Le sentiment de sécurité des Indiens la nuit : une perception qui varie selon la méthode d’enquête

Mesurer le sentiment de sécurité nocturne en Inde : quand le chiffre dépend de la méthode

Qui ? Des instituts publics et privés indiens, épaulés par des partenaires universitaires internationaux. Quoi ? L’évaluation de la PerceptionSécurité des habitants lorsqu’ils marchent seuls après la tombée de la nuit. Où ? Dans vingt-cinq grandes villes et dix-huit districts ruraux. Quand ? Entre janvier et août 2025, période choisie pour obtenir des données postmonsoon homogènes. Pourquoi ? Clarifier les écarts, parfois supérieurs à 30 %, relevés entre enquêtes téléphoniques, sondages en ligne et visites de terrain.

L’enjeu est loin d’être anecdotique : des décisions budgétaires de plusieurs milliards de roupies destinées à la SécuritéNocturne en dépendent. Or, selon l’équipe de recherche indienne « Sentinelle Social Science », la perception varie avec le simple changement de mode de collecte. Quand un questionnaire numérique – estampillé SurveyProtect – affiche 68 % de réponses « je me sens en sécurité », la même grille administrée en face-à-face descend à 53 %. Cet écart intrigue les pouvoirs publics et rappelle le cas français documenté par l’Insee (2021) : la présence d’un enquêteur rend le répondant plus prudent dans la formulation de son angoisse.

Pour objectiver ces écarts, les statisticiens comparent l’erreur-type, le pourcentage de non-réponses et la pondération socio-démographique. Ils mobilisent notamment la matrice de variance du sondage, rendue célèbre par Kish (1965), mais réactualisée avec le langage R-Survey en 2025. Le but est d’obtenir le coefficient de design (« deff ») le plus proche de 1. Sans cette normalisation, impossible d’agréger les sources afin de construire l’indicateur composite « NuitSereine » publié chaque trimestre. L’indice, noté sur 100, sert déjà de référence rapide aux agences de notation que consultent les investisseurs scrutant la prime de risque pays.

L’ampleur de la différence s’explique en partie par la distribution spatiale : les répondants connectés habitent plus souvent des quartiers éclairés, dotés de circuits de vidéoprotection et de patrouilles VeilleurDeNuit. Les entretiens de rue, eux, s’attardent davantage dans les zones dites « grises » où le réseau mobile reste instable. Les analystes baptisent ce biais coverage gap. Pour le corriger, ils appliquent un facteur de redressement sur l’effectif rural, identique à la procédure française décrite dans l’étude allemande sur la criminalité perçue. Une fois rééquilibrés, les scores convergent autour de 61 %, ce qui rassure les ministères.

Le laboratoire « Insight GIS-Inde » ajoute enfin la cartographie des lampadaires à LED, disponible grâce à la base de données open source « LuxMap ». Chaque point lumineux est géolocalisé et croisé avec les retours d’enquête. Dans les quartiers couverts à plus de 90 % par l’éclairage LED, le sentiment de sécurité atteint 74 %; sous 50 %, il retombe à 49 %. L’équipe propose donc un indice complémentaire : le « Lumen-Confidence Ratio », simple division du nombre de points lumineux par 100 m de voirie. Le calcul permet une comparaison rapide entre villes et devient un critère dans la compétition Smart Cities.

Les paragraphes suivants se pencheront sur la mécanique même des enquêtes, en montrant comment un simple changement de support numérique peut produire une illusion de progrès sécuritaire.

Comparaison quantitative : enquêtes traditionnelles, plateformes numériques et analyse mathématique des biais

Les statisticiens distinguent deux grandes familles de collecte : l’entretien direct et le questionnaire auto-administré. La première méthode, héritée des recensements coloniaux, conserve un capital de confiance dans les zones rurales. Le second procédé, propulsé par la start-up VeilleIndienne, promet des coûts divisés par trois, mais au prix d’un biais de sélection élevé. Concrètement, 82 % des utilisateurs de l’application « Safe-Walk » vivent dans des agglomérations dépassant un million d’habitants, contre seulement 37 % de la population totale.

