Plan du travail

La mise en place d’une enquête de préférences déclarées peut être décrite en 5 étapes (voir plus en détails :Adamowicz et al. (1998),Hensher (1994),Louviere et al. (2010)) :

1. Définir l’objet de l’étude, la problématique et le périmètre.

Cette première étape s’appuie en général sur une étude bibliographique afin de déterminer quelles situations de choix ont déjà été abordées et de quelle manière. La bibliographie est complétée par les connaissances techniques, interviews collectées auprès des professionnels du secteur. Il est aussi important de choisir le type d’enquête à utiliser. En plus de choisir parmi des offres proposées, il est possible de (Ben-Akiva et Lerman,1985) :

• Proposer au décideur (la personne répondant à l’enquête), lors du choix réel, une offre supplémentaire et lui demander laquelle des deux aurait été choisie si cette offre avait existé.

• Le décideur peut classer les alternatives de choix qui lui ont été proposées en fonction de ses préférences.

• Grouper les alternatives de choix en deux groupes : acceptables et non-acceptables. • Donner une note à chaque alternative.

• Les alternatives appariées : certaines alternatives comportent toutes les valeurs des at- tributs, tandis que pour d’autres, certaines valeurs ne sont pas renseignées. Le décideur doit lui-même compléter les valeurs manquantes.

A la fin de cette étape, le modélisateur a défini la cible de l’étude, les différences existantes entre les décideurs, la formulation de la situation de choix et la liste des attributs à utiliser.

2. Définir les niveaux des attributs

Pour chaque attribut de la liste, il est nécessaire de définir l’unité de mesure et les valeurs. A ce stade, il est important de trouver un juste milieu pour le domaine de variation des valeurs. Si les valeurs sont proches, l’enquête n’arrivera pas à capter les préférences des décideurs. A l’inverse, avec des valeurs déraisonnablement éparpillées l’individu aura du mal à choisir. Il est conseillé pour les attributs quantitatifs de proposer au moins une valeur bien observable dans la vie réelle et bien connue à chaque répondant de l’enquête (Louviere et al.,2010). Dans la mesure du possible, il faut aussi inclure l’attribut du prix ou du coût des alternatives de choix. Ceci est d’autant plus important, lorsque le modélisateur cherche à estimer les Consentements à Payer (CAP).Hanley et al.(2005) ont analysé dans quelle mesure la définition du vecteur de prix affecte les modèles de choix discrets. Deux situations de choix en tout point similaire ont été créées, à l’exception du prix des alternatives. Dans la première situation le prix varie entre £2 et £25, dans la deuxième entre £0,67 et £8. Les auteurs observent que dans la situation de faibles valeurs des prix, les valeurs de CAP sont tirées vers le bas, sans que soit affectées les préférences des répondants. Dans le cas du questionnaire avec l’option « ne rien choisir », le répondant refuse le plus souvent d’effectuer le choix avec des prix élevés.

Une fois les niveaux des attributs définis, ils sont testés sur un petit échantillon de répon- dants, une étape incontournable lors de l’enquête expérimentale. Le but est d’écarter les attributs et les niveaux d’attributs qui n’influencent pas les choix, qui ne sont pas réalistes, qui sont mal exprimés, etc. Le nombre d’attributs par situation de choix ne doit pas être trop grand.Pearmain et Swanson(1991) propose de les limiter à 6-7 par situation de choix.

Goett et al. (2000), quant à eux, utilisent environ 40 attributs repartis en 5 groupes avec un attribut prix commun à tous les groupes. Pour chaque groupe une situation de choix est créée et testée.

3. Conception de l’enquête expérimentale

Le but est de générer une combinaison des niveaux d’attributs afin de créer les situations de choix qui seront présentées aux répondants. Ces situations sont aussi appelées les « pro- files » ou les « Trade-Offs ». Nous pouvons répertorier les méthodes les plus courantes (Ben-Akiva et Lerman,1985) :

• La plus simple et la moins efficace est la conception aléatoire des offres. Les niveaux de chaque attribut sont distribués selon une loi de probabilité définie par le modélisateur. Les offres sont créées par tirage aléatoire des niveaux de chaque attribut.

