Véhicules électriques au Canada, 2017-2024
Projet final du cours DECI 1009, réalisé à trois. Nous avons croisé quatre jeux de données officiels, testé quelques liens statistiques et construit un rapport Power BI de cinq pages. Ma part principale est le travail en Python : nettoyage, calculs, analyses et graphiques.
Ce qu’il faut retenir
La question
Où en est l’adoption des véhicules électriques (VÉ) au Canada, quels facteurs l’accompagnent, et le pays approche-t-il la cible fédérale de 60 % de VÉ dans les ventes neuves en 2030 ?
La méthode
Nettoyage en Python (pandas), corrélations sur huit années, régression linéaire et trois scénarios pour 2030, puis un rapport Power BI de cinq pages.
Les résultats
Le parc de VÉ passe de 43 766 véhicules en 2017 à 688 674 en 2024. Les VÉ font 17 % des ventes neuves en 2024, soit 28,3 % de la cible de 60 %. Aucun de nos scénarios n’atteint 60 % en 2030 (26,2 % à 36,7 %).
Les limites
Huit années d’observation, c’est peu. Les corrélations décrivent des séries qui montent ensemble ; elles ne prouvent pas que l’essence ou les subventions causent l’adoption.
Trois étudiants, cinq semaines, un client
C’est le projet final du cours DECI 1009, au CCNB de Bathurst. Nous l’avons mené à trois, Leila Krimi, Guy Patrice Tamdjokam Sah et moi, du 8 avril au 13 mai 2026. Le Collège jouait le rôle du client.
Nous avons ensuite appliqué les résultats à un cas d’école : CanMobility, une entreprise fictive qui cherche où s’implanter dans les provinces de l’Atlantique.
Note de contexte (octobre 2026). La cible de 60 % en 2030 vient de la Norme sur la disponibilité des véhicules électriques adoptée en 2023, qui prévoyait aussi 100 % de VÉ dans les ventes neuves en 2035. C’était la règle en vigueur pendant le projet, et elle reste ici la référence. En février 2026, le gouvernement fédéral a annoncé son intention d’abroger cette norme. Le projet d’abrogation a été publié dans la Gazette du Canada en août 2026, avec une période de commentaires de 75 jours ; à la date de cette révision, il n’était pas encore en vigueur.
Le parc et les ventes neuves ne mesurent pas la même chose
Les chiffres de Statistique Canada (tableau 23-10-0308-01) comptent tous les véhicules routiers immatriculés au cours de l’année, neufs ou anciens. C’est le parc. En 2024, il compte 688 674 VÉ (491 083 électriques à batterie et 197 591 hybrides rechargeables) sur 26 787 718 véhicules, soit 2,57 %.
Le 17 % vient d’une autre source, l’Agence internationale de l’énergie (AIE), et mesure la part des VÉ dans les voitures vendues pendant l’année. Un parc se renouvelle lentement : même quand un véhicule neuf sur six est électrique, les VÉ restent une petite part de tout ce qui roule. C’est pour cette raison que 2,57 % et 17 % peuvent être justes en même temps.
La cible de 2030 porte sur les ventes neuves. Seul le 17 % se compare donc à 60 %.
Statistique Canada a depuis publié l’année 2025 : 882 593 VÉ, soit 3,20 % du parc. Le projet s’arrête à 2024.
Quatre jeux de données principaux, deux sources de contexte
Les quatre jeux nettoyés dans Python sont les immatriculations de véhicules (Statistique Canada, 23-10-0308-01), les prix de l’essence (Statistique Canada, 18-10-0001-01), le prix quotidien du pétrole WTI (Energy Information Administration des États-Unis) et les ventes mondiales de VÉ (AIE, Global EV Outlook). S’y ajoutent deux sources de contexte : le nombre de bornes de recharge publiques (Ressources naturelles Canada, 31 948 en 2024) et la description des programmes de subventions (Transports Canada et provinces). Le blog parle de quatre sources, ce dossier en comptait cinq avec les bornes : les deux décomptes portent sur des périmètres différents.
Les fichiers bruts totalisaient 86 449 lignes ; il en reste 5 568 après nettoyage. Cette baisse vient surtout du filtrage (carburant, période 2017-2024, géographies utiles) et, pour le WTI, du passage des prix quotidiens aux moyennes mensuelles : 10 129 lignes deviennent 96, une réduction de 99,1 %. Moins de lignes ne veut pas dire de meilleures données. La qualité se vérifie par des contrôles : doublons, valeurs manquantes, cohérence des totaux.
