Impact  de  différents  facteurs  sur  le  prix  d’un  Durüm  pitta  à  Bruxelles  

Questions  Approfondies  d’Economie                                STAT-­‐D-­‐302  

 

Gracia  Mbombo  Mbuyi  -­‐  Dady  N’pingha  Kawaya  -­‐  Gaëtan  Edjidjimo  

Avril  2013  Professeur  :  M.  CINCERA    Assistant  :    J.  RAVET    

 

 

 

1    

 

 

 

Abstract  

The  aim  of  this  paper  is  to  find  the  different  features  influencing  the  price  of  the  Turkish  Belgian  product:  durüm  pitta.  The  outcomes  of  our  four  regressions  showed  that  the  group  of  variables  that  we  used  are  weakly  significant.  So  the  main  result  is  the  fact  that  we  did  not  find  any  variable  enough  significant  to  explain  the  pricing  process.  However,  we  have  observed  that  the  prices  of  the  five  geographic  

areas  of  Brussels  converged  relative  to  the  center.  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2    

Table des matières Introduction  .........................................................................................  5  

Secteur  et  littérature  ............................................................................  6  

Description  du  durüm  ..........................................................................  8  

Méthodologie  .......................................................................................  8  

Méthode  de  travail  ............................................................................  8  

Données  .............................................................................................  9  

Statistique  descriptive  ........................................................................  11  

Analyse  économétrique  .....................................................................  12  

1.  Spécification  générale  des  modèles  ............................................  12  

Régression  1  ..................................................................................  13  

Régression  2  ..................................................................................  13  

Régression  3  ..................................................................................  14  

Régression  4  ..................................................................................  15  

Résultats  .............................................................................................  16  

Convergence  des  zones  géographiques  .............................................  17  

Comparaison  du  prix  observé  et  de  la  prévision  du  modèle  4  ........  18  

Discussion  ...........................................................................................  18  

Conclusion  ..........................................................................................  20  

Bibliographie  ......................................................................................  21  

Annexe  ...............................................................................................  22    

 

 

 

3    

Indexe des tableaux

Tableau 1 – Description des variables .............................................................. 24

Tableau 2 - Répartitions des communes en zones ............................................ 25

Tableau 3 - Statistiques de l’échantillon ............................................................ 25

Tableau 4 – Statistiques du prix selon les zones géographiques ........................ 26

Tableau 5 – Table de corrélation ........................................................................ 27

Tableau 6 - Table des régressions ..................................................................... 28

Tableau 7 - White Heteroskedasticity Test: Regression 1   ................................. 29

Tableau 8 - White Heteroskedasticity Test: Regression 2 .................................. 29

Tableau 9 - White Heteroskedasticity Test: Regressions 3 ............................... 30

Tableau 10- White Heteroskedasticity Test: Regression 4 ................................. 31

Tableau 11 - Wald Test : Convergence des zones géographiques ................... 33

Tableau 12 – Les 20 snacks les plus sous-estimés par le modèle 4 ................... 34

Tableau 13 - Les 20 snacks les plus sur-estimés par le modèle 4 ..................... 35

Tableau 14 – Forecasting ................................................................................... 36  

4    

Indexe des graphiques.

Graphique 1 - Evolution de l’indice des prix dans les cafés et restaurants de 1998 à 2009. ... 23

Graphique 2 – Histogramme des résidus de la régression 1 ................................................... 29

Graphique 3 - Histogramme des résidus de la régression 2 .................................................... 30

Graphique 4 - Histogramme des résidus de la régression 3 .................................................... 30

Graphique 5 - Histogramme des résidus de la régression 4 ..................................................... 31

Graphique 6 – Relation entre l’indice de richesse et le prix moyen de l’immobilier ............. 31

Graphique 7 – Relation entre l’état des lieux et le prix .......................................................... 32

Graphique 8 - Prix moyen par rapport à l’existence d’une mention ...................................... 32

Graphique 9 – Prix immobilier par zones ............................................................................... 32

Graphique 10 – Le prix en fonction des snacks prévus par la régression et observé sur le terrain ...................................................................................................................................... 40  

 

 

 

 

 

 

 

 

5    

Introduction    

Au cours de ces dernières décennies, le comportement des consommateurs a été profondément modifié. Le rythme de vie effréné qu’inflige la société actuelle, pousse un grand nombre d’individus à modifier non seulement leur mode de vie mais également leur alimentation.1 Parallèlement à cela, on constate que les individus consacrent de moins en moins de temps pour déjeuner. Ce temps est passé de 1h38 en 1975 à 31 minutes aujourd’hui !2 . La place qu’occupe l’alimentation dans la vie contemporaine a vraisemblablement changé.

Face à ces évolutions, la restauration commerciale s’est adaptée, notamment avec le développement d’une offre de restauration dite « rapide » ou « fast food », pratique et bon marché. L’un des leaders mondiaux en la matière est l’enseigne McDonald’s, avec ces célèbres hamburgers. Cette chaine de restauration rapide est présente dans 121 pays et est devenue le symbole de la mondialisation et de la prédominance de la culture américaine.3

Aujourd’hui, plusieurs enseignes de restauration (Pizza-hut, KFC, Bruger King..) regroupent de nombreux points de vente, formant de véritables chaînes internationales.

A côté de cela, un nouveau genre de restauration rapide commence petit à petit à s’implanter dans les rues des grandes villes, comme les snacks turcs, grecs, ou encore libanais. Ouvert, pour la plus part, sept jours sur sept et 24 heures sur 24, les jeunes ne s’en lassent pas ! Ces restaurants rapides et très économiques répondent à la tendance du « nomadisme alimentaire », qui consiste à manger n’importe où, et à n’importe quelle heure.4

C’est sur cette nouvelle vague de restauration rapide, que notre travail va principalement se focaliser. Nous nous sommes plus particulièrement concentrés sur un échantillon de snack prélevé dans chacune des communes de la région de Bruxelles-Capital. Au cours de ce travail, nous allons chercher à déterminer quel sont les facteurs déterminant le prix d’un dürüm pitta (spécialité turque de type kebab ou le pain est remplacé par une galette turque). En effet, nous avons pu remarquer qu’à travers les 19 communes qui forment la région de Bruxelles-Capital, le prix d’un dürüm pitta diffère.

D’un point de vue économique cette étude s’avère intéressante, car elle cherche à déterminer quels sont les facteurs économiques et marketing qui sont pris en compte dans la détermination du prix d’un durum pitta. De plus de nos jours, ce produit est consommé par une grande majorité de jeunes et d’adultes. Nous avons tous été une fois au snack. Voilà pourquoi notre analyse nous semble originale et intéressante dans le monde contemporain.

                                                                                                                         1  CARBONEL,Xavier  ;  Problématique  de  la  sécurités  des  aliments  en  phase  de  création  d’une  chaine  de  restauration  rapide  ;  2006.  2  Le  figaro  ;  Le  boom  de  la  restauration  rapide  ;  10/02/2010  à  11h32  3  CARBONEL,Xavier  ;  Problématique  de  la  sécurités  des  aliments  en  phase  de  création  d’une  chaine  de  restauration  rapide  ;  2006.  4  AVESQUE  A  ;  Mcdo,kebab,  sandwich  …  comment  la  restauration  rapide  a  conquis  la  France  ;  L’Expansion.  ;01/03/2013  à  12H39.  

6    

Secteur  et  littérature    

Etant donné le peu de littérature sur les snacks particulièrement, nous concentrerons notre littérature sur la restauration générale et plus particulièrement la restauration rapide.

Olivier Gergaud - dans son œuvre « Stardust over Paris gastronomic restaurants » - a démontré que les prix des plats dans le monde de la restauration à Paris étaient fortement corrélés non pas aux types d’aliments proposés mais surtout aux cotations Michelin et à l’environnement incluant l’immobilier et sa valeur.5 Nous tenterons à notre tour de découvrir si le prix du durüm pitta est influencé également par la mention et/ou les caractéristiques de l’emplacement de l’établissement le proposant.

Selon le Syndicat National de l’Alimentation et de la Restauration Rapide (SNARR), l’absence de service à table différencie la restauration rapide de la restauration traditionnelle et l’utilisation de conditionnement jetable différencie la restauration rapide de la cafétaria. La restauration rapide est un secteur hétérogène en ce sens qu’il regroupe entre autre les sandwicheries, les enseignes d’hamburgers, les pizzerias, les cafés américains et les restaurations ethniques. 6

Comme analysé par Sebastien Liarte dans son œuvre « Comment localiser les unités de son réseau de distribution : entre évitement de la concurrence et recherche de proximité » (2003), le marché de la restauration rapide est aujourd’hui ultra-concurrentiel : on dénombre plusieurs enseignes internationales telles que McDonald’s, Quick, Burger King, KFC.

Depuis sa création, l’enseigne McDonald’s est devenue un symbole en matière de restauration rapide en internationalisant le concept « fast food ». Avec plus de 25 000 restaurants dans 121 pays, McDonald’s est la plus grande chaîne de restauration rapide dans le monde. Avec un chiffre d’affaire pour l’année 2011 estimé à 27 Milliards de dollars (21 Milliards d’Euros), McDonald’s est une véritable réussite internationale qui symbolise la croissance du secteur de le restauration rapide en général. Ce dynamisme s’explique par un certain nombre de changement sociologique.

Tout d’abord, l’urbanisation des ménages permet une accessibilité plus facile aux commerces. Aussi, le temps de préparation en cuisine a diminué tandis que le trajet domicile – lieu du travail s’est accru. De plus, de plus en plus de femmes s’insèrent dans le monde professionnel. On note également une explosion du modèle familial traditionnel et de la symbolique du repas familial. 7

Selon le SNARR, le secteur de la restauration rapide a su répondre aux besoins actuels des consommateurs tels que la proximité par rapport au lieu de travail, des banlieues et des quartiers de bureaux. La rapidité et la facilité sont deux avantages importants proposés par la

                                                                                                                         5  Gergaud  Olivier,Montano  Guzman  Linette  ;  Veradi  Vincenzo  ;  Stardust  over  Paris  Gastronomic  Restaurants.  6  CARBONEL,Xavier  ;  Problématique  de  la  sécurités  des  aliments  en  phase  de  création  d’une  chaine  de  restauration  rapide  ;  2006.  7BORRELY  R.,  BOSC  B,  BOSSARD  N.  BOUCEBA  S,  BOULIEU  V,  BOURGEOIS  ;  Stratégie  globale  de  Mc  Donald’  ;  CERAM  Sophia  Antipolis.  