• La deuxième méthode consiste à utiliser les plans d’expérience factoriels complets. Il s’agit de prendre en considération toutes les combinaisons des niveaux des attributs. Dans ce cas, le modélisateur est obligé de restreindre le nombre et les niveaux des attributs afin que le nombre total des combinaisons soit raisonnable. Par exemple, le plan factoriel complet de 5 attributs à 2 niveaux chacun représente 32 combinaisons ou offres. Si un Trade-Off est composé de 4 offres, le répondant devra répondre au plus à 8 Trade-Off, alors que le plan factoriel complet de 5 attributs à 3 niveaux représente 243 combinaisons possibles.

• Les plans factoriels fractionnaires viennent en réponse aux contraintes du plan factoriel complet. Cette méthode s’appuie sur l’idée qu’il n’est pas nécessaire de tester toutes les combinaisons du plan. C’est la méthode que nous utilisons dans notre recherche et que nous présenterons en détail dans la section suivante. Le point faible de cette méthode est qu’elle utilise des plans orthogonaux, dans lesquels les niveaux des attributs varient indépendamment les uns des autres. Or, dans la vie réelle nous pouvons observer une corrélation entre certains attributs. Par ailleurs, certaines combinaisons des niveaux d’attribut peuvent s’avérer être complétement irréalistes.

• La méthode de conception « optimale » ou « efficiente », efficient design en anglais, per- met de générer des attributs suivant un paradigme d’optimalité. Elle utilise les valeurs des paramètres issus des études antérieures ou d’une pré-enquête conduite dans le but d’obtenir ces paramètres. La conception efficiente minimise le déterminant de la matrice variance-covariance des paramètres. Cette méthode est implémentée dans SAS1 et bien décrite dansKuhfeld et al.(2010). Nous n’avons pas pu l’utiliser faute de moyens finan- ciers suffisants pour mener une pré-enquête sachant qu’il n’existe pas d’étude antérieure pour la France.

4. Préparation et mise en place du questionnaire

Une fois l’enquête expérimentale créée, elle est intégrée dans l’ensemble du questionnaire. La partie expérimentale doit être complétée a minima par des informations annexes sur le

répondant, ses préférences ou habitudes qui peuvent se révéler utiles pour comprendre ses choix. Durant cette étape, le modélisateur décide également sous quelle forme l’enquête sera présentée aux répondants et de quelle façon. Les enquêtes Internet présentent un certain avantage, tout en étant les moins coûteuses. Le modélisateur peut contrôler plus au moins les réponses des individus, utiliser leurs réponses pour personnaliser la partie expérimentale, etc. Cependant l’enquête Internet ne permet pas toujours de questionner toute la population ciblée. Le taux de pénétration d’Internet et son usage dépend de l’âge du répondant. La part des internautes âgés a bien progressé en France ces dernières années, mais reste loin de 100 %. Environ 52 % des personnes entre 60 et 74 ans utilisent Internet et seulement 16 % des personnes qui ont plus de 74 ans, contre 80-97 % pour les personnes ayant moins de 60 ans (Gombault,2013). Ainsi, le modélisateur doit développer des stratégies qui lui permettront de cibler toutes les personnes ou justifier pourquoi les préférences des personnes les plus âgées peuvent être ignorées.

En préparant ce type d’enquête il faut tenir compte du fait que plus l’enquête est longue et complexe, plus le répondant aura du mal à rester concentré pour bien répondre aux questions et expériences de choix. Le plan factoriel fractionnaire ou l’efficient design per- mettent de réduire le nombre d’offres à tester. Toutefois, ce nombre peut rester quand même élevé pour un seul répondant. Dans ce cas les offres créées peuvent être réparties en blocs et chaque bloc n’est présenté qu’à un sous échantillon des répondants. Ou bien ils peuvent être alloués aléatoirement à un nombre limité de répondants à condition qu’ils soient assez nombreux.

5. Echantillonnage et collecte des données

A cette dernière étape le modélisateur prépare sa stratégie d’échantillonnage et la collecte des données. La taille de l’échantillon dépend des besoins de modélisation. Par exemple, dans le cas des études prévues sur les sous-échantillons, il faut s’assurer que chaque sous- échantillon contient assez d’observations après la collecte et le nettoyage des données.

Ben-Akiva et Lerman(1985) dans leur livre expliquent plus en détail les méthodes d’échan- tillonnage des enquêtes expérimentales.