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
Top Related