4.1.4.2.Modèle LOGIT avec l’échantillon apuré des utilisateurs de ticket unité enquêtés 

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

Le rhô barre carré est plus faible que chez les autres segments enquêtés (0.28 contre 0.48 pour les abonnés et 0.41 pour les utilisateurs de carnets de 10 tickets), mais toutes les variables sont significativement différentes de 0. De plus, les signes des variables de prix, de lieu d’achat et de durée de validité sont conformes aux prévisions :

• 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 0.04% de l’utilité du titre.
• La variable de durée de validité est négative : en effet, la notion de durée annuelle correspond pour les utilisateurs de tickets unité a une « dégradation » par rapport à une validité mensuelle du titre pour des personnes habituées à une certaine irrégularité et à une « non-planification » de la mobilité en transport en commun).
• Le lieu d’achat a un signe positif : cette variable correspond en effet à une amélioration des conditions d’achat.

On remarque que la constante n’est pas significativement différente de 0, ce qui signifie que les utilisateurs de tickets unité n’attribuent pas d’utilité intrinsèque au titre Fidélité par rapport au ticket unité. Dans le cas des utilisateurs de tickets unité, on peut trouver dans cette constante :

• un possible effet d'inertie (c'est-à-dire que dans l'enquête, on préfère choisir ce que l'on connaît, le produit existant, plutôt que le produit nouveau) - c'est un effet négatif ;
• un possible attrait de la nouveauté pour le titre Fidélité – 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.

On note également que le titre Fidélité a été choisi dans 60% des cas, et le ticket unité dans 40% des cas. Ce résultat nous conforte dans l’idée que nous n’avons enquêté que les utilisateurs de tickets unité les plus mobiles.

Nous avons ensuite fait différentes tentatives pour segmenter l’échantillon en utilisant, comme précédemment, les éclairages apportés par les classifications. Nous avons ainsi dans un premier temps testé des segmentations suivant différents niveaux de mobilité. Il s’avère que c’est la segmentation suivant le niveau de mobilité {inférieure à 5 déplacements, supérieure ou égale à 5} qui améliore le plus le modèle. D’autres variables ont été testées (lieu d’habitation, âge, activité, sexe, régularité de la mobilité en transport en commun, motifs dominants de déplacement), ce qui a permis de confirmer que le niveau de mobilité était la variable de segmentation la plus pertinente.