4.1.3.2.Modèle LOGIT avec l’échantillon apuré des utilisateurs de carnets de 10 tickets enquêtés 

L’estimation par le maximum de vraisemblance donne le résultat suivant :

Le rhô barre carré est très satisfaisant (0.38), les variables sont toutes significativement différentes de 0 et ont toutes un signe conforme à ce qui était attendu (Cf. Figure 29) :

• Le prix a un signe négatif : si le prix du titre augmente, l’utilité du titre diminue, mais de façon non proportionnelle puisqu’une hausse de 1% du prix entraîne une baisse de 0.08% de l’utilité du titre. Comme pour les abonnés, la variable de prix correspond à un budget mensuel, car nous pensons que les utilisateurs de carnets de 10 tickets ont comparé le carnet et le titre Fidélité sur cette base, étant donné la forme du titre Fidélité, qui se calcule à partir d’une mobilité mensuelle.
• Le lieu d’achat a un signe positif : on proposait aux utilisateurs de carnets de 10 tickets enquêtés une amélioration de leur situation, à savoir des lieux d’achat étendus, notamment aux bus, qu’ils ont logiquement valorisé, d’où le signe positif de la variable de lieu d’achat.
• La variable de durée de validité est positive : cela signifie que les utilisateurs de carnets de 10 tickets considèrent que la durée de validité annuelle (ou illimitée pour le carnet de 10 tickets) est un « plus » par rapport à la durée de validité mensuelle glissante.

On constate que la constante a un signe négatif. Dans le cas des utilisateurs de carnets de 10 tickets, on peut y trouver :

• un possible effet d'inertie - c'est un effet négatif ;
• un possible attrait de la nouveauté – c’est un effet positif ;
• une nouvelle offre tarifaire se situant entre le ticket unité et le carnet de 10 tickets, donc un choix plus étendu – c’est un effet positif.

Nous avons ensuite tenté de segmenter l’échantillon des utilisateurs de carnets de 10 tickets pour voir si le modèle pouvait encore être amélioré, en nous appuyant sur les résultats produits par les classifications. Nous avons donc effectué une segmentation suivant le niveau de mobilité. Plusieurs seuils ont été testés : plus ou moins de 6 déplacements en transport en commun par semaine (6 déplacements hebdomadaires représentent le seuil de rentabilité entre le carnet de 10 tickets et le titre Fidélité), plus ou moins de 7 déplacements, plus ou moins de 8 déplacements, et plus ou moins de 9 déplacements. Il s’avère que c’est la segmentation à 6 déplacements par semaine qui apporte l’amélioration la plus forte. Une étude plus poussée de cette variable a permis de mettre en évidence qu’une segmentation en trois classes de mobilité (inférieure à 6 déplacements par semaine, comprise entre 6 et 8 déplacements et supérieure ou égale à 9 déplacements) était encore plus satisfaisante par rapport au modèle non segmenté.

D’autres variables ont également été testées afin de confirmer (ou d’infirmer) l’intérêt de la segmentation suivant le niveau de mobilité :

• l’activité, selon que l’on soit actif ou inactif,
• l’âge, selon que la personne ait entre 21 et 49 ans ou entre 50 et 64 ans,
• sur la zone d’habitation, selon que la personne enquêtée vit dans le centre de Lyon ou en périphérie,
• le sexe,
• la captivité ou non aux transports en commun de la personne,
• les revenus, selon qu’ils soient plutôt faibles, ou plutôt élevés,
• la régularité de la mobilité en transport en commun,
• les motifs de déplacement, selon qu’ils sont plutôt contraints (pour des déplacements vers ou en retour du travail) ou non contraints.

Il s’avère que plusieurs variables apportent une amélioration par rapport au modèle général : l’activité, l’âge, la captivité, et le motif de déplacement. Toutefois, c’est encore une segmentation suivant le niveau de mobilité qui améliore le plus le modèle.

Remarque : nous rappelons que nous testons l’amélioration apportée par telle ou telle variable grâce à la formule suivante : -2(L(M1)+L(M2)-L(M)) où L(M1) est le maximum de vraisemblance pour le segment 1, L(M2) est le maximum de vraisemblance pour le segment 2, et L(M) est le maximum de vraisemblance du modèle global. Si cette formule donne un résultat supérieur à un 2 (0.95 ; n), alors le modèle segmenté apporte une amélioration par rapport au modèle non segmenté.