7    

restauration car la population occidentale accorde de moins en moins de temps à la préparation en cuisine. Un autre avantage qu’offre la restauration rapide est le rapport qualité prix. En effet, celle-ci offre le repas complet le moins cher de toute la restauration commerciale.8

La clientèle de la restauration rapide est majoritairement jeune et familiale. Plus de la moitié de la clientèle de ce secteur ont moins de 30 ans, et ce tant pour les chaînes de production que pour les indépendants. Cette clientèle diffère selon le lieu d’emplacement et le moment de consommation. 9

D’autre part, ce secteur est très compétitif. De nombreux acteurs sont déjà implantés dans ce marché (McDonald’s, Burger King, KFC par exemple). Il est donc difficile pour un nouvel acteur de s’imposer sur le marché. Mais, les indépendants (propriétaires de petites restaurations rapides telles que les « snacks » bruxellois) y arrivent de plus en plus notamment grâce aux investissements moindres relativement aux grandes enseignes (McDonald’s par exemple) ainsi que la capacité d’innovation qu’offre la création d’un snack. 10

Facteur de compétition, le prix du menu (féculent, viande, légumes) est une donnée essentielle de notre analyse. La littérature relative à la restauration nous apprend qu’il est généralement plus faible dans la restauration rapide que dans la restauration globale.11 En effet, à titre d’exemple un Mcmenu Moyen au McDonalds - composé d’un sandwich au choix, une portion moyenne de frite, une boisson – coûte en moyenne 7,5 euros.12 Or, dans un snack « bruxellois », l’équivalent – composé d’un durum, une boisson et les frites – varie d’un snack à l’autre entre 4,5 euros et 5,5 euros.

Selon l’étude de Philippe Callot, les prix des produits proposés par les snacks, se fixent en prenant en compte les analyses du prix moyen demandé par les consommateurs, la dispersion de prix dans les gammes ainsi que l’écart de prix dans une gamme avec pour objectif de centrer les dépenses sur les prix médians. Les plats ayant la meilleure rentabilité seront donc placés dans cette catégorie médiane. 13

Concernant la Belgique, selon le Ministère de la Région Wallonne (Observatoire de la consommation alimentaire, Janvier 2011), entre 1998 et 2009, l’indice de l’ensemble « restaurants et cafés » a augmenté de 38 pourcents ce qui est supérieur à l’évolution de l’indice global des prix à la consommation (25 pourcents). Nous pouvons remarquer graphiquement que les snacks ont aussi subi une augmentation de leur indice (Annexes : graphique 1). 14

                                                                                                                         8  CARBONEL,Xavier  ;  Problématique  de  la  sécurités  des  aliments  en  phase  de  création  d’une  chaine  de  restauration  rapide  ;  2006.  9  Le  figaro  ;  Le  boom  de  la  restauration  rapide  ;  10/02/2010  à  11h32  10  Cegid  ;  La  restauration  rapide  :  un  secteur  en  pointe  ;  1er  Editeur  Français  de  solutions  de  gestion  .  11  CARBONEL,Xavier  ;  Problématique  de  la  sécurités  des  aliments  en  phase  de  création  d’une  chaine  de  restauration  rapide  ;  2006.  12  www.mcdonald.fr  13  CALLOT  P  ;  Le  prix  de  la  restauration  dans  les  sites  culturels  ;    Professeur  permanent,  Responsable  Marketing/ventes,  Groupes  ESCEM  14  Ministère  de  la  Region  Wallonne  ;  Observatoire  de  la  consommation  alimentaire  ;  Janvier  2011  

8    

Description  du  durüm15

Début 1990, le premier snack proposant des durüms ouvre ses portes dans la commune de Jette. Il s’agit du Dekan. A ses débuts, le snack proposait les classiques de la restauration rapide à savoir l’hamburger, la mitraillette belge ainsi que les assiettes garnies. Mais ce n’est qu’à partir des années 1997-1998 que le durüm arrive en Belgique. Le durüm est une crêpe à base de farine et de sel, originaire en général de Turquie ou du Liban, qui est garnie de condiments tels que des frites (en Belgique), des légumes et de la viande. Le tout est agrémenté d’une sauce au choix.

Au début, les snacks n’ont pas directement eu le succès escompté du fait de la méfiance du consommateur face à un produit d’origine étrangère et totalement nouveau. Aujourd’hui le durüm est devenu un incontournable de la restauration rapide bruxelloise.

Comparativement à une mitraillette belge, le durüm est plus facile à manger. Il représente parfaitement le « fast food » actuel : pratique, complet, bon prix et rapide. Le durüm est devenu le véritable point de rencontre entre la culture turque et la culture belge. Il subsiste néanmoins des différences. En effet, en Turquie, les propositions ne sont pas aussi diversifiées en terme de sauces, et de garniture. Il y a 127 sauces en Belgique. De plus, les frites font partie de la garniture de base du durüm belge et sont comprises dans le prix, ce qui n’est pas le cas en Turquie.

Le succès est tel que les chaînes de « fast food » de renommée internationale ont cherché à surfer sur cette vague, notamment McDonald’s par le biais du nouveau produit Wrap lancé en 2008.

Méthodologie    

Méthode  de  travail  Le but principal de notre analyse est de déterminer quels sont les facteurs influençant le prix d’un durüm pitta dans un snack bruxellois.

Pour ce faire, nous avons sélectionné un échantillon de 104 snacks bruxellois proposant le produit « durüm pitta ». Nous avons divisé Bruxelles en 19 parties représentées par les communes et en cinq zones (Nord, Sud, Centre, Ouest, Est) (Annexes :Tableau 2). La pertinence de cette division découle du fait que les communes se différencient lorsqu’on observe certaines données statistiques liées à l’économie des ménages telles que le niveau de richesse ainsi que des données liées à la demande en terme de restauration rapide telles que le taux de jeunes dans la commune, et la population étrangère résidant dans la commune. Nous avons supposé que les snacks étant en majorité dirigés par des belges d’origine étrangère, la demande relative à ces snacks provient majoritairement de populations d’origines étrangères en général. Il est à noter que nous utiliserons la variable localisation (zones) dans la régression                                                                                                                            :15  Wéry  B.  ;  Le  dürüm,  un  produit  turc  devenu  belge  ;  L’e-­‐Ris,  15  décembre  2011.  

9    

et non les 19 communes par soucis de simplicité car utiliser 19 variables binaires rendrait l’analyse un peu superflue.

Nous nous sommes divisé Bruxelles en trois grandes zones proches de nos lieux d’habitation respectifs. Nous avons parcouru les 104 snacks bruxellois à l’aide des transports en commun afin d’y observer les prix. Nous avons ainsi collecté les données sur 104 durüm pitta bruxellois sélectionné de façon aléatoire. Nous avons aussi demandé aux gérants sur place de ces établissements les informations relatives à toutes nos variables dépendantes du snack même à savoir l’horaire (large ou restreint selon que le snack ferme après ou avant minuit et selon le nombre de jours par semaine pendant lesquels le snack ouvre), l’existence de promotion, la certification halal, l’état du snack relatif à notre définition de la propreté d’un snack, l’existence de possibilité de payement électronique, d’une télévision, du wi-fi et de mentions certifiant la qualité. Nous avons supposé que ces variables influençaient l’opinion publique et la demande relative au snack. Nous avons choisi les 104 snacks de manière à ce qu’il y ait en moyenne un même nombre d’observations relevées par commune. Il est tout de même à noter qu’il n’y a pas un nombre constant de snacks par communes. Par exemple, il y a moins de snacks à Auderghem qu’à Molenbeek.

Aussi, nous nous sommes intéressés à la concurrence. Nous estimons que la concurrence est un facteur de détermination des prix du durüm pitta à Bruxelles. C’est pourquoi nous avons divisé la concurrence en deux sortes : l’inter-marché et l’intra-marché. Nous avons utilisé le service de cartographie Google Map afin de localiser les concurrents de nos établissements dans un périmètre à chaque fois de 500 mètres via l’onglet « à proximité ». Nous avons aussi relevé le nombre de mètres séparant l’établissement observé et son concurrent le plus proche. Grâce à l’application Street View accessoire de Google Map, nous avons pu parcourir virtuellement les quartiers analysés afin d’approfondir la précision de nos analyses de terrain. Nous avons également observé le nombre d’institutions scolaires et/ou universitaire à proximité des établissements car la demande des jeunes représente une grande part de la demande totale de snacks.

Enfin, nous avons utilisé les chiffres et les ratios du journal « l’Avenir » en ce qui concerne la population des moins de 20 ans, la population étrangère, l’indice de richesse des communes. Nous avons utilisé le site www.cadastre.be afin de relever les prix moyens de l’immobilier.

Données  

Pour expliquer la variation de prix, nous avons créé une base de données et choisi les variables à utiliser dans les différents modèles de régression. Le prix d’un durüm peut être considéré comme hédonistique en ce sens qu’il dépend des caractéristiques non pas du durüm en lui-même mais du snack le produisant. En effet, les durüms sont pareils quelque soit le snack l’offrant. La pâte étant standardisée, nous supposons qu’il n’est pas possible de jouer sur la quantité et l’épaisseur du durüm pour limiter les coûts. C’est pourquoi nous assimilons les caractéristiques du snack à celles du durüm. Dès lors, nous utiliserons un modèle log-lin résolu à l’aide de la méthode des moindres carrés ordinaires (OLS). Le modèle log-lin nous

10    

permettra de linéariser la fonction et d’interpréter plus facilement les résultats de la régression.

Ln(P) = β0 + β1 CARTE_FID + β2 CONCU_INTRA + β3 CONCU_INTER + β4 CONCU + β5

Halal + β6 INDICE_RICH + β7 PRIXMOYEN_IMO+ β8 PARTDESJEUNES + β9 POPETRANGER + β10 NBREDECOL+ β11 NBREDESJEUNES + β12 PARTDESJEUNES + β13 TXETRANGER + β14 TV + β15 WIFI + β16 PROMO + β17 MENTIONS + β18 PROMO + β19 TRES_SALE + β20 PROPRE +β21 TRES_PROPRE + β22 LUXUEUX + β23 LARGE + β24 Nord + β25 PAY_ELEC + β26 Sud + β27 Ouest + β28Est (Annexes : Tableau 1 : Description des variables)

Afin d’éviter la multicolinéarité, nous avons laissé les variables CENTRE, RESTREINT et SALE qui feront office de référence pour la localisation, l’horaire et la propreté.

