Voir le document

Transcription

Voir le document

DELWINDE-HERMANN TAPSOBA
UNE ESTIMATION DU CHOIX DES
CONSOMMATEURS CANADIENS EN MATIÈRE DE
VÉHICULES PERSONNELS, DE NOUVELLES
TECHNOLOGIES ET DE CARBURANTS DE
REMPLACEMENT PAR LOGIT MIXTE
Mémoire présenté
à la Faculté des études supérieures de l’Université Laval
dans le cadre du programme de maîtrise en économique
pour l’obtention du grade de maître ès arts (M.A.)
Département d’Économique
Faculté des Sciences Sociales
UNIVERSITÉ LAVAL
QUÉBEC
2007
© Delwinde-Hermann TAPSOBA, 2007
i
Résumé
Ce mémoire de maîtrise vise à estimer un modèle logit mixte pour analyser les choix
virtuels des consommateurs canadiens lorsqu’ils font face à de nouvelles technologies de
transport utilisant des carburants de remplacement. Pour ce faire, nous employons les
données d’une étude sur les préférences déclarées des consommateurs canadiens en matière
de transport réalisée en 2002 par le Energy and Materials Research Group à l’Université
Simon Fraser. Ces données sont particulièrement bien adaptées à l’analyse de l’impact de
nouvelles technologies et de sources d’énergie de remplacement pour lesquelles il n’existe
pas encore de marché bien établi. Notre étude permet d’identifier les principaux
déterminants des choix individuels en matière de nouvelles technologies de transport. Elle
produit aussi des estimations des paramètres comportementaux du Système Canadien de
Modélisation Intégrée (SCMI), à savoir un taux d’escompte personnel, les coûts intangibles
et un indice de l’hétérogénéité du marché, pour le secteur du transport privé au Canada. Le
SCMI permet de simuler l’effet d’innovations technologiques ou de politiques visant à
promouvoir l’efficacité énergétique sur l’utilisation finale d’énergie et les émissions de gaz
à effet de serre. Des simulations sont effectuées pour déterminer sur quels facteurs
socioéconomiques il faudrait mettre l’accent dans l’élaboration de politiques visant à
faciliter l’intégration des nouvelles technologies sur le marché canadien de l’automobile.
Nous présentons également des estimations de la volonté de payer des consommateurs
canadiens pour certains attributs non-monétaires des véhicules.
Mots clés : choix de véhicule, logit mixte, taux d’escompte personnel, coûts intangibles,
hétérogénéité du marché, efficacité énergétique, émissions de gaz à effet de serre,
préférences déclarées, innovations technologiques, carburant de remplacement, volonté de
payer.
ii
Abstract
This Master’s thesis aims at estimating a mixed logit model to analyse Canadian
consumers’ virtual choices when faced with new transportation technologies using
alternative fuels. In order to do so, we use data from a study on stated preferences of
Canadian households regarding transportation undertaken by the Energy and Materials
Research Group at Simon Fraser University. This data is particularly suited to the analysis
of the impact of new technologies and alternative energy sources for which no wellestablished market yet exist. This study enables us to identify the main determinants of
individual choices in terms of new transportation technologies. It also produces estimates of
the behavioural parameters of the Canadian Integrated Modelling System (CIMS) hybrid
model, e.g. a private discount rate, intangible costs and an index of market heterogeneity,
for the private transportation sector in Canada. CIMS allows one to simulate the effect of
technological innovations or policies promoting energy efficiency on energy end-use and
greenhouse gas emissions. Simulations are carried out to determine on which
socioeconomic factors it would be necessary to lay the stress in the development of policies
aimed at promoting the integration of new technologies on the Canadian automotive
market. We also present estimated willingness to pay of Canadian consumers for some nonmonetary attributes of the vehicles.
Keywords: vehicle choice, mixed logit, private discount rate, intangible costs, market
heterogeneity, energy efficiency, greenhouse gas emissions, stated preferences,
technological innovations, alternative fuel, willingness to pay.
iii
Avant-Propos
La réalisation de ce mémoire n’aurait été possible sans la participation financière de
Ressource naturelle Canada (RNCan) et du Centre de données d’analyse sur les transports
(CDAT). Je me dois aussi de remercier avec une grande sincérité l’Agence Universitaire de
la Francophonie (AUF) qui m’avait octroyé une bourse d’excellence de formation initiale
pour étudier comme visiteur à l’Université Laval au deuxième cycle.
Après avoir évoqué la partie financière, je pense que mes co-directeurs, le
professeur Denis Bolduc, Directeur du Département d’économique et la directrice
exécutive du CDAT, Mme Nathalie Boucher, m’ont apporté un soutien technique sans
pareil sans lequel il m’aurait été difficile d’achever cette œuvre dans les meilleurs délais.
Et, je le pense sincèrement.
Aussi, je remercie le Centre canadien de données et d’analyse de la consommation
finale d’énergie sur l’industrie (CIEEDAC) et le Energy and Materials Research Group
(EMRG) de nous avoir fourni les données nécessaires à l’analyse empirique et l’assistance
technique requise pour pouvoir les interpréter correctement.
Je tiens à remercier particulièrement ma chère maman, Marie-Élise, mon cher papa
Adama, ma chère grand-mère Bolenky GOUBA, la famille royale de ZABRÉ, sans oublier
la Grande Dynastie des DICKO qui est basée à Koumbia depuis l’époque des grands
empires ouest africains.
Puisse le Dieu de ma Compréhension récompenser chacun au centuple.
iv
À l’Intelligence Divine qui œuvre au Bonheur
de tous sans aucune exception
v
Table des matières
Page
Résumé.....................................................................................................................................i
Abstract .................................................................................................................................. ii
Avant-Propos ........................................................................................................................ iii
Table des matières ..................................................................................................................v
Liste des tableaux................................................................................................................. vii
Liste des figures .................................................................................................................. viii
Introduction.............................................................................................................................1
1. Mise en contexte .................................................................................................................5
2. Revue de littérature .............................................................................................................9
2.1. Les modèles de choix discrets .....................................................................................9
2.2 Les applications au choix de véhicule ........................................................................14
2.3. Système Canadien de Modélisation Intégrée (SCMI) ...............................................22
3. Problématique ...................................................................................................................24
4. Données ............................................................................................................................25
4.1. Description de l’enquête ............................................................................................25
4.2. Statistiques descriptives au sujet des répondants.......................................................26
4.3 L’aspect de panel atemporel des données...................................................................30
4.4. Statistiques concernant les technologies....................................................................33
4.5 Analyse statistique des choix technologiques.............................................................36
5. Méthodologie ....................................................................................................................42
5.1. Modèle logit mixte.....................................................................................................42
5.2. Modèle logit mixte en panel ......................................................................................45
5.2.1 Description du modèle .........................................................................................45
5.2.2 Effets aléatoires individuels.................................................................................47
5.3. Identification du modèle ............................................................................................48
5.3.1 Contraintes sur la forme des paramètres..............................................................49
5.3.2 Normalisation de l’échelle de l’utilité .................................................................52
5.4. Tests diagnostiques et choix de modèle.....................................................................54
5.5. Paramètres comportementaux du SCMI ....................................................................56
6. Résultats............................................................................................................................59
6.1 Spécification du modèle..............................................................................................59
6.2 Résultats et interprétation des estimations..................................................................62
6.2.1 Estimations du modèle logit polytomique standard.............................................62
6.2.2 Estimations du modèle logit mixte basées sur la spécification originale ............69
6.2.3 Estimations du modèle logit mixte basées sur la spécification adoptée ..............72
6.2.4 Interprétation des estimations des coefficients ....................................................78
6.3 Prédiction des parts de marché ...................................................................................81
6.4 Simulations .................................................................................................................82
vi
6.4.1 Scénario 1 : Changement dans le prix des véhicules ...........................................83
6.4.2 Scénario 2 : Fluctuations du prix du carburant ....................................................85
6.4.3 Scénario 3 : Meilleure disponibilité du carburant................................................86
6.4.4 Scénario 4 : Hausse du revenu.............................................................................87
6.5 Estimation de paramètres comportementaux du SCMI ..............................................88
6.5.1 Taux d’escompte privé.........................................................................................89
6.5.2 Coûts intangibles..................................................................................................91
6.5.3 Indice d’hétérogénéité du marché........................................................................94
6.6 Volonté de payer pour certains attributs des véhicules...............................................95
Conclusion ............................................................................................................................97
Bibliographie ......................................................................................................................101
Annexe A ............................................................................................................................110
Annexe B ............................................................................................................................117
Annexe C ............................................................................................................................123
vii
Liste des tableaux
Page
Tableau 1 :
Nombre de véhicules légers circulant au Canada en 2004 par type de
carburant ........................................................................................................8
Tableau 2.2.1 : Résumé de quelques études employant le logit mixte sur des panels
atemporels ...................................................................................................20
Tableau 2.2.2 : Déterminants des choix technologiques ......................................................21
Tableau 4.2.1 : Corrélations des caractéristiques individuelles............................................30
Tableau 4.3.1 : Attributs possibles des véhicules dans le questionnaire d’enquête..............31
Tableau 4.4.1 : Technologies et leurs attributs .....................................................................34
Tableau 4.5.1 : Corrélation entre les attributs de l’alternative véhicule standard ................36
Tableau 4.5.2 : Corrélation entre les attributs de l’alternative véhicule au gaz naturel........36
Tableau 4.5.3 : Corrélation entre les attributs de l’alternative véhicule hybride..................36
Tableau 4.5.4 : Corrélation entre les attributs de l’alternative véhicule à pile à
hydrogène.....................................................................................................36
Tableau 5.1 : Signes attendus de certains paramètres........................................................62
Tableau 6.2.1 : Estimations du modèle logit polytomique standard.....................................64
Tableau 6.2.2 : Critères d’information bayésiens pour deux spécifications concurrentes
du logit polytomique standard .....................................................................69
Tableau 6.2.3. Estimations du modèle logit mixte fondées sur la spécification originale....70
Tableau 6.2.4. Résultats des tests du rapport de vraisemblance basés sur la spécification
originale…………………………………………….….…….….….….…. 72
Tableau 6.2.5 : Estimations du modèle logit mixte fondées sur la spécification adoptée ...73
Tableau 6.2.6 : Résultats des tests du rapport de vraisemblance basés sur la spécification
adoptée .........................................................................................................78
Tableau 6.3.1 : Parts de marché prédites des différentes technologies de transport.............82
Tableau 6.4.1 : Effets d’une réduction de 10% du prix de chaque technologie verte ..........84
Tableau 6.4.2 : Effets de fluctuations de 10% dans le prix du carburant .............................86
Tableau 6.4.3 : Effets d’une augmentation de 10% de la disponibilité du carburant ...........87
Tableau 6.4.4 : Effets d’une augmentation de 10% du revenu .............................................88
Tableau 6.5.1 : Estimations du taux d’escompte privé en fonction de la durée de vie
escomptée d’une technologie de transport...................................................91
Tableau 6.5.2 : Taux d’escompte privé estimé à l’aide du modèle original .........................92
Tableau 6.5.3 : Coûts intangibles liés à l’adoption des nouvelles technologies tels
qu’estimés par notre modèle .........................................................................93
Tableau 6.5.4 : Coûts intangibles estimés précédemment ....................................................94
Tableau 6.6.1 : Volonté de payer pour certains attributs des véhicules selon la
spécification originale...……........................................................................96
Tableau 6.6.2 : Volonté de payer pour certains attributs des véhicules selon la
spécification adoptée....................................................................................96
Tableau A.1 : Statistiques descriptives concernant les répondants à l’enquête et
leur ménage...................................................................................................109
Tableau B.1 : Statistiques descriptives en fonction des choix technologiques.................. 116
Tableau C.1 : Liste des variables explicatives....................................................................122
viii
Liste des figures
Page
Figure 4.3 : Diversité dans les choix technologiques ...........................................................32
1
Introduction
En ratifiant le Protocole de Kyoto (PK), le Canada s’est engagé à ramener ses
émissions de gaz à effet de serre (GES) à 6 % sous les niveaux de 1990, soit de 408 à 383
mégatonnes (Mt) d’équivalent de dioxyde de carbone d'ici 2012, un objectif comparable à
celui de la plupart des autres pays signataires. Quelques statistiques canadiennes
(Ressources naturelles Canada, 2005) nous permettent d’établir un bilan de la
consommation énergétique et des émissions de GES après 1990, année de référence du PK.
Entre 1990 et 2003, la consommation d’énergie secondaire au Canada a augmenté de 22%
passant de 6 951 à 8 457 petajoules (PJ).1 Le secteur des transports est le deuxième plus
grand consommateur d’énergie et le premier émetteur de GES au Canada. En 2003, ce
secteur représentait 28% de l’ensemble de la consommation d’énergie et 34% des
émissions globales de GES au Canada. Cela découle du fait que l’énergie utilisée dans les
transports, constituée à 85% d’essence automobile et de carburant diesel, émet plus de GES
que tout autre source d’énergie lors de la combustion.
À lui seul, le sous-secteur du transport des voyageurs représentait 56% de la
consommation d’énergie du secteur des transports en 2003. Au chapitre de la croissance,
40% de l’augmentation de la consommation d’énergie dans le secteur des transports est
attribuable au transport des voyageurs. Plus spécifiquement, le transport privé2 est la
composante la plus importante du sous-secteur du transport des voyageurs, avec près de
80% de la consommation d’énergie et des émissions de GES du sous-secteur en 2003. Il est
responsable de près 47% de la consommation de carburant et d’environ de 45% des
émissions de GES du secteur des transports dans son ensemble, et ce, avec le seul usage
d’essence automobile et de carburant diesel. Une diminution des émissions attribuables au
transport privé aurait donc un impact réducteur très important sur les émissions du secteur
des transports et partant sur celles de l’économie canadienne dans son ensemble.
1
2
Un PJ équivaut à 1x1015 joules. Le joule est une mesure universelle de chaleur et d’énergie.
Par transport privé, on entend les déplacements personnels effectués à bord de véhicules légers
(automobiles et camions légers).
2
De manière générale, deux avenues complémentaires peuvent être envisagées pour
atteindre un tel objectif : i) réduire la consommation de carburant, ou ii) diminuer les
émissions de GES, des véhicules utilisés pour le transport personnel. Sans vouloir
restreindre l’utilisation des véhicules, la première solution passe par des innovations
technologiques permettant une amélioration de leur efficacité énergétique (e.g. mise en
marché des véhicules hybrides et fabrication des véhicules électriques à batterie ou à pile à
combustible). La seconde implique une exploitation canadienne à plus grande échelle de
carburants de remplacement (e.g. gaz naturel et propane) ou d’additifs aux carburants
conventionnels (e.g. biodiesel et éthanol) qui permettrait également de réduire les émissions
de GES du secteur des transports.
Toutefois, les nouvelles technologies demeurent généralement plus coûteuses aussi
bien à la fabrication qu’à l’achat, alors que l’approvisionnement en carburant alternatif peut
s’avérer restreint dans certaines régions du Canada. Par-dessus tout, il subsiste beaucoup
d’incertitude quant à leurs avantages. La théorie économique prévoit cependant que les
obstacles au développement de ces nouveaux produits et à l’expansion de leurs marchés
pourraient tomber au fur et à mesure que se dissipera l’incertitude des consommateurs
quant à leurs caractéristiques, à leur qualité et aux bénéfices économiques et sociaux qu’ils
permettront éventuellement d’engendrer.
Afin de prévoir l’adaptation de l’économie canadienne à ces nouvelles technologies
et/ou sources d’énergie alternatives, il faut au préalable déterminer les facteurs explicatifs
du choix des consommateurs en matière de véhicules privés et évaluer comment ils seraient
éventuellement altérés par l’apparition de nouvelles alternatives aux caractéristiques
distinctives. Ce mémoire vise à développer un modèle de type logit mixte pour expliquer
comment les Canadiens réagiraient face à un tel ensemble de choix élargi. Plus général et
plus flexible que les modèles de choix discrets conventionnels, le modèle logit mixte est
particulièrement bien adapté à cette analyse puisqu’il admet l’hétérogénéité dans les goûts
des consommateurs et des profils de substitution non restreints entre les alternatives.
Comme les nouvelles technologies et sources d’énergie moins polluantes ne sont pas
encore bien établies sur le marché de l’automobile, voire même ne sont pas encore
commercialisées dans certains cas, il n’existe pas, pour celles-ci, de données empiriques se
3
prêtant à une analyse économétrique. C’est pourquoi nous aurons plutôt recours à des
données de type « préférences déclarées »3 (PD) pour estimer le modèle.
Une meilleure connaissance des comportements des consommateurs canadiens
permettra éventuellement de mieux comprendre les mécanismes d’intégration du marché
face à ces types de technologies et de carburants alternatifs. Notamment, les estimations du
modèle serviront à alimenter le module transport du Système Canadien de Modélisation
Intégrée (SCMI) développé par le Energy and Materials Research Group (EMRG) à
l’Université Simon Fraser de Vancouver. Le SCMI est un modèle d’équilibre général
permettant de prédire, entre autres, les parts de marché associées à chaque type d’énergie, y
compris celles en devenir. De ces prévisions peuvent être déduites la consommation
d’énergie et les émissions de GES attribuables à chaque secteur de l’économie selon
différents scénarios. Le modèle peut donc être utilisé pour analyser des politiques en
matière d’efficacité énergétique et de réduction des GES. En combinant les approches
ascendantes et descendantes,4 le modèle hybride SCMI permet de faire une évaluation
explicite du potentiel énergétique et technologique de chaque secteur de l’économie tout en
tenant compte des préférences des consommateurs (Jaccard, 2000). En particulier, les
paramètres comportementaux basés sur les choix des consommateurs en matière de
véhicules privés entrent dans le calcul des parts de marché. Notre modèle économétrique
permet d’estimer ces paramètres.
Dans les sections qui suivent, nous nous efforcerons de préciser davantage la nature
et les fondements de ce mémoire. La première section propose une mise en contexte,
présentant un bilan des principales politiques en matière d’efficacité énergétique et de
réduction des émissions de GES des véhicules personnels ayant des répercussions au
Canada, décrivant brièvement les caractéristiques des technologies et carburants en
3
4
Les enquêtes de type « préférences déclarées » placent le consommateur dans un contexte de marché
hypothétique mais réaliste et lui demandent de faire des choix entre différentes modalités.
Dans le présent contexte, la principale distinction entre les approches ascendante (« bottom up ») et
descendante (« top down ») se situe dans leur manière d’évaluer les coûts associés aux différentes formes
d’énergie qui entrent dans le calcul des parts de marché. Alors que l’approche ascendante ne tient compte
que des coûts de production, mettant ainsi l’emphase sur les aspects technologiques de l’offre, l’approche
descendante insiste davantage sur les coûts sociaux, intégrant les réactions des autres agents
économiques, en particulier celles des consommateurs, face aux changements technologiques.
4
développement, et citant les différentes mesures actuellement en vigueur. La problématique
relative aux préférences des consommateurs en matière de nouvelles technologies de
transport est exposée à la section 3, à la suite d’une revue de littérature en rapport avec la
présente étude. À la section 4, nous décrivons brièvement les données tirées de l’enquête
PD qui seront employées dans l’analyse empirique. La section 5 présente la méthodologie
que nous comptons employer pour estimer notre modèle. La section 6 présente les résultats
des estimations des diverses spécifications. La dernière section conclut ce document.
5
1. Mise en contexte
Les deux grandes crises pétrolières des années 1970 ont consacré la mise en place
des standards de production nord-américains établis dans le cadre du Corporate Average
Fuel Economy (CAFE). Implantés aux États-Unis en 1975, les standards du CAFE visaient
une amélioration progressive de l’efficacité énergétique du parc automobile à travers une
augmentation du rendement énergétique moyen des véhicules automobiles vendus à l’état
neuf. Plus précisément, ils contraignent chaque manufacturier automobile à ne produire que
des voitures dont la consommation moyenne n’excède pas la valeur de 8,6 litres par 100
kilomètres (l./100 km) et des camions légers dont le taux de consommation moyen est
inférieur à 11,6 l./100 km. En fait, puisque ces standards sont américains, ils sont plutôt
exprimés en termes de miles par gallon. Toutefois, comme les économies canadienne et
états-unienne sont fortement intégrées, en particulier au niveau de l’industrie de
l’automobile, de nos jours, ces standards sont aussi respectés, bien que sur une base
volontaire, par les fabricants établis au Canada.
Les effets de l’imposition des standards CAFE restent sujets à controverse. Selon
l’American Council for Energy Economy Efficiency (2004), ces standards auraient permis
aux États-Unis d’économiser plus de 55 milliards de gallons de carburant par an entre 1975
et 2004. Sans le CAFE, les émissions totales de GES des États-Unis auraient été de plus de
10% supérieures en 2004. Le CAFE aurait également eu des retombées positives au
Canada. En effet, selon Ressources naturelles Canada, la consommation d’énergie n’a
augmenté que de 23% entre 1990 et 2003, alors qu’elle aurait atteint un taux de croissance
de 36%, s’il n’y avait pas eu d’amélioration de l’efficacité énergétique. Cela équivaut à une
économie de 13.4 millions de dollars pour les Canadiens. Ces conclusions s’appliquent
toutefois à l’ensemble des secteurs énergétiques et non seulement celui des transports.
Plusieurs travaux notamment ceux d’Atkinson et Halvorsen (1984) et de Roth (2001)
confirment ces gains d’efficacité énergétique. Cependant, les chercheurs restent divisés sur
les bénéfices du programme CAFE. Tandis que Greene (1990) et Goldberg (1998) trouvent
le programme socialement bénéfique, Kleit (1990) et Thorpe (1997) concluent que les
6
standards imposés par le programme CAFE sont relativement inefficaces pour diminuer la
consommation de carburant et coûteuses socialement.
Quoi qu’il en soit, ces standards étant fixes, ils sont appelés à devenir de moins en
moins efficaces à réduire davantage le taux de consommation de carburant moyen des
véhicules automobiles. Il faudra donc compter sur une réglementation plus sévère ou sur de
nouvelles impulsions, comme la hausse récente du prix du carburant, ou encore sur le
développement d’une conscience environnementale collective pour promouvoir les
innovations en matière d’efficacité énergétique des véhicules personnels. C’est sans doute
ce qui explique l’émergence des véhicules électriques hybrides (e.g. Toyota Prius et Honda
Insight) sur le marché de l’automobile nord-américain au tournant du siècle. En combinant
l’électricité à la combustion interne classique, la technologie électrique hybride permet
d’améliorer l’efficacité énergétique de l’ordre de 50% tout en réduisant les émissions de
GES. Des technologies moins répandues comme les véhicules électriques à batterie ou à
pile à combustible (e.g. pile à hydrogène) permettront éventuellement d’éliminer
complètement les émissions véhiculaires. Ceci s’inscrit dans la lignée de la nouvelle
réglementation selon laquelle 10% des véhicules vendus dans certains états américains
(notamment ceux de New York et du Massachusetts, de même qu’en Californie) ne doivent
produire aucune émission.
Outre l’électricité, dont la combustion ne génère pas d’émission, d’autres sources
d’énergies alternatives permettent déjà de réaliser certains gains sur le plan
environnemental. Notamment, le gaz naturel et le propane sont actuellement les carburants
de remplacement les plus fréquemment rencontrés dans l’industrie de l’automobile nordaméricaine. Ils émettent tous deux moins de GES que l’essence lors de leur combustion.
L’utilisation du propane améliore de surcroît l’efficacité énergétique du véhicule. De plus,
le surplus dépensé pour l’achat d’un véhicule d’origine (ou la conversion d’un véhicule
conventionnel) fonctionnant au propane ou au gaz naturel est compensé en partie par les
prix moins élevés de ces deux types de carburant. La principale limite à l’expansion des
marchés pour de tels véhicules demeure l’approvisionnement qui n’est offert que dans
certaines provinces canadiennes.
7
Si l’exploitation de ces sources d’énergie à des fins de mobilité nécessite des
changements au niveau de la technologie du véhicule, il en va autrement pour deux
carburants alternatifs, le biodiesel et l’éthanol, qui peuvent alimenter pratiquement
n’importe quel véhicule fonctionnant au diesel et à l’essence, respectivement. Ces additifs
procurent des bénéfices à la fois en termes de réduction d’émissions de GES et de
diminution des émissions toxiques (e.g. monoxyde de carbone). Le principal obstacle à leur
expansion demeure les coûts élevés de leurs procédés de production.
Au Canada, certaines mesures visent à encourager l’adoption et le développement
de nouvelles technologies et de carburants alternatifs « propres » par le secteur du transport
privé. Plus spécifiquement, deux types de politiques sont actuellement en vigueur : la
première vise à favoriser la production d’énergies de remplacement et la seconde, la mise
en marché de nouvelles technologies. Certains programmes fédéraux encouragent la
production d’énergies alternatives moins polluantes comme l’éthanol, le gaz naturel et le
biodiesel. D’autres cherchent plutôt à promouvoir la recherche et le développement de
nouvelles technologies telles que les piles à combustibles. Des mesures ont également été
instaurées dans certaines provinces canadiennes afin de promouvoir la mise à marché des
véhicules hybrides. Ainsi, la Colombie-Britannique, l’Ontario et même l’Île-du-PrinceÉdouard octroient des crédits d’impôt pouvant varier de 1 000$ à 3 000$ aux nouveaux
acquéreurs de véhicules hybrides. Le Québec offre quant à lui un remboursement partiel de
la taxe de vente provinciale (TVQ), jusqu’à concurrence de $1 000, aux acheteurs de
véhicule hybride dont le taux de consommation de carburant n’excède pas 6,0 l./100 km.
Notons toutefois que ces différentes mesures incitatives demeurent volontaires.
Le Tableau 1 dresse un portrait de l’état actuel de la disponibilité des technologies
en matière de transport privé au Canada. On constate que les technologies standards
fonctionnant à l’essence (97,0% du parc automobile) et au diesel (2,8%) prédominent
encore largement sur le marché de l’automobile canadien. L’utilisation du gaz naturel
comme source de locomotion personnelle est toujours marginale (0,1%). La technologie
hybride a fait quant à elle une percée timide au tournant du siècle. En matière de transport
privé, il reste donc encore beaucoup à faire pour promouvoir l’intégration de nouvelles
technologies et/ou de carburants de remplacement plus efficaces et/ou moins polluants.
8
Tableau 1 : Nombre de véhicules légers circulant au Canada en 2004 par type de carburant
Type de véhicules
Nombre de
véhicule légers
Source*
Avantages
environnementaux
Essence
≈17 170 000
Par déduction
Diesel
500 000
TRNEE
Référence
Gaz naturel
25 000
RNCan
Combustion plus complète,
moins polluant, RNCan
Hybride (électrique)
5 000
TRNEE
Réduction de 28% des
émissions véhiculaires,
RNCan
Hydrogène
Phase d’Essaie
RNCan
Produit chaleur et vapeur
d’eau, RNCan
Total
17 700 000
TC
-
* TRNEE : Table Ronde Nationale sur l’Environnement et l’Économie. TC : Transport Canada. RNCan :
Ressources naturelles Canada. Le degré de pénétration fait allusion au nombre de véhicules d’un type
particulier qui sont en circulation en 2004. Plus ce nombre est grand, plus le degré de pénétration est élevé.
9
2. Revue de littérature
Dans cette section, nous passons d’abord en revue les modèles théoriques et
économétriques qui ont été proposés dans la littérature pour analyser des choix de nature
discrète. Nous présentons ensuite certaines applications de ces modèles à la demande de
transport privé. Nous terminons cette revue par une brève présentation du SCMI, modèle
auquel nos estimations seront éventuellement intégrées.
2.1. Les modèles de choix discrets
Lorsqu’on adopte une approche désagrégée à l’analyse de l’économie des
transports, on peut se concentrer sur la demande puisque, de façon individuelle, les agents
économiques ont une influence négligeable sur les coûts de transports (Mannering et Train,
1985). Plusieurs aspects de la demande de transport personnel font intervenir des décisions
de nature discrète, c'est-à-dire le choix entre un nombre entier, restreint et fini d’alternatives
mutuellement exclusives. La décision d’acquérir ou non un véhicule personnel, le choix
d’un type de véhicule, le choix d’un mode de transport et le choix d’une route à emprunter
lors d’un déplacement entrent dans cette catégorie. Dans de tels ensembles à cardinalité
finie, la décision d’un agent économique ne constitue pas la réalisation d’une variable
continue, mais plutôt celle d’une variable discrète (Thomas, 2000). Donc, il peut être
assigné à chacune des alternatives constituant l’ensemble de choix une probabilité de
réalisation.
Le modèle de régression linéaire simple n’est pas approprié pour analyser de telles
réalisations puisqu’il produit des prédictions qui ne sont pas nécessairement limitées à
l’intervalle [0,1], comme doivent l’être des valeurs probabilistes (Davidson et McKinnon,
1993). Pour analyser ce type de décisions, on fait plutôt appel aux modèles de choix
discrets (MCD). Dans ces modèles, la probabilité d’observer une réalisation spécifique de
la variable discrète à modéliser est déterminée suivant une règle de décision formulée en
termes d’une variable latente (i.e. non observable) qui lui est associée (McFadden, 1982).
Lorsque la fonction d’utilité indirecte est adoptée à titre de variable latente, on parle d’un
modèle d’utilité aléatoire (Dubin et McFadden, 1984).
10
Selon la théorie de l’utilité aléatoire, chaque agent économique n choisit
l’alternative j qui maximise sa fonction d’utilité indirecte, U nj . Celle-ci est décomposée
en une partie déterministe (fonction généralement linéaire des variables mesurables ou
observables) et en une partie aléatoire qui tient compte de l’incapacité du modélisateur à
considérer tous les facteurs qui affectent les choix des agents (différences de perceptions
des attributs des alternatives, nature aléatoire du comportement humain, etc.). Différents
modèles de choix discrets sont obtenus suivant les hypothèses adoptées pour représenter la
distribution de la partie aléatoire, constituée des termes d’erreur du modèle.
Bien que leur origine remonte aux années 1930,5 les MCD et leurs applications à la
demande de transport se sont surtout développés à compter des années 1970,
principalement grâce aux travaux de McFadden (1974, 1978). Premièrement destinés à
l’analyse de variables dichotomiques,6 les MCD ont ensuite été généralisés au traitement de
variables polytomiques.7 Le MCD le plus simple est le modèle logit dichotomique, obtenu
en supposant des termes d’erreur (partie aléatoire) indépendamment et identiquement
distribués suivant une loi Gumbel, aussi appelée distribution à valeurs extrêmes
(Domencich et McFadden 1975, McFadden, 1984 et Train, 1986). Il en résulte une fonction
de probabilité cumulative de succès8 de forme logistique, graphiquement représentée par
une courbe en forme de « S ». Sous l’hypothèse alternative que les termes d’erreur du
modèle sont indépendamment et identiquement distribués suivant une loi normale standard,
on obtient plutôt le modèle probit dichotomique (Goldberger, 1964) dont la fonction de
probabilité cumulative implique le calcul d’une intégrale, notamment celle d’une fonction
de densité normale. Malgré que d’autres modèles aient été proposés (c.f. Maddala, pp. 2732), le logit et le probit dichotomiques sont encore utilisés de nos jours pour l’analyse de
choix discrets (Greene, 2003).
5
6
7
8
Selon plusieurs auteurs, Luce (1959) aurait été le premier à considérer le modèle logit et Thurstone
(1927) aurait proposé le modèle probit. Nous n’avons toutefois pas réussi à retrouver ces anciennes
références.
Les variables dichotomiques ne peuvent prendre que deux valeurs, soit zéro et un, par convention.
Les variables polytomiques se rapportent à des choix discrets entre un nombre d’alternatives fini, mais
supérieur à deux.
Dans les MCD dichotomiques, la valeur unitaire de la variable dépendante est généralement associée au
succès et la valeur nulle, à l’échec.
11
En guise de généralisation du modèle logit dichotomique au traitement de plus de
deux choix discrets, les modèles logit conditionnel (McFadden 1973, 1981) et logit
polytomique (Theil, 1969) ont été développés, toujours sous l’hypothèse d’erreurs
indépendantes et identiquement distribuées suivant une loi Gumbel. La différence entre ces
deux types de modèles réside dans le fait que le logit conditionnel permet aux probabilités
de choix de dépendre des caractéristiques propres aux alternatives, alors que dans le logit
polytomique standard, les probabilités de choix ne varient qu’en fonction des
caractéristiques des individus. Maddala (1981, p. 42) montre que les deux modèles offrent
en fait deux façons équivalentes de représenter le même phénomène aléatoire. Le principal
avantage des modèles logit standards (conditionnel ou polytomique) tient dans la simplicité
de l’expression analytique de leurs probabilités de choix qui sont facilement calculables. En
contrepartie, ces modèles comportent trois inconvénients majeurs.
Un premier désavantage du logit standard est de supposer des termes d’erreurs
indépendamment et identiquement distribués, ce qui présume l’absence de liens entre les
facteurs inobservés pouvant affecter l’utilité des différentes alternatives (Hensher et Button,
2002). Par exemple un individu peut assigner une grande utilité au transport en commun
(bus et train) à cause de l’opportunité de socialiser ou à cause de ses préoccupations
environnementales. Si cette attitude n’est pas explicitement prise en compte dans le
modèle, elle affectera positivement les probabilités de sélection de tous les modes de
transport en commun à travers des erreurs positivement corrélées. Un deuxième
inconvénient du logit standard est de soutenir l’homogénéité de réponses des individus aux
modifications dans les attributs des alternatives, ce qui supposerait par exemple que tous les
Canadiens ont les mêmes préférences pour les différents modèles et années de voitures.
Mais le défaut majeur du logit standard demeure le fait qu’il est contraint par
l’hypothèse d’indépendance des états non pertinentes (ou IIA pour « independance of
irrelevant alternatives ») (Luce, 1959; Ben-Akiva et Lerman, 1986; Train, 1998). Selon
l’IIA, le choix entre deux alternatives ne dépend que des attributs de celles-ci,
indépendamment des caractéristiques offertes par toute autre alternative. En conséquence,
ajouter une nouvelle modalité, ou changer les caractéristiques d’une tierce modalité figurant
déjà dans l’ensemble de choix, ne modifiera pas le choix entre deux autres alternatives
12
(Thomas, 2000). L’IIA peut se révéler acceptable si les alternatives sont difficilement
comparables, mais elle devient discutable lorsqu’on modélise des choix très similaires
(Thomas, 2000). Elle s’avérerait particulièrement restrictive dans le cas qui nous intéresse
puisqu’elle impliquerait, par exemple, que l’introduction d’une nouvelle technologie moins
énergivore sur le marché de l’automobile entraînerait des baisses similaires des probabilités
de sélection des petites voitures et des gros camions légers alors qu’en fait elle devrait
surtout affecter la première.
Le logit standard constitue le représentant le plus simple de la famille des modèles
de type valeurs extrêmes généralisées (VEG) (McFadden, 1978; Maddala, 1983; Train,
1986). De façon générale, les modèles VEG maintiennent l’IIA entre certaines paires
d’alternatives, mais pas nécessairement toutes. Conceptuellement, on peut représenter ces
modèles à l’aide d’un schéma en forme d’arbre où chaque nœud (appelé nid) correspond à
un sous-ensemble d’alternatives respectant entre elles l’IIA et chaque branche représente
une alternative spécifique. Par exemple, la conduite automobile pourrait être jumelée au covoiturage à l’intérieur d’un même nœud référant au transport privé, alors que le métro et
l’autobus pourraient être regroupés dans un second nœud correspondant au transport public
urbain. Le ratio des probabilités associées aux deux modes de transport public serait alors
supposé indépendant des déterminants des modes de transport privé et vice versa. Comme
leur nom l’indique, les modèles de la classe des VEG supposent des distributions jointes de
type valeurs extrêmes généralisées pour les termes d’erreur associés aux alternatives
constituant un nœud. Des corrélations sont donc admises entre ces termes d’erreur qui
demeurent cependant indépendants de ceux associés aux alternatives appartenant à d’autres
nœuds.
Outre le logit standard, la famille des VEG regroupe d’autres types de modèles dont
