2.1. LA COMPLEXITE DANS LES CHOIX EXPÉRIMENTAUX
Les modèles classiques de choix assument que individus ont des capacités de traiter l’information illimitée qui leur permettent de faire des choix optimaux quel que soit le niveau de complexité des ensembles de choix (De Palma et al., 1994). Cependant, l’individu est confronté à des limites cognitives réduisant sa capacité à traiter une grosse quantité d’information. Swait et Adamowicz (2001) considèrent que les capacités de traiter la complexité sont différentes entre les individus. Toutefois, les photos pourraient réduire le coût cognitif pour l’individu de faire un choix. En effet, certains individus auraient du mal à représenter mentalement les changements des attributs en même temps.
La littérature documente la relation entre la complexité des ensembles de choix et la cohérence des choix ou la capacité des individus à faire le moins d’erreurs possible. Dans les modèles de jugement ou de rationalité limitée (Gabaix et Laibson, 2005 ; Cameron et DeShazo, 2004) (rationalité adaptative), l’individu reconnait ses limites cognitives et décide de se concentrer sur un nombre limité d’attributs pour faire
128
son choix. Danthurebandara et al. (2015) proposent un modèle logit à coefficients aléatoires (RPL) hétérocesdastique dans lequel le paramètre d’échelle dépend de la complexité pour expliquer les différences de variance du terme d’erreur entre les individus. Ils montrent que la variance est plus élevée lorsque la complexité est plus élevée ce qui rend les choix incohérents.
D’autres auteurs mesurent la complexité en modifiant le design du questionnaire et la structure de l’information. DeShazo et Fermo (2002) étudient la complexité dans le cadre l’évaluation économique d’un nouveau parc national au Costa Rica et Guatemala. Dans la configuration de l’enquête, ils calculent l’impact de la complexité en modifiant la structure des ensembles de choix (nombre d’attributs par alternative, nombre d’alternatives) et en changeant la structure de l’information (moyenne de l’écart-type au niveau des attributs et dispersion de l’écart-type dans chaque alternative). Ils trouvent que les individus confrontés à des ensembles de choix plus complexes font des choix incohérents. DeShazo et Fermo (2004) montrent que les individus se focalisent sur un nombre limité d’attributs lorsque les ensembles de choix sont complexes (rationalité limitée). Ce qui pourrait expliquer l’incohérence des choix dans un environnement complexe. Dellaert et al. (2012) explorent la complexité en modifiant le nombre d’alternatives, le nombre d’attributs et la similarité de l’utilité entre les alternatives les plus attractives. Leurs résultats montrent que la complexité affecte non seulement les erreurs dans les choix, mais aussi les préférences. Meyerhoff
et al. (2015) étudient les interactions entre la complexité (nombres d’ensembles de
choix, alternatives, attributs et l’intervalle des niveaux des attributs) et les variables sociodémographiques dans le paramètre d’échelle. Ils trouvent que la cohérence de l’individu est négativement affecté l’âge, le genre masculin et positivement par le niveau de scolarité. Hensher (2004) explorent l’influence des dimensions des ensembles de choix dans le contexte de limitation du temps de transport à Sydney. Ils mesurent la complexité en changeant le nombre d’ensembles de choix, d’alternatives par ensemble de choix et l’intervalle des niveaux des ensembles de choix. En faisant l’interaction avec les mesures de la complexité et les paramètres du modèle logit à
129
coefficients aléatoires (RPL), ils trouvent que la VAP moyenne associée des structures complexes sont plus élevées.
2.2. LIEN ENTRE COMPLEXITÉ ET PHOTO
Les images permettent de décrire graphiquement les scénarios et pourraient réduire la complexité des cartes de choix par rapport aux descriptions des scénarios basés uniquement sur un texte. Cependant, l’effet des photos sur la complexité et sur la VAP n’est pas clairement établi dans la littérature. En effet, Torres et al. (2013) utilisent des images pour décrire la qualité des infrastructures urbaines dans un modèle de choix discret. Ils montrent que malgré les avantages des photos, elles sont loin de décrire de manière réaliste les scénarios à cause du manque de volume, de texture, de température et de son. Hurtubia et al. (2015) testent l’impact des images dans un modèle de classe latente dans un contexte d’évaluation de milieu urbain. Ils montrent que les images pourraient induire un biais dans la perception de la magnitude des attributs. Veldwijk et al. (2015) montrent que les graphiques n’améliorent pas la compréhension des individus sur les attributs et trouvent que les textes tendent à améliorer la cohérence des choix. Par contre d’autres auteurs trouvent un effet positif des images dans les modèles de choix discrets. Patterson et al. (2017) comparent un modèle où les ensembles de choix sont représentés par des images et un autre où les ensembles de choix sont décrits en texte. Les auteurs concluent que les modèles avec des images sont meilleurs si la représentation graphique procure une description précise des scénarios. He et Gao (2015) trouvent que la VAP est moins élevée dans le modèle de choix discret avec image par rapport au modèle avec uniquement du texte. Jonker et
al. (2019) testent l’impact des couleurs des images sur la cohérence des choix dans un
modèle de choix expérimentaux avec 3320 participants. Ils trouvent que les couleurs améliorent la cohérence des choix en réduisant la complexité des ensembles des choix.