Mis à part le prix, nous avons sélectionné plusieurs données relatives aux snacks observés et influençant la demande totale de service de ces snacks et la fixation du prix des durüms pitta propres à ces snacks. Nous nous sommes focalisé sur les données liées au lieu d’emplacement. Nous avons donc relevé les variables « commune » et « localitsation ». Ces variables sont pertinentes car elles permettent de diviser Bruxelles entité hétérogène, en plusieurs entités relativement homogènes ayant des caractéristiques propres à chacune d’elles-mêmes, en terme de revenu par habitant, de prix de l’immobilier et de niveau de richesse notamment. Nous avons estimé qu’il était intéressant de relever le prix moyen de l’immobilier de chaque commune car ce prix est une partie intégrante de l’investissement du producteur. Il influence donc la fixation de prix. Nous avons également observé l’indice de richesse qui se calcule comme suit : 100 x (revenu moyen par habitant d’un territoire/revenu moyen par habitant belge). C’est une variable intéressante car nous estimons qu’il est fort probable qu’un producteur fixe ses prix relativement au pouvoir d’achat de sa clientèle potentielle.

Nous avons également relevé via www.cadastre.be et le journal l’Avenir les nombres et taux de personnes d’origines étrangères ainsi que les jeunes de moins de 20 ans par rapport à la population. Nous faisons l’hypothèse que ces deux catégories de la population belge forment une partie majoritaire de la demande totale en terme de service de restauration rapide et en termes de snacks plus particulièrement sur base de l’étude de l’ « évolution de la consommation alimentaire en Belgique et en Région wallonne par l’Observatoire de la Consommation Alimentaire ». Partant de cette conclusion, nous avons pensé pertinent de relever le nombre d’écoles et/ou universités à proximité des établissements observés.

Aussi, nous nous sommes attardés sur la concurrence inter-marché et la concurrence intra-marché. La concurrence intra-marché est celle qui existe entre les snacks vendant le produit durüm pitta. La concurrence inter-marché représente la concurrence entre établissements produisant un repas pour un prix de 3 à 5euro et différent du durüm pitta. La concurrence est une des données importantes de la fixation des prix d’un établissement de restauration rapide comme l’a observé Sebastien Liarte dans son œuvre « Comment localiser les unités de son réseau de distribution : entre évitement de la concurrence et recherche de proximité » (2003).

11    

De plus, nous nous sommes intéressés à l’état des lieux (très sale, sale, propre, très propre, luxueux) qui selon nos suppositions, influencent la demande et donc le prix imposé au consommateur. Ici, nous avons défini la propreté selon quatre critères visibles et qualitatifs que nous avons observé nous-mêmes : l’odeur, l’apparence de l’équipement, les apparences des sanitaires et du mobilier. Nous avons par ailleurs relevé des caractéristiques propres aux snacks bruxellois, qui différent entre eux tout en influençant la fidélisation de la clientèle, donc la demande et par conséquent le prix : le payement électronique, la présence d’une télévision, la proposition de promotion, l’existence d’une carte fidélité, l’existence d’une mention de certification qualité octroyée (PetitFuté par exemple), la présence d’un wi-fi disponible à la clientèle, la certification halal, celle-ci étant pertinente ici car la population bruxelloise est une ville cosmopolite composée de 236.000 musulmans ce qui correspond à un cinquième de la population bruxelloise, selon le journal Le Soir du 17 Novembre 2011.16

Statistique  descriptive  

Dans cette section nous allons analyser notre échantillon de snack bruxellois sur base d’une série de mesures statistiques. Notre objectif est ici de fournir une vue générale de notre base de données. Pour cela nous allons dans un premier temps nous baser uniquement sur la variable prix. Ensuite, nous tiendrons compte du prix et des zones géographiques.  

Comme on peut le voir sur le tableau 2, le prix moyen en euros d’un durüm est d’environ 3.76 et la médiane vaut 3.80. Néanmoins on remarque que la majorité des snacks appliquent un prix soit de 3.50€ soit de 4 €. On voit également que le prix maximum est de 4,50€ tandis que le prix minimum s’élève à 3 €. On constate tout de même un écart assez important entre le durüm le plus cher et le durüm le moins cher, soit une différence de 1.50 €. On peut remarquer aussi que l’écart type de notre échantillon est assez faible (0.282089) ce qui nous permet d’affirmer que les valeurs sont davantage regroupées autour de la moyenne et que la dispersion du prix est faible.

Le coefficient de dissymétrie Skewness est positif, ce qui signifie que la distribution est décalée à droite de la moyenne et donc nous avons une queue de distribution étalée vers la gauche. Au niveau du coefficient d’aplatissement (Kurtosis), celui-ci s’élève à 2.68, ce qui est inférieur à 3. Il s’agit donc d’une distribution de type platykurtique signifiant que pour une même variance la distribution est relativement « aplatie ». Une dernière statistique qu’il nous reste à analyser est la statistique de Jarque-Bera. Ce test permet d’évaluer l’hypothèse d’une normalité approximative de la distribution à partir des moments d’ordre 3 et 4. La valeur obtenue pour notre base de donnée étant de 0.62, inférieure à la valeur critique 5.99, on peut affirmer que notre distribution observée est compatible avec une distribution théorique normale.

Nous observons que le prix moyen par zone le plus élevé par zone géographique se situe au Sud de Bruxelles à hauteur de 3,90 euros. Le prix moyen par zone le plus bas se situe dans la zone Ouest de Bruxelles à hauteur de 3,69 euros. (Annexes : Tableau 2)                                                                                                                          16  Gutierrez R; Bruxelles, Ville musulmane; Le soir ; Jeud 17 novembre 2011  

12    

Nous remarquons également que le prix minimum dans la zone Nord est de 3 euros tandis qu’il est de 3,5 euros à l’Ouest de Bruxelles. Or le prix moyen est plus élevé dans la zone Nord que dans la zone Ouest. Le Nord a le prix maximum le plus élevé de toutes les zones ainsi que le prix minimum le plus bas de toutes les zones. Nous pouvons conclure de cela que la zone géographique ne peut pas justifier à elle-seule le prix imposé aux consommateurs. Il faut néanmoins prendre en compte que le nombre de snacks dans la zone Nord atteint 27 lorsqu’au Sud ce nombre est de 14. Ce qui explique que la zone ait donc une plus grande variance de prix.

Nous essayerons à travers la détermination de la régression la plus significative, de déterminer quelles sont les autres variables influençant la variation de prix du durüm pitta à Bruxelles. (Annexes : Tableau 3)

Analyse  économétrique    

L’analyse descriptive nous a permis de voir qu’il existe des différences de prix entre les snacks bruxellois selon les zones géographiques étudiées. Il n’y a aucune valeur aberrante observée. Nos prix se situent tous entre 3 euros et 4,5 euros.

Spécification  générale  des  modèles  Nous utiliserons à présent, différents modèles de régression afin de percevoir la source de variation des prix.

Pour ce faire, nous prendrons en compte le R² ajusté et les critères Akaike et Schwartz. Le R² ajusté doit être le plus élevé possible tandis que les deux autres critères doivent être les plus faibles voire même négatifs.

Le R² ajusté mesure le pourcentage de variations de la variable dépendante expliquées par les variables explicatives. Les deux autres critères nous indiquent l’information perdue quand nous utilisons un modèle.

Nous allons également analyser la corrélation entre les variables. Il y a corrélation entre deux variables lorsque le coefficient de corrélation est supérieur à 0,3 (Annexes : Tableau 4). La matrice de corrélation obtenue nous montre qu’un grand nombre de variables sont corrélée entre elles. La plus forte corrélation observée est entre nombre de jeune et population étrangère. Cela s’explique par le fait que le taux de natalité de la population d’origine étrangère par rapport à la population belge est plus élevé.17 Il s’en suit que plus il y a d’étranger dans une commune plus il y aura de jeune. Cela implique qu’on ne peut pas inclure ces deux variables dans un même modèle, par soucis de multicolinéartité.

La variable localisation a été divisée en variable binaire distinctes : centre, sud, nord et ouest. Nous avons décidé d’omettre le centre pour ne pas tomber dans la dummy variable trap et                                                                                                                          17  Direction  générale  Statistique  et  Information  économique  -­‐  Direction  thématique  Société  (http://statbel.fgov.be/fr/statistiques/chiffres/population/naissances_fecondite/indicateurs_de_fecondite/nationalite/)  

13    

ainsi éviter la multicolinéarité. Nous avons opté pour le centre en tant que zone géographique de référence pour le model, car c’est la zone géographique de Bruxelles qui accueille chaque année le plus de population, notamment grâce au tourisme.

Régression  1  

Dans cette section nous ne considérerons que la variable concurrence intra et ensuite nous additionnerons une à une le reste des variables, dans le but d’observer si cela améliorer notre modèle.

Nous avons observé à chaque fois le R2 ajusté, le critère Akaike et le critère de Schwarz afin d’analyser l’amélioration de notre régression par l’ajout de variables supplémentaires.

Nous avons abouti à la régression suivante contenant les variables concurrence intra-marché, les différentes zones géographiques par rapport à la zone « centre », la concurrence inter-marché, la concurrence la plus proche, la présence d’une carte de fidélité ou pas, le fait que ce soit très sale ou pas, la présence de promotions, le prix moyen immobilier, la certification halal, le nombre d’écoles à 500 mètres ainsi que la présence ou pas d’une télévision :

Ln(P) = β0 + β1 CONCU_INTRA + β2 Sud + β3 Ouest + β4 Est + β5 Nord + β6

CONCU_INTER + β7 CONCU + β8 Halal + β9 PRIXMOYEN_IMO + β10 TV + β11 CARTE_FID + β12 TRES_SALE + β13 PROMO

Le R2 ajusté est de 0,179 ce qui signifie que seulement 17,9% de la variation des prix est expliquée par cette régression. De plus, les critères d’Akaike et de Schwartz sont de -2,3948 et -2.0388. (Annexes : Tableau 5).

Ensuite, nous procéderons à un test d’hétéroscédasticité. La probabilité issue du test est égale à 0,31 ce qui est supérieur à 0,05. Nous pouvons donc rejeter l’hypothèse d’hétéroscédasticité des erreurs car notre variance des résidus est constante. (Annexes : Tableau 6)

En ce qui concerne le coefficient de Skewness de la distribution des résidus, il est de -0,358. Ceci indique que la queue de distribution est étalée vers la gauche. Ici, le kurtosis est supérieur à 3. Il s’agit donc d’une distribution moins aplatie que lors d’une distribution normale. Le test de normalité « Jarque-Bera » nous informe sur la normalité de la distribution. Elle suit une χ² de degré 2 de liberté. La valeur critique est 5,99 à 5%. Nous rejetons ici l’hypothèse nulle selon laquelle les résidus suivent une distribution normale car la valeur du test est de 15,4. (Annexes : Graphique 2)

 

Régression  2  

Ici, nous débuterons avec la variable indice de richesse à laquelle nous additionnerons une à une les variables pour observer une possible amélioration de notre régression.