le plus connu, et certainement le plus fréquemment utilisé, est le logit emboîté (McFadden,
1973). Ce modèle impose qu’à l’intérieur de chaque nid, les termes d’erreur soient
indépendamment et identiquement distribués suivant une loi Gumbel, de sorte qu’on
retrouve le modèle logit standard. L’intérêt de ce modèle est qu’il peut facilement être
généralisé à plus de deux niveaux pour étudier tour à tour, par exemple, le choix de détenir
un véhicule privé ou non, le choix d’un véhicule en particulier (compte tenu de la décision
13
d’acquérir un véhicule) et le choix du mode de transport à emprunter pour un déplacement
donné (compte tenu qu’on détient ou non un véhicule privé). Le logit emboîté croisé
(McFadden, 1978; Vovsha et Bekhor, 1998; Bierlaire, 2002) permet quant à lui de relâcher
l’hypothèse d’indépendance entre les nids pour établir des corrélations spécifiques entre
certaines alternatives appartenant à différents noeuds. D’autres modèles appartenant à la
famille des VEG, qui ont surtout été appliqués au choix de route, sont le logit conditionnel
de Cascetta et al. (1996) et le path-size logit (Ben-Akiva et Bierlaire, 1999). Puisque les
spécifications de la famille des VEG ne permettent pas de se soustraire complètement de
l’IIA, des formulations alternatives plus flexibles ont aussi été envisagées.
Parmi celles-ci, le modèle probit polytomique (Thurstone, 1927; Bock et Jones,
1968) est sans doute l’un des plus généraux qu’on retrouve dans la littérature microéconométrique. Il permet de se soustraire des trois restrictions imposées par le modèle logit
polytomique, y compris de l’IIA. Cette grande flexibilité du probit est due à la structure
hétéroscédastique de la matrice de variance-covariance des termes d’erreur, supposés
normalement distribués. Une telle structure a souvent été qualifiée de structure
autorégressive généralisée (Bolduc, 1992). Un problème pratique relié à l’estimation du
modèle probit polytomique est qu’il nécessite l’évaluation des probabilités de choix
constituées d’intégrales multiples qui ne peuvent être évaluées analytiquement. Ce calcul
implique en fait autant de niveaux d’intégration qu’il comporte d’alternatives distinctes, ce
qui rend nécessaire le recours à des méthodes de simulations numériques. Ce problème est
particulièrement aigu lorsqu’on s’intéresse au choix de véhicules automobiles qui implique
généralement un ensemble de choix relativement vaste et varié. De plus, supposer que la
partie non observée de l’utilité est normalement distribuée entre les individus peut s’avérer
restrictif dans certains cas (Train, 2003). En effet, dans quelques applications, la loi
normale ne parvient pas à capturer toute la dispersion de l’hétérogénéité individuelle (cf.
Greene, 2003, ch. 21) et en conséquence une autre loi comme la Wishart ou la logistique
pourrait être utilisée seule ou en combinaison avec la normale.
Plus général et plus flexible que tous les MCD susmentionnés, le modèle logit mixte
a récemment été utilisé dans plusieurs travaux dont ceux de Ben-Akiva, Bolduc et Walker
(2001), de Ben-Akiva et Bolduc (1996) et de Train (1997, 2003). Ce modèle permet des
14
profils de substitution non restreints entre les alternatives. En particulier, il n’est pas
contraint par l’IIA. Il admet aussi de l’hétérogénéité, ou des différences intrinsèques, dans
les préférences individuelles qui ne sont ni observées ni mesurées, comme par exemple les
préoccupations environnementales ou une prédisposition pour le confort et la commodité
offerts par le transport privé qui peuvent aussi avoir un impact déterminant sur le choix de
véhicule. En exploitant les méthodes de simulation (Train, 2003), il est relativement facile
de calculer les probabilités de choix pour ce modèle qui s’expriment comme des intégrales
des fonctions de probabilité logit standard sur toutes les valeurs admissibles des paramètres.
Plusieurs études, notamment celles de McFadden et Train (2000), Munizaga et AlvarezDaziano (2002) et Brownstone et al. (2004), tendent à confirmer que le modèle logit mixte
produirait des estimations de meilleure qualité que les MCD conventionnels eut égard à sa
grande généralité.
On peut dire, en quelque sorte, que le modèle logit mixte combine la flexibilité du
probit polytomique à la maniabilité du logit polytomique. C’est donc à l’intérieur de ce
cadre méthodologique très général que nous comptons situer notre étude. Mais le pouvoir
explicatif d’un modèle, c’est à dire sa capacité à capturer et éventuellement prédire la
réalité économique, dépend avant tout de la nature et de la qualité des données dont dispose
le modélisateur. La préférence entre un modèle et un autre va dépendre, du contexte, c'està-dire l’aspect comportemental que nous voulons mettre en exergue (De Jong et al, 2004)
et, naturellement, des données à employer pour l’analyse. C’est cet aspect de la question
que nous abordons dans la prochaine sous-section.
2.2 Les applications au choix de véhicule
La présente sous-section se concentre sur les applications des MCD au choix de
véhicules privés qui sont pertinentes à notre sujet de recherche. Dans un tel contexte, l’unité
décisionnelle peut être représentée soit par un individu ou bien par un ménage. Puisque les
décisions relatives au choix de véhicules impliquent les ressources financières du ménage
(Berkowitz et al., 1990) et que les membres du ménage se partagent son usage (Mannering
et Train, 1985), nous privilégions la seconde approche conceptuelle. Train (1986) distingue
15
deux aspects du choix en matière de véhicules privés : i) la décision de posséder un certain
nombre (0, 1, 2, …) de véhicules et ii) le choix spécifique de chacun de ces véhicules.
Bien que les premières études se soient concentrées sur l’un ou l’autre de ces
aspects, il est aussi possible de les analyser conjointement à l’intérieur du cadre conceptuel
offert par les modèles de la famille VEG (e.g. Mannering et Winston, 1985; Train, 1986). Il
est en effet fort probable que ces deux décisions soient corrélées puisqu’elles nécessitent un
arbitrage entre les prix relatifs et les caractéristiques de chaque véhicule. Par exemple, un
ménage avec enfants pourrait hésiter entre le fait de se procurer un seul véhicule, plus
dispendieux mais offrant plus d’espace pour les passagers et le rangement (comme une
mini-fourgonnette), ou deux véhicules plus petits (par exemple, des voitures compactes ou
sous-compactes) moins chers mais qu’ils peuvent se partager pour plus d’autonomie.
Plusieurs études, notamment celles de Hensher et Plastier (1983) et de Train (1986),
se sont concentrées sur le premier aspect, relatif à la taille du parc automobile à la
disposition du ménage. Selon Train (1986) qui a effectué une recension de ces études, les
principaux déterminants du nombre de véhicules possédés par le ménage seraient le revenu
familial, les coûts d’acquisition du véhicule (prix d’achat ou coût annualisé d’acquisition),
la taille du ménage, le nombre de travailleurs parmi les membres du ménage et la facilité
d’accès au transport public. Par ailleurs, Train (1986) insiste sur l’importance de tenir
compte de l’ensemble des ménages, y compris ceux ne disposant d’aucun véhicule
automobile pour un usage privé, dans la modélisation du nombre de véhicules pour obtenir
une image complète des choix effectués par les ménages. La négligence des certaines
tranches de la population créerait un biais de sélection (Heckman, 1979) comme c’est le cas
dans plusieurs études notamment celles de Mannering et Winston (1985), Hensher et
Milthorpe (1987), De Jong (1989) et Kim (2002).
Plus récemment, et en relation avec les nouvelles préoccupations reliées à
l’efficacité énergétique et à la préservation de l’énergie et de l’environnement, des auteurs
se sont penchés sur les questions relatives au choix de types de véhicules privés. Les
précurseurs en ce domaine (Lave et Train, 1979; Beggs et Cardell, 1980; Lave et Bradley,
1980) distinguaient uniquement les véhicules en fonction de leur type (voiture versus
camion léger) ou de leur classe (sous-compacte, compacte, intermédiaire, camionnette,
16
etc.). Des études ultérieures (Manski et Sherman, 1980; Train et Lohrer, 1983; Berkovec et
Rust, 1985; Train, 1986) considèrent des désagrégations plus fines du parc automobile,
allant jusqu’à distinguer, dans certains cas, les véhicules selon leur marque, modèle et
année de fabrication. Ceci pose toutefois des difficultés pratiques compte tenu de la taille
de l’ensemble de choix à considérer (Mannering et Train, 1985). Toujours selon Train
(1986), parmi les principaux facteurs ayant une incidence sur le choix de véhicule on
retrouve les coûts (d’acquisition et d’opération, ou bien le taux de consommation de
carburant), des caractéristiques du ménage (le revenu familial, l’âge du chef de famille et la
taille du ménage et de son parc automobile), ainsi que certains attributs des véhicules (dont
la taille et l’âge du véhicule).
Un autre déterminant probable du choix des ménages en matière de véhicule privé
(à la fois pour les décisions de possession et de type de véhicules) est l’usage qu’ils
comptent en faire dans le futur (Bunch, 2000). Certaines études incorporent, dans le MCD,
la distance parcourue annuellement (Lave et Train, 1979; Hensher et Le Plastrier, 1983)
pour tenir compte indirectement de l’effet des coûts d’opération sur le choix de véhicule.
Toutefois, ces études produisent des estimations biaisées et non convergentes puisque la
distance parcourue, elle-même affectée par les coûts d’opération, est endogène au modèle.
Reconnaissant ce problème d’endogénéité qui donne lieu au biais de simultanéité classique,
Mannering et Winston (1983, 1984, 1985) tentent de réduire son incidence en considérant
plutôt la distance parcourue l’année précédente. Cette variable pourrait être considérée
comme prédéterminée et exogène si elle n’était toutefois pas autocorrélée à sa valeur
courante, ce qui est pourtant fort probablement le cas. Il n’existe pas de manière de régler
ce problème d’endogénéité sinon de traiter les décisions de possession et d’usage
simultanément dans le contexte des modèles de type discret-continu (Heckman, 1978,
1979; Dubin et McFadden, 1984; De Jong, 1989). Cette entreprise ne pourra cependant pas
être tentée dans le cadre de notre étude puisque l’information empirique relative à
l’utilisation des véhicules privés dont nous disposons est insuffisante.
La plupart des applications des MCD à la demande de transport privé se basent sur
des données en coupe transversale (Winston, 1981; Hensher et Milthorpe, 1987; Bath et
Sen, 2006) provenant d’enquêtes réalisées auprès des ménages. Les données en coupe
17
transversale dressent un portrait de la situation à un moment précis dans le temps et dans
l’espace. Il en résulte souvent une variabilité limitée de certains déterminants de la
demande de transport, dont les prix. Les effets temporels, ou effets de répétions, sont exclus
des données en coupe transversale, comme par exemple l’importance que les individus
accordent à la question environnementale qui peut varier au fil du temps. Ces effets
individuels sont donc absorbés dans le terme d’erreur du modèle.
On retrouve cependant dans la littérature certaines applications des MCD à des
données de panel (Mannering et Winston, 1985; Algers et al., 1998). Contrairement aux
données en coupe transversale, les données longitudinales, ou données de panel, suivent
l’évolution d’une situation ou d’un agent économique dans le temps. Elles comportent donc
deux dimensions et offrent souvent, en conséquence, plus de variabilité que des données en
coupe transversale. Les données de panel conventionnelles permettent de distinguer les
effets individuels et les effets temporels de l’hétérogénéité purement aléatoire. Les MCD
capables de tenir compte de ces aspects du panel sont le logit mixte et le probit
polytomique (Train, 2003).
Les enquêtes de type PD permettent également de constituer une base de données
comportant une certaine variabilité. Contrairement aux enquêtes de type « préférences
révélées » (PR) qui étudient les choix réels des agents économiques, les enquêtes PD
sondent leurs préférences dans un contexte de marché hypothétique mais réaliste. Puisque
ces choix sont virtuels, ils peuvent cependant ne pas refléter correctement les
comportements qu’auraient les agents s’ils devaient effectuer les mêmes choix en situation
réelle de marché. Selon Brownstone et al. (2000), les enquêtes PD ont toutefois l’avantage
d’expliciter les préférences des agents en apportant plus de variabilité dans les attributs des
différentes alternatives constituant l’ensemble de choix. Si les choix proposés au répondant
sont répétés en modifiant les différentes caractéristiques du produit à chaque répétition, il
s’ensuit une plus grande variabilité encore dans la base de données ainsi constituée. De
plus, les enquêtes PD permettent de considérer un ensemble de choix élargi comprenant des
alternatives non disponibles sur le marché actuel, ce qui est un avantage sérieux pour une
analyse de l’intégration de nouveaux produits comme la nôtre.
18
Dans le but de réduire le biais hypothétique que peuvent engendrer des enquêtes de
type PD, les économètres ont parfois recours à une combinaison de données de choix
hypothétiques (PD) et de données de choix réels (PR). Dans la littérature
microéconométrique, plusieurs méthodes ont été proposées pour combiner ces deux sources
9
de données. En comparant le logit mixte au logit standard pour des données combinées PR
et PD, Brownstone et al. (2000) ainsi que Brownstone et Train (1999) concluent que, eut
égard à la grande variabilité généralement présentée par les données PD, le logit mixte est
le modèle le mieux adapté à l’analyse des PD ou d’une combinaison des deux types de
données.
On peut affirmer que l’usage des données de panel dans la microéconométrie
constitue une littérature foisonnante. En revanche, les applications du modèle logit mixte à
des données de panel atemporel sont plutôt rares. Comme leur nom l’indique, les panels
atemporels n’incorporent pas de dimension temporelle, mais plutôt une répétition
d’observations individuelles instantanées. Certaines enquêtes de type PD offrant des choix
répétés, comme celle utilisée dans le cadre de la présente analyse, permettent donc de
constituer des panels atemporels. Puisque les choix d’un même individu risquent fort d’être
corrélés entre eux, il s’avère alors important de tenir compte de l’effet de répétition dans un
tel contexte. Contrairement au modèle logit mixte simple, le modèle logit mixte en panel
permet de prendre en compte l’effet individuel dû à ces répétitions.
Le modèle logit mixte en panel a été utilisé par Revelt et Train (1997) pour étudier
des données de pêche à la ligne, par Train (1998) dans son analyse du choix de véhicules et
par McFadden et Train (1996, 1998, 2000) dans une étude de l’intégration des véhicules à
carburant de remplacement au marché de l’automobile nord-américain. Par contre, dans son
analyse du choix de fournisseurs résidentiels d’énergie, Train (1999) et dans leur étude de
la pénétration de nouvelles technologies de transport sur le marché états-unien de
l’automobile, Brownstone et Train (1998) considèrent un modèle logit mixte simple dans
un contexte de choix répétés. Puisqu’ils ignorent l’aspect de panel atemporel associé à leurs
9
Le lecteur intéressé par cette littérature consultera avec profit les travaux de Cherchi et Ortúzar (2002),
Cherchi (2006), Louvière et al. (2000), Daly et Ortúzar (1990), Ben-Akiva et Morikawa (1990), BenAkiva et al. (1994).
19
données, ces deux études pourraient toutefois fournir des estimations biaisées et
inconsistantes des paramètres du modèle.
Algers et al. (1998) et Hensher et Greene (2001) se sont inspirés des travaux de
Train (1997) qui n’établit aucune différence entre le logit mixte et le logit polytomique
standard dans l’estimation du rapport de deux coefficients, comme par exemple la valeur du
temps ou le taux d’escompte. Les résultats d’Algers et al. (1998) contredisent toutefois
ceux de Train (1997) et Train et Browstone (1996) en montrant que l’estimation du ratio de
deux coefficients peut varier en fonction du MCD considéré. L’un des mérites
incontestables des études précédemment citées est de considérer l’aspect de répétitions
présent dans un panel atemporel en adoptant une structure en panel pour l’estimation du
modèle logit mixte. L’importance de tenir compte de l’aspect panel est qu’il peut exister
une corrélation entre les séries de réponses d’un même individu. Le Tableau 2.2.1 résume
les études portant sur des PR ou une combinaison de PD et PR dans le cadre des modèles
logit mixte simple et en panel.
En ce qui concerne plus particulièrement les études se penchant sur le choix de
nouvelles technologies de transport privé, l’emploi de données de type PD est de rigueur.
Celles-ci peuvent toutefois être employées en combinaison avec des données PR pour plus
de réalisme et de crédibilité. Le Tableau 2.2.2 résume les principaux déterminants du choix
technologique qui ont été répertoriés grâce à notre revue de littérature. Il s’inspire de
certains auteurs qui y sont référés ainsi que du contenu d’un tableau similaire figurant dans
l’article de Horne et al. (2005). La vaste majorité de ces études incluent minimalement les
coûts d’acquisition et les coûts d’opération du véhicule dans l’explication du choix
technologique. Afin de tenir compte des caractéristiques distinctives propres aux nouvelles
technologies, certaines d’entre elles incorporent également d’autres attributs du véhicule
comme par exemple sa classe, sa puissance et ses émissions de GES. D’autres études
contrôlent pour la disponibilité du carburant de remplacement dans le choix d’une
technologie de transport. Quelques rares auteurs intègrent dans leurs analyses empiriques
les caractéristiques individuelles des consommateurs qui peuvent aussi influencer leur
20
processus décisionnel. La dernière ligne du tableau indique que la plupart des déterminants
du choix technologique reconnus sont pris en compte dans notre analyse.
Tableau 2.2.1 : Résumé de quelques études employant le logit mixte sur des panels
atemporels
Études
Type de modèle
Type de données
Revelt et Train (1997)
Logit mixte en panel
Données de pêche en ligne (PD)
McFadden et Train (2000)
Choix de véhicules (PD)
Bhat et Castelar (2003)
Prix de congestion (PD+PR)
Algers et al. (1998)
Choix de modes (PD)
Train (1998)
Train (1999)
Logit mixte simple
Choix des fournisseurs
d’énergies (PD)
Hensher et Greene (2001)
Choix de modes (PD)
Brownstone et Train (1999)
Logit mixte simple
Brownstone et al. (2000)
Logit mixte simple
Choix de véhicules (PD+PR)
Brownstone et al. (2004)
Logit mixte simple
21
Tableau 2.2.2 : Déterminants des choix technologiques
Attributs
Articles
CI
CV
CR
W
CC
OC
Green, 1988
Manski et
Sherman, 1980
Bunch et al., 1993
McCarthy et Tay,
1998
Ewing et Sarigollu,
2000
Horne et al., 2005
Browstone et al.,
2000
Mau, P. C. W.,
2005
Potoglou et
Kanaroglou (2006)
Ramjerdi et Rand
(1997)
La présente étude
FA
EXP
PUI
GES
CI : Caractéristiques Individuelles, CV : classe de véhicules, CR : distance parcourue avec un plein de carburant. W :
espace pour les bagages. CC : coût en capital, OC : coût du carburant et coûts de maintenance, FA : disponibilité du
carburant. GES : les émissions véhiculaires. PUI : inclus les attributs comme la performance, la vitesse et accélération.
Le papier de Green (1988) n’a toutefois pas été trouvé, pour se faire nous nous sommes inspirés de Horne et al. (2005)
et de certains auteurs qui figurent dans ce tableau pour les attributs utilisés dans cet article.
22
2.3. Système Canadien de Modélisation Intégrée (SCMI)
Rivers et al. (2003) classifient les modèles utilisés pour étudier l’évolution de la
consommation énergétique selon qu’ils suivent une approche de type descendante (« topdown ») ou ascendante (« bottom-up »). Généralement employée par les ingénieurs,
l’approche ascendante est une approche désagrégée qui se concentre sur les aspects
physiques, technologiques et techniques des biens énergétiques pour en évaluer les coûts de
production. L’approche descendante a plutôt été utilisée par les économistes afin d’étudier
la relation agrégée entre les parts de marché de l’énergie, leurs coûts relatifs et d’autres
indicateurs de la performance de l’économie.
Dans le cas qui nous intéresse plus particulièrement, la principale distinction entre
les deux types d’approches est que les analyses descendantes intègrent, dans une certaine
mesure, les coûts sociaux associés à la consommation énergétique, alors que les analyses
ascendantes ne tiennent compte que de leurs coûts monétaires, sous-estimant ainsi les
bienfaits de l’innovation technologique (Krause, 1996). En contrepartie, les analyses
descendantes sont typiquement fondées sur des données historiques agrégées, ce qui les
rend inaptes à tenir compte des détails technologiques et à prévoir l’adoption de nouvelles
technologies qui ne sont pas encore bien établies sur le marché de l’automobile (Rivers et
Jaccard, 2004).
C’est pour pallier les lacunes des analyses ascendantes et descendantes que Jaccard
et al. (1996) ont construit le SCMI. Il s’agit d’un modèle hybride combinant les deux types
d’approches pour tenir compte aussi bien des détails technologiques que des aspects
comportementaux (Jaccard, 2003) dans la modélisation des marchés de l’énergie. Le SCMI
est formé de trois composantes principales : l’offre d’énergie, la demande d’énergie et un
modèle macroéconomique d’équilibre. Ces composantes peuvent être simulées ensemble
ou individuellement. Dans ce contexte général, le SCMI intègre un ensemble de modules
isolant chaque secteur d’utilisation finale de l’énergie. À l’intérieur de chacun des modules,
les coûts (physiques et sociaux) associés à chaque forme d’énergie sont évalués à l’aide de
modèles désagrégés. À travers un processus itératif reliant les différentes composantes du
modèle, le SCMI permet de simuler les coûts de diverses politiques énergétiques,
23
d’analyser l’impact des différentes politiques de réduction de GES et prédire les effets
macroéconomiques des ces politiques (Jaccard et al., 1996). Ce faisant, il permet de
prendre en compte l’évolution technologique et ses effets sur les coûts, l’usage de l’énergie
et les émissions de GES.
Nous nous intéressons plus particulièrement au module transport du SCMI, ou plus
précisément à la demande de transport privé à l’intérieur de ce module. Dans ce module, on
ajoute aux coûts technologiques une composante pour prendre en considération les coûts
sociaux associés à chaque forme d’énergie. Nous verrons plus en détails dans la section
méthodologique comment cette composante additionnelle peut être obtenue à partir d’un
MCD comme le nôtre.
24
3. Problématique
Pour les diverses raisons mentionnées précédemment, il est difficile de prévoir
l’adaptation du marché canadien de l’automobile face aux nouvelles technologies et
énergies de remplacement. Ce projet vise précisément à développer un modèle
économétrique de type logit mixte pour ce faire. Plus général et plus flexible que les MCD
conventionnels, le logit mixte est particulièrement bien adapté à cette analyse puisqu’il
admet l’hétérogénéité inobservée dans les préférences des consommateurs et des profils de
substitution non restreints entre les alternatives.
Puisque que les nouvelles technologies et sources d’énergie moins polluantes ne
sont pas encore bien établies sur le marché de l’automobile, voire même pas encore
commercialisées dans certains cas, il n’existe pas, pour celles-ci, de données empiriques se
prêtant à une analyse économétrique. C’est pourquoi nous aurons plutôt recours à des
données d’une enquête de type PD pour estimer le modèle. Comme ces données constituent
un panel atemporel, nous emploierons un modèle logit mixte en panel pour les analyser.
Cet ensemble d’outils nous permettra d’identifier les principaux déterminants du
choix des Canadiens en matière de véhicules personnels, en particulier lorsqu’ils sont
confrontés à de nouvelles alternatives aux caractéristiques distinctives. Nous serons ainsi
mieux en mesure d’apprécier comment ils pourraient réagir lorsqu’ils feront face à
l’innovation technologique.
Nos estimations serviront également à alimenter le module transport personnel du
SCMI en fournissant des estimations des paramètres utilisés dans l’évaluation des coûts
sociaux associés à l’adoption de nouvelles technologies et sources d’énergie propres.
25
4. Données
Cette section présente un sommaire des données d’enquête qui sont utilisées dans la
présente étude. Nous décrivons d’abord brièvement l’enquête qui a servi à recueillir ces
données. Des statistiques descriptives des principales caractéristiques des répondants à
l’enquête, de même que du ménage auquel ils appartiennent, sont ensuite présentées. Nous
revenons aussi plus en détails sur l’aspect de panel atemporel qui est présent dans nos
données pour présenter par la suite des statistiques descriptives relativement aux attributs
des véhicules parmi lesquels les répondants devaient faire leurs choix. Nous terminons
notre analyse statistique par une description des choix technologiques en fonction des
caractéristiques des répondants et de leur ménage.
4.1. Description de l’enquête
Les données que nous utiliserons pour réaliser notre étude empirique proviennent
d’une enquête sur les PD des Canadiens en matière de transport personnel réalisée en 20022003 par le EMRG. Lors de cette enquête, on a d’abord recruté par téléphone 1500
répondants demeurant en milieu urbain.10 Les questions posées au cours de l’entretien
téléphonique ont servi à personnaliser le questionnaire plus détaillé qui a ensuite été
expédié par voie postale aux personnes ayant accepté de participer à l’enquête. Au total
1154 questionnaires complétés ont été retournés pour un taux de réponse global de 77%.
Dans un premier temps, cette enquête a permis d’amasser des renseignements
généraux sur les caractéristiques sociodémographiques du répondant (âge, sexe, scolarité,
occupation) et de son ménage (taille et revenu du ménage, type et lieu d’habitation, nombre
de véhicules privés à la disposition du ménage), de même qu’une information détaillée sur
le véhicule utilisé actuellement par le répondant (marque, modèle, année de fabrication,
temps d’usage projeté, coûts d’entretien, etc.). Les habitudes de déplacements domicile10
Les principales villes canadiennes offrant des réseaux de transport en commun adéquats ont été ciblées.
Hormis pour Terre-Neuve et l’Île-du-Prince-Édouard, toutes les capitales provinciales font partie de la
population échantillonnée qui inclut aussi d’autres villes d’importance comme Victoria, Toronto et
Québec. En tout, les préférences des résidents de 17 villes sélectionnées dans neuf provinces canadiennes
ont été sondées.
26
travail (nombre et temps de déplacements, modes de transport utilisés, etc.) et de travail
(nombre d’emplois, lieux et heures de travail, possibilités de télétravail) du répondant et des
autres membres de son ménage ont également été sondées.
Le questionnaire de l’enquête comportait aussi deux volets s’adressant
respectivement au choix de véhicules privés et au choix de modes de transport pour les
déplacements entre le domicile et lieu de travail ou d’études. Seuls les individus ayant
accès à un véhicule automobile pour leurs déplacements personnels ont été sélectionnés
pour répondre au premier volet de l’enquête, sur lequel se concentre notre étude. Dans ce
premier volet, après une mise en contexte décrivant les motivations et la nature de
l’enquête, on demande au répondant de faire un choix virtuel entre quatre types de
véhicules personnels. Les choix qui lui sont offerts incluent : un véhicule standard
(fonctionnant à l’essence ou au diesel), un véhicule au gaz naturel, un véhicule hybride
(essence-électricité) et un véhicule à pile à hydrogène. Les caractéristiques des véhicules lui
sont dépeintes comme étant identiques à celles du véhicule qu’il utilise le plus souvent, à
l’exception du coût d’acquisition, des dépenses d’opération mensuelles, de la disponibilité
du carburant, des émissions polluantes et de la puissance du moteur qui varient d'une
alternative à l’autre.
4.2. Statistiques descriptives au sujet des répondants
Les statistiques descriptives concernant les caractéristiques sociodémographiques
des répondants et de leur ménage pertinentes à notre étude sont présentées au Tableau A.1 à
l’Annexe A. Près de 60% des répondants à l’enquête sont des femmes. La majorité des
répondants est en âge de travailler; près de 32% d’entre eux se situant dans la tranche
d’âges de 26 à 40 ans et près de 38%, dans celle des 41 à 55 ans. Un peu moins de 22% des
répondants est âgé de plus de 55 ans, alors que les jeunes de moins de 26 ans forment
moins de 9% de l’échantillon. En termes d’éducation, les répondants n’ayant pas complété
leurs études secondaires représentent moins de 5% de l’échantillon. En fait, plus de 43%
des répondants a fréquenté l’Université et 33% d’entre eux a reçu un diplôme d’études
secondaires et/ou fréquenté une institution post-secondaire. Conformément à la répartition
27
géopolitique du territoire canadien, près de 85% des répondants à l’enquête sont des
anglophones.
Les ménages unifamiliaux représentent moins de 16% de l’échantillon. Les
répondants vivant en couple constituent près de 33% de l’échantillon. Près de 33% des
ménages interrogés sont constitués de plus de trois membres. Le niveau élevé de
scolarisation des répondants et la composition des ménages pourraient expliquer en partie
que leurs revenus annuels familiaux sont relativement élevés. En fait, plus de 32% des
ménages interrogés gagnent plus de 80 000$, près de la moitié a un revenu annuel supérieur
à 60 000$ et près des trois quart de l’échantillon dispose d’un revenu annuel de plus de
40 000$. Les ménages à revenu modique de moins de 20 000$ ne représentent qu’environ
8% de l’échantillon.
Un sommaire des résultats de l’enquête publié par le EMRG11 confirme nos
observations. Selon ce sommaire, « des différences notoires existent entre la population
échantillonnée et les moyennes nationales ». En particulier, l’échantillon comprendrait plus
de femmes et de personnes à la retraite. Les répondants à l’enquête seraient aussi plus
scolarisés que la population canadienne en général et appartiendraient à des ménages à
niveaux de revenus relativement élevés. Ceci pourrait s’expliquer en partie par le fait que
les ménages sondés résident en milieu urbain et ont accès à au moins un véhicule
automobile pour satisfaire leurs besoins de déplacements personnels.
Près de 38% des ménages sondés résident en Ontario et plus de 23% d’entre eux
habitent dans la province de Québec. Les résidents des Prairies constituent environ 17% de
notre échantillon alors que ceux de la Colombie-Britannique n’en représentent que 13%.
Les Provinces atlantiques ne fournissent que moins de 8% des répondants. Bien que
l’enquête ait été réalisée en milieu urbain afin de mettre l’accent sur les villes présentant
des infrastructures de transport adéquates, on constate que près de 78% des personnes qui y
11
.
Voir le site suivant pour consulter ce sommaire des résultats d’enquête :
http://www.emrg.sfu.ca/EMRGweb/pubarticles/Reports%20on%20Municipalities%20and%20Transporta
tion/cantranspref.pdf.
28
ont participé habitent en fait en banlieue des grands centres urbains plutôt qu’en plein cœur
de la ville. Encore une fois, le fait que les ménages ayant accès à au moins un véhicule
privé ait été ciblés dans cette enquête peut expliquer ce constat.
En fait, plus de 90% des répondants a affirmé avoir accès à au moins une véhicule
automobile, de sorte qu’ils étaient admissibles à la première partie de l’enquête concernant
le choix technologique. Rappelons en effet que les choix hypothétiques de véhicules sont
présentés au répondant comme ayant des caractéristiques similaires à celles du véhicule que
le répondant utilise le plus fréquemment, hormis une liste d’attributs pour lesquels
l’enquête cherche à sonder les PD des consommateurs. Un peu plus de 7% des ménages
sondés ne possédaient pas de véhicule automobile au moment de l’enquête. Plus de 38%
des ménages interrogés possédait plus de deux véhicules automobiles et près de 12% en
avaient au moins trois. Ceci est compatible avec la composition des ménages décrite plus
haut. Plus de 24% des répondants admettent toutefois que leur ménage pourrait se satisfaire
de moins de véhicules automobiles pour combler ses besoins courants de déplacements.
Près de 70% des véhicules privés les plus fréquemment utilisés par les répondants
sont des voitures. De plus, les petites voitures sous-compactes et compactes ont la cote à
60% d’utilisation la plus fréquente. Ceci est justifié dans la mesure où elles sont moins
énergétivores et donc plus économiques, particulièrement pour les déplacements en milieu
urbain. Compte tenu de la taille moyenne des ménages relativement élevée, les
fourgonnettes sont tout de même employées le plus souvent par plus de 15% des
répondants. Les camionnettes ne récoltent qu’un peu plus de 5% d’utilisation la plus
fréquente et les motocyclettes, moins de 1%. Seulement 12% des répondants qui possèdent
un véhicule hybride se disent satisfaits de leur achat.
Plus de 27% des véhicules utilisés le plus souvent par les répondants ont moins de 5
ans d’usure alors que plus de 50% d’entre eux en ont plus de 9. Le temps d’usage projeté
est de moins de 5 ans pour plus de 40% de ces véhicules et de plus de 9 ans encore pour
près de 40% d’entre eux. La vaste majorité des répondants (près de 70%) déclarent que le
coût annuel d’entretien de ces véhicules n’excède pas 1 000 dollars, alors que plus de 26%
d’entre eux admettent dépenser entre 2 001 et 3 000 dollars annuellement pour l’entretien
29
du véhicule qu’ils utilisent le plus fréquemment. Seulement 4% des répondants ont des
coûts annuels d’entretien du véhicule supérieurs à 3 000 dollars.
Plusieurs autres statistiques descriptives basées sur les réponses des participants à
l’enquête du EMRG ont été compilées. Celles-ci étant de moindre importance pour la
présente étude, nous laissons toutefois au lecteur le loisir d’en prendre connaissance par luimême en consultant le Tableau A.1 situé à l’Annexe A. Les résultats de ces compilations ne
seront donc pas commentés ici.
À titre indicatif, nous avons également calculé les corrélations simples entre
certaines caractéristiques socioéconomiques des répondants et de leur ménage. Celles-ci
sont présentées au Tableau 4.2.1. Il se dégage une corrélation positive relativement élevée
entre le revenu du ménage et la taille de son parc automobile et entre le revenu et la taille
du ménage. En moyenne, les ménages plus fortunés possèdent donc plus de véhicules
automobiles et il en est de même pour les ménages de plus grande taille. Nous constatons
également une corrélation positive et relativement élevée entre le revenu familial et le
niveau d’éducation du répondant, ce qui s’explique par le fait que plus un individu est
éduqué et plus il peut aspirer à des emplois à salaires élevés. Il existe aussi une corrélation
plus faible mais toujours positive entre l’âge du répondant et son revenu familial, car très
souvent certains gains dépendent de l’ancienneté dans une fonction donnée.
Nous constatons une corrélation faible et positive entre l’âge et le nombre de
véhicules détenus par les ménages et entre l’âge et l’utilisation d’un véhicule automobile
pour les déplacements entre le domicile et le lieu de travail (variable Auto). Une corrélation
relativement élevée et positive apparaît entre la taille du ménage et le nombre de véhicules
automobiles qu’il possède, ainsi qu’entre la taille du parc de véhicules et la propension à
utiliser ces véhicules pour se rendre au travail ou à l’école. Cela s’explique par le fait que
les ménages de plus grande taille ont souvent des besoins de déplacements plus importants
et que la disponibilité des véhicules automobiles accroît la propension à s’en servir pour
combler ces besoins. Plus la taille du ménage est grande, et plus l’emploi du transport en
commun lors des déplacements domicile-travail devient improbable.
30
Tableau 4.2.1 : Corrélations des caractéristiques individuelles
Caractéristiques
Éducation
Revenu
Âge
Nombre Province
de
véhicules
Taille du
ménage
Auto
Éducation
1,0000
Revenu
0,2300
1,0000
Âge
-0,0245
0,1507
1,0000
Nombre de véhicules
-0,0137
0,4655
0,1217
1,0000
Provinces
0,0890
0,0228
0,0250
-0,0154
1,0000
Taille du ménage
0,0214
0,3681
-0,0648
0,4643
0,0148
1,0000
Auto
0,0192
0,1850
0,1927
0,3821
0,0859
0,0433
1,0000
Femmes
-0,0054
-0,0914
-0,0732
0,0160
0,0189
0,0618
0,0665
4.3 L’aspect de panel atemporel des données
Le premier volet de l’enquête demande aux répondants de faire quatre fois le choix
hypothétique entre les quatre types de véhicules : standard, au gaz naturel, hybride essenceélectricité et à pile à hydrogène. À chaque fois, on prend soin de modifier les
caractéristiques des différentes alternatives qui lui sont proposées. Ceci permet d’accroître
la variabilité dans l’échantillon dans le but d’obtenir éventuellement des résultats
économétriques plus précis sur la base des réponses ainsi obtenues. Les différentes valeurs
prises par les attributs des véhicules qui ont servi de base à l’élaboration du plan
expérimental de l’enquête PD sont présentées au Tableau 4.3.1. Par souci de réalisme, la
base de comparaison du plan expérimental est celle du véhicule automobile le plus
fréquemment employé par le répondant. La plupart des attributs prennent différentes
valeurs qui varient en fonction du profil de choix qui est assigné de façon aléatoire à chaque
répondant. En tout, 16 profils de choix distincts ont été formés en vue de cette expérience.12
12
Consulter Horne (2003) pour plus de renseignements au sujet de l’élaboration du plan expérimental.
Femmes
1,0000
31
Tableau 4.3.1 : Attributs possibles des véhicules dans le questionnaire d’enquête
Type de
véhicule
Prix d’achat
(CC)
Véhicule Standard
100% CC
105% CC
110% CC
115% CC
100% FC
110% FC
120% FC
130% FC
100%
Accès aux voies
express (EXP)
Émissions
(ENV)
comparées au
véhicule courant
Puissance
(POW)
comparée au
véhicule courant
Coût du
carburant
(FC)
Disponibilité du
carburant (FA)
Véhicule au gaz
naturel
105% CC
110% CC
Véhicule hybride
105% CC
120% CC
Véhicule à pile à
hydrogène
110% CC
120% CC
110% FC
120% FC
Égal à 75%
de celui au
gaz naturel
110% FC
120% FC
25%
75%
100%
25%
75%
Non
Oui
Non
Oui
Non
Égal
Moins de
10%
Égal à celui
au gaz
naturel
Moins de
25%
Moins de
100%
Égal
Égal
Moins de
10%
Égal
Moins de
10%
Égal
Moins de
10%
Source : Horne et al. (2005).
Nous verrons à la section suivante comment il est possible de tenir compte de la
corrélation entre les choix individuels dans la méthode d’estimation. Pour l’instant, il est
suffisant de mentionner que la taille de l’échantillon sur lequel se base les statistiques
descriptives relatives aux choix technologiques est plus grande que celle de l’échantillon
employé pour calculer les statistiques descriptives concernant les répondants. En effet, les
statistiques des attributs des véhicules se basent sur l’ensemble des choix individuels. N’eut
été des non-réponses à certaines questions concernant les choix technologiques,
l’échantillon qu’ils forment serait donc quatre fois plus imposant que l’échantillon des
participants à la première partie de l’enquête.
La Figure 4.3 montre la distribution des choix technologiques répétés. On peut y
voir que même si les réponses d’un même individu peuvent être corrélées, les choix
32
technologiques présentent tout de même une certaine diversité. Chaque crête de
l’histogramme correspond à une séquence de choix homogènes sur les quatre propositions
qui ont été faites aux répondants. Par exemple, Tout_ESSENCE correspond aux individus
qui ont opté quatre fois pour la technologie standard (véhicule utilisant de l’essence ou du
diesel). Il en est de même pour tous les autres types de technologies sauf en ce qui concerne
la dernière barre d’histogramme nommée MIXTE qui correspond aux individus qui ont
effectué différentes combinaisons de choix parmi l’ensemble des quatre alternatives qui
leur étaient offertes.
Figure 4.3 : Diversité dans le choix technologique
M
IX
TE
To
ut
_H
Y
D
R
O
G
E
N
E
To
ut
_H
Y
B
R
ID
E
To
ut
_G
A
Z
N
AT
400
350
300
250
200
150
100
50
0
To
ut
_E
SS
E
N
C
E
nombre de repondants
Diversité dans le choix technologique
Choix
En termes de fréquence de sélection, le véhicule hybride l’emporte sur les
technologies concurrentes. Bien que cette technologie ne soit pas encore commercialisée, il
apparaît paradoxalement dans cette figure que le véhicule à pile à hydrogène est également
très populaire. Cela pourrait s’expliquer en partie par le fait qu’en moyenne, le prix du
véhicule à hydrogène qui est présenté aux participants à l’enquête n’est pas beaucoup plus
élevé que celui des technologies concurrentes qui existent déjà sur le marché de
l’automobile. En plus, il peut présenter dans certains cas un avantage comparatif du point
33
de vue du coût en carburant par rapport au véhicule standard.13 Son coût d’utilisation
s’apparente d’ailleurs aussi à celui attribué au véhicule au gaz naturel. Les valeurs associées
à la puissance du moteur et la disponibilité du carburant sont également similaires pour ces
deux types de technologies. La différence notoire entre le véhicule à pile à hydrogène et les
autres types de véhicules se situe au niveau des émissions de GES, rendant le premier
comparativement plus avantageux puisqu’il ne produit aucune émission lors de la
combustion.14 Malheureusement, il ne sera pas possible de tenir compte de cette
caractéristique dans notre analyse économétrique car elle ne présente aucune variabilité à