Deux problèmes nous ont pris du temps. Les accents perdus à la lecture des fichiers (Nouvelle-Écosse, Î.-P.-É.) cassaient les jointures ; nous avons fixé l’encodage en UTF-8 partout. Et les données arrivaient par jour, par mois et par année ; nous avons tout ramené à l’année. Au final, 14 entités géographiques harmonisées : les 10 provinces, les 3 territoires et le total Canada. Le code du nettoyage est dans l’épisode 2.
Ce que les chiffres permettent de dire
Avec huit années d’observation, les échantillons sont petits. Nous avons donc ajouté aux corrélations de Pearson des tests qui ne supposent pas une distribution normale (Spearman, Mann-Whitney, Kruskal-Wallis).
Sur 2017-2024, le prix annuel de l’essence et la part des VÉ dans les ventes neuves montent ensemble : r = 0,81, p = 0,016. Le prix du pétrole WTI et le parc de VÉ donnent r = 0,60, p = 0,12, non significatif. Une corrélation forte entre deux séries qui augmentent toutes les deux est facile à obtenir ; elle ne montre pas que l’essence chère fait acheter des VÉ. Les subventions, l’offre de modèles et le prix des batteries changent en même temps. Le détail est dans l’épisode 5.
Le test de Mann-Whitney sur les subventions provinciales va dans le sens attendu, mais il ne permet pas de conclure : il y a trop peu de provinces et de territoires pour cela.
Pour 2030, nous avons ajusté une droite sur la part des VÉ dans les ventes neuves (R² = 0,92, pente de 2,18 points par an), puis appliqué trois multiplicateurs à cette pente : 0,7 (crise), 1 (référence) et 1,5 (optimiste). Ces multiplicateurs sont des hypothèses que nous avons choisies, pas des valeurs estimées. Résultat : 26,2 %, 30,1 % et 36,7 % en 2030. Le modèle présente aussi une autocorrélation des résidus (Durbin-Watson de 0,64), que nous avons signalée. Le code et la méthode sont dans l’épisode 6.
Des écarts entre Python et Power BI, huit corrections
En comparant les résultats de Python et ceux du rapport Power BI, nous avons trouvé des écarts : des prévisions 2030 fausses et des valeurs de p différentes. Nous avons repris le rapport chiffre par chiffre, en prenant mes résultats Python comme point de comparaison, sans les considérer comme justes d’office : quand un écart apparaissait, je reprenais le calcul pour en trouver la cause, côté Python comme côté Power BI. Après huit corrections, les deux outils donnaient les mêmes résultats.
En relisant le rapport pour ce portfolio, j’ai trouvé deux erreurs qui restent sur les captures ci-dessous. Elles sont signalées sous la page 4.
Cinq pages Power BI
Les images ci-dessous sont des captures statiques du rapport. Le fichier Power BI interactif n’est pas publié.
Où en sont les véhicules électriques ?
Le parc canadien atteint 688 674 VÉ en 2024, soit 2,57 % du parc de véhicules routiers. Les VÉ représentent 17 % des ventes neuves selon l’AIE. Les ventes mondiales cumulées dépassent 56 millions. Le classement des huit premiers pays place la Norvège en tête.
Le pétrole et l’essence pendant les crises
Après l’invasion de l’Ukraine, le WTI monte de 34,2 % en 13 jours et atteint 123,6 $ le baril le 8 mars 2022. L’essence au Canada grimpe de 41,3 % entre janvier et juin 2022, jusqu’à 207 ¢ le litre. Le prix de l’essence suit de près celui du WTI (r = 0,95).
Les prix de l’énergie et l’adoption
Essence et part des VÉ dans les ventes neuves : r = 0,81 (p = 0,016). WTI et parc canadien : r = 0,60 (p = 0,12), non significatif. La page rappelle aussi les subventions (aide maximale de 12 000 $, programme fédéral iVZE lancé en 2019) et les 31 948 bornes de 2024. Huit années d’observation ne permettent pas de parler de cause.
Où en est le Canada par rapport à la cible ?
Les trois scénarios donnent 36,7 % (optimiste), 30,1 % (référence) et 26,2 % (crise) en 2030. Aucun n’atteint 60 %.
