adapter l’offre selon la saison.
Citoyens :
- 10 km/jour en voiture ≈ ~500 kg CO₂/an ; encourager l’intermodalité et des outils de suivi personnel des émissions.

Conclusions

Nantes est la plus émettrice (mobilité et énergie).
Rennes présente un profil intermédiaire mais significatif.
Niort affiche une faible empreinte en absolu et par habitant.
2016–2019 : pas de baisse significative — nécessité d’accélérer la décarbonation. Priorité : intervenir d’abord à Nantes, tout en combinant mobilité propre et efficacité énergétique dans les trois villes.

Prochaines étapes

Étendre l’analyse à d’autres villes (tendances régionales).
Intégrer météo et variables socio-économiques.
Développer des modèles prédictifs d’impact de politiques.
Publier un dashboard ouvert et instaurer un suivi continu des KPI.

Stack utilisé

Power BI (modélisation, DAX, Aster Plot, Word Cloud, KPI, carte, timeline).
Figma (maquette UI/UX).
Données ouvertes : ADEME, Agence ORE.

Si vous souhaitez adapter ce flux à votre ville, il suffit de mettre à jour les tableaux de consommation, d’habitants et d’équivalences de CO₂, de conserver la même architecture de relations et de réutiliser le modèle de base. Le résultat : un tableau explicable, exploitable et évolutif pour les décisions en matière de politique urbaine et énergétique.