travers les individus bien qu’elle fluctue en fonction des alternatives.
4.4. Statistiques concernant les technologies
Sur la base de l’ensemble des options qui ont été présentées aux répondants, nous
avons calculé des statistiques descriptives relatives aux attributs des quatre types de
véhicules parmi lesquels le répondants devaient effectuer des choix répétés. Les résultats de
ces calculs sont fournis au Tableau 4.4.1. On constate que le véhicule hybride a été
sélectionné le plus souvent (dans près de 49% des cas), suivi du véhicule à pile à hydrogène
(avec près de 34% des occurrences). Le véhicule standard à essence ou au diesel ne récolte
qu’un peu plus de 12% des choix hypothétiques, alors que le véhicule au gaz naturel n’en
obtient qu’un peu plus de 5%.
Le coût d’achat (CC) moyen varie peu entre les différentes technologies; un écart de
1538,73 dollars est enregistré entre les prix moyens des véhicules du plus au moins
dispendieux. Rappelons toutefois qu’il s’agit de moyennes et que des écarts plus importants
peuvent apparaître dans les différents choix qui sont proposés aux répondants. Les
13
Ceci pourrait constituer une des principales faiblesses de l’enquête puisqu’on peut prévoir que lorsque le
véhicule à pile à hydrogène fera une percée sur le marché de l’automobile, son prix sera de beaucoup
supérieur à celui des véhicules existants. À titre illustratif, le véhicule hybride qui a été commercialisé au
Canada au tournant du siècle coûte encore en moyenne entre 3 000$ et 5 000$ de plus qu’un autre
véhicule de sa catégorie. De même, compte tenu des coûts de stockage et distribution élevés, les coûts
d’approvisionnement en hydrogène risquent eux aussi d’être plus élevés que ceux associés aux autres
types de carburants.
14 Une pile à hydrogène consomme son oxydant (ici l’oxygène O ) et son réducteur (ici l’hydrogène H ).
2
2
Elle continue de fonctionner tant que ces éléments ne manquent pas. Elle est basée sur une double
réaction chimique dont l’issue est de produire de l’eau. Pour plus de renseignements à ce sujet, consulter
le site : http://fr.wikipedia.org/wiki/Pile_%C3%A0_combustible.
34
véhicules standards ont un prix moyen plus bas que les autres types de technologies qui
sont nouvelles et/ou plus sophistiquées, cela est conforme à nos attentes qui sont que les
nouvelles technologies soient plus dispendieuses.
Tableau 4.4.1 : Technologies et leurs attributs selon l’enquête (base de données de la
spécification de Horne et al. (2005))
Attributs
Véhicule
Véhicule au gaz
Véhicule
Véhicule à
des véhicules
standard
naturel
hybride
hydrogène
Proportions de
sélection*
Prix d’achat
12,51 %
5,17%
48,84%
33,50%
21978,82 $
22975,67$
23517,55$
(CC)
(10851,33)
(10834,19)
(11389,3)
(11598,72)
145,01$
108,90$
139,15$
Coût du
145,21$
22001,07$
carburant (FC)
(111,85)
(110,07)
(83,89)
(106,51)
Disponibilité du
1,00
0,50
1,00
0,50
carburant (FA)
(0,00)
(0,25)
(0,00)
(0,25)
Accès aux voies
0,00
0,49
0,49
0,50
express (EXP)
(0,00)
(0,50)
(0,50)
(0,50)
Émissions de
1,00
0,90
0,75
0,00
GES (ENV)
(0,00)
(0,00)
(0,00)
(0,00)
Puissance
1,00
0,95
0,95
0,95
(POW)
(0,00)
(0,05)
(0,05)
(0,05)
Note : La moyenne échantillonnale figure en première ligne suivie, en dessous, des écart-types apparaissant
entre parenthèses.
* : Les proportions de sélection ont été calculées à partir du nombre total de fois où chaque alternative a été
choisie.
Le coût mensuel en carburant (FC) est plus élevé pour l’usage du véhicule standard
que pour celui des technologies employant des carburants alternatifs. Ceci paraît conforme
à la réalité pour ce qui est des véhicules hybrides et au gaz naturel, mais pas en ce qui a trait
au véhicule à pile à hydrogène. Compte tenu des coûts élevés de stockage et de distribution,
l’hydrogène devrait avoir un prix plus élevé que les autres types de carburants. Il est
cependant plausible que l’accessibilité au carburant soit aussi restreinte, voire même
davantage, pour l’hydrogène que pour le gaz naturel.
35
Par hypothèse, l’accès aux voies express réservé aux technologies vertes est de 50%
en moyenne pour chacune des technologies sauf pour le véhicule standard pour lequel il est
nul. La répartition des émissions de GES par type de technologie est plausible : le véhicule
standard est le plus grand émetteur de GES (100%), suivi du véhicule au gaz naturel (75%
des émissions du véhicule standard), du véhicule hybride (25%) et du véhicule à pile à
hydrogène qui est un véhicule à zéro émission. La puissance du moteur varie très peu entre
les différents types de technologies. Elle est légèrement moins élevée (environ 95%) pour
les technologies vertes que pour la technologie standard.
Rappelons que le fait que certains attributs ne varient pas les rend inutilisables dans
nos estimations. Malheureusement, c’est le cas pour les émissions de GES qui est une des
caractéristiques des nouvelles technologies de transport qu’on aurait bien voulu prendre en
compte dans notre modèle économétrique. Pour les attributs qui varient, nous constatons
que la variabilité (écart-type entre parenthèses) semble être satisfaisante. Cela augmente le
crédit des thèses en faveur de l’utilisation de données PD pour accroître la variabilité dans
les attributs des alternatives qu’on cherche à modéliser.
Nous avons également calculé les corrélations simples entre les différents attributs
de chaque alternative. Celles-ci se reportées dans les tableaux suivants. On constate que
d’une alternative à l’autre, la corrélation entre le coût en capital (CC) et le coût mensuel de
carburant (FC) est faible car elle est comprise entre 11,09% et 11,77%. Pour ce qui est des
autres corrélations, on peut dire qu’elles sont négligeables. Il sera donc possible de
contrôler pour l’ensemble des attributs offrant suffisamment de variabilité dans la
spécification du modèle économétrique.
Tableau 4.5.1 : Corrélation entre les attributs de l’alternative véhicule standard
Attributs
CC1
CC1
1,0000
FC1
0,1136
FC1
1,0000
36
Tableau 4.5.2 : Corrélation entre les attributs de l’alternative véhicule au gaz naturel
Attributs
CC2
FC2
EXP2
POW2
CC2
1,0000
FC2
0,1168
1,0000
EXP2
-0,0046
0,0033
1,0000
POW2
0,0100
0,0145
0,0015
1,0000
FA2
-0,0053
-0,0095
0,0043
-0,0024
FA2
1,0000
Tableau 4.5.3 : Corrélation entre les attributs de l’alternative véhicule hybride
Attributs
CC3
FC3
EXP3
CC3
1,0000
FC3
0,1109
1,0000
EXP3
-0,0055
0,0058
1,0000
POW3
-0,0019
0,0070
-0,0174
POW3
1,0000
Tableau 4.5.4 : Corrélation entre les attributs de l’alternative véhicule à pile à
hydrogène
Attributs
CC4
FC4
EXP4
POW4
CC4
1,0000
FC4
0,1177
1,0000
EXP4
0,0062
-0,0091
1,0000
POW4
0,0102
0,0033
-0,0085
1,0000
FA4
0,0053
0,0059
-0,0000
-0,0085
FA4
1,0000
4.5 Analyse statistique des choix technologiques
Dans cette section, nous présentons des résultats complémentaires à l’analyse
statistique précédente qui font le pont entre les individus et leurs choix. Précisément, nous
avons analysé la corrélation entre les caractéristiques socioéconomiques des répondants à
l’enquête et les choix qu’ils ont effectués. Encore une fois, ces statistiques se basent sur
l’ensemble des choix répétés. Elles sont reportées au Tableau B.1 de l’Annexe B. à
37
proprement parler, elles ne peuvent donc être interprétées directement en fonction du
nombre de répondants qui ont choisi tel ou tel type de technologie puisque chaque
répondant figure jusqu’à quatre fois dans l’échantillon ayant servi aux calculs. Ceci étant
dit, nous ferons comme s’il s’agissait de personnes distinctes qui avaient été appelées à
sélectionner chacune un type de véhicules dans notre interprétation des résultats
statistiques.
Les répondants de chaque sexe ont porté leur choix sur le véhicule standard dans
des proportions similaires d’environ 50%. Les femmes sont toutefois plus sujettes que les
hommes à opter pour tout autre type de véhicule, et en particulier pour le véhicule hybride
fonctionnant à l’essence et à l’électricité qu’elles ont préféré dans une proportion de plus de
62%, comparativement à 38% pour les hommes. Dans une proportion de plus de 58%, ce
sont aussi les femmes qui ont choisi les véhicules au gaz naturel et à pile à hydrogène. Les
femmes semblent donc représenter une clientèle cible pour l’adoption des nouvelles
technologies de transport privé.
Toujours au niveau du choix technologique, 63.67% des répondants qui ont porté
leur choix sur la technologie standard ont plus de 40 ans, contre 61.41% pour la technologie
gaz naturel, 54.35% pour la technologie hybride et 60.68% pour le véhicule à pile à
hydrogène. La clientèle cible pour les nouvelles technologies vertes est donc moins âgée.
En fait, les jeunes de moins de 26 ans préfèrent les véhicules hybrides (11,30%) et les
véhicules au gaz naturel (10,75%), alors que les individus âgés de 26 à 40 ans optent plutôt
pour le véhicule hybride (34,35%) ou le véhicule à pile à hydrogène (31,83%).
Les personnes ayant fréquenté une institution universitaire sont plus enclines à
choisir les technologies vertes que la technologie standard. Le contraire est observé pour
ceux qui ont achevé leurs études secondaires et qui ont, dans certains cas, fréquenté une
institution post-secondaire ou le Cégep. Pour ceux qui ont moins d’années d’études, seul le
véhicule au gaz naturel peut sembler plus attrayant qu’un véhicule standard fonctionnant
soit à l’essence ou au diesel. Conformément à l’intuition, les gens plus éduqués, qui sont
généralement mieux informés au sujet de la question environnementale, sont donc plus
susceptibles d’en prendre compte dans leurs choix de consommation.
38
Compte tenu que près de 85% des répondants à l’enquête sont anglophones, on peut
constater que ceux-ci préfèrent les véhicules au gaz naturel (86,07%) et à pile à hydrogène
(86,64%). Au contraire, les francophones sont plus portés à opter pour le véhicule standard
ou le véhicule hybride. Les clientèles cibles peuvent donc différer en fonction de la
répartition géopolitique du territoire canadien. Rappelons toutefois qu’il ne s’agit là que de
corrélations simples basées, de surcroît, sur des données de PD. Elles ne peuvent à elles
seules tout révéler et c’est pourquoi une analyse économétrique plus approfondie sera
effectuée dans les prochaines sections du mémoire.
Les répondants appartenant à des ménages constitués de quatre membres et plus
sont plus propices à opter pour les technologies vertes. Le contraire est observé pour les
ménages composés de trois personnes, de même que pour les individus vivant seul. Pour les
personnes vivant en couple, seul le véhicule au gaz naturel semble comporter un plus grand
attrait. Les familles plus nombreuses semblent donc plus favorables à l’intégration des
nouvelles technologies de transport.
Ceci pourrait s’expliquer en partie par le fait que la taille du ménage est
positivement corrélée à son revenu annuel. En effet, les répondants disposant d’un revenu
familial annuel de plus de 80 000$ ont préféré le véhicule à pile à hydrogène (37,90%) au
véhicule standard (31,82%) bien que le premier ne soit pas nécessairement plus cher. Pour
les individus dont le revenu familial se situe entre 60 001$ et 80 000$, l’ensemble des
technologies vertes semble plus attrayant que le véhicule standard. Chez ceux dont le
revenu familial se situe entre 40 001$ et 60 000$, seul le véhicule au gaz naturel (13,24%)
semble offrir moins d’attraits que le véhicule standard (21,12%). Seul le véhicule à pile à
hydrogène (17,67%) est moins prisé que le véhicule standard (19,52%) pour les ménages
dont le revenu familial varie de 20 001$ à 40 000$. Pour les ménages à revenu modeste de
20 000$ ou moins, seul le véhicule au gaz naturel (13,24%) paraît plus attrayant que le
véhicule standard (12,83). Malgré des différences de prix relativement faibles, le revenu
des ménages a donc une incidence sur le choix technologique.
Au niveau des provinces de résidence, nous constatons que les habitants des
provinces de l’Atlantique et du Québec semblent être les plus sensibles à question
environnementale puisqu’ils optent d’emblée pour les technologies vertes plutôt que la
39
technologie standard. Au contraire, les résidents de la Colombie Britannique et des Prairies
semblent y être moins sensibles puisqu’ils préfèrent le véhicule standard à toute autre
technologie émettant moins de GES. Les habitants de l’Ontario ont tendance à préférer
légèrement le véhicule hybride (9,70%) au véhicule standard (9,20%). Par contre, ils
privilégient le véhicule standard face aux deux autres types de technologies. Compte tenu
que près de 78% des répondants à l’enquête résident en banlieue des grands centres urbains
canadiens, il ressort également de nos statistiques que ceux-ci préfèrent les véhicules les
moins énergétivores. Les résidents des milieux urbains, quant à eux, optent plus
fréquemment pour le véhicule standard.
Parmi les gens ayant accès à un véhicule automobile sans nécessairement en détenir
un, le véhicule standard est le plus populaire. Les répondants qui ne possèdent pas de
véhicule automobile ont tendance à privilégier les technologies vertes sur le véhicule
standard. Ceux qui n’en détiennent qu’un seul préfèrent le véhicule standard à tout autre
type de technologie. Les ménages qui possèdent deux véhicules préfèrent les technologies
vertes à la technologie standard. Ceux dont la taille du parc automobile est supérieure à
deux favorisent le véhicule au gaz naturel mais sont relativement indifférents entre les trois
autres types de technologies.
Même parmi ceux qui possèdent un véhicule hybride, le véhicule standard demeure
le plus populaire. Conformément à l’intuition, les individus qui utilisent de petites voitures
compactes ou sous-compactes pour leurs déplacements quotidiens sont favorables aux
technologies vertes. Ceux qui emploient plutôt une voiture intermédiaire préfèrent les
véhicules standards aux autres types de véhicules, hormis le véhicule au gaz naturel pour
lequel ils démontrent une légère préférence. Les détenteurs de camionnettes et de véhicules
utilitaires sport qui en font un usage intensif préfèrent de loin la technologie standard aux
autres types de technologies. Les individus qui emploient une fourgonnette pour leurs
déplacements quotidiens sont favorables à l’ensemble des technologies propres plutôt qu’à
la technologie standard. Les détenteurs de motocyclettes préfèrent le véhicule à pile à
hydrogène à tout autre.
Les répondants qui utilisent des véhicules automobiles relativement récents (de
moins de 5 ans) pour leurs déplacements hebdomadaires préfèrent le véhicule standard à
40
tout autre. Ceux qui se servent de véhicules plus anciens (de 5 à 9 ans d’usure) ont tendance
à privilégier les deux technologies les plus récentes, soit la technologie hybride (33,80%) et
le véhicule à pile à hydrogène (28,62%). Les individus faisant usage de vieux véhicules de
10 ans et plus d’usure préfèrent le véhicule au gaz naturel (24,05%) au véhicule standard
(19,70%) et à tout autre type de véhicules. Parmi les personnes qui projettent de changer de
véhicule automobile dans un avenir rapproché (moins de 5 ans), la technologie standard a
toujours la cote. Ceux qui entrevoient d’utiliser leur véhicule encore pour une période de 5
à 9 ans sont toutefois plus favorables aux technologies vertes. Chez les individus qui
projettent de conserver leur véhicule actuel pour au moins 10 années encore préfèrent le
véhicule au gaz naturel à tout autre. Sur la base de ces observations uniquement, le
processus d’ajustement à l’innovation technologique sera considérablement long s’il n’est
pas facilité par des interventions gouvernementales.
Les répondants qui estiment dépenser moins de 1 000$ pour l’entretien du véhicule
qu’ils utilisent le plus fréquemment privilégient les véhicules hybrides (72,28%) et les
véhicules à pile à hydrogène (67,30%) comparativement aux véhicules standards (65,48%).
Ceux qui dépensent de 1 000$ à 2 000$ par an pour entretenir leur véhicule préfèrent le
véhicule au gaz naturel (28,80%) et le véhicule à pile à hydrogène (29,20%) au véhicule
standard (26,84%). Les répondants qui dépensent plus de 2 000$ pour l’entretien de leur
véhicule sont généralement plus favorables à la technologie standard qu’à tout autre. Une
exception à cette règle prévaut pour les individus dont la dépense annuelle d’entretien
excède 3 000$ qui démontrent une légère préférence pour le véhicule au gaz naturel
(1,60%) relativement au véhicule standard (1,47%). Cette dernière estimation se basant sur
un faible nombre d’observations est toutefois très imprécise.
Les ménages composés d’au moins trois personnes actives sur le marché du travail
préfèrent le véhicule à pile à hydrogène (34,16%) au véhicule standard (31,18%) et ce
dernier à tout autre. Les ménages formés de deux personnes actives préfèrent les
technologies vertes à la technologie conventionnelle. Ceux qui ne sont constitués que d’un
seul travailleur favorisent la technologie hybride, mais sont relativement indifférents aux
autres types de technologies. Les ménages qui ne participent pas à la force de travail active
préfèrent le véhicule standard aux autres types de technologies.
41
Comparativement aux répondants qui fréquentent plusieurs lieux de travail
différents, ceux qui ne travaillent qu’à un seul endroit ont tendance à favoriser l’achat du
véhicule standard. Il en va de même pour les personnes disposant d’un horaire de travail
fixe relativement à ceux qui travaillent suivant un horaire variable. En ce qui concerne les
habitudes de déplacements, on note que 75.90% des répondants qui ont porté leur choix sur
la technologie standard se déplacent au moins une fois par semaine pour se rendre au travail
ou à l’école contre plus de 80% pour les technologies propres.
Nous laissons le soin au lecteur de prendre connaissance des résultats
complémentaires qui sont présentés en annexe concernant d’autres variables d’enquête et
passons sans plus tarder à l’introduction de l’approche méthodologique.
42
5. Méthodologie
Dans cette section, nous présentons d’abord le modèle économétrique qui sera
utilisé pour analyser les déterminants du choix technologique. Nous traitons également de
la méthode qui sera employée pour l’estimer. La méthodologie présentée est principalement
inspirée des travaux de Train (2003), Ben-Akiva, McFadden et al. (1997), Ben-Akiva, M.,
Bolduc, D. et Walker, J. (2001), Munizaga et Alvarez-Daziano (2002) et Antille (2002).
Nous discutons ensuite certaines particularités du modèle telles que sa capacité à prendre en
compte l’aspect de répétitions compris dans des données de panel comme les nôtres et des
conditions nécessaires à son identification. Quelques tests diagnostiques qui peuvent être
utilisés pour valider la formulation du modèle sont également présentés. Nous terminons
cette section en expliquant comment les paramètres comportementaux du SCMI pourront
être calculés à l’aide des estimations du modèle logit mixe. Cette dérivation des paramètres
du SCMI est principalement inspirée de Rivers et al. (2003) et Horne et al. (2004).
5.1. Modèle logit mixte
Il existe deux façons différentes mais équivalentes de représenter un modèle logit
mixte : le logit à paramètres aléatoires et le logit à composantes d’erreurs. Nous postulons
une fonction d’utilité indirecte et aléatoire U nj linéaire dans les paramètres qui prend la
forme suivante :
U nj = X nj β n + ε nj ,
(1)
où U nj représente l’utilité que retire l’agent économique n (pour n = 1,K , N ) de la
technologie de transport j (pour j = 1, K , J ) et X nj est un vecteur de dimension 1 × K
comprenant les caractéristiques (observables) relatives à la technologie j , à l’individu n ou
à son ménage. Contrairement à ce qui est permis dans le contexte du modèle logit standard,
les valeurs admissibles du vecteur de paramètres β n , de dimension K × 1 , associé au
vecteur X nj peuvent varier d’un individu à l’autre. Elles sont donc aléatoires. C’est ce qui
confère en fait au logit mixte sa grande flexibilité et c’est pour cette raison que la
formulation (1) du modèle logit mixte est celle dite à paramètres aléatoires.
43
Puisque les valeurs de β n sont aléatoires, on peut les réécrire en déviation par
rapport à leur moyenne, β , comme :
βn = β + µn ,
(2)
de sorte que le modèle (1) peut aussi être reformulé de la manière qui suit :
U nj = X nj (β + µ n ) + ε nj = X nj β + η nj
(3)
où η nj = X nj µ n + ε nj est un terme d’erreurs composées. L’équation (3) est donc la
formulation à composantes d’erreurs du logit mixte.
Sous l’hypothèse que les termes d’erreur de l’équation (1),
ε nj , sont
indépendamment et identiquement distribués suivant une loi Gumbel et conditionnellement
à β n , la probabilité de sélectionner la technologie j peut s’écrire sous la forme d’une
fonction logistique standard comme suit :
Λ( j β n ) =
exp(X nj β n )
∑i=1 exp( X ni β n )
J
.
(4)
Mais puisque le modèle logit mixte admet de l’hétérogénéité inobservée dans les goûts, i.e.
des β n différents pour chaque agent, il faut intégrer sur les valeurs admissibles de β n pour
calculer les probabilités de sélection associées à chacune des alternatives. Sous l’hypothèse
que β n suit une loi normale multivariée :
β n ~ NMV (β , Σ ) ,
(5)
où β représente la moyenne des goûts des individus (Train, 1997) et Σ , une matrice de
variance-covariance mesurant la dispersion autour de cette moyenne, la probabilité non
conditionnelle que l’individu n choisisse la technologie j s’exprime donc de la façon
suivante :
Pnj = ∫ Λ ( j | β )φ (β | θ )dθ ,
(6)
où θ désigne l’ensemble des ( K + J ( J − 1) / 2 − 1 ) paramètres estimables du modèle (1) et
φ(
) représente la fonction de densité de la loi normale (5).
Nous supposons ici une loi normale mais une autre distribution aurait pu convenir.
En particulier, si la distribution est dégénérée en un seul point, on recouvre le modèle logit
44
polytomique standard. Il est donc possible de tester l’IIA dans notre contexte plus général
de modélisation. Comme soutenu par Munizaga et Alvarez-Daziano (2002), étant donné
que la probabilité de choix du modèle logit mixte définie par l’équation (6) comporte des
intégrales, le ratio des probabilités entre deux alternatives ne peut plus dépendre seulement
des caractéristiques de ces alternatives mais plutôt de celles de l’ensemble des alternatives
incluses dans l’ensemble de choix. C’est pourquoi l’IIA ne tient pas, en général, dans le
cadre du logit mixte.
La probabilité de sélection Pnj définie par l’équation (6) est très difficile, voire
impossible, à calculer analytiquement contrairement à celles associées aux modèles logit
polytomique et logit emboîté. Nous faisons donc appel à une méthode de simulation afin de
l’approximer numériquement. Pour des valeurs de β et ∑ données, la méthode de
simulation consiste d’abord à tirer des valeurs, β nr , de β n à partir de sa fonction de densité
(5), pour r = 1,K, R . Pour chaque individu n = 1,K , N , la probabilité simulée est ensuite
calculée en faisant une moyenne des valeurs des fonctions de probabilités logistiques
standards de la forme (4) évaluées en chaque valeur de β nr ainsi produites :
1 R
~
Pnj = ∑ Λ j β nr . .
R r =1
(
)
(8)
Cette relation nous permet de construire la fonction de log-vraisemblance simulée
(LVS) spécifiée comme suit :
N
J
LVS = ∑∑ d nj ln P%nj ,
(9)
n =1 j =1
où d nj = 1 si l’individus n
choisit l’alternative j et d nj = 0 sinon. L’estimateur du
maximum de vraisemblance simulé (MVS) est la valeur des paramètres θ qui maximise la
fonction de LVS. Nous employons BIOGEME (BIerlaire’s Optimization toolbox for GEV
Models Estimation)15 pour procéder à cette optimisation. Sous certaines conditions de
régularité,
l’estimateur
du
MVS
est
convergent
et
possède
une
distribution
asymptotiquement normale. Par ailleurs, les travaux de Hajivassiliou et Ruud (1994)16 ont
15
Le lecteur intéressé par la littérature sur BIOGEME pourra consulter le site du professeur Bierlaire à
l’adresse suivante : http://transp-or.epfl.ch/page63023.html.
16 Les travaux de Gourieroux et Monfort (1996) et Lee (1992) traitent de la qualité de l’estimateur du MVS.
45
établi que si le nombre de tirages est suffisamment grand ( R → ∞ ), l’estimateur du MVS
est équivalent à celui du maximum de vraisemblance qui, quant à lui, est convergent,
paramétriquement invariant et asymptotiquement efficace.
Mentionnons toutefois que la méthode d’estimation décrite précédemment n’est pas
la seule qui puisse être envisagée. Alternativement, des estimations pourraient être obtenues
par maximum de vraisemblance simulée non-paramétrique (MVSNP). Il s’agit d’une
nouvelle classe d’estimateurs utilisée dans certains travaux, notamment ceux d’Altissimo et
Mele (2004) et Salanié et al. (2004). Très récente, la méthode du MVSNP permettrait de se
soustraire aux hypothèses distributionnelles imposées par la méthode du MVS aux
paramètres β n (loi normale) et aux termes d’erreur ε nj (distribution Gumbel) qui
pourraient s’avérer trop restrictives dans certains cas. Selon Altissimo et Mele (2004), les
estimations du MVSNP ne sont pas très éloignées de celles du maximum de vraisemblance
puisque les deux estimateurs sont asymptotiquement équivalents.
Une autre façon simple d’estimer le modèle logit mixte serait d’avoir recours à des
techniques bayésiennes d’échantillonnage qui permettent également de se soustraire de
certaines hypothèses distributionnelles (Bastin, 2004; Scott, 2005; Train, 2003).
L’application de la méthode bayésienne introduit toutefois elle aussi ses propres hypothèses
distributionnelles puisqu’elle exige qu’on spécifie les lois a priori des paramètres du
modèle pour en inférer les distributions jointes a posteriori.
5.2. Modèle logit mixte en panel
Dans la présente sous-section, nous commençons par décrire comment le modèle
logit mixte en panel permet de prendre en considération l’aspect de répétitions présent dans
des données longitudinales. Nous discutons ensuite de la manière d’introduire, dans ce
contexte de modélisation très général, une certaine corrélation entre les différentes réponses
d’un même individu.
5.2.1 Description du modèle
Nous postulons une fonction d’utilité aléatoire comme celle décrite à la sous-section
précédente. À la différence de celle-ci, toutefois, nous introduisons ici une notation
46
spécifique aux quatre questions qui font de notre ensemble de choix un ensemble de choix
répétés :17
(10)
U njq = X njq β n + ε njq ,
où U njq représente l’utilité que retire l’individu n (pour n = 1,K , N ) de la technologie de
transport j (pour j = 1, K , J ) en situation de choix q = 1, 2, 3, 4 (l’ensemble des quatre
questions concernant les choix technologiques) et X njq est un vecteur comprenant les
attributs propres à la technologie j tels que présentés à la question q ainsi que les
caractéristiques socioéconomiques de l’individu n et de son ménage. Contrairement à ce
qui est permis dans le contexte du modèle logit standard, les valeurs admissibles du vecteur
de paramètres β n , associé au vecteur X njq peuvent, comme à la sous-section 5.1, varier
d’un individu à l’autre.
Sous l’hypothèse que les termes d’erreur, ε njq , sont indépendamment et
identiquement distribués suivant une loi Gumbel et conditionnellement à β n , la probabilité
que l’individu n fasse la séquence de choix
{j ,K, j } peut s’écrire sous la forme d’un
1
Q
produit de fonctions logistiques standards comme suit :
4
f njQ (β ) = ∏
q =1
exp(X njq β n )
∑
exp(X niq β n )
i =1
J
,
(11)
La probabilité inconditionnelle est une intégrale de ce produit sur l’ensemble des valeurs
admissibles de θ :
Pnj = ∫ f njQ (β )φ (β | θ )dθ .
(12)
Finalement la seule différence entre un logit mixte où l’on tient compte des
répétitions et un logit mixte où l’on traite les répétitions comme de simples observations
(section 5.1) est que la fonction à intégrer implique un produit des fonctions logistiques
standards plutôt qu’une seule de ces fonctions. Le logit mixte en panel est donc une
17
Dans le modèle logit mixte standard de la sous-section 5.1, l’indice n correspond en fait à une
observation plutôt qu’à un individu puisque le terme individu ne convient pas dans un ensemble de choix
répétés.
47
généralisation du logit mixte simple qu’on recouvre lorsque Q=1, c’est-à-dire lorsqu’une
seule question est posée à chaque répondant. La probabilité du logit mixte en panel est
simulée de façon similaire à celle pour un logit mixte simple. L’expression logistique est
calculée pour chaque individu et pour chacune des questions qui lui sont posées, et le
produit de ces logits est ensuite compilé pour chacun des individus. Ce processus est répété
un grand nombre de fois et les valeurs moyennes des tirages sont retenues à titre
d’estimations des paramètres.
5.2.2 Effets aléatoires individuels
Dans notre modèle, on aimerait pouvoir prendre en compte le fait que les différentes
réponses d’un même individu risquent d’être corrélées entre elles. Les caractéristiques
observables du répondant et de son ménage qui sont susceptibles d’affecter ses choix
peuvent être pris en considération explicitement dans la spécification du modèle. Si on
disposait de suffisamment de variabilité dans notre échantillon, par exemple si on posait
aux répondants la même question un très grand nombre de fois de sorte que Q (le nombre
de questions) devenait supérieur à N (le nombre d’individus), on pourrait aussi ajouter au
modèle un effet fixe propre à chaque individu pour tenir compte de ses caractéristiques non
observables qui sont également susceptibles d’influencer ses décisions. Dans le présent
contexte, un effet fixe est une variable indicatrice qui identifie la personne ayant fait le
choix. Pour des raisons de faisabilité comptable, il est toutefois impossible d’estimer un tel
modèle comportant un si grand nombre d’effets fixes dans le présent cas.
Quoiqu’il en soit, il est tout de même possible, grâce au logiciel BIOGEME,
d’introduire des effets aléatoires individuels dans la spécification du modèle logit mixte
lorsque des données de panel sont employées (Bierlaire, 2005). Ces effets aléatoires varient
seulement à travers les individus, et non pas à travers les observations. Il s’agit donc
d’effets spécifiques qui ne changent pas à travers les différentes réponses d’un même
individu. Contrairement aux effets fixes, ces effets spécifiques individuels sont de nature
aléatoire cependant.18 Plus précisément, si nous supposons que ces effets qui mesurent la
corrélation entre les différentes réponses d’un même individu diffèrent d’un individu à
18
Le lecteur intéressé par l’introduction des effets fixe et aléatoire dans les modèles non-linéaires
consultera avec profit le travail de Greene (2001).
48
l’autre mais qu’ils possèdent une même distribution. En l’occurrence, en leur attribuant une
distribution normale, laquelle possède deux paramètres principaux (moyenne et variance),
nous sommes capables d’estimer ces paramètres.
Les formules suivantes présentent une formulation du modèle tenant compte des
effets aléatoires individuels. En termes de modélisation, nous pouvons définir la fonction
d’utilité indirecte suivante :
U njq = X njq β n + vn + ε njq ,
(13)
où vn représente l’effet aléatoire propre à l’individu n , pour n = 1,K , N , et les autres
variables sont définies comme précédemment. Sous l’hypothèse que ces termes aléatoires
sont identiquement et indépendamment distribués suivant une loi normale :
ν n ~ N ( µ, s2 ) ,
(14)
il devient alors possible de tirer des valeurs de vn , étant donnés µ et s 2 , conjointement à
celles de β n lors de la simulation.
La probabilité ainsi simulée est donnée par l’expression suivante :
1 R 4
~
Pnj = ∑∏ Λ j | β nr ,ν nr .
R r =1 q =1
(
)
(15)
La log-vraisemblance simulée fondée sur cette probabilité est donnée par la formule :
N
J
LVS = ∑∑ d nj ln P%nj .
(16)
n =1 j =1
L’estimation du MVS procède comme auparavant en maximisant cette fonction par rapport
aux paramètres estimables de β , µ , s 2 et Σ .
5.3. Identification du modèle
Les MCD doivent respecter des conditions particulières afin qu’on puisse estimer
leurs paramètres. Train (2003) résume ces conditions en deux points :
a) « seules les différences d’utilité comptent » et
49
b) « l’échelle de l’utilité est arbitraire ».
Le premier point réfère au fait qu’un modèle probabiliste peut toujours être exprimé
en déviation par rapport à l’une des alternatives. Dans le présent cas, nous adoptons la
technologie standard comme catégorie de référence puisqu’on cherche à déterminer
comment se comparent les technologies vertes à celle-ci. Ainsi, dans un modèle
dichotomique, on n’analysera que la probabilité de succès ou la probabilité d’échec, mais
pas les deux à la fois. En effet, sachant l’une de ces probabilités, on peut en déduire l’autre
puisque la somme de ces probabilités est toujours égale à 1. Le même constat s’applique
aux modèles polytomiques : sachant les probabilités de choisir n’importe quelle des J-1
premières alternatives, on peut en déduire la probabilité de sélectionner la dernière comme
étant égale à : Pnj = 1 − ∑i =1 P ni .
J −1
Le second point fait référence au fait qu’une fonction d’utilité est ordinale et non
cardinale. En d’autres termes, n’importe quelle transformation monotone croissante de la
fonction d’utilité n’aura aucun impact sur les probabilités de choix. Par exemple, multiplier
l’utilité par une constante ne change pas le classement ordinal des alternatives. Une infinité
de valeurs de cette utilité mènera donc au même classement ordinal des technologies. De
même, le carré de l’utilité produira le même classement des valeurs d’utilité associées à
chacune des alternatives et n’aura donc pas d’effet sur leur probabilité de sélection
respective.
Les propriétés intrinsèques des MCD ont plusieurs implications en termes
d’identification de leurs paramètres. Les deux prochaines sous-sections décrivent les
contraintes imposées à la forme des paramètres des MCD afin de pouvoir les estimer.
5.3.1 Contraintes sur la forme des paramètres
Une autre façon de présenter la première propriété des MCD et de réécrire la
probabilité de sélectionner l’alternative j de la façon suivante :
Pnj = Pr{U nj > U ni , ∀ i ≠ j} = Pr{U nj − U ni > 0, ∀ i ≠ j}.
(17)
En conséquence, cette probabilité ne dépend que de la différence entre les niveaux d’utilité
et non de leurs valeurs individuelles. Si on additionne la même constante à chaque niveau
50
d’utilité, les probabilités de choix demeureront inchangées puisque cette différence restera
la même.
Suivant cette propriété, le modèle doit donc être interprété en déviation par rapport à
l’une des alternatives. Il s’ensuit que seuls les paramètres du modèle qui capturent des
différences entre les alternatives peuvent être estimés :
•
Des constantes spécifiques à chacune des alternatives peuvent être spécifiées
dans les fonctions d’utilité d’au plus J-1 alternatives ;
•
Les caractéristiques socioéconomiques de l’individu et de son ménage qui ne
varient pas en fonction des alternatives ne peuvent être incluses dans le modèle
que si on leur associe des coefficients spécifiques à chacune des alternatives
sauf une (qui, dans notre cas, est le véhicule standard) ou si elles sont
transformées pour offrir une certaine variabilité en fonction des alternatives ;19
•
Pourvu qu’ils démontrent une certaine variabilité, les attributs des alternatives
peuvent être inclus dans la spécification du modèle de façon générique ou
spécifique aux alternatives.
À titre illustratif, considérons le modèle logit polytomique standard simple à quatre
alternatives suivant :
U n1 = α 1 + X n1 β 1 + ε n1
U n2 = α 2 + X n2 β 2 + ε n2
U n3 = α 3 + X n 3 β 3 + ε n 3
(18)
U n4 = α 4 + X n4 β 4 + ε n4
Pour éviter une multicolinéarité parfaite entre elles, seules J − 1 constantes sont estimables.
L’une d’entre elles doit donc être omise. Il est d’usage en pratique d’éliminer celle de
l’alternative servant de référence. Par exemple, si l’alternative 1 représente la référence (le
véhicule standard), on posera donc α 1 = 0 . Précisons que la constante qui est spécifique à
19
Par exemple, en divisant le prix du véhicule par le revenu, on introduit une variabilité en fonction des
alternatives. Ce ratio peut alors entrer de façon générique dans la spécification d’un MCD, c’est-à-dire
qu’un même coefficient peut être attribué à cette variable dans l’ensemble des alternatives.
51
chaque alternative capture ici l’effet moyen sur l’utilité des facteurs qui ne sont pas inclus
dans le modèle, relativement à ceux de la première alternative.
Supposons pour simplifier les choses davantage que k=2, de sorte que les X nj sont
des scalaires représentant une seule et même variable. Si cette variable se rapporte aux
caractéristiques des alternatives, on peut supposer que β 1 = β 2 = β 3= β 4 = β pour que la
variable X nj affecte tous les niveaux d’utilité de façon identique (effet générique) tout
comme il est possible de supposer que les β j sont différents et que chacun a un effet
propre qui est spécifique à l’alternative j . Par contre, si X nj = X n représente une
caractéristique de l’individu n qui ne varie pas en fonction des alternatives, alors il faut
absolument spécifier β1 ≠ β 2 ≠ β 3≠ β 4 pour pouvoir estimer son effet sur la probabilité de
sélectionner chacune des alternatives. De plus, comme dans le cas des constantes, il faut
imposer une valeur nulle à l’un des β j pour pouvoir estimer les autres. On impose
habituellement cette contrainte sur l’alternative de référence de sorte que β 1 = 0 .
Plus précisément, la première fonction d’utilité ne pourra être estimée puisqu’elle
sert de référence dans le modèle en différences qui peut s’exprimer comme suit :
U n 2 − U n1 = α 2 − α1 + X n 2 β 2 − X n1β1 + ε n 2 − ε n1
U n 3 − U n1 = α 3 − α1 + X n 3 β3 − X n1β1 + ε n 3 − ε n1 .
(19)
U n 4 − U n1 = α 4 − α1 + X n 4 β 4 − X n1β1 + ε n 4 − ε n1
On peut voir dans ce modèle que si α 1 ≠ 0 , les constantes α j ne sont pas identifiées;
seules leurs différences, α j − α 1 , le sont. De même, si X n1 = X n 2 = X n3 = X n 4 = X n de
sorte que la variable en question ne dépend pas de l’alternative considérée, alors il faut que
les β j soient différents pour qu’on puisse estimer la différence β j − β 1 . Dans le cas
contraire, les termes en X nj s’annulent complètement.
Les estimations des paramètres du MCD doivent donc être interprétées relativement
à la catégorie de référence. Par exemple, si X nj représente le prix du véhicule hybride j ,
alors l’estimation de β j − β 1 sera interprétée comme l’effet du prix du véhicule hybride sur
l’utilité qu’on retire de ce véhicule par rapport à celle qu’on retirerait d’un véhicule
52
standard. Si X nj symbolise plutôt une variable socioéconomique continue propre à
l’individu n , l’interprétation de son effet sur l’utilité est généralement similaire. Si
toutefois X nj fait partie d’un ensemble de variables catégoriques, comme par exemple des
indicateurs du sexe ou de la catégorie d’âges des répondants, alors l’interprétation de son
effet sur l’utilité devient plus complexe. En effet, dans ce cas-ci, une des variables
indicatrices devant être exclues du modèle pour éviter la multicolinéarité parfaite entre
elles, l’interprétation doit alors se faire en doubles différences, à la fois par rapport à la
catégorie qui est exclue (par exemple les hommes) et à l’alternative de référence (le
véhicule standard). À titre illustratif, on interpréterait donc le coefficient attribué aux
femmes figurant dans la fonction d’utilité associée au véhicule hybride comme l’effet sur
cette utilité, relativement à celle associée au véhicule standard, d’être une femme plutôt
qu’un homme.
Les règles d’identification décrites précédemment, de même que la manière
d’interpréter les paramètres du modèle, s’appliquent aussi au modèle logit mixte bien
qu’elles aient été discutées dans le contexte simplifié du modèle logit polytomique
standard. Un problème additionnel lié à l’identification des paramètres du logit mixte est
celui de l’instabilité des paramètres. En effet, certains auteurs, notamment Train (2003), ont
établi que si le nombre de tirages utilisés dans la méthode du MVS n’est pas suffisamment
grand, les paramètres peuvent paraître identifiés alors qu’en réalité, la méthode
d’estimation ne converge pas. Cela se manifeste par une instabilité de la valeur des
paramètres qui change avec le nombre de tirages. Chiou et Walker (2007) ont montré que
pour un seul tirage, le logit mixte et le logit polytomique standard donnent des résultats
identiques. Plusieurs auteurs conviennent que 1000 séquences de Halton (tirages) suffisent,
dans biens des cas, à obtenir des estimations stables des paramètres.
5.3.2 Normalisation de l’échelle de l’utilité
Une manière équivalente de présenter la seconde propriété est de la façon suivante.
Il est important de constater qu’un modèle spécifié en attribuant une densité jointe aux
termes d’erreur ε n = (ε n1 ,K , ε nJ ) , comme ceux figurant en (18), est équivalent à un autre
modèle spécifié en termes des différences d’erreurs ε~njk = ε nj − ε nk , comme ceux
53
apparaissant dans le système d’équations (19). Il s’ensuit qu’un MCD n’est identifié que si
on procède a priori à une normalisation de la fonction de densité de ses termes d’erreurs.
Puisque « l’échelle absolue de l’utilité est arbitraire » (Train, 2003), il faut la fixer.
Différentes méthodes ont été proposées pour ce faire.
Dans le cadre d’un modèle logit polytomique standard, une façon courante de
procéder est de fixer l’échelle de la variance du terme d’erreur du modèle. Puisque
multiplier l’utilité par une constante revient à multiplier la variance du terme d’erreur par le
carré de cette constante, fixer la variance du terme d’erreur est équivalent à fixer l’échelle
de l’utilité. Par convention, la variance du terme d’erreur du modèle logit polytomique est
généralement fixée à Var (ε in ) = π 2 / 6 , ce qui permet de comparer ses résultats à ceux du
modèle probit. La formulation du modèle logit polytomique standard devient alors :
β
U nj = X nj 
σ