Deux erreurs sur cette capture. La jauge affiche 25 % de la cible atteinte. Le bon calcul est 17 ÷ 60 = 28,3 %. Le tableau des provinces affiche une « progression vers l’objectif » qui est en réalité la part du parc de chaque province divisée par celle du Canada, puis multipliée par 25 % : le Québec (47,08 %) correspond à 4,83 % du parc. Ce sont des parts du parc, qui ne se comparent pas à une cible de ventes neuves. La capture sera remplacée quand le rapport aura été corrigé dans Power BI.
Où CanMobility devrait-elle commencer ?
Les quatre provinces de l’Atlantique comptent 15 238 VÉ et 1 458 bornes. Chaque province reçoit une note sur 10 selon le nombre de VÉ, la densité de bornes, la croissance depuis 2017 et le nombre de VÉ par habitant : Nouvelle-Écosse 8,5, Nouveau-Brunswick 8,0, Île-du-Prince-Édouard 7,5, Terre-Neuve-et-Labrador 5,0. Notre recommandation : commencer par la Nouvelle-Écosse.
La partie Python, étape par étape
- 1
Nettoyer les données
Pour chaque source, je garde les catégories utiles, je convertis les dates et je contrôle les doublons et les valeurs manquantes. Exemple : pour le prix de l’essence, je ne conserve que l’essence ordinaire en libre-service, de 2017 à 2024.
- 2
Calculer les indicateurs
Part des VÉ dans le parc par province, taux de croissance annuel composé (TCAC) et classement des pays.
- 3
Tester les liens statistiques
Corrélation de Pearson entre le prix de l’essence et la part des VÉ, puis régression linéaire pour les scénarios 2030.
- 4
Comparer avec Power BI
Je comparais mes résultats avec ceux du rapport. Quand un écart apparaissait, je reprenais le calcul en Python pour trouver sa cause.
Voir les détails techniques
Le code Python que j’ai utilisé est déjà publié dans les articles du blog. Plutôt que de le recopier ici, voici les passages concernés.
- Épisode 2 : nettoyage du prix de l’essence. Filtre sur le type de carburant, conversion de la période en date, filtre 2017-2024, puis contrôle du nombre de lignes, des doublons et des valeurs manquantes.
- Épisode 3 : tendances mondiales. Sélection des cinq pays où la part des ventes de VÉ est la plus élevée en 2024, et fonction de calcul du TCAC.
- Épisode 4 : le Canada province par province. Tableau trié de la part des VÉ dans le parc en 2024.
- Épisode 5 : prix de l’essence et VÉ. Corrélation de Pearson avec la valeur de p.
- Épisode 6 : prévisions 2030. Régression linéaire avec statsmodels et pente par année.
Le dossier ne publie pas encore le code des mesures DAX ni des requêtes M que j’ai corrigées. Je ne les décris donc pas plus en détail ici.
Qui a fait quoi
Projet d’équipe de trois au CCNB, avec Leila Krimi et Guy Patrice Tamdjokam Sah.
Ce que j’ai fait. Ma contribution principale concerne Python : le nettoyage des données, les calculs, les analyses et la création des graphiques. J’étais la personne référente pour cette partie. Mes résultats servaient de base pour comparer et vérifier ceux du rapport Power BI.
Le rapport Power BI. Guy Patrice a réalisé l’essentiel du rapport. De mon côté, j’ai corrigé certains graphiques, et réalisé ou corrigé certaines formules M dans Power Query et certaines formules DAX. Quand un écart apparaissait, je reprenais les calculs dans Python, j’expliquais la démarche et je l’aidais à trouver la cause.
Le blog. J’ai aussi rédigé les six articles ; « nous » y désigne l’équipe.
Un résultat n’est pas juste parce qu’il vient de Python. Les données et les calculs ont été vérifiés dans les deux outils.
Les six épisodes du blog
Chaque épisode reprend une étape du projet, avec le code Python utilisé.
- Pourquoi suivre les véhicules électriques ?Les quatre sources et le premier chargement des données.
- Nettoyer les données : notre premier défiFiltres, contrôles et dictionnaire de données : 86 449 lignes brutes, 5 568 lignes utiles.
- Tendances mondiales : qui mène la course ?La part des VÉ dans les ventes neuves, pays par pays.
- Le Canada province par provinceLa part des VÉ dans le parc de chaque province et territoire.
- Chocs énergétiques : l’essence flambe, les VÉ accélèrent ?Ce que les corrélations montrent, et ce qu’elles ne montrent pas.
- Prédictions 2030 : trois scénarios pour l’avenirUne régression linéaire et trois hypothèses de rythme.