14    

Nous avons observé une corrélation forte entre l’indice de richesse et la population étrangère ainsi qu’avec le prix de l’immobilier. Il n’est pas étonnant de voir une corrélation entre le prix de l’immobilier et l’indice de richesse car les communes à indices de richesses élevés ont souvent des prix immobiliers élevés.

Après avoir observé les variations du R2 ajusté, du critère Akaike et du critère Schwarz, nous avons abouti à la régression suivante :

Ln(P) = β0 + β1 INDICE_RICH + β2 Sud + β3 Ouest + β4 Est + β5 Nord + β6

CARTE_FID + β7 CONCU + β8 Halal + β9 CONCU_INTRA + β10 TV + β11LARGE + β12

CONCU_INTER

Il est à noter que la variable horaire est divisée en deux parties : large et restreint. Et ici, l’horaire restreint fera office de référence.

Le R2 ajusté est de 0.21 ce qui signifie que seulement 21% de la variation des prix est expliquée par cette régression. De plus, les critères d’Akaike et de Schwartz sont de -2,44 et -2.11 (Annexes : Tableau 5).

Ensuite, nous procéderons à un test d’hétéroscédasticité. La probabilité issue du test est égale à 0,985 ce qui est supérieur à 0,05. Nous pouvons donc rejeter l’hypothèse d’hétéroscédasticité des erreurs car notre variance des résidus est constante. Il n’est donc pas utile de corriger cela par l’option White. (Annexes : Tableau 7).

En ce qui concerne le coefficient de Skewness de la distribution des résidus, il est de -0,4189. Ceci indique que la queue de distribution est étalée vers la gauche. Ici, le kurtosis est supérieur à 3. Il s’agit d’une distribution moins aplatie que lors d’une distribution normale. Le test de normalité « Jarque-Bera » nous informe sur la normalité approximative de la distribution. Elle suit une χ² de degré 2 de liberté. La valeur critique est 5,99 à 5%. Nous rejetons ici l’hypothèse nulle selon laquelle les résidus suivent une distribution normale car la valeur du test est de 15,48. (Annexes : Graphique 3)

Régression  3  Ici, nous débuterons avec la variable PARTDESJEUNES à laquelle nous additionnerons une à une les variables pour observer une possible amélioration de notre régression.

Après avoir observé les variations du R2 ajusté, du critère Akaike et du critère Schwarz, nous avons abouti à la régression suivante :

Ln(P) = β0 + β1 PARTDESJEUNES + β2 Sud + β3 Ouest + β4 Est + β5 Nord + β6 CARTE_FID + β7 CONCU + β8 Halal + β9 CONCU_INTER + β10 TV + β11 PROMO + β12 SALE + β13 TRES_SALE

La variable Etat des lieux est divisée en cinq possibilités : très sale, sale, propre, très propre, luxueux. Et ici, la variable « luxueux » sera la référence.

Le R² ajusté est de 0.287 ce qui signifie que seulement 28,7% de la variation des prix est expliquée par cette régression. De plus, les critères d’Akaike et de Schwartz sont de -2,4 et -2.04. (Annexes : Tableau 5).

15    

Ensuite, nous procéderons à un test d’hétérosédasticité. La probabilité issue du test est égale à 0,38 ce qui est supérieur à 0,05. Nous pouvons donc à nouveau rejeter l’hypothèse d’hétéroscédasticité des erreurs puisque notre variance des résidus est constante. Nous ne devons à nouveau pas utiliser nécessairement l’option White. (Annexes : Tableau 8).

Le coefficient de Skewness de la distribution des résidus est de -0,32. C’est-à-dire que la queue de distribution est étalée vers la gauche. Le kurtosis est supérieur à 3. Il s’agit dès lors d’une distribution moins aplatie qu’une distribution normale. Le test de normalité « Jarque-Bera » nous informe sur la normalité approximative de la distribution. Elle suit une χ² de degré 2 de liberté. La valeur critique est 5,99 à 5%. Nous rejetons ici l’hypothèse nulle selon laquelle les résidus suivent une distribution normale car la valeur du test est de 9,4. (Annexes : Graphique 4)

Régression  4  Cette fois, nous commencerons avec la variable POPETRANGER à laquelle nous additionnerons une à une les variables pour observer.

Nous avons observé une corrélation de 0,9 entre les variables POPETRANGER et NBREDESJEUNES. Il s’avère que les populations issues de l’immigration à Bruxelles ont un taux de reproduction supérieur aux populations dites autochtones. Cette corrélation semble donc dans la lignée de cette observation statistique.

Après avoir observé les variations du R2 ajusté, du critère Akaike et du critère Schwarz, nous obtenons la régression suivante :

Ln(P) = β0 + β1 POPETRANGER + β2 Sud + β3 Ouest + β4 Est + β5 Nord + β6 CONCU_INTRA + β7 CONCU + β8 Halal + β9 CONCU_INTER + β10 TV + β11LARGE + β12

TRES_SALE + β13 TRES_PROPRE + β14 CARTE_FID + β15 MENTIONS + β16 LUXUEUX + β17 PRIXMOYEN_IMO + β18 PROPRE

La variable Etat des lieux est divisée en cinq possibilités : très sale, sale, propre, très propre, luxueux. Et ici, la variable « SALE » sera la référence.

La variable horaire est divisée en deux variables binaires : LARGE et RESTREINT. La variable RESTREINT fera office de référence dans cette régression afin d’éviter la multicolinéarité.

Le R² ajusté est de 0.21 ce qui signifie que seulement 21% de la variation des prix est expliquée par cette régression. De plus, les critères d’Akaike et de Schwartz sont de -2,4 et -1.9. (Annexes : Tableau 5).

La probabilité issue du test d’hétérosédasticité est égale à 0,476 ce qui est supérieur à 0,05. Nous rejetons l’hypothèse d’hétéroscédasticité des erreurs, notre variance des résidus étant constante. Nous ne devons à nouveau pas utiliser nécessairement l’option White. (Annexes : Tableau 9).

Le coefficient de Skewness de la distribution des résidus est de -0,57. C’est-à-dire que la queue de distribution est étalée vers la gauche. Le kurtosis est supérieur à 3. Il s’agit dès lors

16    

d’une distribution moins aplatie qu’une distribution normale. Le test de normalité « Jarque-Bera » nous informe sur la normalité approximative de la distribution. Elle suit une χ² de degré 2 de liberté. La valeur critique est 5,99 à 5%. Nous rejetons ici l’hypothèse nulle selon laquelle les résidus suivent une distribution normale car la valeur du test est de 14,97. (Annexes : Graphique 5)

Résultats  Dans cette partie du travail, nous allons interpréter les différents résultats obtenus pour chacune des régressions.

Dans le but de tester la significativité des différents coefficients, nous allons tester l’hypothèse nulle que le coefficient d’une variable soit nulle aux trois niveaux de significativité à savoir, 1%, 5% et 10%. Les valeurs critiques correspondant à ces trois niveaux de significativité sont respectivement, 2.58, 1.96, et 1.64. A ces différents niveaux de significativité, l’hypothèse nulle est rejetée lorsque la valeur absolue de la t-statistique est supérieure aux niveaux de significativité correspondant.

Dans le premier modèle nous observons qu’à tous les niveaux de significativité les variables CONCU, Halal et TV sont significatives. Au niveau de significativité 5% et 10% la variable SUD est significative, ce qui implique que par rapport au CENTRE il y a une grande différence. La variable ayant le plus d’impact sur le prix dans ce modèle, est la variable SUD (0.054574). Cela s’explique par le fait que le coefficient de SUD correspond à la différence moyenne entre le CENTRE et le SUD. De plus selon les statistiques descriptives, on a pu observer qu’il y a une différence de 12 cent entre le prix du SUD et du CENTRE, ce qui correspond à la plus grande différence entre les zones géographiques.

La variable qui influence le moins le prix parmi toute les variables significatives est la variable CONCU (concurrence la plus proche) avec un coefficient de -0.000214. Il faut noter que cette variable comprend à la fois la concurrence intra la plus proche et la concurrence inter la plus proche, ce qui aurait pu estomper les effets. Une explication à cela serait qu’étant donné le nombre élevé de snack à Bruxelles la variable CONCU n’est pas pertinente.

Dans le deuxième modèle, nous observons qu’à tous les niveaux de significativité les variables CONCU, Halal et TV sont significatives ce qui est similaire au premier modèle. Cependant, on note qu’à partir de 5% de significativité, les variables

INDICE_RICH et CARTE_FID deviennent significatives.

Concernant les coefficients, on remarque que le coefficient le plus élevé est celui de la variable TV (0.043368). En effet, le fait d’avoir une télé dans un établissement augmente les coûts pour le gérant d’un snack, ce qui logiquement devrait se répercuter sur le prix de manière positive. De plus nous constatons que dans ce modèle la variable INDICE_RICH est significative. Cela se vérifie dans la réalité, car la plus part des communes avec un indice de richesse plus élevé ont en général un prix de l’immobilier qui est également élevé. Cela se traduit donc pas un prix sur le durum plus élevé. (Annexes : Graphique 6)

17    

Dans le troisième modèle, les variables SUD, HALAL, TV sont significatives à tous les niveaux de significativité. On note également qu’à 10% de significativité, les variables CARTE_FID, TRES_SALE, et CONCU_INTER sont significatives. On peut de plus observer que le coefficient de la variable TRES_SALE est négatif, indiquant que au plus un établissement snack est très sale, au plus le prix demandé pour un durum sera faible. Ce résultat s’accorde bien avec notre base de donnée puisqu’en effet les snacks avec une appréciation d’hygiène « très sale » pratiquent en général un prix plus bas, soit en moyenne 3.50€ (Annexes : Graphique 7). Le coefficient de cette variable indique de plus que la différence de prix entre un snack SALE et TRES_SALE vaut -0.038847.

Dans le dernier modèle les variables POPETRANGER et Halal sont significatives à tous les niveaux de significativité. On remarque dans ce modèle que de nouvelles variables deviennent significatives. On peut citer les variables POPETRANGER, MENTIONS, LUXIEUX, et PRIXMOYEN_IMO.

En ce qui concerne les coefficients, on remarque que le coefficient de la variable LUXUEUX est positif, indiquant qu’au plus un établissement snack est « luxueux » au plus le prix pratiqué sera élevé. Ce résultat est en accord avec notre échantillon de snack car les snacks dont l’appréciation d’hygiène est « luxueux » proposent des prix plus élevés que la moyenne, soit 3.87€. La variable qui a le plus d’impact dans ce modèle est MENTIONS. En effet, un snack avec « mention » pratique un prix qui est 0.065407 plus élevé. Notre base de donnée nous le confirme puisque les seuls snack avec mention que nous avons prélevés pratiquent un prix de 4€, qui est largement supérieur à la moyenne (Annexes : graphique 8).