π 2 
6 
+ ε nj .
(20)
Pour le modèle logit mixte simple décrit à la section 5.1, on peut faire les
développements suivants :
U nj = X nj β n + ε nj = X nj ( β + ΓTn ) + ε nj = X nj β + X nj ΓTn + ε nj
(21)
où β n ~ NMV ( β , Σ ) , ΓΓ ' = Σ , Tn ~ N ( 0, I 4 ) . La variance du terme d’erreur composite est
donnée par l’expression suivante :20
ϖ 11
ϖ
2
(
)
Var X nj ΓTn + ε nj = X ' ΣX + σ I 4 = Φ =  12
ϖ 13

ϖ 14
20
ϖ 12
ϖ 22
ϖ 23
ϖ 24
ϖ 13
ϖ 23
ϖ 33
ϖ 34
Nous avons considéré une structure hétéroscédastique qui est plus générale.
ϖ 14 
ϖ 24 
.
ϖ 34 

ϖ 44 
(22)
54
Puisque seules les différences d’utilité importent, on peut construire la matrice de
variance-covariance du modèle en différence équivalent au modèle (21). Celle-ci est
représentée par la matrice :
ϖ 11 + ϖ 23 − ϖ 12 − ϖ 13 ϖ 11 + ϖ 24 − ϖ 12 − ϖ 14 
 ϖ 11 + ω 22 − 2ϖ 12
~ 
ϖ 11 + ω 33 − 2ϖ 13
ϖ 11 + ϖ 34 − ϖ 13 − ϖ 14  .
Φ = ϖ 11 + ϖ 23 − ϖ 12 − ϖ 13
ϖ 11 + ϖ 24 − ϖ 12 − ϖ 14 ϖ 11 + ϖ 34 − ϖ 13 − ϖ 14
ϖ 11 + ω 44 − 2ϖ 14 
(23)
Un rapide examen des éléments de cette matrice (23) permet d’affirmer qu’il n’est
pas suffisant de fixer la valeur d’un élément ϖ ij de la matrice de variance-covariance
originale (22) pour pouvoir en déduire les autres. Une manière communément employée
pour normaliser la matrice de variance-covariance du modèle en différences (23) est de
fixer la valeur d’un de ses éléments à une valeur arbitraire, disons 1. Cette matrice devient
alors :
1

~ 
Φ = (ϖ 11 + ϖ 23 − ϖ 12 − ϖ 13 ) / m
(ϖ 11 + ϖ 24 − ϖ 12 − ϖ 14 ) / m
(ϖ 11 + ϖ 23 − ϖ 12 − ϖ 13 ) / m (ϖ 11 + ϖ 24 − ϖ 12 − ϖ 14 ) / m
(ϖ 11 + ω 33 − 2ϖ 13 ) / m (ϖ 11 + ϖ 34 − ϖ 13 − ϖ 14 ) / m  ,
(ϖ 11 + ϖ 34 − ϖ 13 − ϖ 14 ) / m (ϖ 11 + ω 44 − 2ϖ 14 ) / m 
où m = ϖ 11 + ϖ 22 − 2ϖ 12 .
Inspirée de Train (2003), cette normalisation revient à diviser l’utilité par
(24)
m.
Puisqu’elle est symétrique, la matrice de variance-covariance qui précède comporte
uniquement J ( J − 1) 2 − 1 paramètres à estimer. Cette réduction du nombre de paramètres
de la variance-covariance n’est pas une restriction mais plutôt une normalisation qui
élimine ses paramètres de nuisance. Il est intéressant de retenir qu’en présence d’une
structure hétéroscédastique, normaliser l’un des éléments de la covariance n’est pas
suffisant pour fixer l’échelle de l’utilité. La procédure de normalisation dépend donc
généralement de la structure d’erreurs adoptée.
5.4. Tests diagnostiques et choix de modèle
Dans le cadre du modèle logit polytomique standard, le test statistique développé
par Hausman et McFadden (1984) permet de vérifier si l’IIA est valide ou non. Rappelons
que l’IIA implique que la probabilité de choisir entre deux alternatives ne dépend que des
55
caractéristiques de ces alternatives et non de celles de tierces alternatives. En conséquence,
enlever ou ajouter une alternative à l’ensemble de choix ne devrait pas modifier le ratio des
probabilités associées aux alternatives qui y sont déjà représentées. C’est précisément
l’intuition derrière le test de spécification de Hausman et McFadden qui procède comme
suit.
Il s’agit d’estimer un model logit standard (modèle non contraint) en considérant
l’ensemble des choix disponibles pour ensuite estimer une version contrainte du modèle de
laquelle une des alternatives a été retirée. Si β n représente le vecteur des paramètres du
modèle non contraint qui appartiennent également au modèle contraint et si β c indique le
vecteur des paramètres du modèle contraint, le test de Haussman et McFadden consiste à
vérifier si ces deux vecteurs de paramètres présentent des différences systématiques. Les
hypothèses du test sont :
H 0 : β n = β c
.

H1 : β n ≠ β c
(25)
La justification du test est que si ces vecteurs de paramètres diffèrent sensiblement, il en
sera de même pour les probabilités de sélection.
Sous l’hypothèse nulle, H 0 , la statistique de test est donnée par :
) [ ( ) ( )] (βˆ − βˆ ) ~ χ (r ) ,
(26)
r est le rang de la matrice [Var (βˆ ) − Var (βˆ )] . Si la statistique calculée est supérieure
(
HF = βˆ n − βˆ c ' Var βˆ n − Var βˆ c
où
−1
2
n
c
−1
n
c
à sa valeur tabulaire, on rejette l’hypothèse nulle d’égalité des paramètres et en
conséquence, l’IIA est violée. Le modèle logit polytomique standard est alors inapproprié
et il est préférable d’adopter une formulation plus générale, comme par exemple celle
offerte par le logit mixte (logit à paramètres aléatoires), pour représenter le phénomène
étudié.
Un test du rapport de vraisemblance (LR) peut quant à lui être employé pour
comparer des modèles emboîtés, c’est-à-dire des modèles dont l’un est obtenu à partir de
l’autre en imposant certaines restrictions. Le test LR pourrait donc être utilisé pour
contraster les modèles logit standard et logit mixte et ainsi comparer les spécifications à
56
paramètres fixes et aléatoires. De façon générale, la statistique LR pour une comparaison
entre un modèle contraint et un modèle non contraint est donnée par :
LR = 2(Ln − Lc ) ~ χ 2 (K n − K c ) ,
(27)
où Ln et Lc désignent la valeur de la fonction de vraisemblance à l’optimum pour les
modèles non contraints et contraints respectivement tandis que K n et K c représentent leur
nombre de paramètres respectifs. En pratique, le test LR est une statistique très populaire
puisqu’elle est facile à calculer et invariante à une reparamétrisation du modèle.
Pour comparer deux spécifications d’un même modèle, il est aussi possible
d’utiliser un critère de parcimonie comme le critère d’information Bayésien :
BIC = −2 × log( L) + 2 × K × log( N ) ,
où log( L) représente la log-vraissemblance du modèle à l’optimum, K est le nombre de
paramètres estimés et N est la taille de l’échantillon. La plus faible valeur du BIC
correspondant au meilleur ajustement. Ce critère permet de comparer deux spécifications en
tenant compte du fait qu’elles peuvent comporter des nombres de paramètres à estimer et
des tailles d’échantillon différents.
5.5. Paramètres comportementaux du SCMI
Dans le SCMI, les coûts associés aux technologies qui déterminent leur part de
marché respective se divisent en trois catégories : (i) le taux d’escompte privé, (ii) l’indice
d’hétérogénéité du marché et (iii) les coûts intangibles. La première catégorie est associée
au taux de préférence pour le temps. Elle réfère au risque relié à l’adoption d’une nouvelle
technologie. Les agents économiques peuvent en effet avoir intérêt, ou retirer une certaine
«valeur d’option», à attendre d’avoir plus de renseignements avant d’investir dans une
nouvelle technologie. Le taux d’escompte privé mesure le coût d’opportunité entre investir
maintenant dans une nouvelle technologie (coût en capital) en vue de bénéfices futurs (par
exemple, en termes d’économies de carburant) ou reporter l’investissement à plus tard. La
seconde catégorie de coûts se rapporte au fait que des technologies fournissant le même
service énergétique peuvent être perçues comme des substituts imparfaits aux yeux de
différents agents économiques. L’indice d’hétérogénéité du marché mesure cette différence
57
dans les préférences des consommateurs. La troisième catégorie de coûts comprend les
coûts non financiers reliés, entre autres, à la recherche d’information concernant les
technologies disponibles sur le marché. Ces coûts intangibles peuvent varier à la fois en
fonction de la technologie concernée et des aptitudes des individus à rechercher de
l’information à son sujet.
Ces trois facteurs constituent les paramètres comportementaux du SCMI que nous
cherchons à évaluer. Tout comme dans le cadre du modèle logit polytomique standard
(Horne, Jaccard et Tiedemann, 2005), des estimations de ces paramètres peuvent être
obtenues à partir des estimations du modèle logit mixte. Pour ce faire, exprimons la
fonction d’utilité aléatoire sous forme d’un modèle logit à composantes d’erreurs de la
façon suivante :
U nj = α + β CC CC j + β FC FC nj + H nj β H + η nj , pour n = 1,K , N
(28)
où CC j représente le coût en capital de la technologie j , FC nj dénote le coût d'opération
du véhicule j en cents/km, et les facteurs non monétaires relatifs au choix du véhicule j
sont regroupés dans un vecteur de variables non monétaires H nj , de dimension 1xM . Les
scalaires β CC et β FC , de même que le vecteur β H , de dimension Mx1 , sont les paramètres
associés à ces trois composantes des coûts.
Ainsi, comme dans le cadre méthodologique du modèle logit polytomique standard,
on peut dériver les valeurs des paramètres des coûts intangibles, i j , qui est la composante
non financière du coût de la technologie j , et celle du taux d’escompte privé, rp , à partir
des formules suivantes :
ij =
1
N
βH
∑β
* H , et
(29)
FC
−T β
rp = 1 − (1 + rp )  CC ,