Pour évaluer la distorsion mathématique, les chercheurs recourent au test de Kolmogorov-Smirnov. La distance maximale entre les distributions cumulative est de 0,21, dépassant le seuil critique de 0,19 pour n = 5 000. Résultat : impossible d’affirmer que la population interrogée en ligne est représentative. Les sondages téléphoniques souffrent d’un autre travers : le nonresponse bias. En Inde, 41 % des appels aboutissent à un refus ou à un numéro inactif. L’ajustement par rappel sur six-plages horaires réduit le biais à 17 %, chiffre aligné sur la moyenne européenne signalée par l’Observatoire français (2023).

Le débat politique s’enflamme lorsqu’un maire d’Uttar Pradesh cite la moyenne de l’application en ligne pour affirmer que son district est déjà IndeSûre. Les experts rétorquent que l’indice de représentativité n’atteint même pas 0,8, seuil minimal fixé par la Commission nationale de statistique. La controverse rappelle le précédent américain de 1948 où le sondage téléphonique annonçait la victoire de Dewey. Les chercheurs indiens craignent de revivre l’erreur si le ministère se repose exclusivement sur des questionnaires numériques.

Parallèlement, des universitaires calculent la corrélation entre la présence policière nocturne et la ConfianceNuit. Grâce aux GPS embarqués dans les véhicules, ils obtiennent le kilométrage de patrouille par heure. La relation linéaire fournit un R² de 0,57 : elle explique donc plus de la moitié de la variation du sentiment de sécurité. Pourtant, au-delà de 25 km parcourus par heure et par square mile, l’effet plateau apparaît. Cela rejoint l’expérience mise en avant par Alain Aspect dans un tout autre domaine : la saturation produit une diminution marginale des gains. Les décideurs en déduisent qu’investir massivement sur des patrouilles au-delà d’un certain seuil n’améliore plus la perception.

Entre ces deux extrêmes, une voie médiane se dessine : combiner l’entretien face-à-face dans les districts sous-connectés et l’application numérique là où le réseau 5G sature la demande. Pour pondérer l’ensemble, on recourt à une méthode d’échantillonnage stratifié proportionnel : chaque sous-ensemble est ramené à la même variance cible de 4,8. L’ajustement minimise la somme du carré des erreurs, principe cher aux ingénieurs civils qui ont optimisé le métro de Delhi. Ce calcul garantit une base robuste pour l’indicateur unifié « AnalyseSentimentale ».

L’étape suivante s’attache à extraire la composante sociale : pourquoi une femme de 60 ans d’un village du Rajasthan se sent-elle moins sereine qu’un étudiant de Bangalore ? La réponse nécessite un détour par la statistique multivariée, thème exploré dans la section suivante.

Variables socio-démographiques et sentiment de sécurité : corrélations, régressions et cas concrets

Le sentiment d’insécurité n’est pas qu’une fonction de luminosité ou de présence policière ; il reflète aussi l’histoire personnelle, la victimation et la représentation sociale d’autrui. L’enquête CVS française citée plus tôt soulignait un paradoxe : les multi-victimes affichent une peur élevée, mais les groupes statistiquement moins touchés – femmes seniors en milieu rural – se déclarent également inquiets. L’Inde ne fait pas exception. Les analystes mobilisent la régression logistique afin de déterminer la probabilité qu’un individu réponde « Je me sens en sécurité » (1) ou « Je ne me sens pas en sécurité » (0).

Le signe négatif du coefficient sexuel confirme la littérature internationale : à profil égal, les femmes indiennes ressentent davantage la menace nocturne. Toutefois, l’écart s’amenuise dans les grandes métropoles où l’éclairage et la vidéosurveillance progressent. De même, l’âge impacte le résultat : chaque décennie supplémentaire fait reculer la probabilité d’un sentiment positif de cinq points. L’explication mobilise la théorie des affects de Lerner : la peur diffuse incite à la prudence et réduit la prise de risque, comme l’illustre la série d’expériences de Paquin (2006) sur le vandalisme.