Le modèle le plus pertinent s’exprime comme suit :

LN_PRIX = -2.76730649075e-06*POPETRANGER - 0.0438103616024*EST + 0.043721481421*NORD + 0.0053375518526*OUEST + 0.0255700266157*SUD - 0.000185605774752*CONCU + 0.00192319318746*CONCU_INTER + 0.008665616726*CONCU_INTRA - 0.0543394796117*HALAL + 0.0228388058762*LARGE + 0.0597287284021*LUXUEUX + 0.0654067209636*MENTIONS + 2.52778905219e-07*PRIXMOYEN_IMO + 0.0293699417364*PROPRE - 0.031733431555*TRES__SALE + 0.0188277890567*TRES_PROPRE + 0.0308572644147*TV - 0.0205918323194*CARTE_FID + 1.26526866846. En effet ce modèle a le R² ajusté le plus élevé et le plus de variables qui sont significatives.

Convergence  des  zones  géographiques  Le Wald-test nous permet de voir s’il y a une convergence de prix du durüm pitta entre les zones géographiques observées. Nous utiliserons la régression 4 – même si le R2 ajusté est plus petit que celui de la régression 2 et que les critères de Akaike et Schwartz sont supérieurs à ceux du deuxième modèle – car c’est la régression avec le plus de variables significatives. De plus, les R2 ajustés diffèrent de très peu.

En faisant le test de Wald, nous obtenons une probabilité de 0,056 ce qui est supérieur à 0,05 le niveau de significativité à 5%. Nous pouvons donc estimer qu’il y a convergence entre les

18    

prix des durüm pitta des zones Ouest, Est, Nord et Sud. Cela vaut également pour le niveau de significativité de 1%. Par contre, à 10%, nous ne pouvons pas conclure cela. (Annexes : Tableau 10)

Nous pouvons aussi dire que les prix des différentes zones géographiques convergent vers ceux du centre car les coefficients des quatre zones géographiques ne sont pas significatifs. Cela signifie qu’il n’y a, en moyenne, pas de significative différence de prix entre les quatre zones géographiques et la zone de référence (le centre).

A l’aide des résultats issus de notre quatrième modèle, nous allons analyser les différences de prix entre les différentes zones géographiques. Pour ce faire, nous utilisons la formule simplifiée de Kennedy: eβi – 1.

En termes de prix moyens des statistiques descriptives, les zones les plus chères sont le Sud, le Centre, l’Est, le Nord, ensuite l’Ouest.

Lorsque nous analysons sur base du modèle 4, la formule de Kennedy, nous avons le résultat suivant : les prix de la zone Est sont 5% moins chères que ceux du centre. Ceux de la zone Nord sont 4,5% plus chers que ceux du centre. Ensuite, nous voyons que la zone Ouest a des prix 0,5% plus chers que les prix du centre. Au Sud, les prix sont 2,5% plus chers que ceux du centre.

Selon la formule de Kennedy appliquée à notre régression 4, le classement des zones les plus chères serait donc : Nord, Sud, Ouest, Centre, Est. Cela diffère du classement des zones les plus chères qui pourraient être fait à partir du prix de l’immobilier et du prix moyen du durüm pitta qui est : Sud, Centre, Est, Nord, Ouest. (Annexes : Graphique 9)

Comparaison  du  prix  observé  et  de  la  prévision  du  modèle  4  Les cinq snacks dont les prix sont le plus sous-estimés par le modèle 4 sont : Snack Hakan, Grill Palace, Dag, Burguz, Londi et Pittagore. (Annexes : Tableau 11)

Nous observons que les Cinq snacks dont les prix sont le plus surestimés par le modèle 4 sont : Emirdag Koftecisi, Bodrum, Istanbul, Atrium et Turquie. (Annexes : Tableau 12)

Par contre, grâce au graphique du prix et du prix prévu par la régression du modèle, nous voyons que la régression permet l’exclusion des valeurs extrêmes. De plus, nous voyons que les surestimations ainsi que les sous-estimations ne sont pas très grandes. (Annexes : Graphique 10)

Discussion  L’ensemble de notre travail nous montre une corrélation faible entre le prix du durüm pitta et les différentes variables, que ce soit du point de vue du R2 ajusté ou de la taille des différents

19    

coefficients. Pourtant, la taille de notre échantillon est loin d’être limitée. Nous avons parcouru plus de 100 snacks à travers Bruxelles.

Mais, pour une étude économétrique plus pertinente, nous pensons qu’il faudrait un échantillon de données plus grand. Une étude au niveau national s’avèrerait peut-être plus pertinente. Malheureusement, il n’existe aucun recensement officiel de snack en Belgique. Le prélèvement de données n’a dépendu que de notre mobilité et de notre utilisation de Google Map.

Cependant, malgré le peu de pertinence, il en est quand même ressorti certaines conclusions qui se traduisent effectivement dans les faits comme la supériorité des prix des communes se trouvant au Sud de Bruxelles, dans la régression 1.

Nous avons remarqué que la variable HALAL est significative. Cela se traduit dans les faits car dans les quartiers Nord et Ouest, nous y trouvons les meilleurs prix et le plus de snacks certifiés halal. Sa corrélation négative semble donc logique.

Outre ce manque de pertinence de nos variables, certains résultats comme la corrélation positive entre la variable TV et la variable prix montrent que nous n’avons pas mal choisi nos variables. En effet, une télévision augmente les coûts ce qui aurait tendance à augmenter le prix des produits.

Au fil de notre analyse, nous avons remarqué qu’il n’y avait pas de réelle cohérence entre l’endroit où se trouvait le snack et le prix relevé. En effet, les prix variaient parfois d’une rue à l’autre. Et cela s’est vérifié par le manque de pertinence de nos variables.

Il semblerait que les producteurs décident de leurs niveaux de prix comme des monopoles. En effet, le gérant d’un snack de quartier aura toujours la même clientèle de proximité quelle qu’elle soit. Nous supposons que les bruxellois auront tendance à toujours aller vers le snack le plus proche sans chercher à saisir les différences entre les snacks qui leur sont proposés à Bruxelles.

Il faut quand même souligner la cohérence de nos statistiques descriptives. Nous obtenons une corrélation entre le prix et la localisation du snack par exemple, ce qui est cohérent car les snacks les plus chers se trouvent au Sud, zone géographique ou le prix immobilier et l’indice de richesse sont les plus élevés. Il aurait été peut-être plus pertinent d’utiliser les 19 communes et non les 5 zones géographiques. La complexité de l’utilisation de 19 variables binaires nous a incités à diviser Bruxelles en cinq zones.

Concernant les limites de nos modèles, nous soulignons le manque d’information. En effet, il n’existe aucun recensement de snacks bruxellois. De plus, nous avons travaillé avec l’application Google Map et l’application Street View afin de suppléer notre travail de terrain et cibler les concurrents se trouvant à 500 mètres. Mais, les données du programme datent de 2009-2010 or le prix du snack date de 2012. Nous ne pensons pas que cela puisse avoir un effet conséquent sur la portée de l’erreur mais cela est à noter.

20    

D’autre part, nous avons établi des critères d’état des lieux afin d’augmenter la cohérence de nos observations mais la perception de la propreté est une valeur subjective et propre à chacun de nous trois.

Quant à la variable HALAL, nous pouvons émettre certains doutes par rapport à l’authenticité des affirmations des gérants interrogés. En effet, les normes alimentaires Halal n’étant pas encore bien définies dans le monde, certains snacks prétendent disposer de la certification Halal à des fins marketing.

Il aurait été intéressant de disposer des chiffres d’affaires des snacks observés ainsi que des variables financières des entreprises observées. Malheureusement, il n’existe pas pour chacun des snacks de chiffre d’affaire relevé dans une base de donnée accessible. Nous pensons que cette donnée aurait pu améliorer la pertinence de notre régression. Une étude par une institution ayant capacité de contrainte sur les snacks aurait été plus efficace car l’accès aux chiffres d’affaires est possible pour les institutions mandatées par l’Etat.

De même, avoir des informations sur les fournisseurs, leurs prix et la provenance de la viande aurait amélioré la pertinence de nos modèles.

Aussi, nous avons pensé qu’il aurait été utile – afin d’avoir un prix hédonistique – de pouvoir peser ou quantifier la garniture incorporée dans les durüms de chacun des snacks observés.

Nous pensons avoir adopté une approche la plus pertinente possible compte tenu des moyens que nous avions à notre disposition. Nous pensons que malgré le manque de pertinence de nos régressions, nos résultats restent cohérents sur un plan réaliste. Nous n’avons pas de corrélation traduisant une incohérence dans le monde réel. Notre étude a donc été bien menée.

   

 

 

 

Conclusion  

Le but principal de notre travail était de trouver les variables qui influencent le plus le niveau du prix du durüm pitta dans un snack bruxellois.

Nous avons d’abord décrit le secteur de la restauration rapide en nous basant sur la littérature correspondante. Ensuite, nous avons poursuivi par une analyse descriptive. Celle-ci a mis en avant une différence du prix moyen du durüm pitta en fonction de la localisation. En effet, le prix moyen maximum se trouve au Sud lorsque le prix minimum se trouve à l’Ouest.

21    

Afin de créer différents modèles, nous avons analysé les corrélations entre variables. Ensuite, nous les avons créé.

Le premier modèle nous indique que nous avons peu de variables significatives. Nous avons observé que le Sud avait l’impact le plus fort sur le prix du durüm dans ce modèle car la différence moyenne du prix entre le Sud et le centre est la plus élevée.

Le deuxième modèle nous apprend que la variable TV a eu un impact important dans notre analyse.

Nous observons dans le troisième modèle que le nombre de variables significatives augmente. Et nous voyons que le prix baisse lorsque les snacks sont très sales. Nous y décelons une relation négative entre prix et état très sale des lieux.

Ensuite, lors de l’analyse du quatrième modèle, nous observons que la variable population étrangère influence le prix du dürum pitta significativement. Cela peut se rapporter à une probable grande part de la demande en durüm pitta provenant de cette population là.

Enfin, nous avons conclu que pour approfondir cette analyse, il serait nécessaire d’avoir accès à certaines variables telles que les chiffres et les ratios de ces petites entreprises car nous les pensons plus pertinentes après avoir réalisé l’études des données analysées.