 β
FC
(30)
où T représente la durée de vie escomptée d’un véhicule automobile. À ce niveau, il est
important de préciser que les deux paramètres monétaires, β CC et β FC , sont estimés à la
moyenne dans le calcul des paramètres comportementaux. Autrement dit, on ne tient pas
58
compte des effets aléatoires associés à ces paramètres dans l’estimation des paramètres
comportementaux. β H représente les paramètres non monétaires.
En supposant une durée de vie infinie, le taux d’escompte est simplement donné par
le ratio :
rp =
β cc
.
β Fc
(31)
Bien entendu, ces valeurs différeront de celles obtenues par l’estimation d’un logit
polytomique standard puisqu’elles sont plutôt estimées par MVS pour une formulation logit
mixte. De manière similaire à la méthode utilisée pour le logit polytomique standard, la
valeur du paramètre d’hétérogénéité du marché, ν , pourra éventuellement être déterminée
en égalisant la part de marché désagrégée pour la technologie j , telle qu’estimée pour notre
modèle logit mixte, à la part agrégée correspondante, MS j , calculée grâce au SCMI :
−ν



rp
 + FC + i 
 CC j ×
j
j
−T
1 − (1 + r p ) 


1 N ~
~
Pj = ∑ Pnj =
= MS j .
−ν
N n =1


J


rp

 + FC + i  
 CC i ×
∑
i
i
−T
1 − (1 + rp ) 
 
