Les données d'accidents observées sur un réseau routier présentent souvent une corrélation spatiale en raison des effets non observés et une corrélation spatiale inhérente à la structure du réseau routier. Nous introduisons un modèle de convolution de processus de réseau, dans lequel la corrélation spatiale entre les données d'accidents est capturée par un processus gaussien approximé par une approche de convolution de noyau. La fonction de covariance du processus gaussien est basée sur la distance de trajet calculée entre un ensemble limité de nœuds et de points correspondant à des accidents sur le réseau routier. Le modèle proposé offre une approche simple pour prédire la fréquence des accidents aux endroits non observés où les covariables sont présentes, et pour interpoler les valeurs du processus gaussien n'importe où sur le réseau. La procédure d'inférence est réalisée selon le paradigme bayésien et mise en œuvre dans R-INLA, qui offre une procédure d'estimation plus efficace qu'une approche de Monte-Carlo par chaînes de Markov. Nous avons adapté notre modèle à des données synthétiques et à des données sur les accidents survenus à Ottawa, au Canada.