Bibliographie   CARBONEL, Xavier ; Problématique de la sécurités des aliments en phase de création d’une chaine de restauration rapide (2006) GERGAUD O., MONTANO GUZMAN L. , VERADI V. ; Stardust over Paris Gastronomic Restaurants (2006)

22    

BORRELY R., BOSC B, BOSSARD N. BOUCEBA S, BOULIEU V, BOURGEOIS ; Stratégie globale de Mc Donald’s ; CERAM CALLOT P ; Le prix de la restauration dans les sites culturels ; Groupes ESCEM

Ministère de la Région Wallonne ; Observatoire de la consommation alimentaire (Janvier 2011)

Observatoire de la Santé et du Social Bruxelles, Atlas de la santé et du social de Bruxelles-Capitale ; Les dossiers de l'Observatoire 92-93 (2006)

Direction générale Statistique et Information économique ; Indicateurs de fécondité, mères belges et étrangères, par régions (2009)

NKUITCHOU R., La précarité de l’emploi au service de la prospérité du fast-food ; Centre Pierre Naville ; Evry, France (2005)

CALLOT P. ; La restauration commerciale en milieu urbain. De la fonction nutrition à l'exotisme touristique du repas ; Norois (1998)

LIARTE S. ; Comment localiser les unités de son réseau de distribution : entre évitement de la concurrence et recherche de proximité ; Centre de recherche DMSP, Paris (2003)

Articles

Le figaro ; Le boom de la restauration rapide ; 10/02/2010 à 11h32

AVESQUE A ; Mcdo, kebab, sandwich … comment la restauration rapide a conquis la France ; L’Expansion. ; 01/03/2013 à 12H39.

Wéry B. ; Le dürüm, un produit turc devenu belge ; L’e-Ris, 15 décembre 2011.

Gutierrez R; Bruxelles, Ville musulmane; Le soir ; Jeud 17 novembre 2011 Cegid ; La restauration rapide : un secteur en pointe ; 1er Editeur Français de solutions de gestion ; http://www.cegid.fr

Site

www.mcdonald.fr  www.cadastre.be  http://www.lavenir.net/extra/communes/revenu/  

Annexe  

Graphique 1 : Evolution de l’indice des prix dans les cafés et restaurants de 1998 à 2009.

23    

Ministère  de  la  Région  Wallonne  ;  Observatoire  de  la  consommation  alimentaire  ;  Janvier  2011  

 

 

 

 

 

 

 

 

 

 

 

 

 

Tableau  1  :  Description  des  variables    

Variable   Description  Nord   Variable  binaire  égale  à  1  si  le  snack  se  situe  dans  le  Nord  de  

Bruxelles,  0  sinon  

24    

Sud   Variable  binaire  égale  à  1  si  le  snack  se  situe  dans  le  Sud  de  Bruxelles,  0  sinon  

Est   Variable  binaire  égale  à  1  si  le  snack  se  situe  dans  le  Sud  de  Bruxelles,  0  sinon  

Ouest   Variable  binaire  égale  à  1  si  le  snack  se  trouve  dans  le  Sud  de  Bruxelles,  0  sinon  

Centre   Variable  binaire  égale  à  1  si  le  snack  se  trouve  dans  le  Sud  de  Bruxelles,  0  sinon  

Prixmoyen_imo   Prix  moyen  de  l'immobilier  en  euro  une  maison,  donnée    du  3ème  trimestre  de  2012  issu  du    Cadastre  

Concu   Concurrence  la  plus  proche  en  mètre  Concu_intra   Concurrence  intra  marché  dans  les  500  mètres  Concu_inter   Concurrence  inter  marché  dans  les  500  mètres  Indice_rich   Indice  de  richesse    2009,    l’Indice  moyen  de  référence  =  100  

(préciser  source)  Nbredecol   nombre  d'école  dans  les    500  mètres  Prix   Prix  du  durüm  pitta  en  Euro  Halal    Variable  binaire  égale  à  1  si  la  viande  du  snack  est  halal,  0  sinon  Payement  Electronique   Variable  binaire  égale  à  1  si  le  snack    dispose  d’un  système  de  

payement  électronique,  0  sinon  Très_sale     Variable  binaire  égale  à  1  si  l’état  des  lieux  du  snack  se  si  a  été  

jugé  Très  Sale,  0  sinon  Sale   Variable  binaire  égale  à  1  si  l’état  des  lieux  du  snack  se  si  a  été  

jugé  Sale,  0  sinon  Propre   Variable  binaire  égale  à  1  si  l’état  des  lieux  du  snack  se  si  a  été  

jugé  Propre,  0  sinon  Très  _propre   Variable  binaire  égale  à  1  si  l’état  des  lieux  du  snack  se  si  a  été  

jugé  Très  Sale,  0  sinon  Luxueux   Variable  binaire  égale  à  1  si  l’état  des  lieux  du  snack  se  si  a  été  

jugé  Luxueux,  0  sinon  Tv   Variable  binaire  égale  à  1  si  le  snack    dispose  d’une  TV,  0  sinon  Wifi   Variable  binaire  égale  à  1  si  le  snack    dispose  d’un  réseau  Wifi  

pour  ses  clients,  0  sinon  Restreint     Variable  binaire  égale  à  1  si  les  heures  d’ouverture  du  snack    

ont  été  jugé  restreintes,  0  sinon  Large     Variable  binaire  égale  à  1  si  les  heures  d’ouverture  du  snack    

ont  été  jugé  Larges,  0  sinon  Carte_fid   Variable  binaire  égale  à  1  si  le  snack  propose  à  ses  clients  une  

carte  de  fidélité,  0  sinon  Promo   Variable  binaire  égale  à  1  si  le  snack  propose  à  ses  clients  des  

promotions,  0  sinon  Mentions     Variable  binaire  égale  à  1  si  le  snack    a  été  accrédité  d’une  

mention  par  un  label  de  qualité  (petit  futée,  …),  0  sinon  Nbredesjeunes   Le  nombre  des  jeunes  de  moins  de  20  dans  la  commune,  

chiffres  2010    Partdesjeunes     Part  des  moins  de  20  ans  dans  la  commune    en  pourcentage  Popetranger   Population  étrangère  dans  la  commune  Txetranger     Taux  de  la  population  étrangère  (%)      

25    

Tableau  2:  Répartitions  des  communes  en  zones  

 

Tableau  3:  Statistiques  de  l’échantillon  

 

Moyenne     Médiane  Ecart-­‐type   Maximum   Minimum   Skewness   Kurtosis   Observations  

3,76   3,8   0,28   4,5   3   -­‐0,1   2,68   104  

 

 

 

 

 

 

 

 

 

 

 

Tableau  4  :  Statistiques  du  prix  selon  les  zones  géographiques  

    Nord   Ouest   Est    

Sud  

Nord   Sud   Est   Ouest   Centre    

Bruxelles-­‐ville  -­‐  1000   Forest  -­‐  1190   Auderghem  -­‐  1060   Anderecht  -­‐  1070  Bruxelles-­‐ville  -­‐  1000  

Ganshoren  -­‐  1083   Uccle  -­‐  1180   Etterbeek  -­‐  1040  Berchem-­‐Sainte-­‐Agathe  -­‐  1080   Ixelles  -­‐  1050  

Jette  -­‐  1090  Watermael-­‐Boitsfort    -­‐  1170   Evere  -­‐  1140    Koekelberg  -­‐  1081  

Saint-­‐Gilles  -­‐  1060  

Saint-­‐Josse-­‐ten-­‐Noode  -­‐  1210      

Woluwe-­‐Saint-­‐Lambert  -­‐  1200  

Molenbeek-­‐Saint-­‐Jean  -­‐  1080      

Schaerbeek    -­‐  1030      Woluwe-­‐Saint-­‐Pierre  -­‐  1150          

26    

Centre  

Moyenne   3,71   3,69   3,77   3,78   3,9  

Médiane   3,5   3,5   3,9   3,8   4  

Ecart-­‐type   0,36   3,5   0,25   0,24   18  

Maximum   4,5   4,5   4   4   4  

Minimum   3   3,5   3,5   3,5   3,5  

Skewness   -­‐0,06   1,43   -­‐0,17   -­‐0,28   -­‐1,65  

Kurtosis   2,51   4,49   1,1   1,24   4,14  

Observations   27   20   21   21   15  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tableau  5  :  Table  de    Corrélations    

27    

 