i =1  


(32)
Notons que dans le cadre du modèle logit mixte, le paramètre d’hétérogénéité du
marché prend tout son sens puisque ce modèle admet de l’hétérogénéité dans les
préférences des consommateurs. Plus le marché est homogène, c'est-à-dire plus ν est élevé,
plus la technologie ayant les coûts les plus bas, ceteris paribus (sans changement dans les
éléments non monétaires et non observés), aura une part de marché élevée (Horne, 2003;
Rivers et Jaccard, 2005).
59
6. Résultats
Cette section présente les résultats de l’analyse économétrique après avoir
brièvement discuté de la spécification adoptée pour notre modèle. Nous comparons les
estimations des modèles logit polytomique standard, logit mixte simple et logit mixte en
panel afin de déterminer quel est le modèle le mieux adapté à l’analyse de nos données.
Une fois adoptée la formulation du modèle, nous effectuons quelques simulations afin de
déterminer l’effet des principaux déterminants sur le choix technologique. Nous présentons
également des estimations des paramètres comportementaux du SCMI, ainsi que de la
volonté à payer des consommateurs canadiens pour certains attributs non-monétaires des
véhicules automobiles.
6.1 Spécification du modèle
C’est à expliquer le choix entre les quatre types de technologies de transport
présentés aux répondants dans l’enquête du EMRG que s’intéresse notre analyse empirique.
Les principaux facteurs pouvant influencer le choix technologique qui ont été identifiés lors
de notre revue de littérature et qui sont répertoriés à la sous-section 2.2 sont inclus dans la
spécification du modèle. En plus des caractéristiques financières et physiques des véhicules
(comme le coût en capital, le coût en carburant, la disponibilité du carburant, la puissance
du moteur et de l’accès qui leur est réservé aux voies express), certaines caractéristiques
des individus et de leur ménage qui sont également susceptibles d’influencer leur choix de
véhicule sont également prises en compte. Cependant, il n’est pas clair, à première vue, que
les facteurs explicatifs du choix de technologie soient les mêmes que ceux qui déterminent
le choix d’un véhicule en particulier. Entre autres, des considérations environnementales
sont aussi susceptibles de jouer un rôle dans le choix d’une nouvelle technologie ou d’un
carburant de remplacement.
Parmi les variables dérivées des données d’enquête, on soupçonne que des
caractéristiques du répondant, comme par exemple l’âge, le sexe et le niveau d’éducation,
puissent affecter ses préférences en la matière. De même, certaines caractéristiques du
ménage auquel il appartient, dont son lieu de résidence, son niveau d’aisance (déterminé
60
soit par son niveau de revenu ou par le type d’habitation dans laquelle il demeure) et le
nombre de véhicules à sa disposition pourraient influencer le choix du répondant. Enfin, on
pourrait penser à inclure dans la spécification du modèle des variables rendant compte des
besoins de mobilité du répondant, de même que des indicateurs du degré d’accessibilité et
de la qualité du système de transport en commun à sa disposition.
La sélection des variables explicatives à inclure dans la spécification du modèle est
donc inspirée de la revue de littérature d’études connexes réalisée au chapitre 2. Elle la
complémente toutefois en ne se limitant pas nécessairement qu’à ces variables. Comme il a
été illustré à la section 4 présentant la base de données, l’enquête du EMRG fournit une
information très riche et complète sur les répondants, leurs ménages, leurs choix en matière
de transport personnel et leurs habitudes de travail et de déplacements que nous désirions
exploiter pleinement. Les diverses spécifications envisagées pour la fonction d’utilité du
logit mixte ont d’abord été testées à l’aide de formulations plus simples des MCD telles que
le logit polytomique standard.
Dans la spécification du modèle retenue, l’utilité que retire l’individu n (pour
n = 1,K , N ) de la technologie j (pour j = 1, K,4 ) est fonction du coût en capital ( CC nj )
de la technologie j tel que perçu par l’individu n , du coût mensuel des dépenses en
carburant ( FC nj ) associé à son usage, de l’accès aux voies express réservé à ce type de
véhicule ( EXPnj ), de la puissance du moteur ( POWnj ), du degré de disponibilité du
carburant utilisé par la technologie ( FAnj ), de certaines caractéristiques individuelles ( H n )
et d’une constante spécifique à l’alternative j :
U nj = α j + β CC CC nj + β FC FC nj + β EXP EXPj + β POW POWnj + β FA FAnj + β Hj H n + η nj ,
(33)
où η nj représente un terme d’erreurs composées dans le cas d’un logit mixte ou un terme
d’erreur simple de loi Gumbel dans le cadre d’un modèle logit standard.
61
Plus précisément, en se basant sur les conditions d’identification décrites à la soussection 5.3 et certaines particularités des données, on a établi que notre modèle prend la
forme suivante :
U n1 =
βCC CCn1 + β FC FCn1 + ηn1
U n 2 = α 2 + βCC CCn 2 + β FC FCn 2 + β EXP EXPn 2 + β POW POWn 2 + β FA FAn 2 + CI n βCI 2 + η n 2
(34)
U n 3 = α 3 + βCC CCn 3 + β FC FCn 3 + β EXP EXPn 3 + β POW POWn 3
+ CI n βCI 3 + η n3
U n 4 = α 4 + βCC CCn 4 + β FC FCn 4 + β EXP EXPn 4 + β POW POWn 4 + β FA FAn 4 + CI n βCI 4
En plus des exclusions requises par les conditions d’identification, notons que seuls les
attributs financiers sont inclus dans la spécification du véhicule standard puisque les autres
attributs se définissent en comparaison à ce type de véhicule. Ainsi, par exemple, la
puissance des technologies vertes est établie par rapport à celle du véhicule standard. De
même, la variable mesurant la disponibilité du carburant est exclue de l’utilité de la
troisième alternative puisqu’il s’agit du véhicule hybride. Or, le véhicule hybride a besoin
du même type de carburant que le véhicule standard pour fonctionner et celui-ci est supposé
parfaitement accessible à tous.
Notre spécification du modèle probabiliste qui est estimée grâce à BIOGEME est
basée sur cette structure d’utilité aléatoire. Pour recouvrer la spécification employée par
Horne et al. (2005) afin d’analyser les mêmes données PD, il suffit d’exclure les
caractéristiques individuelles (i.e. le vecteur CI n ) du système d’équations (34). Il est aussi
intéressant de préciser, à la lumière de la littérature que nous avons pu consulter, les signes
attendus des paramètres que nous avons résumé dans le Tableau 5.1. Ce tableau souligne
simplement que nous nous attendons à ce que les coefficients du coût en capital et du coût
en carburant soient négatifs tandis ceux associés à la disponibilité du carburant, à la
puissance du moteur et à l’accès aux voies express devraient être positifs. Nous n’avons
aucun a priori sur les signes des coefficients associés aux caractéristiques individuelles.
62
Tableau 5.1 : Signes attendus de certains paramètres
Paramètres
Signes
β CC ~ coûts du capital
β FC ~ coûts du carburant
β FA ~ % de stations offrant le carburant utilisé par j
β EXP ~ accès aux voies express réservé à j
β POW ~ puissance du moteur
Négatif
Négatif
Positif
Positif
Positif
6.2 Résultats et interprétation des estimations
Dans cette partie, nous présentons d’abord, à titre de base comparative, des estimations
des modèles logit polytomiques standards basés sur deux spécifications concurrentes : celle
utilisée par Horne et al. (2005) dans une précédente étude des mêmes données d’enquête et
une version plus étoffée de celle-ci comprenant des caractéristiques individuelles, en plus
des attributs des véhicules, à titre de variables explicatives. Nous comparons ces deux
spécifications au moyen de tests statistiques et discutons de la pertinence d’inclure des
caractéristiques individuelles dans la modélisation du choix technologique. Nous testons
également la validité de l’IIA dans le présent contexte de PD et argumentons au sujet de la
pertinence d’avoir recours à des versions plus flexibles des MCD telles que le modèle logit
mixte. Les estimations du modèle logit mixte simple et du modèle logit mixte en panel sont
ensuite présentées et interprétées. Nous appliquons les tests diagnostiques décrits à la soussection 5.4 afin de sélectionner le modèle le plus approprié à l’étude de nos données et la
spécification du modèle la mieux adaptée à l’analyse des choix technologiques.
6.2.1 Estimations du modèle logit polytomique standard
Nous avons commencé par estimer le modèle logit polytomique standard qui,
comme nous l’avons vu dans la revue de littérature, est contraint par l’IIA. Dans un premier
temps, nous pensons améliorer ce premier modèle adopté par Horne et al. (2005) en
introduisant des caractéristiques individuelles dans sa spécification.21 Le tableau 6.2.1
21
Contrairement à Horne et al. (2005), nous adoptons le véhicule standard comme catégorie de référence
afin de pouvoir mieux contraster et interpréter nos résultats en référence aux énergies fossiles.
63
présente en parallèle les résultats de ces estimations. En comparant les estimations des deux
modèles logit polytomique standard, nous constatons que les coefficients des attributs des
véhicules sont significatifs de part et d’autre et ont les signes attendus. De plus, les
estimations de ces paramètres sont généralement similaires dans les deux spécifications.
Une exception à cette règle prévaut toutefois pour l’estimation du coefficient associé au
coût du carburant (CC) qui est plus grand (en valeur absolue) dans notre formulation que
dans la spécification originale de Horne et al. (2005).
Plusieurs des variables représentant des caractéristiques socioéconomiques des
répondants et de leur ménage que nous avons ajoutées à la spécification originale ont un
impact significatif sur le choix technologique. Par exemple, le sexe, l’âge et le niveau
d’éducation du répondant ainsi que son opinion face aux politiques visant à réduire les
émissions de GES ont une influence significative sur sa décision d’opter pour un type de
véhicule ou un autre. De même, le revenu du ménage, la taille et la composition de son parc
automobile ainsi que la province où il réside sont également susceptibles d’influencer son
choix.
Nous reportons l’interprétation des estimations des paramètres à l’analyse des
résultats de l’estimation de notre modèle logit mixte. Mentionnons toutefois que l’omission
de déterminants importants du choix technologique de la spécification du modèle peut
mener à des estimations biaisées et non convergentes. Ce premier exercice d’estimations est
donc utile puisqu’il nous assure, d’une part, que nous réussissons à reproduire avec une
certaine exactitude les résultats que Horne et al. (2005) ont obtenus à partir des mêmes
données et, d’autre part, nous indique qu’il semble y avoir place à amélioration de la
spécification originale. L’augmentation de la valeur de la log-vraisemblance évaluée à
l’optimum paraît confirmer cette seconde observation. Il faut cependant avoir recours aux
tests statistiques que nous avons introduits à la sous-section 5.4 pour s’en assurer.
64
Tableau 6.2.1 : Estimations du modèle logit polytomique standard
Variable explicative
Spécification de Horne et al.
Notre spécification
Attributs du véhicule
Coût en capital (CC)
-9,09E-5
(1.57E-3)**
-4,55E-3
(1.36E-1)**
1,17
(1.37E-1)**
0,16
(5.18E-2)**
2,22
(4.92E-1)**
-
-9,55E-03
(1,72E-3)*
-0,564
(1,45E-1)*
1,23
(1,52E-1)*
0,14
(5,75E-2)*
2,23
(5,42E-1)*
0,37
(2,14E-1)***
0,60
(1,31E-1)*
3,60
(1,37E-1)*
Réf.
-0,81
(4,70E-1)***
-0,90
(3,27E-1)*
-0,56
(3,53E-1)
-1,29
(4,72E-1)*
-1,27
(3,26E-1)*
-0,61
(3,51E-1)***
-0,85
(4,80E-1)***
-1,32
(3,37E-1)*
-0,75
(3,63E-1)**
Réf.
1,38
(6,31E-1)**
Coût du carburant (FC)
Disponibilité du Carburant (FA)
Accès aux voies express (EXP)
Puissance du moteur (POW)
Caractéristiques du répondant
Femme/gaz naturel
Femme/hybride
Femme/hydrogène
Âge du répondant
25 ans ou moins
De 26 à 40 ans/gaz naturel
De 26 à 40 ans /hybride
De 26 à 40 ans /hydrogène
De 41 à 55 ans/gaz naturel
De 41 à 55 ans /hydrogène
56 ans et plus/gaz naturel
56 ans et plus /hybride
56 ans et plus /hydrogène
Éducation du répondant
Inférieur à la 9e année
9e année/gaz naturel
----------------------------------------------
65
9e année/hybride
9e année/hydrogène
12e année/hybride
Post-secondaire/gaz naturel
Post-secondaire/hybride
Post-secondaire/hydrogène
Université/gaz naturel
Université/hybride
Université/hydrogène
Opinion envers la réduction
des GES
Favorable/gaz naturel
Favorable/hybride
Favorable/hydrogène
Revenu familial
20000$ ou moins
De 20001$ à 40000$/gaz naturel
De 20001$ à 40000$/hybride
De 20001$ à 40000$/hydrogène
De 40001$ à 60000$/hybride
----------------------------------------------------------------
1,57
(5,54E-1)*
1,68
(6,51E-1)*
-0,23
(5,45E-1)
1,45
(4,49E-1)*
1,05
(5,57E-1)***
-1,00
(5,41E-1)***
1,21
(4,39E-1)*
1,21
(5,46E-1)**
-0,20
(5,35E-1)
1,47
(4,43E-1)*
1,35
(5,48E-1)
0,14
(2,34E-1)
0,29
(1,44E-1)**
1,08
(1,60E-1*
Réf
0,18
(3,88E-1)
1,20
(2,55E-1)*
0,70
(2,71E-1)*
8,10E-2
(4,13E-1)
1,48
(2,56E-1)*
0,98
(2,70E-1)*
66
De 60001$ à 80000$/hybride
Plus de 80000$/gaz naturel
Plus de 80000$/hybride
Plus de 80000$/hydrogène
Province de résidence
Prairies
Colombie-Britannique/gaz
naturel
Colombie-Britannique/hybride
Colombie-Britannique/hydrogène
Ontario/gaz naturel
Ontario/hybride
Ontario/hydrogène
Québec/gaz naturel
Québec/hybride
Québec/hydrogène
Provinces atlantiques/gaz naturel
Provinces atlantiques/hybride
Provinces atlantiques/hydrogène
Taille du parc automobile
1 véhicule
2 véhicules/gaz naturel
2 véhicules/hybride
-------------------------------------------------------------------
0,91
(4,07E-1)**
1,53
(2,75E-1)*
1,03
(2,89E-1)*
0,14
(4,03E-1)
1,24
(2,57E-1)*
1,03
(2,71E-1)*
Réf.
1,05
(3,91E-1)*
0,35
(2,46E-1)
0,31
(2,55E-1)
0,53
(3,24E-1)
1,76E-2
(1,86E-1)
-2,79E-2
(1,93E-1
0,17
(3,48E-1)
-0,12
(1,96E-1)
-0,46
(2,07E-1)**
0,25
(4,51E-1)
0,25
(2,60E-1)
-2,71E-2
(2,74E-1)
Réf.
-0,93
(3,15E-1*
-0,14
(2,09E-1)
67
2 véhicules/hydrogène
Plus de 2 véhicules/gaz naturel
Plus de 2 véhicules/hybride
Plus de 2 véhicules/hydrogène
Véhicule le plus utilisé
Voiture sous-compacte
Voiture compacte/gaz naturel
Voiture compacte/hybride
Voiture compacte/hydrogène
Voiture intermédiaire/gaz naturel
Voiture intermédiaire/hybride
Voiture intermédiaire/hydrogène
Camionnette/gaz naturel
Camionnette/hybride
Camionnette/hydrogène
Fourgonnette/gaz naturel
Fourgonnette/hybride
Fourgonnette/hydrogène
Véhicule utilitaire sport/gaz
naturel
Véhicule utilitaire sport/hybride
Véhicule utilitaire
sport/hydrogène
Constantes du modèle
Constante/véhicule standard
Constante/gaz naturel
------------------------------------------------------------Réf.
-3,70
(4,87E-1)**
-8,34E-2
(2,18E-1)
-0,23
(3,02E-1)
0,24
(2,06E-1)
0,18
(2,14E-1)
Réf.
-8,10E-3
(2,65E-1)
-8,34E-2
(1,64E-1)
-6,50E-2
(1,73E-1)
-0,23
(3,60E-1)
-0,14
(2,25E-1)
-0,57
(2,48E-1)**
-0,38
(4,30E-1)
-1,32
(2,79E-1)*
-0,73
(2,86E-1)*
3,53E-2
(3,57E-1)
4,38E-2
(2,22E-1)
0,42
(2,27E-1)*
-0,61
(4,44E-1)
-0,51
(2,35E-1)**
-7,90E-2
(2,42E-1)
Réf.
-2,79
(9,40E-1)***
68
Constante/hybride
Constante/hydrogène
Nombre d’observations
Nombre d’individus
Log-vraisemblance
Nombre de paramètres
R2
R 2 ajusté
-0,90
(4,74E-1)*
-1,70
(4,79E-1)**
3270
848
-3618,39
8
20,18%
20,00%
-2,80
(7,83E-1)***
-4,07
(8,69E-1)***
2843
736
-2947,45
80
25,21%
23,18%
Notes : Les écart-types figurent entre parenthèses sous les estimations des paramètres. * indique une
estimation significative au seuil de 10%, **, une estimation significative au seuil de5% et ***, une estimation
significative au seuil de 1%.
Notons que le nombre d’observations utilisées dans l’estimation de la spécification
originale est supérieur à la taille de l’échantillon employé pour l’estimation de notre
spécification. Ceci provient du fait qu’on a du exclure, dans le second cas, certaines
observations additionnelles qui comportaient des valeurs manquantes relativement aux
caractéristiques socioéconomiques des répondants et de leur ménage. Ceci nous empêche
d’avoir recours au test LR afin de comparer formellement les valeurs maximales de la logvraisemblance des deux modèles puisqu’il ne s’agit pas de modèles emboîtés. Autrement
dit, on ne peut pas comparer uniquement les valeurs maximales de la log-vraisemblance des
deux spécifications car le nombre d’observations sur lesquelles elles s’appuient varie d’une
spécification à l’autre.
Par conséquent, nous employons plutôt le critère BIC afin de comparer les deux
spécifications. L’un des mérites du BIC est de tenir compte simultanément de la logvraisemblance, du nombre de paramètres et du nombre d’observations contenu dans des
spécifications concurrentes, ce qui est important dans le présent cas. Les valeurs du BIC
obtenues pour chacune des spécifications précédentes figurent au Tableau 6.2.2. Selon ce
critère, notre spécification est préférable à celle, plus parcimonieuse, de Horne et al. (2005)
dans le cadre du modèle logit polytomique standard. Ces résultats sont attribuables au fait
qu’une grande partie des caractéristiques individuelles incluses dans la spécification du
modèle présentent des coefficients significatifs.
69
Table 6.2.2 : Critères d’information bayésiens pour deux spécifications concurrentes
du logit polytomique standard
Modèles
BIC HORNE et al
Logit polytomique standard
7264,87
BIC NOTRE
Spécification
6171,20
∆BIC
-1093,67
6.2.2 Estimations du modèle logit mixte basées sur la spécification
originale
Toutefois, puisque les deux modèles logit polytomiques standards sont contraints
par l’IIA qui peut s’avérer contraignante, particulièrement dans le présent cadre analytique,
il est intéressant d’estimer aussi des modèles plus flexibles comme le logit mixte. Pour
mieux faire ressortir les avantages de considérer de telles formulations plus générales des
MCD, nous avons d’abord estimé un modèle logit mixte simple et un modèle logit mixte en
panel fondés sur la spécification adoptée par Horne et al. (2005). Le Tableau 6.2.3 présente
les résultats de ces estimations en parallèle avec celles du logit polytomique standard afin
de pouvoir les comparer entre elles.
Notons tout d’abord que les estimations des trois modèles diffèrent légèrement. La
principale différence se situe au niveau de l’impact du coût du carburant, encore une fois.
Les estimations des constantes associées à chaque type de technologie sont très différentes,
mais puisque celles-ci sont affectées par la normalisation de la matrice de variancecovariance, elles ne peuvent être comparées d’un modèle à l’autre. En fait, selon Browstone
et Train (1996), la normalisation de l’échelle de l’utilité affecte la magnitude de l’ensemble
des paramètres et contribue à expliquer la différence des estimations des paramètres et des
rapports de coefficients d’un modèle à l’autre.
Bien qu’il est possible d’introduire un effet aléatoire propre à chacun des paramètres
dans BIOGEME, seuls ceux associés aux variables coût en capital (CC) et coût en
carburant (FC) se sont révélés significatifs, c’est pourquoi nous ne reportons au Tableau
6.2.3 que les estimations de ces deux effets aléatoires du logit mixte. Notons que les effets
aléatoires vont dans la même direction et sont tout aussi importants, sinon plus, que
70
l’estimation de la moyenne des paramètres eux-mêmes dans le cas du logit mixte simple. Ils
vont plutôt dans le sens opposé à celui de l’effet moyen des paramètres dans le modèle logit
en panel. Quoiqu’il en soit, la présence et la significativité de ces effets renforce notre
conviction qu’il est important d’employer une formulation logit mixte pour analyser les
choix technologiques dans le présent cadre empirique.
Tableau 6.2.3 : Estimations du modèle logit mixte fondées sur la spécification
originale
Variable
Attributs des véhicules
Effet aléatoire sur CC
Coût en carburant (FC)
Effet aléatoire sur FC
Disponibilité du carburant
(FA)
Accès aux voies express
(EXP)
Puissance du moteur
(POW)
Constante/standard
Constante/hybride
Effets aléatoires
individuels
Log-vraisemblance
Nombre de tirages
R2
Logit standard
-9,09E-5
(1.57E-3)**
----3,79E-4
(1,13E-4)**
---1,17
(1.37E-1)**
0,16
(5.18E-2)
2,22
(4.92E-1)**
Réf.
-3,70
(4,87E-1)**
-0,90
(4,74E-1*
-1,70
(4,79E-1)**
---3270
848
-3618,39
8
1000
20,18%
Logit mixte simple Logit mixte en panel
-1,01E-4
(1,84E-3)**
1,89E-4
(6,75E-5)**
-9,97E-4
(2,05E-4)**
1,16E-3
(3,14E-4)**
1,24
(1.46E-1)**
0,164
(5,52E-2)**
2,33
(5,24E-1)**
Réf.
-3,83
(5,16E-1)**
-1,17
(5,08E-1)**
-1,81
(5,09E-1)**
---3270
848
-3606,82
10
1000
20,43%
-1,21E-4
(2,11E-3)**
1,89E-4
(6,89E-5)**
-1,19E-2
(2,46E-3)**
9,92E-3
(5,49E-3)*
1,29
(1,50E-1)**
1,88
(5,77E-2)**
2,24
(5,40E-1)**
Réf.
0,72
(7,43E-1)
3,44
(7,39E-1)**
2,77
(7,40E-1)**
-5,50
(5,20E-1)**
3270
848
-3184,89
11
1000
29,74%
71
R 2 ajusté
20,00%
20,21%
29,43%
L’effet aléatoire associé aux caractéristiques individuelles qui ne sont pas prises en
compte dans la spécification du modèle est également hautement significatif dans le modèle
logit mixte en panel, indiquant l’importance de prendre en considération l’effet de
répétitions dans les choix technologiques d’un même individu. Cette considération prend
d’ailleurs une importance toute particulière dans le cadre de cette spécification où les
caractéristiques observables des individus sont omises.
Contrairement aux estimations du précédent tableau, celles du Tableau 6.2.2 se
basent sur le même échantillon. Il devient alors possible d’utiliser des tests LR pour
comparer les différents modèles deux à deux puisqu’il s’agit en fait de modèles emboîtés.
Les résultats de ces tests sont reportés au tableau 6.2.4. Selon la première colonne du
tableau, le test LR rejette le modèle logit polytomique standard en faveur du modèle logit
mixte simple au seuil de significativité de 1%. En permettant de l’hétérogénéité dans les
préférences des consommateurs en matière de véhicules automobiles, notamment dans leurs
perceptions des coûts d’acquisition et d’usage qui leurs sont associés, la formulation plus
souple du logit mixte offre donc une amélioration significative à la modélisation du choix
technologique. La seconde colonne du tableau nous apprend cependant que le test LR
rejette aussi le modèle logit mixte simple en faveur du modèle logit mixte en panel à un
seuil de significativité de 1%. Il est donc essentiel de prendre en considération les effets
aléatoires individuels dans la spécification du modèle logit mixte dans le présent cadre
analytique.
Bien que les modèles logit mixtes simple et logit mixte en panel performent mieux
que le modèle logit potytomique standard aux vue des résultats des précédents tests, il n’en
demeure pas moins qu’il est justifié de procéder à l’estimation de ces modèles sur la base
de notre spécification, puisque les résultats du BIC estimé plus haut ont indiqué qu’elle
était préférable à celle de Horne et al. (2005). Il apparaît donc important de réintroduire
certaines caractéristiques individuelles observables dans la spécification du modèle logit
mixte. C’est ce que nous effectuons à l’étape suivante du processus d’estimation.
72
Tableau 6.2.4 : Résultats des tests du rapport de vraisemblance basés sur la
spécification originale
Ratio de vraisemblance
Logit standard versus logit
Logit mixte simple versus
mixte simple
logit mixte en panel
Statistique du test LR
23.14
843.86
Degrés de liberté ( dl )
2
1
Seuil de significativité
Supérieur à 1%
Supérieur à 1%
6.2.3 Estimations du modèle logit mixte basées sur la spécification adoptée
Cette sous-section présente les estimations du modèle logit mixte basées sur la
spécification que nous avons retenue au terme de plusieurs tests de spécification. Plus
précisément, cette spécification comprend, en plus des attributs des véhicules qui se sont
avérés des déterminants importants du choix technologique lors des précédentes études
fondées sur la même base de données, les caractéristiques des individus qui effectuent ces
choix. Le Tableau 6.2.5 présente, en parallèle, les résultats de l’estimation des modèles
logit polytomique standard, logit mixte simple et logit mixte en panel basés sur la
spécification que nous avons adoptée.
Comparativement à la précédente spécification, on remarque que les effets des
variables explicatives varient davantage en fonction du modèle adopté. De plus, plusieurs
caractéristiques individuelles qui s’étaient avérées significatives dans la spécification du
modèle logit polytomique standard considéré à la sous-section 6.1 le demeurent dans une
formulation plus générale du modèle telle que le logit mixte. Encore une fois, les effets
aléatoires associés aux variables coût en capital (CC) et coût en carburant (FC) sont
significatifs dans les deux types de modèles logit mixte, justifiant l’emploi de ces modèles.
Cependant, une fois que les caractéristiques individuelles observables ont été
convenablement prises en compte dans la spécification du modèle, les effets aléatoires
associés à ces deux variables ont l’effet contraire des moyennes estimées des paramètres à
la fois dans le modèle logit mixte en panel et dans le modèle logit mixte standard. Ceci tend
73
à atténuer l’effet de ces variables explicatives sur le choix technologique. Même lorsqu’on
contrôle pour les caractéristiques individuelles observables, l’effet aléatoire individuel reste
significatif dans le modèle logit mixte en panel. Il demeure donc essentiel de prendre en
compte l’effet de répétitions qui est présent dans les données PD que nous étudions.
Tableau 6.2.5 : Estimations du modèle logit mixte fondées sur la spécification adoptée
Effet aléatoire sur CC
Coût du carburant (FC)
Effet aléatoire sur FC
Disponibilité du
Carburant (FA)
(EXP)
Puissance du moteur
(POW)
Caractéristiques du
répondant
Femme/gaz naturel
Femme/hybride
Femme/hydrogène
Âge du répondant
25 ans ou moins
De 26 à 40 ans/gaz
naturel
De 26 à 40 ans
/hydrogène
De 41 à 55 ans/gaz
naturel
Logit standard
-9,55E-03
(1,72E-3)*
----0,564
(1,45E-1)*
---1,23
(1,52E-1)*
0,14
(5,75E-2)*
2,23
(5,42E-1)*
0,37
(2,14E-1)***
0,60
(1,31E-1)*
3,60
(1,37E-1)*
Réf.
-0,81
(4,70E-1)***
-0,90
(3,27E-1)*
-0,56
(3,53E-1)
-1,29
(4,72E-1)*
Logit mixte simple
-1,12E-2
(2,07E-3)*
2,25E-3
(7,03E-3)*
-1,36
(2,71E-1)*
1,48
(4,10E-1)*
1,32
(1,64E-1)*
0,14
(6,19E-2)**
2,33
(5,81E-1)*
-
-1,37E-2
(2,42E-3)*
2,63E-02
(7,74E-3)*
-1,43
(2,59E-1)*
1,07
(2,59E-1)**
1,40
(1,71E-1)*
0,16
(6,57E-2)*
2,15
(6,06E-1)*
-
0,38
(2,18E-1)***
0,61
(1,39E-1)*
0,37
(1,43E-1)*
Réf,
-0,80
(4,75E-1)***
-0,92
(3,42E-1)*
-0,58
(3,64E-1)
-1,34
1,42
(6,20E-1)**
1,61
(5,95E-1)*
1,36
(5,96E-1)**
Réf,
-2,41
(1,49)
-2,49
(1,45)***
-2,15
(1,46)
-3,25
74
De 41 à 55 ans
/hydrogène
56 ans et plus/gaz
naturel
56 ans et plus /hybride
56 ans et plus
/hydrogène
Éducation du
répondant
9e année/hybride
12e année/hybride
Post-secondaire/gaz
naturel
Post-secondaire/hybride
Postsecondaire/hydrogène
Université/gaz naturel
Université/hybride
Université/hydrogène
Opinion envers la
réduction des GES
Favorable/gaz naturel
Favorable/hybride
-1,27
(3,26E-1)*
-0,61
(3,51E-1)***
-0,85
(4,80E-1)***
-1,32
(3,37E-1)*
-0,75
(3,63E-1)**
-
(4,78E-1)*
-1,34
(3,41E-1)*
-0,66
(3,60E-1)***
-0,85
4,86E-1)***
-1,39
(3,54E-1)*
-0,81
(3,74E-1)**
-
(1,49)**
-3,17
(1,45)**
-2,49
(1,45)***
-2,40
(1,54)
-2,94
(1,51)**
-2,37
(1,51)
-
Réf.
1,38
(6,31E-1)**
1,57
(5,54E-1)*
1,68
(6,51E-1)*
-0,23
(5,45E-1)
1,45
(4,49E-1)*
1,05
(5,57E-1)***
-1,00
(5,41E-1)***
1,21
(4,39E-1)*
1,21
(5,46E-1)**
-0,20
(5,35E-1)
1,47
(4,43E-1)*
1,35
(5,48E-1)
-
Réf,
1,44
(6,40E-1)**
1,65
(5,87E-1)*
1,82
(6,83E-1)*
-0,18
5,54E-1)
1,60
(4,82E-1)*
1,18
(4,82E-1)**
-0,99
5,49E-1)***
-1,80
4,71E-1)*
1,36
(5,78E-1)**
-0,17
5,44E-1)
1,63
(4,77E-1)*
3,41
(5,81E-1)*
-
Réf,
3,87
(2,50)
4,06
(2,48)
4,45
(2,52)***
1,78
(2,19)
3,66
(2,18)***
3,44
(2,22)
0,69
(2,15)
3,17
(2,13)
3,42
(2,17)
1,65
(2,16)
3,55
(2,14)
3,67
(2,18)***
-
0,14
(2,34E-1)
0,29
0,19
(2,38E-1)
0,31
1,43
(7,01E-1)**
1,54
75
Favorable/hydrogène
Revenu familial
20000$ ou moins
De 20001$ à
40000$/gaz naturel
De 20001$ à
40000$/hybride
De 20001$ à
40000$/hydrogène
De 40001$ à
60000$/gaz naturel
De 40001$ à
60000$/hybride
De 40001$ à
60000$/hydrogène
De 60001$ à
80000$/gaz naturel
De 60001$ à
80000$/hybride
De 60001$ à
80000$/hydrogène
Plus de 80000$/gaz
naturel
Plus de 80000$/hybride
Plus de
80000$/hydrogène
Prairies
ColombieBritannique/gaz naturel
ColombieBritannique/hybride
ColombieBritannique/hydrogène
Ontario/gaz naturel
Ontario/hybride
Ontario/hydrogène
(1,44E-1)**
1,08
(1,60E-1*
Réf
0,18
(3,88E-1)
1,20
(2,55E-1)*
0,70
(2,71E-1)*
8,10E-2
(4,13E-1)
1,48
(2,56E-1)*
0,98
(2,70E-1)*
0,91
(4,07E-1)**
1,53
(2,75E-1)*
1,03
(2,89E-1)*
0,14
(4,03E-1)
1,24
(2,57E-1)*
1,03
(2,71E-1)*
1,05
(3,91E-1)*
0,35
(2,46E-1)
0,31
(2,55E-1)
0,53
(3,24E-1)
1,76E-2
(1,86E-1)
-2,79E-2
(1,93E-1
0,17
(1,53E-1)**
1,14
(1,66E-1)*
Réf,
0,19
(3,93E-1)
1,29
(2,73E-1)*
0,72
(2,81E-1)*
5,45E-2
(4,18E-1)
1,56
(2,73E-1)*
1,00
(2,79E-1)*
0,91
(4,12E-1)**
1,59
(2,91E-1)*
1,03
(2,99E-1)*
0,17
(4,09E-1)
1,36
(2,75E-1)*
3,46
(2,81E-1)*
Réf,
(6,75E-1)**
2,40
(6,81E-1)*
Réf,
1,86
(1,27)
3,11
(1,24)*
2,50
(1,24)**
2,38
(1,28)***
3,98
(1,24)*
3,38
(1,24)*
3,24
(1,32)*
4,05
(1,29)*
3,49
(1,23)*
2,03
(1,27)
3,32
(1,23)*
3,03
(2,46)*
Réf,
1,06
(3,97E-1)*
0,34
(2,59E-1)
0,27
(2,65E-1)
0,53
(3,29E-1)
-3,78E-2
1,98E-1)
-6,83E-2
2,00
(1,07)***
1,18
(1,02)
1,14
(1,02)
0,84
(8,59E-1)
0,31
(8,14E-1)
0,28
76
Québec/gaz naturel
Québec/hybride
Québec/hydrogène
Provinces
atlantiques/gaz naturel
Provinces
atlantiques/hybride
Provinces
atlantiques/hydrogène
Taille du parc
automobile
1 véhicule
2 véhicules/gaz naturel
2 véhicules/hybride
2 véhicules/hydrogène
Plus de 2 véhicules/gaz
naturel
Plus de 2
véhicules/hybride
Plus de 2
véhicules/hydrogène
Véhicule le plus utilisé
Voiture compacte/gaz
naturel
Voiture
compacte/hybride
Voiture
compacte/hydrogène
Voiture
intermédiaire/gaz
naturel
Voiture
intermédiaire/hybride
Voiture
intermédiaire/hydrogène
(3,48E-1)
-0,12
(1,96E-1)
-0,46
(2,07E-1)**
0,25
(4,51E-1)
0,25
(4,51E-1)
0,25
(2,60E-1)
-2,71E-2
(2,74E-1)
-
(2,02E-1)
0,14
(3,55E-1)
-0,16
(2,09E-1)
-0,52
(2,17E-1)*
0,22
(4,58E-1)
0,26
(2,78E-1)
-7,94E-2
(2,87E-1)
-
(8,16E-1)
0,19
(9,23E-1)
-0,05
(8,72E-1)
-0,43
(8,75E-1)
0,42
(1,20)
0,57
(1,14)
0,23
(1,14)
-
Réf.
-0,93
(3,15E-1*
-0,14
(2,09E-1)
-8,34E-2
(2,18E-1)
-0,23
(3,02E-1)
0,24
(2,06E-1)
0,18
(2,14E-1)
Réf.
-8,10E-3
(2,65E-1)
-8,34E-2
(1,64E-1)
-6,50E-2
(1,73E-1)
-0,23
(3,60E-1)
Réf
-0,90
3,19E-1)*
-0,13
(2,20E-1)
-7,19E-2
(2,26E-1)
-0,21
(3,07E-1)
0,24
(2,17E-1)
1,80
(2,23E-1)
Réf,
-2,38E-2
(2,68E-1)
-0,10
(1,72E-1)
-7,56E-2
(1,79E-1)
-0,25
(3,70E-1)
Réf,
-0,65
(9,44E-1)
0,17
(9,13E-1)
0,23
(9,16E-1)
0,42
(9,03E-1)
0,89
(8,75E-1)
0,84
(8,77E-1)
Réf,
-0,57
(7,65E-1)
-0,68
(7,36E-1)
-0,64
(7,38E-1)
-1,07
(1,09)
-0,14
(2,25E-1)
-0,57
(2,48E-1)**
-0,11
(2,43E-1)
-0,56
(2,60E-1)**
-0,86
(1,05)
-1,27
(1,05)
77
Camionnette/gaz naturel
Camionnette/hybride
Camionnette/hydrogène
Fourgonnette/gaz
naturel
Fourgonnette/hybride
Fourgonnette/hydrogène
sport/gaz naturel
sport/hybride
sport/hydrogène
Constante/véhicule
standard
Constante/hybride
Effets aléatoires
individuels
Log-vraisemblance
Nombre de tirages
R2
R 2 ajusté
-0,38
(4,30E-1)
-1,32
(2,79E-1)*
-0,73
(2,86E-1)*
3,53E-2
(3,57E-1)
4,38E-2
(2,22E-1)
0,42
(2,27E-1)*
-0,61
(4,44E-1)
-0,51
(2,35E-1)**
-7,90E-2
(2,42E-1)
Réf.
-0,35
(4,39E-1)
-1,43
(3,11E-1)*
-0,69
(3,03E-1)**
3,42E-2
(3,62E-1)
2,70E-2
(2,34E-1)
0,44
(2,37E-1)***
-0,61
4,50E-1)
-0,54
(2,54E-1)**
-5,49E-2
(2,56E-1)
Réf.
-2,79
(9,40E-1)***
-2,80
(7,83E-1)***
-4,07
(8,69E-1)***
-3,00
9,74E-1)*
-3,25
8,43E-1)*
-4,35
9,22E-1)*
---2843
736
-2947,45
80
---25,21%
23,18%
---2843
736
-2935,14
82
1000
25,52%
23,44%
-3,11
(1,32)**
-3,93
(1,28)*
-3,19
(1,27)*
-5,10E-3
(9,61E-1)
-4,99E-3
(9,19E-1)
0,41
(9,20E-1)
-1,17
(1,22)
-1,01
(1,16)
-0,52
(1,16)
Réf.
-2,39
(2,81E-0)
-2,83
(2,76)
-4,19
(2,80)
5,16
(5,18E-1)*
2843
736
-2623,76
83
1000
33,43%
31,32%
Nous avons également effectué des tests LR pour comparer les trois MCD en se basant,
cette fois-ci, sur la nouvelle spécification que nous proposons. Les résultats de ces tests
sont confinés dans le Tableau 6.2.6. Encore une fois, le modèle logit mixte est préféré au
78
modèle logit polytomique standard sur la base de ce test. De même, le logit mixte en panel
améliore significativement le pouvoir explicatif du modèle par rapport au modèle logit
mixte simple. Les avantages du logit mixte en termes de généralité sont donc confirmés par
notre analyse empirique. De plus, l’aspect panel des données PD que nous utilisons pour