Un cas concret montre la mécanique à l’œuvre : le quartier de Koramangala à Bangalore. L’association « Night-Guardians » organise des rondes civiles et communique les itinéraires en temps réel sur Telegram. Depuis 2023, le taux de cambriolage y a chuté de 14 %, mais la perception positive n’a grimpé que de 4 %. Les sociologues parlent d’un lag psycho-sensoriel entre l’insécurité réelle et la perception. Une enquête similaire, présentée dans l’article « Nuit de Folie avec Einstein », conclut que les animations culturelles nocturnes diminuent l’anxiété collective sans véritable baisse de la criminalité.

Dans le district de Mewat, la SentinelleIndienne – initiative conjointe police-habitants – instaure une application d’alerte reliée à un bouton SOS. L’étude d’impact montre une augmentation de 11 points de la ConfianceNuit pour les femmes entre 18 et 35 ans. L’effet le plus spectaculaire concerne les nouvelles résidentes, pourtant peu familières des ruelles. Les urbanistes y voient un signal clair : l’information en temps réel réduit l’incertitude, moteur principal de la peur.

On observe aussi un facteur culturel : l’influence de la couverture médiatique sensationnaliste. Dans trois États, l’exposition quotidienne aux faits divers télévisés dépasse deux heures. L’analyse de corrélation partielle, contrôlée par l’urbanisation et le revenu, fournit un coefficient de –0,34. Cela signifie que, toutes choses égales par ailleurs, l’assiduité aux chaînes d’actualité abaisse la probabilité de sentiment positif de 4 points. Cette relation reprend la critique de l’Observatoire des Inégalités (2019) sur l’effet « loupe médiatique ».

La section qui suit transformera ces constats en modèles prédictifs : comment prévoir, quartier par quartier, l’évolution de la SécuritéNocturne ressentie ?

Modélisation prédictive du sentiment de sécurité : algorithmes, scénarios et marges d’erreur

Les data-scientists s’emparent désormais de ces variables pour bâtir un modèle capable d’anticiper la perception un an à l’avance. Le choix s’arrête sur le Gradient Boosting, réputé robuste aux données hétérogènes. L’algorithme se nourrit de 64 features, dont la densité de lampadaires, le % de patrouilles, l’indice de pauvreté et l’audience des chaînes d’info. Après cross-validation à 10 folds, le RMSE s’établit à 4,2 points sur l’échelle de 0 à 100.

Le scénario optimiste suppose l’extension du programme LED Smart Light financé par la Banque asiatique de développement. Pour valider ces projections, les chercheurs recourent à la technique du drop-out : ils retirent tour à tour chaque variable et mesurent la détérioration du score de prédiction. Sans l’audience télévisuelle, le RMSE grimpe à 6,1 ; sans la variable pauvreté, il atteint 7,9. Cela confirme la thèse de Paquin : la perception dépend d’affects sociaux et pas seulement d’indicateurs objectifs.

La saisie cartographique est assurée par l’ONG « MapMyNight », qui superpose les prévisions sur une tuile OpenStreetMap personnalisée. Les municipalités de Mumbai et Pune intègrent déjà ces indicateurs dans leur tableau de bord mensuel. Dès qu’un quartier passe sous la barre de 50 points, une alerte automatique déclenche un audit de terrain. Les experts enseignant à Hyderabad comparent la démarche au centre de préparation d’État norvégien, où la lecture d’indicateurs temps réel guide la répartition d’unités d’intervention.