Tableau  6  :  Table  des  Régressions  

CARTE_FIDCENTRECONCU

CONCU_INTERCONCU_INTRAESTHALAL

INDICE_RICHLUXUEUXMENTIONSNBREDECOLNBREDESJEUNESNORD

OUESTPARTDESJEUNESPAY_ELEC

POPETRANGERPRIXMOYEN_IMOPROMOPROPRE

RESTREINTSALESUD

TRES__SALETRES_PROPRETVTXETRANGERWIFI

LARGECARTE_FID

1.000.000CENTRE

0,1318421.000.000

CONCU-­‐0,159418

-­‐0,1981461.000.000

CONCU_INTER-­‐0,0367990,119407

-­‐0,0209711.000.000

CONCU_INTRA-­‐0,0797140,342984

-­‐0,1379530,430656

1.000.000EST

0,20355-­‐0,248415

-­‐0,043393-­‐0,166044

-­‐0,367731.000.000

HALAL-­‐0,337531

-­‐0,2295520,039759

0,082240,070341

-­‐0,5671841.000.000

INDICE_RICH-­‐0,005716

-­‐0,2033730,136328

-­‐0,037951-­‐0,542155

0,456949-­‐0,199867

1.000.000LUXUEUX

-­‐0,087044-­‐0,098671

-­‐0,048321-­‐0,255329

-­‐0,1569560,023009

0,0342380,103251

1.000.000MENTIONS

-­‐0,13146-­‐0,069076

-­‐0,032998-­‐0,191579

-­‐0,163266-­‐0,071213

0,098780,246873

-­‐0,0282861.000.000

NBREDECOL-­‐0,349726

-­‐0,2354920,025361

0,3546110,137003

-­‐0,3177830,505446

-­‐0,1557910,001329

0,0967441.000.000

NBREDESJEUNES0,0416610,050472

-­‐0,1062510,127885

0,630545-­‐0,430122

0,145228-­‐0,542369

0,030379-­‐0,023804

0,1261121.000.000

NORD0,106982

-­‐0,292584-­‐0,165792

0,1989280,338573

-­‐0,3016320,277565

-­‐0,428082-­‐0,119808

-­‐0,0838740,34106

0,525621.000.000

OUEST-­‐0,163369

-­‐0,2409640,263611

-­‐0,095421-­‐0,141208

-­‐0,2484150,240193

-­‐0,2100470,155406

-­‐0,0690760,08919

-­‐0,059246-­‐0,292584

1.000.000PARTDESJEUNES-­‐0,24858

-­‐0,5472330,059775

-­‐0,0052820,261695

-­‐0,1803670,32432

-­‐0,519692-­‐0,004712

-­‐0,0825930,302916

0,4053110,33839

0,4944421.000.000

PAY_ELEC0,116722

-­‐0,02018-­‐0,033557

0,107630,039458

0,273312-­‐0,207698

0,1326220,066837

-­‐0,0408350,001918

-­‐0,037853-­‐0,008008

-­‐0,142449-­‐0,059789

1.000.000POPETRANGER0,179898

0,374716-­‐0,164254

0,1391280,609789

-­‐0,4475940,021504

-­‐0,482641-­‐0,007009

-­‐0,0217240,017746

0,9056380,431313

-­‐0,2459810,021973

-­‐0,032791.000.000

PRIXMOYEN_IMO0,2262910,282943

0,003014-­‐0,048399

-­‐0,3477490,288946

-­‐0,2960910,67787

0,0326930,190813

-­‐0,219439-­‐0,313241

-­‐0,37239-­‐0,409435

-­‐0,8225670,103136

-­‐0,0186431.000.000

PROMO0,133846

-­‐0,032002-­‐0,083199

0,2219580,028626

-­‐0,1059660,051199

-­‐0,1173080,039826

-­‐0,0647560,157219

0,1902150,307018

-­‐0,032002-­‐0,023468

0,0574960,196987

-­‐0,0306221.000.000

PROPRE0,050662

0,083914-­‐0,039922

0,0046080,080422

0,250446-­‐0,351332

-­‐0,065095-­‐0,20695

-­‐0,14488-­‐0,229384

0,129002-­‐0,083622

-­‐0,1125210,079174

0,1367010,116124

-­‐0,025763-­‐0,115714

1.000.000RESTREINT

0,1199310,067166

-­‐0,050729-­‐0,13628

-­‐0,1530770,232946

-­‐0,1755940,110218

-­‐0,1355390,119128

-­‐0,14539-­‐0,385518

-­‐0,032596-­‐0,131916

-­‐0,279959-­‐0,048562

-­‐0,2876010,206473

0,026676-­‐0,073812

1.000.000SALE

0,015867-­‐0,220658

0,0912060,191395

0,013262-­‐0,174083

0,204782-­‐0,073673

-­‐0,113798-­‐0,079667

0,239432-­‐0,050139

0,228960,237332

0,185044-­‐0,107882

-­‐0,143668-­‐0,234215

0,097263-­‐0,582875

0,0200631.000.000

SUD-­‐0,330519

-­‐0,2026660,182861

-­‐0,085274-­‐0,228405

-­‐0,2089330,289814

0,4754420,059475

0,340840,101787

-­‐0,154239-­‐0,246082

-­‐0,202666-­‐0,156699

-­‐0,119808-­‐0,170905

0,276125-­‐0,18999

-­‐0,149709-­‐0,15281

-­‐0,1053371.000.000

TRES__SALE0,013692

0,028368-­‐0,085047

-­‐0,0537350,071815

-­‐0,1017220,1411

-­‐0,193965-­‐0,040404

-­‐0,0282860,059984

0,0438030,222977

-­‐0,0986710,022083

-­‐0,058330,079739

-­‐0,0244350,039826

-­‐0,206950,068264

-­‐0,113798-­‐0,082988

1.000.000TRES_PROPRE-­‐0,048356

0,178450,017824

-­‐0,066396-­‐0,079279

-­‐0,0951670,145249

0,219935-­‐0,089369

0,3165040,000395

-­‐0,15438-­‐0,205536

-­‐0,152132-­‐0,329341

-­‐0,063878-­‐0,028271

0,3008820,002006

-­‐0,457750,111217

-­‐0,2517090,335448

-­‐0,0893691.000.000

TV-­‐0,280647

0,0344390,046541

0,1476690,030213

-­‐0,1654230,295039

0,075770,125833

-­‐0,0683470,333915

-­‐0,139123-­‐0,117705

0,143582-­‐0,002766

0,020359-­‐0,143414

0,0661840,003863

-­‐0,13293-­‐0,004675

0,0019550,136061

-­‐0,2093610,220179

1.000.000TXETRANGER

0,1700840,708501

-­‐0,1354740,01462

0,240888-­‐0,238019

-­‐0,032231-­‐0,312375

-­‐0,041282-­‐0,034913

-­‐0,0687460,199421

-­‐0,016864-­‐0,352806

-­‐0,519283-­‐0,029801

0,5322660,420606

0,077479  0.,0075630,124968

-­‐0,255915-­‐0,105999

0,1632460,221897

0,0479691.000.000

WIFI0,082988

0,043607-­‐0,085071

-­‐0,0442870,042405

0,030256-­‐0,188297

-­‐0,042310,263082

-­‐0,073337-­‐0,028814

0,1027040,174141

-­‐0,136053-­‐0,081497

0,3208010,148461

0,0729130,196827

0,032212-­‐0,135249

-­‐0,129284-­‐0,148008

-­‐0,1047570,023543

0,1155690,085177

1.000.000LARGE

-­‐0,119931-­‐0,067166

0,0507290,13628

0,153077-­‐0,232946

0,175594-­‐0,110218

0,135539-­‐0,119128

0,145390,385518

0,0325960,131916

0,2799590,048562

0,287601-­‐0,206473

-­‐0,0266760,073812-­‐1.000.000

-­‐0,0200630,15281

-­‐0,068264-­‐0,111217

0,004675-­‐0,124968

0,1352491.000.000

28    

Variables   1ère  Régression   2ème  Régression   3ème  Régression   4ème  Régression  Concu_intra   0.000355

(0.005445)  0.005406

(0.690979)     0.008666

(0.006541) Indice_rich   -0.001113

(0.026004)  0.001896** (0.000758)

 

Partdesjeunes  

-0.002306 (0.002579)

Popetranger    

-2.77E-06*** (1.05E-06)

Carte_fid   -0.030054* (0.016886)

0.014617** (-2.064414)

-0.028576* (0.015851)

-0.020592 (0.017778)

Concu   -0.000214*** (8.28E-05)

-0.000213*** (7.70E-05)

-0.000214** (8.56E-05)

-0.000186** (7.54E-05)

Concu_inter   0.004211 (0.003441)

0.003315 (0.472477)

0.004829* (0.002864)

0.001923 (0.003611)

Halal   -0.051967*** (0.016704)

-0.052367*** (0.015498)

-0.051672*** (0.017009)

-0.054339*** (0.017869)

Prixmoyen_imo   1.02E-07 (1.25E-07)

-0.038847 (0.021481)

2.53E-07* (1.36E-07)

Tv   0.042515*** (0.015412)

0.043368*** (0.014093)

0.042515*** (0.015412)

0.030857* (0.016048)

Promo   -0.024044 (0.021698)

  -0.026107 (0.022837)

Mentions    

0.065407** (0.028084)

Large     0.005038 (0.014547)

0.022839 (0.017204)

Très_sale   -0.035563 (0.022723)

-0.038847* (0.021481)

-0.031733 (0.029375)

Sale       -0.016769 (0.020256)

Propre         0.029370 (0.020722)

Très_propre         0.018828 (0.025850)

Luxueux         0.059729* (0.033528)

Est   0.023678 (0.028568)  

-0.024469 (0.023662)

0.006611 (0.022633)

-0.043810 (0.032658)

Nord   0.023678 (0.028568)

0.016383 (0.023015)

0.035925 (0.031376)

0.043721 (0.026792)

Ouest   0.016364 (0.030822)

0.011334 (0.023299)

0.031280 (0.038159)

0.005338 (0.030697)

Sud   0.054574** (0.022629)

0.024720 (0.023785)

0.063800*** (0.023056)

0.025570 (0.027180)

         R²  Ajusté   0.178877   0.213930  

 0.184230   0.213732  

Critère  d’ Akaike   -2.3948   -2.446664  

-2.401396   -2.399235  

Critère de Schwarz  

-2.0388   -2.116115  

-2.045420   -1.916125  

Les  écart-­‐types  sont  donnés  entre  parenthèses  en-­‐dessous  des  coefficients.    Les  coefficients  sont  statistiquement  significatifs  au  niveau  de  10%*,  de  5%**  ou  de  1%***.    

 

29    

Tableau  7:  White  Heteroskedasticity  Test:  Régression  1    

 

White  Heteroskedasticity  Test  :  Régression  1    

F-­‐Statistic  :  1,165854   Probability  :  0,3174  

Obs*R-­‐squared  :  14,98948   Probability  :  0,3080  

 

Graphique  2  :  Histogramme  des  résidus  de  la  régression  1  

 

Tableau  8:  White  Heteroskedasticity  Test:  Régression  2    

 

White  Heteroskedasticity  Test  :  Régression  2  

F-­‐Statistic  :  0,525081   Probability  :  0,9855  

Obs*R-­‐squared  :  60,78314   Probability  :  0,8826  

 

 

 

 

 

 

0

4

8

12

16

20

24

-0.2 -0.1 -0.0 0.1 0.2

Series: ResidualsSample 1 104Observations 104

Mean -7.51e-17Median 0.002686Maximum 0.194649Minimum -0.246745Std. Dev. 0.064174Skewness -0.358559Kurtosis 4.744224

Jarque-Bera 15.41183Probability 0.000450

30    

Graphique  3  :  Histogramme  des  résidus  de  la  régression  2  

 

Tableau  9:  White  Heteroskedasticity  Test:  Régression  3    

 

White  Heteroskedasticity  Test  :  Régression  3  

F-­‐Statistic  :  1,085105   Probability  :  0,3820  

Obs*R-­‐squared  :  14,09195   Probability  :  0,3674  

 

 

Graphique  4  :  Histogramme  des  résidus  de  la  régression  3  

 

 

 

 

31    

Tableau  10:  White  Heteroskedasticity  Test:  Régression  4    

White  Heteroskedasticity  Test  :  Régression  4  

F-­‐Statistic  :  0,992435   Probability  :  0,4763  

Obs*R-­‐squared  :  18,  06114   Probability  :  0,4516  

 

Graphique  5  :  Histogramme  des  résidus  de  la  régression  4  

 

Graphique  6  :  Relation  entre  l’indice  de  richesse  et  prix  moyen  de  l’immobilier  

 

0

5

10

15

20

25

-0.2 -0.1 -0.0 0.1

Series: ResidualsSample 1 104Observations 104

Mean 1.56e-16Median 0.008755Maximum 0.160482Minimum -0.241556Std. Dev. 0.061028Skewness -0.574416Kurtosis 4.461777

Jarque-Bera 14.97862Probability 0.000559

240,000

280,000

320,000

360,000

400,000

440,000

480,000

520,000

560,000

600,000

50 60 70 80 90 100 110 120

INDICE_RICH

PRIXMOYEN_IMO

32    

Graphique  7  :  Relation  entre  l’Etat  des  lieux  et  le    Prix  

 

 

Graphique  8  :  Prix  moyen  par  rapport  à  l’existence  d’une  mention  

 

 

 

 

 

 

 

3,30  3,40  3,50  3,60  3,70  3,80  3,90  

Etat  des  lieux  

Etat  des  lieux  

4  4  4  4  4  4  4  4  4  

Menrons   Moyenne  des  snack  

Prix  

Prix  

33    

Tableau    11  :  Wald  Test  :  convergence  des  zones  géographiques  

 

Wald  test    

C(2) - C(5)

C(3) - C(5)

C(4) - C(5)

Test Statistic Value   df   Probability  

F-­‐Statistic   2,619449   -­‐3,85   0,056  

Chi-­‐square   7,858348   3   0,049  

 

 

Graphique  9  :  Prix  moyen  de  l’immobilier  par  zones  

 

 

 

 

 

 

 

Nord   Sud   Est  Ouest  

Centre  

287758,3  402252,9   393593,3  

269232,5  

399526,9  

Prix  moyen  immobilier  Prix  moyen  immobilier  

34    

Tableau  12  :  Les  20  snacks  aux  prix  les  plus  sous-­‐estimés  par  le  modèle  4.  