cette analyse doit être pris en considération dans le processus d’estimation.
Tableau 6.2.6 : Résultats des tests du rapport de vraisemblance basés sur la
spécification adoptée
Ratio de vraisemblance
Logit standard versus logit
Logit mixte simple versus
mixte simple
logit mixte en panel
Statistique du test LR
24,62
622,76
Degrés de liberté ( dl )
2
1
Seuil de significativité
Supérieur à 1%
Supérieur à 1%
La part de la variabilité dans les préférences pour les divers types de technologies de
transport qui est expliquée par les variables indépendantes incluses dans la spécification du
modèle augmente aussi du modèle logit polytomique standard ( R 2 =23,18%) au modèle
logit mixte simple et du modèle logit mixte simple ( R 2 =23,44%) au modèle logit mixte en
panel ( R 2 =31,32%). Ceci tend à confirmer encore davantage la plus grande adéquation des
modèles à paramètres aléatoires pour l’analyse de données PD. Notons toutefois que le gain
en termes d’amélioration du pouvoir explicatif du modèle dans son ensemble est surtout
ressenti lorsqu’on passe du modèle logit mixte simple au modèle logit mixte en panel.
6.2.4 Interprétation des estimations des coefficients
Puisque le modèle logit mixte en panel basé sur notre spécification produit les
meilleurs résultats économétriques, nous interprétons dans cette sous-section les
estimations de ses paramètres. Mentionnons avant de débuter que ces estimations ne
peuvent être interprétées directement en termes des effets des variables explicatives
qu’elles représentent sur la probabilité de sélectionner un type de véhicules en particulier
puisque le modèle est non linéaire et qu’il est exprimé en fonction d’utilités aléatoires qui
sont des variables latentes (i.e. non observables). Néanmoins, le signe des coefficients
79
indique le sens des effets des facteurs explicatifs sur l’utilité procurée par chacune des
technologies car les fonctions de probabilités sont des moyennes de fonctions logistiques.
Dans la spécification retenue, comme dans toutes les spécifications concurrentes
d’ailleurs, les paramètres des attributs des véhicules sont significatifs et ont les signes
attendus. D’une part, une augmentation des coûts d’achat ou d’usage attribués à chaque
type de véhicules diminue l’utilité qui en est retirée. Il existe toutefois de l’hétérogénéité
aléatoire qui fait que ces coûts ne sont pas perçus de la même façon par l’ensemble des
consommateurs. D’autre part, l’utilité de détenir une technologie de transport en particulier
augmente avec sa performance et la disponibilité du carburant qu’elle utilise, de même
qu’avec les avantages qu’elle pourrait procurer comme par exemple l’accès à des voies
rapides qui leur seraient réservées. Comme nous l’avons souligné dans les précédentes
sous-sections, toutefois, plusieurs caractéristiques des répondants et de leur ménage ont
aussi un impact significatif sur l’utilité qu’ils retirent de la possession d’un véhicule
automobile. L’étude de ces caractéristiques pourrait éventuellement être utile au repérage
des clientèles cibles pour l’introduction des nouvelles technologies de transport.
Les estimations du modèle logit mixte en panel présentées au Tableau 6.2.6 qui
précède montrent, entre autres, que les femmes retirent une plus grande utilité que les
hommes des technologies vertes, comparativement au véhicule standard. Par opposition
aux personnes plus âgées, les jeunes de moins de 26 ans (la référence) semblent également
avoir une préférence pour les technologies vertes relativement au véhicule standard.
Cependant, ce résultat ne tient que pour la technologie hybride essence-eléctricité en ce qui
concerne les personnes âgées de plus de 55 ans. Ceux-ci ne semblent pas avoir de
préférences significativement différentes de celles des 25 ans et moins pour les autres types
de technologies.
Les répondants ayant complété une 9e année d’études, comparativement à ceux
possédant un moindre niveau d’éducation (la référence), ont tendance à préférer davantage
le véhicule à pile à hydrogène au véhicule standard. Il en va de même pour les individus
ayant fréquenté une institution universitaire. Toujours relativement aux personnes les moins
éduquées, celles ayant terminé une douzième année d’études prisent davantage le véhicule
hybride que le véhicule standard. Conformément à l’intuition, les répondants qui se
80
proclament en faveur des politiques visant la réduction des émissions de GES des véhicules
automobiles retireraient une plus grande utilité des véhicules alternatifs que des véhicules
standards.
Comparativement aux ménages de revenu inférieur (la référence), ceux dont le
revenu familial se situe dans la classe des 20 001$ à 40 000$ ont tendance à apprécier les
véhicules hybrides et ceux à pile à hydrogène plus que les véhicules standard. Toujours en
comparaison aux véhicules standards, les ménages plus fortunés privilégieraient davantage
l’ensemble des technologies vertes que ceux dont le revenu familial est de 20 000$ ou
moins. Une exception à cette observation prévaut toutefois pour les ménages dont le revenu
est supérieur à 80 000$ qui, tout comme ceux dont le revenu familial est de 20 000$ ou
moins, seraient plutôt indifférents entre le véhicule au gaz naturel et le véhicule standard.
Une fois les autres caractéristiques socioéconomiques (notamment le revenu) prises
en considération dans la spécification du modèle, la province de résidence ne semble pas
avoir beaucoup d’influence sur le choix technologique. Seuls les résidents de la ColombieBritannique auraient une plus forte propension à apprécier le véhicule au gaz naturel
davantage que le véhicule standard, comparativement aux habitants des Prairies (la
référence). Les préférences des répondants vivant dans les autres provinces ne semblent pas
différer de celles des résidents des Prairies à ce niveau.
Une fois qu’on a contrôlé pour son revenu familial, la taille du parc automobile à la
disposition du ménage ne semble pas affecter significativement ses choix en matière de
technologie de transport privé. Nos résultats ne sont donc que partiellement en accord avec
ceux de Ramjerdi et Rand (1997) qui trouvent plutôt que les acheteurs potentiels de
technologies propres sont les ménages à hauts revenus qui possèdent au moins deux
véhicules. Certes, nos estimations indiquent qu’une hausse du revenu accroît la capacité
d’apprécier les technologies vertes mais la taille du parc automobile n’a pas d’impact
significatif sur les préférences envers ces technologies.
Cependant, les préférences en matière de classe de véhicules peuvent affecter le
choix technologique. Nos résultats indiquent en effet que la classe du véhicule utilisé le
plus fréquemment peut influencer ce choix. Plus précisément, comparativement à ceux qui
81
font un usage relativement intensif des voitures sous-compactes, ceux qui leur préfèrent des
camionnettes retirent, de façon générale, moins de satisfaction de l’ensemble des
technologies vertes que de la technologie conventionnelle.
6.3 Prédiction des parts de marché
Pour l’ensemble des répondants, BIOGEME permet également de calculer des
prédictions des probabilités de choisir chacune des alternatives sur la base des estimations
des paramètres des MCD. En faisant la moyenne de ces probabilités prédites, on obtient
une estimation de la part de marché attribuée à chaque technologie de transport à partir de
notre modèle désagrégé.22 Nous avons effectué ce calcul pour chacune des spécifications
concurrentes que nous avons considérées dans le cadre du présent mémoire de maîtrise afin
de pouvoir comparer leurs résultats mieux encore. Malheureusement, l’estimation des parts
de marché n’a été réalisée que sur la base des modèles logit polytomique standard et logit
mixte simple puisque, au stade actuel de son développement, BIOGEME ne permet pas
encore d’obtenir des prédictions des probabilités pour le modèle logit mixte en panel. Les
parts de marché prédites par les autres modèles sont présentées au Tableau 6.3.1.
On remarque que les parts de marché prédites à l’aide de la base de données
s’éloignent considérablement de la situation réelle qui prédomine actuellement sur le
marché de l’automobile canadien, telle que décrite au Tableau 1 de la section 1. Toutefois,
il est important de préciser que, dans le présent contexte de PD, le concept de parts de
marché est synonyme de probabilités moyennes escomptées. Il ne s’agit donc pas de parts
de marché réelles, naturellement, puisqu’une des technologies que nous considérons (à
savoir le véhicule à pile à hydrogène) n’a même pas encore été commercialisée, alors
qu’une autre (soit le véhicule hybride) est à peine en émergence. La part de marché prédite
d’une technologie représente plutôt la probabilité qu’en moyenne, un consommateur fasse
l’acquisition de ce type de technologie dans le futur, sous des conditions de marché
similaires à celles qui lui sont décrites dans l’enquête.
22
Ce calcul suppose toutefois qu’aucune autre technologie de transport n’est disponible sur le marché de
l’automobile.
82
Conformément aux conclusions de David et Train (1996), les parts de marché
prédites par les modèles logit polytomique standard et logit mixte simple sont différentes.
Cette différence est attribuable au fait que nous avons introduit des effets aléatoires sur les
coûts en capital et en carburant dans la fonction d’utilité du modèle logit mixte. Une
différence légèrement plus importante entre les parts de marché prédites par les deux
modèles est enregistrée pour la spécification retenue que pour la spécification originale
inspirée de Horne et al. (2005). Ceci nous apparaît naturel puisque notre modèle comprend
beaucoup plus de facteurs ayant un impact sur le choix technologique. D’ailleurs, les parts
de marché diffèrent également en fonction de la spécification adoptée. En particulier, notre
spécification, qui prend en compte les caractéristiques des consommateurs dans
l’explication de leurs préférences envers les différentes technologies de transport, accorde
une plus grande part de marché au véhicule hybride au détriment de l’ensemble de ses
compétiteurs.
Table 6.3.1 : Parts de marché des différentes technologies de transport
Type de véhicule
Spécification originale
Spécification retenue
Logit standard
Logit mixte
Logit standard
Logit mixte
13,54%
5,59%
45,60%
35,27%
14,85%
6,10%
41,32%
37,73%
12,20%
5,10%
49,14%
33,56%
12,18%
5,09%
49,19%
33,53%
Standard
Au gaz naturel
Hybride
À pile hydrogène
6.4 Simulations
Comme nous avons pu le constater à la sous-section 6.2.4, il est relativement
difficile d’interpréter les estimations des paramètres d’un MCD en général, et du modèle
logit mixte en particulier. Contrairement aux paramètres d’un modèle de régression
linéaire, les coefficients d’un MCD ne représentent pas l’effet qu’ont les variables
explicatives sur la variable dépendante du modèle. Pour avoir une meilleure indication de
l’ampleur de ces effets, nous avons donc eu recours à des simulations. Dans cette section,
nous introduisons des chocs sur certaines variables explicatives qui sont d’un intérêt
83
particulier pour l’analyse de politiques et observons dans quelle mesure ceci modifie les
parts de marché des différentes technologies présentées à la sous-section précédente.
Pour ce faire, nous utilisons BIOSIM23 qui permet d’effectuer de telles simulations.
L’introduction d’un choc s’effectue en modifiant les valeurs prises par une variable dans
notre échantillon de base sans modifier les autres variables. Par exemple, une augmentation
de 10% du prix du gaz naturel est introduite en majorant de 10% l’ensemble des coûts en
carburant des véhicules au gaz naturel pour chacune des observations figurant dans la base
de données. BIOSIM utilise les estimations des paramètres du modèle de départ pour
calculer les parts de marché simulées à partir du nouvel échantillon ainsi formé. Dans
chacun des scénarios suivants, les résultats des simulations sont présentés en parallèle avec
la situation de base se rapportant à l’échantillon de départ constitué des données d’enquête.
Chaque colonne des tableaux qui présentent les effets de divers scénarios correspond à une
seule simulation. En d’autres termes, nous n’avons pas introduit de chocs conjoints sur plus
d’une variable à la fois afin de bien distinguer les effets propres à chaque déterminant du
choix technologique.
6.4.1 Scénario 1 : Changement dans le prix des véhicules
Une mesure envisagée par certaines provinces canadiennes afin d’encourager
l’adoption des technologies émergentes sur le marché de l’automobile comme les véhicules
hybrides est l’attribution d’incitatifs fiscaux. Pour prévoir l’impact que pourrait avoir de
telles mesures sur la distribution des parts de marché des différentes technologies, nous
avons simulé, à tour de rôle, une réduction de 10% dans le prix de chacune des
technologies vertes. Les résultats de ces simulations sont résumés au tableau 6.4.1.
Table 6.4.1 : Effets d’une réduction de 10% du prix de chaque technologie verte
23
Les simulations ont été effectuées sur la base du logit mixte simple car BIOSIM ne permet pas, à l’étape
actuelle de son développement, de réaliser des simulations sur la base du modèle logit mixte en panel.
BIOSIM est un logiciel qui permet d’effectuer des simulations à partir du fichier de résultats issu de
l’exécution du code BIOGEME. Voir « Introduction à BIOGEME » de Bierlaire (2005).
84
Part de marché
Scénario de
-10%CC gaz
-10%CC
-10%CC
base
naturel
hybride
hydrogène
Véhicule standard
12,18%
Véhicule au gaz naturel
5,09%
Véhicule hybride
49,19%
Véhicule à pile à hydrogène
33,53%
11,65%
(-4%)
7,36%
(+45%)
48,14%
(-2%)
32,84%
(-2%)
10,48%
(-14%)
4,41%
(-13%)
54,15%
(+10%)
30,95%
(-8%)
10,83%
(-11%)
4,57%
(-10%)
46,02%
(-6%)
38,54%
(+15%)
Note : Les changements en pourcentage dans la part de marché par rapport au scénario de base figurent entre
parenthèses.
Une baisse du coût d’achat d’une technologie sans changement dans ses autres
attributs entraîne une augmentation de sa part de marché tout en diminuant la part des
technologies concurrentes. Une même diminution du prix de 10% a toutefois des
répercussions différentes tout dépendant du type de véhicule sur lequel elle est appliquée.
En termes absolus, ce serait aux véhicules hybrides et aux véhicules à pile à hydrogène
qu’une réduction de prix serait le plus bénéfique puisque leur part de marché respective
augmenterait d’environ 5% en conséquence, contre seulement 2% pour le véhicule au gaz
naturel. En termes relatifs par rapport au scénario de base, cependant, c’est le véhicule au
gaz naturel qui bénéficierait le plus d’une baisse de prix puisque sa part de marché verrait
un taux de croissance de 45% en conséquence, contre seulement 10% d’augmentation pour
le véhicule hybride et 15% pour le véhicule à pile à hydrogène. Ces observations découlent
à la fois des données d’enquête, des attributs des véhicules tels qu’établis par les profils de
choix, ainsi que des PD des consommateurs canadiens pour les différentes technologies qui
déterminent les valeurs des parts de marché pour le scénario de base.
Les autres technologies dont le prix demeure inchangé voient également leur part de
marché s’abaisser de façon non proportionnelle dans chacun des scénarios. Il ne semble
toutefois pas y avoir de technologie qui soit favorisée (ou qui subisse une réduction moins
importante de sa part de marché que les autres) dans l’ensemble des scénarios. Une hausse
de la part de marché du véhicule au gaz naturel semble surtout nuire au véhicule hybride. À
l’inverse, une augmentation de la part de marché du véhicule hybride fait chuter celle du
85
véhicule à pile à hydrogène en priorité. Enfin, une plus grande part de marché du véhicule à
pile à hydrogène affecte davantage la part du véhicule hybride négativement. Des effets de
substitution entre les véhicules relativement complexes s’opèrent donc à travers notre
modèle logit mixte qui n’est pas contraint par l’IIA. E somme, il est vraisemblable que
l’introduction d’une nouvelle technologie de transport influence les parts de marché de
l’ensemble des technologies déjà disponibles sur le marché de l’automobile.
6.4.2 Scénario 2 : Fluctuations du prix du carburant
Toujours dans l’optique de prévoir l’impact de politiques visant à encourager
l’adoption de technologies vertes, nous avons aussi effectué des simulations en faisant
varier le coût du carburant. Plus précisément, le prix des carburants fossiles a été majoré de
10%, alors que celui des carburants alternatifs a été réduit du même pourcentage. Les effets
de ces simulations sur les parts de marché de chacune des technologies sont résumés au
tableau 6.4.2.
La seconde colonne du tableau montre qu’une augmentation du prix des carburants
fossiles entraîne une baisse des parts de marché des véhicules conventionnels ainsi que des
véhicules hybrides. Malgré que les véhicules hybrides nécessitent une moindre quantité de
carburant pour parcourir une même distance que les véhicules standards, leur part de
marché est davantage affectée par une hausse du prix du carburant (chute de 2,25% contre
0.61% pour le véhicule standard). En termes relatifs, les deux technologies enregistrent
toutefois des baisses similaires de 5% de leur part de marché respective par rapport au
scénario de base. C’est surtout le véhicule à pile à hydrogène qui bénéficie de la baisse de
popularité des véhicules hybrides et conventionnels bien que, comparativement au scénario
de base, sa part de marché s’accroît à un taux similaire à celle du véhicule au gaz naturel.
La troisième colonne du tableau montre qu’une diminution du prix du gaz naturel
laisse les parts de marché pratiquement inchangées; elles varient de l’ordre de plus ou
moins 1%. En termes relatifs, cependant, la part de marché du véhicule au gaz naturel
s’accroît de près de 15% par rapport à sa situation initiale. Par contre, une réduction du prix
de l’hydrogène de 10% (quatrième colonne du tableau) aurait une forte incidence sur la
popularité du véhicule à pile à hydrogène dont la part de marché augmenterait
86
proportionnellement à cette baisse. Ce regain de popularité se ferait principalement au
détriment du véhicule hybride dont la part de marché chuterait de 6%.
Tableau 6.4.2 : Effets de fluctuations de 10% dans le prix du carburant
Part de marché
Scénario de
Carburants
base
fossiles
Véhicule standard
12,18%
5,09%
Véhicule hybride
49,19%
33,53%
11,57%
(-5%)
5,48%
(+8%)
46,94%
(-5%)
36,01%
(+7%)
Gaz naturel
Hydrogène
12,08%
(-1%)
5,83%
(+15%)
48,74%
(-1%)
33,34%
(-1%)
11,81%
(-3%)
4,94%
(-3%)
46,46%
(-6%)
36,78%
(+10%)
parenthèses.
6.4.3 Scénario 3 : Meilleure disponibilité du carburant
Il est entendu que l’accessibilité au carburant requis par la technologie de transport
favorisera son adoption. La contrainte de disponibilité du carburant touche exclusivement
les véhicules fonctionnant au gaz naturel et ceux qui utiliseront éventuellement la pile à
hydrogène. Nous avons simulé l’effet d’une augmentation de 10% de la disponibilité de ces
deux types de carburant. Les résultats de ces simulations sont présentés au Tableau 6.4.3.
Comme prévu, une plus grande disponibilité du carburant a pour effet d’accroître la part de
marché du véhicule en faisant usage.
Pour une même augmentation de 10% de l’accessibilité au carburant, la part de
marché de l’hydrogène s’accroît davantage (de 1,33%) que celle du gaz naturel (de
seulement 0,35%), en termes absolus. En termes relatifs, toutefois, c’est le véhicule au gaz
naturel qui voit sa part de marché augmenter le plus par rapport au scénario de base, soit de
7% contre seulement 4% pour le véhicule à pile à hydrogène. Les autres types de véhicules
subissent des pertes similaires de leur part de marché respective suite à une hausse de
l’accessibilité à ces deux types de carburants.
87
Table 6.4.3 : Effets d’une augmentation de 10% de la disponibilité du carburant
Part de marché
Véhicule standard
Véhicule hybride
Scénario de base
Gaz naturel
Hydrogène
12,18%
12,11%
11,92%
(-1%)
(-2%)
5,44%
4,99%
(+7%)
(-2%)
49,09%
48,23%
(0%)
(-2%)
33,42%
34,86%
(0%)
(+4%)
5,09%
49,19%
33,53%
parenthèses.
6.4.4 Scénario 4 : Hausse du revenu
Les travaux de Ramjerdi et al. (1997), tout comme les nôtres d’ailleurs, laissent
présager qu’un accroissement de la richesse pourrait faciliter l’intégration des nouvelles
technologies. Pour valider cette hypothèse, nous avons effectué une simulation visant à
augmenter le niveau de revenu familial de tous les répondants. Le fait qu’il soit reporté par
classes de revenu dans l’enquête nous obligerait toutefois à imposer une hausse
substantielle du revenu à chaque ménage, les faisant passer d’une baguette de revenus à la
suivante. De plus, ceci éliminerait de notre échantillon tous les ménages à revenu modeste
de 20 000$ et moins.
Compte tenu de ces difficultés, nous avons plutôt réalisé des splines linéaires sur les
classes de revenus, les faisant passer du statut de variables catégoriques à celui de variables
continues sans altérer leur répartition dans l’échantillon.24 Nous avons utilisé ces splines à
la place du revenu dans la spécification du modèle logit mixte que nous avons estimé à
24
Les splines permettent une linéarisation de variables catégoriques. Elles ont été réalisés à l’aide du
logiciel STATA. Le lecteur pourra consulter le site www.stata.com pour comprendre comment les splines
sont construites.
88
nouveau. Nous avons ensuite appliqué une augmentation de 10% au revenu familial (sous
forme de splines) de chaque répondant. L’effet de cette hausse du revenu sur la probabilité
de choisir chacune des technologies apparaît au Tableau 6.4.4.25
Table 6.4.4 : Effet d’une augmentation de 10% du revenu
Part de marché
Base
Augmentation du revenu de 10%
Véhicule standard
12,18%
5,09%
Véhicule hybride
49,19%
33,53%
11,70%
(-4%)
4,97%
(-2%)
49,43%
(0%)
34,00%
(+1%)
parenthèses.
Cette augmentation favorise les nouvelles technologies vertes que sont le véhicule
hybride et le véhicule à pile à hydrogène au détriment du véhicule standard et du véhicule
au gaz naturel qui subissent tous deux des réductions de leurs parts de marché. La part de
marché de la technologie fonctionnant à l’hydrogène s’accroît de près du double de celle de
la technologie hybride. La part de marché du véhicule standard diminue quant à elle de près
de quatre fois celle du véhicule au gaz naturel. Une augmentation du revenu semble donc
effectivement propice à l’intégration des nouvelles technologies de transport plus efficaces
et moins polluantes.
6.5 Estimation de paramètres comportementaux du SCMI
Dans cette partie, nous proposons des estimations révisées des paramètres
comportementaux du SCMI sur la base des estimations du modèle que nous avons adoptés.
Précisément, ces valeurs révisées sont fondées sur les estimations des paramètres du
modèle logit mixte en panel et s’appuient sur la spécification la plus générale des fonctions
25
Notez que les parts de marché du scénario de base demeurent similaires puisque l’application des splines
ne modifie pas la répartition du revenu entre les ménages.
89
d’utilité incluant les caractéristiques individuelles, en sus des attributs des véhicules.
Comme nous l’avons démontré à la sous-section 6.2, cette formulation améliore
sensiblement le pouvoir explicatif du modèle et mène à des estimations plus précises de ses
paramètres. Les estimations des paramètres comportementaux du SCMI qui en sont
déduites devraient donc, elles aussi, être plus justes. Nous présentons aussi, à titre
comparatif, les estimations des paramètres comportementaux obtenus à l’aide de modèles
plus simples, mais aussi plus restrictifs.
6.5.1 Taux d’escompte privé
Les estimations du taux d’escompte privé ont été calculées à l’aide de la formule
(30) spécifiée à la sous-section 5.5 que nous rappelons ici :
[
rp = 1 − (1 + rp )
−T
] ββ
CC
(30)
FC
Elles s’appuient sur le ratio des estimations des paramètres associés aux coûts en capital
( β CC ) et en carburant ( β FC ) pour chacune des technologies. Puisque ces variables
explicatives entrent de façon générique dans la spécification du modèle, leurs paramètres
sont généraux et prévalent pour l’ensemble des technologies.
Étant donné que la valeur du taux d’escompte dépend aussi de la durée de vie
escomptée d’un véhicule automobile, T , nous avons calculé des estimations en faisant
varier ce paramètre qui est inconnu, en particulier pour les nouvelles technologies qui n’ont
pas encore fait leurs preuves. Maple 9.5 a été employé afin de résoudre numériquement
l’équation non linéaire (30) en fonction de rp et ainsi obtenir une valeur du taux
d’escompte privé pour chaque valeur de T considérée. Les résultats de ces calculs sont
présentés au Tableau 6.5.1.
Dans ce tableau, nous contrastons les valeurs du taux d’escompte privé obtenues à
l’aide des modèles logit polytomique standard, logit mixte simple et logit mixte en panel.
Dans tous les cas, les estimations des paramètres sont basées sur la spécification retenue.
D’après les résultats reportés dans le tableau, on constate que pour une durée de vie finie,
90
même si elle est relativement longue, le logit standard sous-estime le taux d’escompte privé
tandis que pour une durée de vie infinie ce modèle surestime le taux de préférence pour le
temps. Comme la durée de vie d’un véhicule automobile conventionnel dépasse rarement
20 ans, le modèle logit mixte prédirait un taux d’escompte privé jusqu’à près de deux fois
plus élevé que le modèle logit polytomique simple. D’ailleurs, pour une durée de vie finie,
la valeur du taux d’escompte privé est encore plus élevée lorsqu’elle est estimée par le
modèle logit mixte en panel que lorsqu’elle découle du modèle logit mixte simple. La prise
en compte de l’hétérogénéité individuelle dans le choix technologique a donc pour effet
d’augmenter la valeur d’option dont il a été question à la sous-section 5.5. En d’autres
termes, les consommateurs préféreront, selon notre modèle, attendre plus longtemps avant
d’investir dans une nouvelle technologie afin que l’incertitude concernant ses
caractéristiques, sa qualité et ses avantages comparatifs se dissipent.
Tableau 6.5.1 : Estimations du taux d’escompte privé en fonction de la durée de vie
escomptée d’une technologie de transport
Durée de vie
Logit standard
Logit mixte simple
3 ans
69,68%
77,82%
78,06%
5 ans
47,34%
56,90%
57,20%
10 ans
22,01%
30,14%
30,40%
11 ans
19,40%
27,16%
27,40%
12 ans
17,18%
24,61%
24,85%
13 ans
15,30%
22,42%
22,65%
14 ans
13,70%
20,52%
20,74%
15 ans
12,30%
18,85%
19,06%
20 ans
7,50%
12,97%
13,15%
25 ans
4,75%
9,47%
9,62%
+∞
2,00%
0,86%
0,83%
91
À titre comparatif, nous présentons au tableau 6.5.2 les taux d’escompte privés qui
ont été estimés précédemment par Horne (2003) à l’aide du modèle logit polytomique
standard basé sur une spécification ne contenant que les caractéristiques des véhicules. En
comparant ces taux d’escompte à ceux que nous avons obtenus en estimant un modèle
similaire basé sur notre spécification, on constate qu’en ignorant les caractéristiques des
individus qui peuvent aussi affecter leurs choix, le modèle de Horne surestime de façon
importante le taux d’escompte privé. Selon nous, le taux de préférence pour le temps que
nous estimons est plus précis puisqu’il tient compte de l’ensemble des facteurs qui ont une
incidence sur les processus décisionnels.
Tableau 6.5.2 : Taux d’escompte privé estimé à l’aide du modèle original
Durée de
95
49
33
26
21
18
16
14
13
12
11
10
vie
Taux
5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
d’escompte
Source : Tableau 5.5, Horne (2003), p. 96.
6.5.2 Coûts intangibles
Les coûts intangibles réfèrent aux coûts associés à la recherche d’information
concernant l’ensemble des caractéristiques et avantages offerts pas les nouvelles
technologies sur lesquelles les consommateurs ne détiennent pas suffisamment
d’information. À ce stade, nous pensons qu’il est réaliste de penser que les coûts de
recherche d’information au sujet des véhicules conventionnels soient nuls ou négligeables26
et que ceux associés aux autres technologies de transport les plus rependues soient
moindres. En ce sens, la technologie fonctionnant au gaz naturel devrait présenter des coûts
intangibles moins élevés que la technologie hybride et celle à pile à hydrogène qui
demeurent encore relativement peu connues.
26
Il s’agit là d’une autre excellente raison d’avoir sélectionné le véhicule standard comme catégorie de
référence pour nos estimations.
92
La formule (29) introduite à la sous-section 5.5 a été utilisée pour le calcul des
coûts intangibles tels qu’estimés par le modèle logit mixte simple. Le Tableau 6.5.3 montre
en parallèle les estimations obtenues à partir des différents modèles considérés. On
remarque que ces estimations varient sensiblement en fonction de la spécification adoptée,
mais surtout en fonction du MCD qui est employé pour les obtenir. Les estimations des
coûts intangibles attribués au véhicule au gaz naturel changent même de signe selon le type
de modèle qui est utilisé pour les produire. La recherche d’un modèle bien adapté à l’étude
des données PD est donc justifiée lorsqu’on souhaite obtenir des estimations précises des
coûts intangibles associés à la recherche d’information relative aux nouvelles technologies
de transport.
Selon notre compréhension des coûts intangibles, une valeur négative indiquerait un
coût, alors qu’une valeur positive signifierait, au contraire, qu’on devrait payer l’individu
pour qu’il accepte qu’on lui prodigue des renseignements au sujet d’une technologie de
transport privé. En termes absolus, les coûts intangibles associés à la recherche
d’information au sujet des véhicules hybrides et des véhicules à pile à hydrogène sont donc
beaucoup plus élevés (près du double en fait) que ceux associés aux renseignements
concernant les véhicules au gaz naturel. Ceci nous apparaît naturel puisque cette dernière
technologie est la moins populaire, d’après l’enquête du EMRG, mais aussi la plus
ancienne et donc la mieux connue du public en général. Selon le modèle que nous avons
retenu (dernière colonne du tableau), les coûts intangibles associés au véhicule à pile à
hydrogène seraient légèrement plus élevés que ceux attribués au véhicule hybride. Ceci
nous apparaît également justifiable par le fait que le véhicule hybride est déjà présent sur le
marché de l’automobile canadien alors que la pile à hydrogène est encore au stade de
développement.
93
Tableau 6.5.3 : Coûts intangibles liés à l’adoption des nouvelles technologies tels
qu’estimés par notre modèle
Moyenne des coûts intangibles annuels
Spécification originale
Spécification retenue
Type de
Logit
Logit mixte
Logit mixte
Logit
Logit mixte
Logit mixte
technologie
standard
simple
en panel
standard
simple
en panel
Standard
-
-
-
-
-
-
Gaz naturel
$2433
$913
-$2955
$2120
$884
-$2791
Hybride
$-3422
-$1121
-$4704
$-3042
-$1110
-$4671
Hydrogène
$-2863
-$1099
-$4735
$-2597
-$1109
-$4697
Le tableau 6.5.4 rapporte des estimations des coûts intangibles issues de Horne
(2003). On constate des différences marquées entre ces estimations et les nôtres. Ces
différences pourraient s’expliquer en partie par le fait que les spécifications de Horne
(2003) et Horne et al. (2005) omettent des déterminants importants du choix technologique,
soit les caractéristiques des répondants et de leur ménage. Leurs estimations des paramètres
du modèle pourraient donc être biaisées et non convergentes. De plus, il existe certaines
différences entre leur spécification et la nôtre au niveau des attributs des véhicules. Par
exemple, nous avons considéré dans notre spécification directement la puissance du moteur
(par exemple, 90% de celle du véhicule standard pour le véhicule hybride) alors que les
précédentes études utilisaient plutôt la déviation dans la puissance par rapport au véhicule
standard (moins de 10%). L’estimation des coûts intangible semble donc être
particulièrement sensible à la spécification du modèle ce qui justifie qu’on apporte une
attention toute particulière à sa sélection.
94
Table 6.5.4 : Coûts intangibles estimés précédemment
Coûts intangibles
Valeurs estimées
$270/année
Véhicule hybride
-$1521/année
$4771/année
Source : Extrait du tableau 5.8 de Horne (2003), p. 101.
6.5.3 Indice d’hétérogénéité du marché
L’indice d’hétérogénéité du marché, ν , peut être calculé en résolvant l’équation
(32) de la sous-section 5.5 que nous répétons ici à titre illustratif :
−ν