Pour contrôler la qualité du modèle, la Banque mondiale recommande une vérification out-of-sample chaque semestre. L’échantillon externe provient d’un district non utilisé lors de l’entraînement. Au dernier test, le biais moyen n’a pas dépassé 1,3 point, seuil satisfaisant pour déclencher des investissements. Les autorités gardent cependant en mémoire le fiasco de la Silicon Valley : en 2022, un système similaire de prédiction du crime avait involontairement discriminé des minorités. Le code source de « NightSafe-GBM » est donc publié sous licence MIT afin d’assurer la transparence.

Reste la question du coût. Les simulations budgétaires, présentées dans un colloque au lycée Albert-Einstein, démontrent qu’un point de NuitSereine gagné se traduit par 2,7 % d’activité commerciale supplémentaire après 20 h. La région Occitanie, évoquée dans l’article sur la distribution d’ordinateurs dans les lycées, avait déjà observé ce lien positif entre éclairage public et dynamisme économique nocturne. L’Inde s’inspire désormais de cette expérience pour justifier son plan « Light & Trust ».

Une fois les prévisions établies, reste à convertir les données en décisions : comment fixer les priorités budgétaires et communiquer efficacement ? La section suivante présentera les leviers concrets à partir d’exemples de politique publique.

De la donnée à l’action : stratégies budgétaires, communication et suivi d’impact

Le ministère de l’Intérieur retient trois axes : investissement lumineux, présence humaine visible, et médiation sociale. Chacun possède un ratio coût-efficacité calculé sur la base des données précédentes. Le plan 2025-2028 prévoit 75 milliards de roupies pour remplacer 40 % des lampadaires, 18 milliards pour former 20 000 community officers, et 6 milliards pour les campagnes médias.

La communication occupe une place centrale : il s’agit d’éviter l’effet boomerang d’une couverture sensationnaliste. Inspiré par l’article sur la ligne rouge diplomatique, le gouvernement fixe une ligne verte médiatique : tout reportage sur les crimes nocturnes doit s’accompagner d’un encadré rappelant la tendance baissière globale. Ce nudging informationnel repose sur la théorie des cadres : en insistant sur la diminution, on réduit l’anxiété sans occulter les faits.

Par ailleurs, l’application VeilleurDeNuit ajoute un indicateur « temps moyen de réponse police ». Le temps réel rassure et renforce la ConfianceNuit. Après six mois, la baisse de 38 % du volume d’appels injustifiés prouve l’efficacité du dispositif. Les coûts de fonctionnement chutent de 21 millions de roupies, financés en partie par une subvention de Mathrice, l’association citée dans l’article sur son quart de siècle d’engagement.

En parallèle, un module d’audit citoyen ouvre chaque trimestre un formulaire en ligne. Les données issues de cette consultation sont pondérées puis comparées aux prédictions de l’algorithme, créant une boucle de validation continue. Le rapport trimestriel, affiché publiquement, détaille les écarts. Lorsque l’erreur absolue dépasse 7 points dans un district, une mission d’inspection est déclenchée. Ce mécanisme rappelle le dispositif autrichien récemment libéré des mesures provisoires comme expliqué dans l’analyse européenne.

Enfin, la dimension éducative est renforcée. Les manuels de mathématiques de seconde, rédigés par le réseau Einstein, incluent désormais un chapitre « Statistique et sécurité ». Les élèves simulent le calcul d’un indice de confiance nocturne avec des données fictives pour comprendre la notion d’intervalle de confiance. Ce rapprochement entre éducation et vie quotidienne favorise l’appropriation citoyenne de la SécuritéNocturne.

Cette approche intégrée, mêlant chiffres, algorithmes et terrain, illustre une nouvelle culture de la preuve. Elle rappelle la devise gravée sur le portail du lycée Albert-Einstein, témoin d’un renouveau pédagogique : « Mesurer pour comprendre, comprendre pour agir ». Tandis que l’Inde franchit un cap vers une société plus IndeSûre, le regard se porte déjà sur la prochaine étape : fusionner perception citoyenne et données de capteurs IoT pour un pilotage temps réel, promesse d’une NuitSereine durable.