 

Sous-­‐estimation  pourcent     Numéro  de  snack     Nom  

14,82666667   43   Snack  Hakan  

11,59911111   55   Grill  Palace  

11,053025   77   Dag  

9,2239   33   Gurbuz  

7,8748   91   Loni  

7,7854   100   Pittagore  

7,649475   75   Besiksi  

7,401675   8   Aquarium  

7,308988235   74  Atlas  Snack  Restaurant  

6,448775   9   Bosphorus  

6,10745   96   Keym  

5,9119   17   Hellas  

5,9119   21   Viady  

5,414925   2   Brussels  Pasta  Grill  

5,2625   11   Frito  Center  

4,82515   102   Tomber  

4,7129   53   7  Saveurs  

4,679088608   1   Al  Hourya  

4,65255   51   Seven  Days  

4,252575   46   Buzlu  

 

 

 

 

35    

Tableau  13  :  Les  20  snacks  aux  prix  les  plus  surestimés  par  notre  modèle  4.  

 

Sur-­‐estimation   Numéro  snack     Nom  snack    

27,32286667   79   Emirdag  Koftecisi  

13,44125714   97   Bodrum  

13,25123333   23   Istanbul  

11,57022857   45   Atrium  

10,38554286   40   Turquie  

9,196769231   76   Bosphor  

9,023828571   70   Vol-­‐Paris  

8,917371429   92   N  Joy  

8,799171429   14   No  name  

8,785628571   67   Mets  Delice  

8,652885714   68   Oscar  

8,093114286   29   Arc  en  Ciel  

7,996571429   50   La  petite  couronne  

7,535828571   72   Aksehir  

7,144114286   13   Snack  El&Oz  

7,060628571   73   Anadollu  

7,056371429   59   Snack  Le  Casitout  

6,989171429   34   Miro's  

6,569514286   4   Gül  Snack  

5,544485714   25   Petit  creux  

 

 

 

 

 

36    

Tableau  14  :  reprenant  le  forecasting,  le  ratio  prix  forecasted/prix  observé,  et  les  sous-­‐estimations  et  surestimations  

 

obs   PRIXF   PRIX  ratio  PrixF/Prix  

sur/sous  esti  

1   3,765176   3,950   0,953209114   -­‐4,679088608  

2   3,783403   4,000   0,94585075   -­‐5,414925  

3   3,366322   3,500   0,961806286   -­‐3,819371429  

4   3,729933   3,500   1,065695143   6,569514286  

5   3,517795   3,500   1,005084286   0,508428571  

6   3,538293   3,500   1,010940857   1,094085714  

7   3,479582   3,500   0,994166286   -­‐0,583371429  

8   3,703933   4,000   0,92598325   -­‐7,401675  

9   3,742049   4,000   0,93551225   -­‐6,448775  

10   3,973077   4,000   0,99326925   -­‐0,673075  

11   3,789500   4,000   0,947375   -­‐5,2625  

12   3,783714   3,900   0,970183077   -­‐2,981692308  

13   3,750044   3,500   1,071441143   7,144114286  

14   3,807971   3,500   1,087991714   8,799171429  

15   3,662768   3,500   1,046505143   4,650514286  

16   3,962222   4,000   0,9905555   -­‐0,94445  

17   3,763524   4,000   0,940881   -­‐5,9119  

18   3,962222   4,000   0,9905555   -­‐0,94445  

19   3,841826   4,000   0,9604565   -­‐3,95435  

20   3,881467   4,000   0,97036675   -­‐2,963325  

21   3,763524   4,000   0,940881   -­‐5,9119  

22   3,516661   3,500   1,004760286   0,476028571  

37    

23   3,397537   3,000   1,132512333   13,25123333  

24   3,407610   3,500   0,973602857   -­‐2,639714286  

25   3,694057   3,500   1,055444857   5,544485714  

26   3,468292   3,500   0,990940571   -­‐0,905942857  

27   3,468292   3,500   0,990940571   -­‐0,905942857  

28   3,536094   3,500   1,010312571   1,031257143  

29   3,783259   3,500   1,080931143   8,093114286  

30   3,666621   3,500   1,047606   4,7606  

31   3,831983   4,000   0,95799575   -­‐4,200425  

32   3,690849   3,500   1,054528286   5,452828571  

33   3,631044   4,000   0,907761   -­‐9,2239  

34   3,744621   3,500   1,069891714   6,989171429  

35   3,552351   3,500   1,014957429   1,495742857  

36   3,887927   4,000   0,97198175   -­‐2,801825  

37   3,878997   4,000   0,96974925   -­‐3,025075  

38   3,896937   3,800   1,025509737   2,550973684  

39   3,953838   4,000   0,9884595   -­‐1,15405  

40   3,863494   3,500   1,103855429   10,38554286  

41   3,877837   4,000   0,96945925   -­‐3,054075  

42   3,908677   4,000   0,97716925   -­‐2,283075  

43   3,832800   4,500   0,851733333   -­‐14,82666667  

44   4,012973   3,800   1,056045526   5,604552632  

45   3,904958   3,500   1,115702286   11,57022857  

46   3,829897   4,000   0,95747425   -­‐4,252575  

47   3,924839   4,000   0,98120975   -­‐1,879025  

48   3,379754   3,500   0,965644   -­‐3,4356  

49   3,666441   3,800   0,964852895   -­‐3,514710526  

38    

50   3,779880   3,500   1,079965714   7,996571429  

51   3,813898   4,000   0,9534745   -­‐4,65255  

52   3,501935   3,500   1,000552857   0,055285714  

53   3,811484   4,000   0,952871   -­‐4,7129  

54   3,948251   4,000   0,98706275   -­‐1,293725  

55   3,978040   4,500   0,884008889   -­‐11,59911111  

56   3,920798   4,000   0,9801995   -­‐1,98005  

57   3,588063   3,700   0,969746757   -­‐3,025324324  

58   3,670605   3,800   0,965948684   -­‐3,405131579  

59   3,746973   3,500   1,070563714   7,056371429  

60   3,977302   4,000   0,9943255   -­‐0,56745  

61   3,566426   3,500   1,018978857   1,897885714  

62   3,548132   3,500   1,013752   1,3752  

63   3,699226   3,800   0,973480526   -­‐2,651947368  

64   3,537246   3,500   1,010641714   1,064171429  

65   3,527132   3,500   1,007752   0,7752  

66   3,810172   3,800   1,002676842   0,267684211  

67   3,807497   3,500   1,087856286   8,785628571  

68   3,802851   3,500   1,086528857   8,652885714  

69   3,759979   3,800   0,989468158   -­‐1,053184211  

70   3,815834   3,500   1,090238286   9,023828571  

71   3,478559   3,500   0,993874   -­‐0,6126  

72   3,763754   3,500   1,075358286   7,535828571  

73   3,747122   3,500   1,070606286   7,060628571  

74   3,939368   4,250   0,926910118   -­‐7,308988235  

75   3,694021   4,000   0,92350525   -­‐7,649475  

76   3,548895   3,250   1,091967692   9,196769231  

39    

77   3,557879   4,000   0,88946975   -­‐11,053025  

78   3,882027   4,000   0,97050675   -­‐2,949325  

79   3,819686   3,000   1,273228667   27,32286667  

80   3,864813   4,000   0,96620325   -­‐3,379675  

81   3,814729   4,000   0,95368225   -­‐4,631775  

82   3,879271   4,000   0,96981775   -­‐3,018225  

83   3,621720   4,000.000   0,90543   -­‐9,457  

84   3,918616   4,000   0,979654   -­‐2,0346  

85   3,550895   3,500   1,014541429   1,454142857  

86   3,594594   3,500   1,027026857   2,702685714  

87   3,618846   3,500   1,033956   3,3956  

88   3,907687   3,800   1,028338684   2,833868421  

89   4,033779   4,000   1,00844475   0,844475  

90   3,975801   4,000   0,99395025   -­‐0,604975  

91   3,685008   4,000   0,921252   -­‐7,8748  

92   3,812108   3,500   1,089173714   8,917371429  

93   3,966504   4,000   0,991626   -­‐0,8374  

94   3,983087   4,000   0,99577175   -­‐0,422825  

95   4,079760   4,000   1,01994   1,994  

96   3,755702   4,000   0,9389255   -­‐6,10745  

97   3,970444   3,500   1,134412571   13,44125714  

98   3,890718   4,000   0,9726795   -­‐2,73205  

99   3,693745   3,500   1,055355714   5,535571429  

100   3,688584   4,000   0,922146   -­‐7,7854  

101   3,693745   3,500   1,055355714   5,535571429  

102   3,806994   4,000   0,9517485   -­‐4,82515  

103   3,943101   4,000   0,98577525   -­‐1,422475  

40    

104   3,914398   3,750   1,043839467   4,383946667  

 

 

 

Graphique  10  :  prix  en  fonction  des  snacks  prévues  par  la  régression  et  observé  sur  le  terrain  

 

 

 

 

 

 

 

 

 

 

 

 

0  

500.000  

1.000.000  

1.500.000  

2.000.000  

2.500.000  

3.000.000  

3.500.000  

4.000.000  

4.500.000  

5.000.000  

1   6   11  

16  

21  

26  

31  

36  

41  

46  

51  

56  

61  

66  

71  

76  

81  

86  

91  

96  

101  

PRIXF  

PRIX