rp
 + FC + i 
 CC j ×
j
j
−T
1 − (1 + r p ) 


1 N ~
~
Pj = ∑ Pnj =
= MS j .
−ν
N n =1

J  


rp

 + FC + i  
 CC i ×
∑
i
i
−T 
1 − (1 + rp ) 
 
i =1  




(32)
~
Nous avons déjà prédit les valeurs de probabilités désagrégées, Pj , pour chaque
technologie j = 1,K ,4 à la sous-section 6.3. De plus, nous venons d’estimer dans la
présente sous-section les valeurs des coûts intangibles, i j , attribuées à chacune des
technologies de même que le taux d’escompte privé, rp , pour des durées de vie variées
d’une technologie. Ces valeurs pourront servir à évaluer l’indice d’hétérogénéité du marché
à l’intérieur du SCMI pour des prix d’équilibre des technologies ( CC j ) et du carburant
qu’elles utilisent ( FC j ) déterminant leurs parts de marché respectives. Au contraire des
précédents paramètres, il est impossible de déterminer l’indice d’hétérogénéité du marché
uniquement à partir des estimations des paramètres d’un MCD désagrégé. Ce paramètre est
déterminé conjointement aux conditions d’équilibre du marché à l’intérieur du SCMI. Nous
avons toutefois fourni au EMRG à travers ce mémoire tout le matériel nécessaire pour qu’il
puisse procéder à une révision de cet indice sur la base des nouvelles estimations fournies
par le modèle logit mixte.
95
6.6 Volonté de payer pour certains attributs des véhicules
Compte tenu de la définition de nos variables explicatives, la volonté de payer fait
ici allusion au montant en dollars canadiens qu’un individu serait prêt à débourser pour une
amélioration d’un attribut non-monétaire du bien d’un point de pourcentage.27 Pour estimer
la volonté de payer pour un attribut particulier d’un véhicule automobile, nous avons divisé
l’estimation du paramètre qui lui et associé par celle attribuée au coût en capital. Les deux
tableaux suivants fournissent les résultats de ces estimations basés sur la spécification
originale de Horne et al. (2005) et celle que nous avons adoptée.
On constate que la volonté de payer pour un attribut non monétaire du véhicule
fluctue considérablement en fonction du modèle et de la spécification considérés. D’après
l’ensemble des résultats, toutefois, elle serait maximale pour une augmentation de la
puissance du moteur, environ de moitié moindre pour une amélioration de la disponibilité
du carburant et beaucoup plus faible pour une accessibilité accrue aux voies rapides. De
façon générale, on remarque que le logit polytomique standard surestime la volonté de
payer pour chacun des trois attributs non-monétaires des véhicules. Conformément aux
résultats obtenus par Bath (1996b) et Algers et al. (1998), les rapports des coefficients sont
substantiellement différents du modèle logit polytomique standard au modèle logit mixte.
Cependant, Bath (1996a), Revelt, D. et Train (1997) et Train (1998) en viennent à la
conclusion contraire dans leur comparaison du rapport des coefficients des deux modèles.
Table 6.6.1 : Volonté de payer pour certains attributs des véhicules selon la
spécification originale
Coût en capital
Volonté de payer
MNL
Mixte logit
Mixte logit en
panel
Puissance du moteur
27
$17,90/EXP
$12,80/EXP
$15,61/EXP
$245,00/POW
$246,00/POW
$187,00/POW
$130,00/FA
$125,00/FA
$107,00/FA
Voir par exemple Train (2003) et Hensher, D., Shore, N. et Train, K. (2006).
96
Table 6.6.2 : Volonté de payer pour certains attributs des véhicules selon la
spécification adoptée
Coût en capital
Volonté de payer
MNL
Logit mixte simple
Logit mixte en
panel
Puissance du moteur
$14,80/EXP
$12,70/EXP
$12,30/EXP
$233,00/POW
$209,00/POW
$160,00/POW
$129,00/FA
$118,00/FA
$108,00/FA
En ce qui concerne la comparaison de notre spécification avec celle de Horne et al.
(2005), nous constatons que les modèles logit polytomique standard et logit mixte simple
issus de la spécification de Horne et al. (2005) surestiment le consentement des individus à
payer pour les trois caractéristiques des véhicules considérées. Il en va de même pour le
modèle logit mixte en panel en ce qui a trait à la volonté de payer pour des améliorations de
l’accessibilité aux voies express ou de la puissance du moteur. Par contre, les estimations
de la volonté de payer pour une meilleure accessibilité au carburant sont concordantes dans
les deux spécifications suivant les estimations du logit mixte en panel.
Conclusion
L’objectif de ce mémoire était d’estimer un modèle de type logit mixte pour
analyser les principaux déterminants du choix des canadiens en matière de nouvelles
technologies de transport privé. Ce faisant, nous espérions être en mesure de mieux
comprendre et éventuellement de pouvoir prédire comment ils réagiront face à l’apparition
de nouvelles alternatives aux caractéristiques distinctives sur le marché de l’automobile.
Puisque certaines des technologies considérées dans ce mémoire sont en émergence alors
que d’autres n’ont pas encore été commercialisées, les données d’une enquête relative aux
préférences déclarées (PD) des consommateurs canadiens en matière de transport ont été
utilisées pour mener à bien notre analyse empirique.
Nous avons procédé à l’estimation de modèles de choix discrets (MCD)
conventionnels (logit polytomique standard) et non-conventionnels (logit mixte) pour
étudier la probabilité de sélection parmi un ensemble de quatre choix hypothétiques, soit :
un véhicule standard (à essence ou au diesel), un véhicule au gaz naturel, un véhicule
hybride (essence/électricité) et un véhicule à pile à hydrogène. Puisque les répondants à
l’enquête devaient effectuer plus d’une fois ce choix, nous avons aussi considéré une
formulation plus générale du logit mixte spécifiquement conçue pour l’analyse de données
de panel. De plus, nous avons confronté deux spécifications différentes de ces MCD : la
spécification originellement employée par Horne (2003) et Horne et al. (2005) pour
l’analyse des même données et la spécification alternative que nous proposons incorporant,
à titre de variables explicatives, les caractéristiques socioéconomiques des répondants et de
leurs ménages en plus des attributs des véhicules.
Les estimations des différents modèles ont été comparées et les tests diagnostiques
effectués sur ceux-ci montrent que, toutes spécifications confondues, d’une part, le modèle
logit mixte surclasse le modèle polytomique standard dans l’explication des choix
technologiques et, d’autre part, le modèle logit mixte en panel offre un meilleur pouvoir
explicatif que le logit mixte simple.
Il est donc important d’admettre des profils de
substitution non restreints entre les alternatives et de tenir compte de l’hétérogénéité
inobservée dans l’analyse des préférences des consommateurs en matière de transport privé,
98
surtout lorsqu’ils font face à l’innovation technologique. Il convient aussi de tenir compte
de la consistance de leurs réponses à plusieurs questions similaires. De plus, nos tests
statistiques révèlent que les caractéristiques individuelles ont globalement un impact
significatif sur le choix technologique et en conséquence, nous concluons que la
spécification que nous proposons domine celle adoptée par nos prédécesseurs.
Selon les résultats de notre analyse empirique, l’ensemble des attributs du véhicule
sur lesquels l’enquête du EMRG a mis l’accent a eu un impact significatif sur le choix des
répondants. D’une part, une augmentation des coûts d’achat ou d’usage attribués à chaque
type de véhicules diminue l’utilité qui en est retirée. Il existe toutefois de l’hétérogénéité
aléatoire dans les goûts des consommateurs qui fait en sorte qu’ils ne perçoivent pas tous
ces coûts de la même façon. D’autre part, les préférences des consommateurs envers les
véhicules à faibles émissions de GES augmentent avec la performance du véhicule et la
disponibilité du carburant qu’il utilise, de même qu’avec les avantages qu’il peut offrir
comme, par exemple, un accès réservé aux voies rapides. Notons toutefois que d’autres
facteurs, tels que la quantité de GES qu’émet le véhicule pourraient aussi avoir une
incidence sur le choix technologique. Ne disposant pas de suffisamment de renseignements
concernant ces facteurs, nous n’avons pas pu en tenir compte dans notre analyse.
Par contre, nos résultats économétriques montrent que plusieurs caractéristiques des
répondants et de leur ménage ont également un impact significatif sur leurs choix en
matière de technologies de transports. Notamment, les femmes, les jeunes et les personnes
plus scolarisées démontrent des préférences plus marquées pour les technologies vertes. De
même, les ménages à revenus élevés et ceux qui font déjà un usage fréquent de véhicules
écoénergétiques (voitures compactes et sous-compactes) pourraient s’avérer de bons
candidats à l’adoption des nouvelles technologies de transport qu’ils semblent priser tout
particulièrement. Même en contrôlant pour ces caractéristiques individuelles observables
dans la spécification du modèle, il demeure de l’hétérogénéité inobservée dans les
préférences des consommateurs dont il faut aussi tenir compte dans le processus de
modélisation si on veut produire des estimations convergentes des paramètres.
Selon les prédictions du modèle que nous avons retenu, le véhicule hybride
fonctionnant à l’essence et à l’électricité aurait un net avantage sur ses compétiteurs et
99
serait le plus susceptible de faire compétition au véhicule standard dans un avenir plus ou
moins rapproché. Sur la base de l’analyse statistique que nous avons effectuée, ceci pourrait
prendre encore plusieurs années toutefois puisque les répondants qui projetaient de changer
de véhicule à court terme (soit dans moins de cinq ans) se montraient moins réceptifs aux
nouvelles technologies que ceux qui prévoyaient le conserver plus longtemps. Cependant, il
ne faut pas non plus oublier que notre étude est fondée sur des données de type PD qui ne
sont pas nécessairement représentatives des choix que feraient les répondants en situation
réelle de marché.
Cette analyse correspond à la toute première application au Canada de modèles de
choix discrets flexibles dans un contexte de choix hypothétiques de ce genre. Dans le
présent contexte de réchauffement climatique, nous pensons qu’il est plus que jamais
important pour les pays industrialisés de façon générale et pour le Canada en particulier
d’envisager des solutions durables aux problèmes engendrés par le transport personnel.
C’est dans le but de donner des pistes de solutions que des simulations ont été effectuées
pour prévoir l’effet de changements dans certaines variables socioéconomiques d’un intérêt
particulier pour l’analyse de politiques sur les probabilités de choix.
Ainsi, nous avons pu constater, entre autres, que des réductions dans les prix d’achat
et d’usage des véhicules qui émettent moins de GES étaient favorables à leur adoption. De
même, l’adoption d’une technologie est conditionnelle à la disponibilité du carburant
qu’elle utilise. Enfin, une augmentation du revenu serait propice à l’intégration des
véhicules hybrides dans un premier temps, et éventuellement aussi à celle des véhicules à
pile à hydrogène lorsqu’ils seront rendus disponibles. Par contre, les résultats de nos
simulations tendent à confirmer que l’avenir du véhicule au gaz naturel au Canada n’est pas
assuré puisque sa part de marché semble relativement inélastique.
Les résultats de notre analyse économétrique nous ont aussi amenés à revoir les
estimations des paramètres comportementaux du Système Canadien de Modélisation
Intégrée (SCMI). En particulier, les estimations du taux d’escompte privé que nous
obtenons sont plus faibles que celles qui ont été obtenues précédemment à l’aide de MCD
plus simples, mais trop restrictifs. Le taux de préférence pour le temps des Canadiens serait
donc plus faible, de sorte qu’ils pourraient être mieux disposés à adopter les nouvelles
100
technologies en matière de transport privé qui leur seront proposées dans le futur que ce qui
avait été prévu initialement. Par contre, les coûts intangibles associés à la recherche
d’information concernant ces technologies seraient plus élevés que ne laissaient entrevoir
les précédents estimés. Il apparaît donc essentiel de renseigner davantage les acheteurs
potentiels au sujet des nouvelles technologies si on veut en faciliter l’adoption. Nos
estimations permettront aussi d’évaluer un indice d’hétérogénéité du marché mais ceci
devra toutefois se faire à l’intérieur même du SCMI. Nous espérons que ces estimations
plus précises des paramètres comportementaux permettront de prédire avec plus d’acuité la
demande énergétique et les émissions de GES du secteur des transports privés et
aiguilleront l’analyse de politiques visant à promouvoir l’intégration des nouvelles
technologies à ce secteur.
Nos estimations de la volonté de payer des consommateurs canadiens pour certains
attributs non monétaires des véhicules indiquent qu’il faudra mettre l’emphase d’abord sur
des améliorations de la performance des véhicules alternatifs pour en faciliter l’adoption.
La disponibilité du carburant constitue aussi une condition essentielle l’intégration de
certains types de technologies comme par exemple le véhicule à pile à hydrogène. Dans une
moindre mesure, des avantages réservés à certains types de véhicules émettant moins de
GES, telle que la permission d’emprunter des voies express, pourraient aussi constituer des
incitatifs en faveur de l’adoption des nouvelles technologies de transport.
En terminant, nous jugeons que notre étude ajoute des éléments essentiels à la
compréhension du phénomène d’intégration des nouvelles technologies dans une société
moderne comme la nôtre. Par contre, nos conclusions ne sont pas exemptes de la possibilité
d’un biais hypothétique lié à l’utilisation de données PD. Une combinaison de ces données
à celles d’une étude de type préférences relevées permettra éventuellement d’obtenir des
estimations plus justes de quelle sera la réaction des consommateurs canadiens lorsqu’ils
seront réellement confrontés à l’innovation technologie. Une telle approche aura le mérite
d’atténuer les faiblesses des deux types de données tout en profitant de leurs avantages
respectifs.
Bibliographie
Algers, S. Bergström, P. Dillén, J. L. (1998), «Mixed logit estimation of the value of travel
time», Department of Economics, University of Uppsala, Sweden.
Altissimo, F. et Mele, E. (2005), «Simulated nonparametric estimation of dynamic models
with applications to finance», FMG, London School of Economics.
American Council for Energy Economy Efficiency (2004), «Vehicle Fuel Economy
Standards Big Energy Savings at a Modest Cost», www.aceee.org.
Antille, N. (2000), «Analyse théorique et empirique de modèles de choix discrets», Chaire
de Recherche Opérationnelle du Professeur Th. M. LIEBLING, École Polytechnique
Fédérale de Lausanne.
Antille, N. (2002). « Modèles comportementaux de choix d’itinéraires », Travail de
diplôme, EPFL, Département de Mathématique, travail effectué sous la direction de Michel
Bierlaire.
Atkinson, S. et Havorsen, R. (1984), «A New Hedonic Technique for Estimating Attribute
Demand: An Application to the Demand for Automobile Efficiency», The Review of
Economics and Statistics: 417-426.
Atkinson, S. et Havorsen, R. (1984), «Parametric Efficiency Tests, Economies of Scale,
and Input Demand in U.S. Electric Power Generation», International Economic Review, 25
(3), pp. 647-662.
Bastin, F. (2004), «Trust-region algorithms for nonlinear stochastic programming and
mixed logit model», Doctorat en sciences économiques, Université Notre Dame de Namur,
Belgique, Union Européenne.
Ben-Akiva, M. Bradley, M. Morikawa, T. Benjamin, J. Novak, T. Oppewal, H. Rao, V.
(1994), « Combining Stated and Revealed Preferences Data», Marketing Letters 5:4,
(1994): 335-350. Kluwer Academic Publishers, Manufactured in the Netherlands.
Ben-Akiva, M. E. et Lerman, S. (1985), «Discrete choice analysis: theory and application
to travel Demand», MIT Press, Cambridge, MA.
102
Ben-Akiva, M. E. et Bierlaire, M. (1999), «Discrete choice methods and their applications
to short term travel decisions», in Handbook of Transportation Science, Randolph W. Hall,
ed.
Ben-Akiva, M., Bolduc, D. et Walker, J. L. (2001), «Specification, identification, and
estimation of the logit kernel (or continuous mixed logit) model», MIT Press, Cambridge,
MA.
Ben-Akiva M. et T. Morikawa. (1990a). «Estimation of Switching Models from Revealed
Preferences and Stated lntentions.» Transportation Research A, 24A(6), 485-495.
------- (1990b). « Estimation of Travel Demand Models from Multiple Data Sources." In M.
Koshi (ed.), Transportation and Traffic Theory ». New York: Elsevier, pp. 461-476.
Ben-Akiva, M. Mcfadden, D. Abe, M. Böckenholt, U. Bolduc, D. Gopinath, D. Morikawa,
T. Ramaswamy, V. Rao, V. Revelt, D. Steinberg, D. (1997). “Modeling Methods for
Discrete Choice Analysis” Marketing Letters 8:3 (1997): 273–286, 1997 Kluwer Academic
Publishers.
Bhat, C.R. (1996a). «Accommodating variations in responsiveness to level-of-service
measures in travel mode choice modeling.», working paper, Department of Civil and
Environmental Engineering, University of Massachusetts, Amherst.
---------(1996b). «A hazard-based duration model of shopping activity with nonparametric
baseline specification and nonparametric control for unobserved heterogeneity»,
Transportation Research, 30B, 3, 189-207.
Bhat, C. R. et Sen, S. (2006), «Household Vehicle type Holdings and Usage: An
Application
of
the
Multiple
Discrete-Continuous
Extreme
Value
(MDCEVM)
Model», Transportation Research Part B 40. 35-53.
Bhat C. R. et Castelar S. (2003), «A Unified Mixed Logit Framework for Modeling
Revealed and Stated Preferences: Formulation and Application to Congestion Pricing
Analysis in The San Francisco Bay Area», Research Report SWUTC/03/167220-1, Center
For Transportation Research University of Texas at Austin.
Bierlaire, M. (2002), «The Network GEV Model», EPFL Conference paper STRC,
Department of Mathematics, EPFL.
103
Bierlaire M., Bolduc D. et Godbout, M.-H. (2004), «An introduction to BIOGEME
(Version 1.0) ».
Bierlaire, M. (2004), «An introduction to BIOGEME (Version 1.3) ».
Bierlaire, M. (2005), «An introduction to BIOGEME (Version 1.4) ».
Bock, R. and Jones, L. V. (1968), «The measurement and prediction of judgement and
choice», San Francisco: Holden-Day.
Bolduc, D. (1996), «Multinomial probit with a logit kernel and a general parametric
specification of the covariance structure», MIT Working Paper.
Bunch, D. S. Bradley, M. Golob, T. F. Kitamura, R. Occhiuzzo, G. P. (1993). «Demand for
clean-fuel vehicles in California: A discrete-choice stated preference pilot project»
Transportation Research A, vol 27A, no 3, pp 237-253.
Domencich, T.A. et McFadden, D. (1975). «Urban travel demand», Amsterdam: North
Holland.
Brownstone D. et Train, K. (1996, 1998, 1999), «Forecasting New Product Penetration
with Flexible Substitution Patterns.», Journal of Econometrics.
Brownstone, D. Bunch, D. and Train, K. E. (2000, 2004), «Joint mixed logit models of
stated and revealed preferences for alternative fuel vehicles», Transportation Research. B
Cascetta, E. Nuzzolo, A. Russo, F. and Vitetta, A. (1996), «A modified logit route choice
model overcoming path overlapping; specification and some calibration results for
interurban networks», Proceedings of the 13th International Symposium of the Theory of
Road Trafic Flow (Lyon, France).
Cherchi, E. (2006). « Income, time effect and direct preferences in a multinomodal choice
context: application of mixed RP/SP models with non-linear utilities. » Journal of Network
and Spatial Economics Vol. 6(1).
Cherchi E. et Ortúzar J. de D. (2002) « Mixed RP/SP models incorporating interaction
effects : Modelling new suburban train services in Cagliarli » Transportation 29: 371–395,
2002. Kluwer Academic Publishers.
104
Chiou, L. and Walker, J. L. (2007). « Masking Identification of Discrete Choice Models
under Simulation Method”, (forthcoming), Journal of Econometrics.
Davidson, R. et McKinnon, J.G. (1993), «Estimation and inference in econometrics»,
Oxford University Press. 874 p.
Daly, A. J. et Ortúzar, J. de D. (1990). « Forecasting and data aggregation; theory and
practice. » Traffic Engineering and Control 31, 632-643.
De Jong, G. C. (1989), «A microeconomic model of joint decision on car ownership and
car use. Dans: Understanding travel behaviour in an era of change», Éd: P. Sopher et M.
Lee-Gosselin, Oxford: Pergamon. 483-504.
Dubin, J. et McFadden, D. (1984), «An econometric analysis of residential electric
appliance holdings and consumption», Econometrica, 52. 345-363.
Ewing, G. et Sarigollu, E. (2000), «Assessing consumer preferences for clean-fuel vehicles:
a discrete choice experiment», Journal of Public Policy Mark. 19, 106–118.
Fermanian, J-D and Salanié, B. (2004), «A Non-parametric Simulated Maximum
Likelihood Estimation Method», Econometric Theory 20 (4), 701-734.
Greene W. H. (2001), «Fixed and Random Effects in Nonlinear Models», Department of
Economics, Stern School of Business, New York University.
Greene, W. H. (2003), «Econometric analysis», New Jersey: Prentice Hall. 5èd.
Green, D., (1988), «Survey evidence on the importance of fuel availability to the choice of
alternative fuels and vehicles», Energy Study Review. 8, 215–231.
Goldberger, A. S. (1964), «Econometric Theory», New York: Wiley.
Golob, T.F., Kim, S. and Ren, W. (1995), «How Households use different types of
vehicles: a structural driver allocation and usage model», UCI-ITS-AS-WP-95-2, Institute
of Transportation Studies, University of California, Irvine; Irvine, CA 92697-3600 U.S.A.
105
Gould, T, F and Golob, J. (1998), «Perfecting use of energy electric vehicles from
household vehicles trials: trial and error», Institute of Transportation Studies, University of
California, Irvine.
Gouriéroux, C. and Monfort, A. (1996), «Simulation-Based Econometric Methods», CORE
Lectures, Oxford University Press.
Hajivassiliou, V. and Ruud, P. (1994), «Classical estimation methods for LDV models
using simulation», in R. Engle and D. McFadden (Eds.), Handbook of Econometrics, Vol.
IV, Elsevier, New York.
Hausman, J. and McFadden, D. (1984), «Specification Tests for the Multinomial Logit
Model», Econometrica 52 (5). 1219-2240.
Heckman, J. J. (1978), «Dummy endogenous variables in a simultaneous equation system»,
Econometrica 46 (6). 931-960.
Heckman, J. J. (1979), «Sample Selection Bias as a Specification Error», Econometrica 47
(1).153-162.
Hensher, D. A. and Greene, W. H. (2001), «The Mixed Logit Model: The State of Practice
and Warnings for the Unwary», the University of Sydney & New York University.
Hensher, D.A. and Milthorpe, F.W. (1987), «Selectivity correction in discrete-continuous
choice analysis», Regional Science and Urban Economics 17.123-150.
Hensher, D. A. and Button, K. J. (2002) ch 2, 5, 8, 23, «Handbook of Transport Modeling»,
Oxford, UK: Elsevier Science Ltd.
Hensher, D., Shore, N. and Train, K. (2006), « Water Supply Security and Willingness to
Pay to Avoid Drought Restrictions », The Economic Record, 82 (256), 56-66.
Horne, M. (2003), «Incorporating Preferences for Personal Urban Transportation
Technologies into a Hybrid Energy-Economy Model», Rapport No. 339, School of
Resource and Environmental Management, Simon Fraser University, 190 p.
106
Horne M., Jaccard, M. and Tiedemann, K. (2005), «Improving behavioral realism in hybrid
energy-economy models using discrete choice studies of personal transportation decisions»,
Energy Economics 27 (2005) 59–77, Elsevier.
Jaccard, M. (2000), «Intégration des options de réduction des émissions de GES en utilisant
le Système canadien de modélisation intégrée (SCMI) », ISUMA, Revue canadienne de
recherche sur les politiques.
Jaccard, M. Rivers, N. and Horne, M. (2004), «The morning after: optimal Greenhouse Gas
Policies for Canada’s Kyoto Obligation and Beyond», School of Resource and
Environmental Management, Simon Fraser University.
Jaffe et Stavins (1994), «Energy efficiency Investment and Public Policy», The Energy
Journal.
Kim, Y. (2002), «Estimation of discrete/continuous choice model: application of Bayesian
approach of Gibbs sampling», Applied Economics Letters 9. 305-309.
Krause, F. (1996), «Flexibility with no regrets: Energy efficiency based, least cost approach
to the Kyoto targets and mechanisms», International Project for Sustainable Energy Paths
(IPSEP).
Krause, F. (1996), «The cost of mitigating carbon emission», Energy Policy.
Lee, L. (1992). «On Efficiency Methods of Simulated Moments and Maximum Simulated
Estimation of Discrete Response Models. » Econometrica 8:518-52.
Louviere J. J. Hensher D. A. et Swait J. D. (2000). « Stated Choice Methods: Analysis and
Application. » Cambridge: Cambridge University Press.
Maddala, G. S. (1983), «Limited-dependent and qualitative variables in econometrics»,
Cambridge University Press.
Mannering, F. L. and Train, K. E. (1985), «Recent directions in automobile demand
modeling» Transportation Research Part B, 19(4), 265-274.
107
Manski, C. and Sherman (1980), «An empirical analysis of household choice among motor
vehicles», Transportation Research, vol 14.
McFadden, D. and Train, K. E. (1996 revised in 1998 and 2000), «Mixed Logit Models for
Discrete Response», Journal of Applied Econometrics; 15(5): 447-470.
McFadden, D. (1982), «Qualitative responses models», in advanced in econometrics,
econometric society publication No 2, Edited by Werner Hildenbrand.
McCarthy, P. and Tay, R. (1998), «New vehicle consumption and fuel efficiency: a nested
logit approach», Transportation Researches 34E, 39–51.
Munizaga, M.A. and Alvarez-Daziano, R. (2002), «Evaluation of mixed logit as a practical
modeling alternative», Transportation Researches BOARD.
Nyboer, J. (1997), «Simulating evolution of technology: an aid to energy policy analysis: a
case study of strategies to control greenhouse gas emissions in Canada», PhD, Simon
Fraser University.
Paulus, C. W. Mau (2005), «Modelling Consumer Preferences and Technological Change:
Survey of Attitudes to Hybrid Vehicles» School of Resource and Environmental
Management, Simon Fraser University.
Potoglou, D. and Kanaroglou, P. S. (2006), «Household Demand and Willingness to Pay
for Alternative Fuelled Vehicles», Centre for Spatial Analysis, McMaster University.
Ramjerdi, F. and Rand, L. (1997), «Demand for Alternative Fuel Cars in Norway In:
Proceedings of IATBR-97», Conference in Texas, (8193/1997).
Ressources naturelles Canada (2005), «Évolution de l’efficacité énergétique de 1990 à
2003», Rapport 2005.
Ressources naturelles Canada (2005), «Données sur la consommation d’énergie et les
émissions de GES de 1990 à 2003», Rapport 2005.
108
Revelt, D. and Train, K. E. (1997), «Mixed logit with repeated choices: household’s
choices of appliance efficiency level», University of California at Berkeley.
Rivers, N. and Jaccard, M. (2004), «Combining top-down and bottom-up approaches to
energy modeling using discrete choice methods», School of Resource and Environmental
Management, Simon Fraser University.
Rivers, N. and Jaccard, M. (2005), «Useful Models for simulating policies to induce
technological change», School of Resource and Environmental Management, Simon Fraser
University.
Jaccard, M. (2004), «Combining top-down and bottom-up approaches to energy modeling
using discrete choice methods», School of Resource and Environmental Management,
Simon Fraser University.
Rivers, N. Jaccard, M. and Nyboer, J. (2003). «Confronting the challenge of hybrid
modeling: using discrete choice models to inform the behavioural parameters of hybrid
model», EMRG, Simon Fraser University.
Revelt, D. and Train, K. E. (1997). «Mixed Logit with Repeated Choices: Households’
Choices of appliance Efficiency Level», University of California at Berkeley.
Scott, S. L. (2005). «Data Augmentation for the Bayesian Analysis of Multinomial Logit
Models.», University of Southern California.
Thomas, A. (2000), «Économétrie des variables qualitatives.» éd DUNOD.
Thurstone, L. (1927), «The law of comparative judgement.», Psychological Review 34.
273-286.
Theil, H. (1969), «A multinomial extension of the linear logit model», International
Economic Review 10. 251-259.
109
Train, K. E. and Revelt, D. (1997), « Mixed logit with repeated choices: households,
Choices of appliance efficiency Level», DE, University of California, July 1997, review of
economics.
Train, K. E. (2003), «Discrete choice methods with simulation», Kenneth Train Website.
Train, K. E. (1986), «Qualitative Choice Analysis–Theory, Econometrics, and an
Application to Automobile Demand», MIT Press. 252 p.
Train K. E. (1999), «Halton Sequences for Mixed Logit», Department of Economics,
University of California, Berkeley.
Train K. E. (1998), «Recreation Demand Models with Taste Differences over People»,
Land Economics, Vol. 74, No. 2, pp. 230-239.
Vovsha, P. and Bekhor, S. (1998), «The link-nested logit model of route choice:
overcoming the route overlapping problem», Transportation Research Record, 1645, 133.
Winston, C. (1981), «A Desaggrated model of the demand for intercity freight
transportations», Econometrica, Vol 49, N° 4, 981-1006, JSTOR.
110
Annexe A
Tableau A.1. Statistiques descriptives concernant les répondants à l’enquête et leur ménage
Caractéristiques
Sexe du répondant
Homme
Âge du répondant
25 ans ou moins
De 26 à 40 ans
De 41 à 55 ans
56 ans et plus
Niveau d’éducation du répondant
9e année
12e année
Secondaire, CÉGEP ou autre diplôme post-secondaire
Université
Langue maternelle
Anglais
Taille du ménage
Un
Deux
Trois
Quatre et plus
Proportion
39,43%
(48,89)
8,70%
(28,18)
31,75%
(46,57)
37,77%
(48,51)
21,78%
(41,30)
1,40%
(11,76)
2,80%
(16,50)
19,60%
(39,72)
33,14%
(47,10)
43,06%
(49,54)
84,75%
(35,96)
15,93%
(13,62)
32,79%
(46,97)
18,37%
(38,75)
32,91%
(47,01)
Nombre
d’observations
1154
455
863
75
274
326
188
857
12
24
168
284
369
1154
978
860
137
282
158
283
111
Caractéristiques
Classe de revenu familial
20 000$ ou moins
De 20 001$ à 40 000$
De 40 001$ à 60 000$
De 60 001$ à 80 000$
80 001$ et plus
Provinces de résidence
Colombie Britannique
Prairies
Ontario
Québec
Provinces atlantiques
Lieu de résidence
Banlieue
Accès à au moins un véhicule automobile
Oui
Nombre de véhicules du ménage
0
1
2
3 et plus
Possibilité de combler le besoin actuel avec moins de
véhicules
Oui
Proportion
8,06%
(27,24)
19,73%
(39,82)
22,86%
(42,02)
17,08%
(37,66)
32,25%
(46,77)
-
13,10%
(33,74)
17,24%
(37,79)
37,95%
(48,55)
23,74%
(42,57)
7,97%
(27,09)
77,90%
(41,50)
90,38%
(29,50)
7,30%
(26,00)
43,12%
(49,55)
38,07%
(48,60)
11,51%
(31,94)
24,02%
(42,75)
Nombre
d’observations
831
67
164
190
142
268
1154
199
274
92
151
438
1154
899
1154
1043
773
53
326
302
92
795
191
112
Caractéristiques
Satisfaction avec hybride(1)
Proportion
-
Nombre
d’observations
241
Satisfait
12,00%
(32,54)
27
Classe de véhicule utilisé le plus souvent
30,61%
(46,11)
29,85%
(45,78)
9,31%
(29,07)
5,38%
(22,56)
15,45%
(36,16)
9,02%
(28,66)
0,38%
(6,18)
27,38%
(44,61)
22,53%
(41,80)
50,09%
(50,02)
39,43%
(48,89)
20,80%
(40,60)
39,77%
(48,96)
69,78%
(45,95)
26,10%
(43,95)
3,02%
(17,34)
1,10%
(10,43)
11,25%
1042
319
Voiture compacte
Voiture intermédiaire
Camionnette
Fourgonnette
Véhicule utilitaire sport
Motocyclette
Âge du véhicule utilisé le plus souvent
0 à 4 ans
5 à 9 ans
10 ans et plus
Temps d’usage projeté
0 à 4 ans
5 à 9 ans
10 ans et plus
Coûts d’entretient du véhicule utilisé le plus souvent
Moins de 1000$ par an
De 1000$ à 2000$ par an
De 2001$ à 3000$ par an
Plus de 3000$ par an
Nombre de personnes actives dans le ménage
0
311
97
56
161
94
4
1154
316
260
578
1154
455
240
459
728
508
190
22
08
673
436
113
Caractéristiques
1
2
3 et plus
Lieux de travail du répondant
Un seul lieu de travail
Horaire de travail du répondant
Horaire de travail fixe
Déplacements pour se rendre au travail ou à l’école
Au moins une fois/semaine
Part de temps dépensé en trajet
Moins de 25%
25% à 50%
Plus de 50%
Temps requis pour se rendre au travail ou à l’école en
voiture
0 à 20 minutes
21 à 40 minutes
41 à 60 minutes
61 à 90 minutes
Plus de 90 minutes
Non disponible
Je ne sais pas
Jours de travail hebdomadaire à domicile
Aucun
Un ou deux
Trois ou quatre
Cinq ou plus
Je ne sais pas
Proportion
(31,62)
27,61%
(44,73)
30,05%
(45,87)
31,09%
(46,31)
76,85%
(42,20)
78,84%
(43,42)
81,42%
(38,92)
37,80%
(48,52)
30,58%
(46,11)
31,62%
(46,53)
-
Nombre
d’observations
145
51
24
808
621
807
604
680
257
208
215
878
51,84%
36,00%
7,23%
2,00%
0,46%
1,38%
1,07%
-
337
234
47
13
03
09
07
663
64,78%
(47,80)
21,54%
(41,14)
7,60%
(26,48)
3,56%
(18,56)
2,52%
(15,70)
202
211
104
92
54
114
Caractéristiques
Choix de mode de transport domicile-travail
Voiture
Covoiturage
Transport en commun
Marche
Vélo
Importance du facteur dans la décision concernant le
mode de transport
Coût
Durée du déplacement
Confort
Flexibilité
Sécurité
Liberté individuelle
Incidence sur l’environnement
Fiabilité
Accessibilité du moyen de déplacement
Soutient aux politiques suivantes
Améliorer le débit de circulation en construisant de
nouvelles routes et en étendant le réseau existant.
Décourager l’utilisation des voitures au moyen de
péages, de taxes sur l’essence et de frais supplémentaires
sur les véhicules.
Rendre les quartiers plus attrayants pour les marcheurs et
les cyclistes grâce à des pistes cyclables et à des
contrôles de vitesse.
Réduire les émissions des véhicules au moyen de
contrôles réguliers et de normes d’émissions pour les
fabricants.
Rendre le covoiturage et le transport en commun plus
rapides en leur réservant des voies de circulation et en
leur donnant la priorité aux carrefours.
Rendre le transport en commun plus attrayant en
réduisant les tarifs.
Réduire les distances de transport grâce à la promotion
du développement combiné résidentiel, commercial et de
forte densité.
Réduire les besoins de transport en encourageant la
Proportion
-
Nombre
d’observations
904
59,51%
(49,11)
9,30%
(29,04)
22,23%
(41,60)
6,31%
(24,32)
2,65%
(16,08)
-
538
32,38%
69,61%
34,17%
62,40%
51,20%
26,00%
22,78%
69,97%
70,24%
-
215(664)
472(678)
230(673)
420(673)
339 (662)
172 (662)
152 (667)
473 (676)
465 (662)
-
42,00%
352 (838)
11,46%
97 (846)
55,47%
471 (849)
57,19%
485 (848)
44,39%
376 (847)
64,15%
546 (851)
22,43%
190 (847)
84
201
57
24
-
115
Caractéristiques
semaine de travail comprimée et le travail à domicile.
Opinion sur les politiques de réduction des GES(2)
Favorable
Opinion sur les problèmes suivants
Encombrements de la circulation que vous subissez tout
en conduisant.
Bruit de circulation que vous entendez à la maison, au
travail ou à l’école.
Émissions des véhicules qui ont une incidence sur la
qualité de l’air local.
Accidents causés par des conducteurs agressifs ou
distraits.
Émissions des véhicules contribuant au réchauffement de
la planète.
Collectivités peu sûres en raison des excès de vitesse.
Comparaison véhicule hybride contre véhicule
standard
Fiabilité
Durée entre les pleins
Distance parcourue avec un plein
Puissance et accélération
Coût du carburant
Prix d’achat
Comparaison transport privé versus transport public
Sécurité pendant les déplacements
Covoiturage
Transport en commun
Marche
Bicyclette
Confort
Proportion
44,07%
57%
(49,57)
-
Nombre
d’observations
372 (844)
846
652
-
31,78%
267 (840)
10,19%
86 (844)
43,60%
56,75%
365 (837)
479 (844)
56,26%
41,96%
476 (846)
355 (846)
51,13%
(22,46%)
4,57%
(57,76%)
6,65%
(59,73%)
11,32%
(58,20%)
2,65%
(50,54%)
18,92%
(47,30%)
3,47%
(47,93%)
7,95%
(6,24%)
33,98%
(3,77%)
29,67%
(5,25%)
7,46%
(6,61%)
-
428 (837)
38 (831)
55 (827)
94 (830)
22 (831)
158 (835)
29 (836)
65 (817)
279 (821)
243 (819)
61 (817)
-
116
Caractéristiques
Covoiturage
Transport en commun
Marche
Bicyclette
Covoiturage
Transport en commun
Marche
Bicyclette
Flexibilité
Covoiturage
Transport en commun
Marche
Bicyclette
Proportion
5,72%
(5,23%)
4,98%
(2,43%)
10,33%
(5,29%)
5,66%
(6,64%)
30,08%
(3,17%)
49,76%
(3,14%)
2,96%
(6,49%)
90,35%
(4,15%)
3,30%
(5,26%)
4,89%
(2,93%)
17,46%
(5,04%)
16,50%
(6,90%)
1154
Nombre
d’observations
47 (822)
47 (823)
84 (813)
46 (813)
247 (821)
412 (828)
26 (821)
740 (819)
27 (817)
40 (818)
142 (813)
134 (812)
1154
Notes : les écarts-types apparaissent entre parenthèses.
(1)
: Cette question s’adressait uniquement aux personnes qui possèdent un véhicule hybride.
(2)
: Cette variable indicatrice a été créée pour identifier les personnes qui se disaient en faveur
(réponses 4 et 5) des politiques visant à « réduire les émissions des véhicules au moyen de contrôles
réguliers et de normes d’émissions pour les fabricants » par opposition à ceux qui se disaient contre
(réponses 1 et 2) ou neutres (réponse 3) face à de telles mesures.
117
Annexe B
Tableau B.1. Statistiques descriptives en fonction des choix technologiques
Caractéristiques
Véhicule
standard
Sexe du répondant
Femme
Âge du répondant
25 ans ou moins
De 26 à 40 ans
De 41 à 55 ans
56 ans et plus
Niveau d’éducation
9e année
12e année
Secondaire, CÉGEP ou
post-secondaire
Université
Langue maternelle
Anglais
Taille du ménage
Un
Deux
Trois
Quatre et plus
Véhicule
hybride
49,87%
(50,06)
7,93%
(27,05)
28,40%
(45,14)
35,80%
(48,00)
27,87%
(44,89)
6,77%
(25,15)
2,86%
(16,70)
21,35%
(41,03)
36,20%
(48,12)
32,81%
(47,01)
81,84%
(38,60)
-
Véhicule
au gaz
naturel
59,49%
(49,24)
10,75%
(31,08)
27,84%
(44,96)
32,30%
(46,90)
29,11%
(45,57)
4,43%
(20,64)
9,50%
(29,40)
22,78%
(42,07)
22,78%
(42,07)
40,50%
(49,24)
86,07%
(34,73)
-
Nombre
d’observations
62,44%
(48,44)
11,30%
(31,66)
34,35%
(47,54)
34,48%
(47,54)
19,87%
(39,91)
0,65%
(8,06)
2,22%
(14,75)
20,80%
(40,60)
33,81%
(47,32)
42,51%
(49,45)
82,74%
(37,80)
-
Véhicule à
pile à
hydrogène
58,78%
(49,58)
7,48%
(26,32)
31,83%
(46,60)
42,76%
(49,50)
17,92%
(38,37)
0,48%
(6,92)
2,30%
(15,01)
16,14%
(36,80)
32,66%
(46,92)
48,41%
(50,00)
86,64%
(34,03)
-
16,49%
(37,16)
34,03%
(47,44)
21,73%
(41,29)
27,75%
(44,83)
15,38%
(36,19)
35,89%
(48,12)
12,82%
(33,54)
35,90%
(48,12)
13,76%
(34,46)
33,70%
(47,28)
20,32%
(40,25)
32,20%
(46,74)
15,45%
(36,16)
31,00%
(46,27)
15,74%
(36,43)
37,81%
(48,51)
460
3144
1296
3132
300
1016
1168
648
3112
48
84
604
1032
1344
3144
2644
3120
1028
580
1052
118
Caractéristiques
Véhicule
standard
Classe de revenu
20 000$ ou moins
12,83%
(33,49)
19,52%
(39,68)
21,12%
(40,87)
14,70%
(35,46)
31,82%
(46,63)
19,70%
(39,82)
29,67%
(45,74)
9,20%
(28,95)
8,95%
(28,58)
32,48%
(46,89)
74,93%
(43,39)
93,60%
(24,49)
5,26%
(22,36%)
48,69%
(50,05)
34,47%
(47,59)
11,58%
(32,04)
21,27%
(41,14)
De 20 001$ à 40 000$
De 40 001$ à 60 000$
De 60 001$ à 80 000$
80 001$ et plus
Colombie Britannique
Prairies
Ontario
Québec
Provinces atlantiques
Lieu de résidence
Banlieue
Accès au véhicule privé
Oui
Nombre de voitures
Zéro
Un
Deux
Trois et plus
Satisfaction hybride(1)
Satisfait
Véhicule
au gaz
naturel
13,24%
(34,01)
20,53%
(40,52)
13,24%
(34,01)
25,82%
(43,91)
27,15%
(44,62)
12,66%
(33,35)
25,32%
(43,62)
8,86%
(28,50)
15,19%
(36,00)
37,97%
(48,68)
75,32%
(43,25)
90,50%
(29,40)
9,21%
(29,01)
33,55%
(47,37)
40,13%
(49,18)
17,11%
(37,78)
11,42%
(32,28)
Véhicule
hybride
6,76%
(25,11)
19,88%
(39,92)
23,96%
(42,69)
17,54%
(38,04)
31,86%
(46,60)
18,30%
(38,67)
24,30%
(42,90)
9,70%
(29,60)
12,41%
(32,98)
35,29%
(47,80)
76,02%
(42,71)
92,63%
(26,13)
6,30%
(24,31)
42,02%
(49,37)
39,99%
(49,00)
11,69%
(32,13)
10,83%
(31,11)
Véhicule à
pile à
hydrogène
6,61%
(24,86)
17,67%
(38,16)
21,62%
(41,18)
16,19%
(36,85%)
37,90%
(48,54)
17,94%
(38,38)
20,23%
(40,19)
7,63%
(26,56)
13,45%
(34,14)
40,75%
(49,16)
77,86%
(41,54)
91,03%
(28,58)
7,90%
(27,00)
41,28%
(49,25)
39,25%
(48,85)
11,57%
(32,00)
9,18%
(28,92)
Nombre
d’observations
3032
236
580
676
520
1020
3144
568
744
208
392
1160
3144
2404
3144
2896
3092
212
1304
1208
368
964
108
119
Caractéristiques
Véhicule
standard
Classe de véhicule
28,14%
(45,03)
28,68%
(45,29)
13,11%
(33,80)
9,29%
(29,07)
10,93%
(31,24)
9,84%
(29,82)
0,00%
(0,00)
39,13%
(48,86)
27,87%
(44,89)
32,99%
(47,08)
58,57%
(49,32)
21,74%
(41,29)
19,70%
(39,82)
65,48%
(47,61)
26,84%
(44,38)
6,19%
(24,14)
1,47%
(12,07)
Voiture compacte
Camionnette
Fourgonnette
Motocyclette
Âge du véhicule
0 à 4 ans
5 à 9 ans
10 ans et plus
Temps d’usage projeté
0 à 4 ans
5 à 9 ans
10 ans et plus
Coûts d’entretient
Moins de 1000$ par an
De 1000$ à 2000$ / an
De 2001$ à 3000$ / an
Plus de 3000$ par an
Véhicule
au gaz
naturel
30,07%
(46,01)
30,07%
(46,01)
13,28%
(34,06)
8,39%
(27,82)
12,58%
(33,28)
5,60%
(23,06)
0,00%
(0,00)
38,60%
(48,84)
15,19%
(36,00)
46,20%
(50,01)
47,47%
(50,09)
28,48%
(45,27)
24,05%
(42,87)
64,80%
(47,95)
28,80%
(45,46)
4,80%
(21,46)
1,60%
(12,60)
Véhicule
hybride
32,75%
(46,94)
30,79%
(46,18)
10,15%
(30,20)
4,20%
(20,06)
13,85%
(34,56)
8,05%
(27,21)
0,21%
(4,58)
33,94%
(47,36)
33,80%
(47,32)
32,25%
(46,76)
51,32%
(50,00)
30,00%
(45,84)
18,68%
(38,98)
72,28%
(44,77)
23,84%
(42,62)
2,50%
(15,63)
1,36%
(11,61)
Véhicule à
pile à
hydrogène
29,14%
(45,46)
29,77%
(45,45)
6,70%
(25,03)
4,82%
(21,43)
20,12%
(40,11)
8,91%
(28,50)
0,52%
(7,22)
37,12%
(48,33)
28,62%
(45,22)
34,26%
(47,47)
54,39%
(49,83)
26,53%
(44,17)
19,08%
(39,31)
67,30%
(46,94)
29,20%
(45,49)
2,70%
(16,23)
0,80%
(8,85)
Nombre
d’observations
2892
892
872
276
152
448
244
08
3144
1128
956
1060
3144
1668
872
604
2668
1852
700
84
32
120
Caractéristiques
Nombre de personnes
actives dans le ménage
Zéro
Un
Deux
Trois et plus
Lieu de travail
Un seul lieu
Horaire de travail
Fixe
Déplacements en auto
Au moins une fois par
semaine
Modes de transport
Auto
Covoiturage
Transport en commun
Marche
Vélo
Importance du facteur
dans la décision
d’emprunter un mode
Coût
Durée du déplacement
Confort
Flexibilité
Véhicule
standard
Véhicule
hybride
-
Véhicule
au gaz
naturel
-
Nombre
d’observations
-
Véhicule à
pile à
hydrogène
-
14,69%
(35,44)
26,29%
(44,07)
27,83%
(44,88)
31,18%
(46,40)
71,59%
(45,16)
70,62%
(45,61)
75,90%
(42,82)
69,96%
(45,92)
5,80%
(23,42)
16,72%
(37,38)
5,12%
(22,07)
2,39%
(15,29)
-
11,54%
(32,05)
26,92%
(44,50)
30,77%
(46,30)
30,77%
(46,30)
80,85%
(39,48)
75,35%
(43,24)
80,26%
(39,93)
63,02%
(48,47)
16,80%
(37,55)
15,12%
(35,98)
4,20%
(20,15)
0,84%
(9,17)
-
10,50%
(30,66)
27,93%
(44,88)
31,63%
(46,52)
29,94%
(45,81)
77,96%
(41,46)
76,06%
(42,68)
80,72%
(39,46)
60,28%
(48,95)
8,98%
(28,60)
21,74%
(41,27)
5,96%
(23,68)
3,02%
(17,13)
-
10,24%
(30,33)
26,12%
(43,95)
29,47%
(45,61)
34,16%
(47,45)
75,35%
(43,11)
71,48%
(45,17)
83,73%
(36,92)
63,09%
(48,28)
8,77%
(28,30)
16,80%
(37,41)
7,43%
(26,24)
3,89%
(19,36)
-
344
27,64%
(44,80)
76,08%
(42,73)
46,31%
(49,94)
64,28%
41,74%
(49,53)
63,33%
(48,39)
42,01%
(49,56)
57,39%
32,82%
(46,97)
69,36%
(46,12)
32,18%
(46,74)
60,70%
30,40%
(46,02)
67,06%
(47,02)
27,32%
(44,58)
61,86%
3132
848
952
988
2940
2248
2936
2168
3024
2452
2424
1516
216
464
152
76
-
764 (2404)
1700 (2460)
796 (2432)
1500 (2444)
121
Caractéristiques
Sécurité
Liberté individuelle
Incidence sur
l’environnement
Fiabilité
Accessibilité du moyen
de déplacement
Opinion sur les
problèmes suivants
Encombrements de la
circulation que vous
subissez tout en
conduisant.
Bruit de circulation que
vous entendez à la
maison, au travail ou à
l’école.
Émissions des véhicules
qui ont une incidence
sur la qualité de l’air
local.
Accidents causés par des
conducteurs agressifs ou
distraits.
Émissions des véhicules
contribuant au
réchauffement de la
planète.
Collectivités peu sûres
en raison des excès de
vitesse
Réduction des GES(2)
Opinion favorable
Véhicule
standard
Véhicule
hybride
(48,00)
48,43%
(50,06)
39,86%
(49,04)
13,45%
(34,17)
74,57%
(43,62)
68,96%
(46,34)
-
Véhicule
au gaz
naturel
(49,66)
62,93%
(48,51)
26,95%
(44,56)
26,95%
(44,56)
66,10%
(47,54)
61,94%
(48,77)
-
Nombre
d’observations
(48,86)
47,79%
(49,97)
21,41%
(41,04)
15,96%
(36,64)
68,17%
(46,60)
69,33%
(46,13)
-
Véhicule à
pile à
hydrogène
(48,60)
50,90%
(50,02)
25,82%
(43,79)
31,26%
(46,38)
67,90%
(46,71)
70,14%
(45,79)
-
32,19%
(46,78)
33,55%
(47,37)
31,62%
(46,52)
32,22%
(46,75)
-
6,35%
(24,42)
5,23%
(22,33)
8,57%
(27,99)
11,12%
(31,45)
-
25,60%
(43,70)
40,25%
(49,20)
38,98%
(48,78)
54,94%
(49,78)
-
59,89%
(49,07)
64,52%
(48,00)
55,14%
(49,75)
55,86%
(49,68)
-
38,52%
(48,73)
45,16%
(49,92)
51,44%
(50,00)
69,51%
(46,06)
-
42,22%
(49,45)
40,90%
(49,33)
37,98%
(48,55)
44,65%
(49,74)
-
63,32%
(48,25)
66,86%
(47,21)
74,51%
(43,59)
84,65%
(36,05)
3270
3270
1196 (2408)
612 (2408)
520 (2420)
1680 (2444)
1664 (2404)
-
122
Caractéristiques
Comparaison véhicule
hybride au véhicule
standard
Incidence sur
l’environnement
Fiabilité
Durée entre les pleins
Distance parcourue avec
un plein
Puissance et accélération
Coût du carburant
Prix d’achat
Nombre
d’observations
Véhicule
standard
Véhicule
hybride
-
Véhicule
au gaz
naturel
-
Nombre
d’observations
-
Véhicule à
pile à
hydrogène
-
41,68%
(49,37)
(47,70%)
3,20%
(17,62)
(59,20%)
6,18%
(24,11)
(61,02%)
9,38%
(29,19)
(60,32%)
3,47%
(18,34)
(52,67%)
11,87%
(32,39)
(55,67%)
4,75%
(21,30)
(53,56%)
391
31,61%
(46,64)
(32,25%)
3,87%
(19,35)
(59,35%)
4,54%
(20,89)
(62,34%)
4,60%
(21,03)
(63,81%)
4,55%
(20,89)
(55,19%)
14,19%
(35,01)
(53,55%)
1,29%
(11,32)
(53,55%)
158
56,27%
(49,62)
(19,98%)
3,18%
(17,56)
(57,00%)
7,08%
(25,66)
(57,71%)
11,81%
(32,28)
(55,94%)
2,13%
(14,43)
(47,54%)
21,74%
(41,26)
(43,68%)
2,62%
(16,00)
(44,44%)
1547
50,04%
(50,02)
(16,98%)
5,40%
(22,62)
(57,95%)
6,42%
(24,52)
(61,48%)
12,85%
(33,48)
(58,53%)
3,20%
(17,60)
(51,10%)
18,38%
(38,75)
(46,85%)
4,01%
(19,63)
(47,94%)
1048
-
-
-
-
-
-
-
-
3144
Notes : les écarts-types apparaissent entre parenthèses.
(1)
: Cette question s’adressait uniquement aux personnes qui possèdent un véhicule hybride.
(2)
: Cette variable indicatrice a été créée pour identifier les personnes qui se disaient en faveur
(réponses 4 et 5) des politiques visant à « réduire les émissions des véhicules au moyen de contrôles
réguliers et de normes d’émissions pour les fabricants » par opposition à ceux qui se disaient contre
(réponses 1 et 2) ou neutres (réponse 3) face à de telles mesures.
123
Annexe C
Tableau C.1: Liste des variables explicatives
Variables
CC
FC
FA
EXP
POW
Caractéristiques du répondant
Sexe du répondant
Catégories d’âge du répondant
25 ans et moins
De 26 à 40 ans
De 41 à 55 ans
56 ans et plus
Niveau d’éducation du répondant
9e année
12e année
Secondaire, Post-secondaire ou
CÉGEP
Université
Opinion favorable à la réduction des
GES
Caractéristiques du ménage
Classes de revenu familial
20 000$ ou moins
De 20 001$ à 40 000$
De 40 001$ à 60 000$
Définition
Coût en capital, pour chacune des technologies
Coût en carburant, pour chacune des technologies
Disponibilité du carburant, pour les technologies gaz
naturel et hydrogène
Accès aux voies express, pour les technologies gaz
naturel, hybride et hydrogène
Puissance du moteur, pour les technologies gaz naturel,
hybride et hydrogène
Femme=1 si le répondant est une femme et Femme=0
sinon (Homme est la catégorie de référence)
1 si le répondant est âgé de 25 ans ou moins et 0 sinon
(catégorie de référence)
1 si le répondant est âgé de 26 à 40 ans et 0 sinon
1 si le répondant est âgé de 41 à 55 ans et 0 sinon
1 si le répondant est âgé de plus de 55 ans et 0 sinon
1 si le niveau d’éducation le plus élevé atteint par le
répondant est inférieur à la 9e année de scolarité et 0 sinon
(catégorie de référence)
répondant est une 9e année de scolarité et 0 sinon
répondant est une 12e année de scolarité et 0 sinon
répondant est des études secondaires, post-secondaires ou
le CÉGEP et 0 sinon
1 si le répondant a fréquenté l’Université et 0 sinon
1 si le répondant a un avis favorable envers les politiques
de réduction des gaz à effet de serre et 0 sinon
1 si le ménage a un revenu de $20 000 ou moins et 0
sinon (catégorie de référence)
1 si le ménage a un revenu compris entre 20 001$ et
40 000$ et 0 sinon
124
De 60 001$ à 80 000$
80 001$ et plus
Colombie-Britannique
Prairies
Ontario
Québec
Atlantic Canada
Nombre de véhicules
1
2
3 ou plus
Classe du véhicule utilisé le plus
souvent
Voiture compacte
Camionnette
Fourgonnette
Constante
60 000$ et 0 sinon
80 000$ et 0 sinon
1 si le ménage a un revenu supérieur à 80 000$ et 0 sinon
1 si le répondant réside en Colombie-Britannique et 0
sinon
1 si le répondant réside dans l’une des provinces des
Prairies et 0 sinon (catégorie de référence)
1 si le répondant réside dans la province de l’Ontario et 0
sinon
1 si le répondant réside dans la province du Québec et 0
sinon
1 si le répondant réside dans l’une des provinces de
l’atlantique et 0 sinon
1 si le ménage possède un seul véhicule et 0 sinon
1 si le ménage possède deux véhicules et 0 sinon
1 si le ménage possède trois véhicules ou plus et 0 sinon
1 si le véhicule le plus fréquemment utilisé par le
répondant est une sous-compacte et 0 sinon
répondant est une compacte et 0 sinon
répondant est une voiture intermédiaire et 0 sinon
répondant est une camionnette et 0 sinon
répondant est une fourgonnette et 0 sinon
répondant est un véhicule utilitaire sport et 0 sinon
Égale à 1 pour toutes les observations et permet d’estimer
les interceptes des utilités de chacune des alternatives

Voir le document

Transcription

Documents pareils

Guide de l`exposant - Salon Véhicule Électrique Montréal

La voiture hybride

SPÉCIFICATION TYPE – BLOC AUTOCLAVE

gazette labo mai 2013 - demi page journal

Université Paris 13, Sorbonne Paris Cité, Institut Galilée Laboratoire

0-FEU VERT promo clim

Méthode d`analyse régionale sur données individuelles

FEUILLE DE REMBOURSEMENT DE FRAIS LOGO