Vous êtes sur la page 1sur 78

COLE DES HAUTES TUDES COMMERCIALES

AFFILIE LUNIVERSIT DE MONTRAL

Les ventes aux enchres sur Internet


Cas particulier : Ebay.com

Par
Nawel Amrouche

Sciences de la gestion

Mmoire prsent en vue de lobtention


du grade de matre s. Sciences
(M.Sc.)

Juillet, 2002
Nawel Amrouche, 2002

REMERCIEMENTS
Mes remerciements les plus sincres Monsieur Georges Zaccour, instigateur
de ce projet, qui a fait preuve dune grande disponibilit et qui a su, tout au long du
processus de recherche, prodiguer les conseils et les explications ncessaires sa
bonne ralisation.
Je tiens galement remercier Monsieur Jacques Robert pour la pertinence des
suggestions et des rfrences bibliographiques.
Enfin, un grand remerciement mes parents dont les encouragements rpts
mont beaucoup aid pour crire ce projet.

SOMMAIRE
Plusieurs phnomnes au niveau des ventes aux enchres ont t traits dans la
littrature. On sintressera au niveau de ce mmoire lun de ces phnomnes
savoir lenchre par saut. En effet, malgr la richesse des explications donnes par
plusieurs auteurs sur ce sujet ou sur des thmes analogues, comme lenchre de
dernire minute, on note que des tudes empiriques font dfaut.
On a appliqu une dmarche conomtrique rigoureuse pour faire ressortir les
dterminants de la prsence ou labsence de ce phnomne ainsi que leur importance
relative. Pour ce faire, on a utilis une base de donnes tire du site eBay. Les
rsultats obtenus ont t par la suite valids par deux modles conomtriques
connexes qui tiennent compte non pas de la prsence du phnomne denchre par
saut comme variable dpendante mais du nombre doccurrence de celui-ci.
Dans le contexte de cette tude, on conclut que les dterminants de ce
phnomne viennent dans cet ordre dimportance : la valeur initiale comme nonce
par le vendeur, la valeur de litem qui donne une ide sur le prix auquel ce dernier est
vendu, le nombre denchrisseurs avant celui qui a effectu lenchre par saut, la
valeur initiale du produit si elle est infrieure ou non 1$ et enfin le profil
dvaluation de celui qui a propos une enchre par saut.

TABLE DES MATIRES


Pages
INTRODUCTION

CHAPITRE 1 : TERMINOLOGIE ET FONCTIONNEMENT

10

CHAPITRE 2 : REVUE DE LITTRATURE

15

I. DIVERS ASPECTS TRAITS


a.

Proposition dune dfinition thorique

15

b. Asymtrie de linformation

17

c.

17

Typologie de linformation

d. Aversion au risque

18

e.

Action dautrui

19

f.

Ventes par contrat

19

g.

Approche relationnelle

20

h. Rsultat des exprimentations

20

i.

21

Autres champs dintrt

II. ASPECT COMPORTEMENTAL DES VENTES AUX ENCHRES


a.

Rle stratgique de linstitution dun march denchre

21
21

b. Rle stratgique dun mcanisme de vente

22

c.

24

Comportements particuliers

III. CONCLUSION
CHAPITRE 3 : PROBLMATIQUE ET MTHODOLOGIE
I.

15

DFINITION DU PROBLME

II. MTHODOLOGIE
a.

Quelques notions de la rgression logistique

26
27
27
28
28

b. Spcification des variables

30

c.

33

Hypothses

5
CHAPITRE 4 : PRSENTATION DE LA BASE DE DONNES
I.

CODIFICATION DES VARIABLES

II. TRAITEMENT DE LA BASE DE DONNES


a.

Prsentation de lchantillon

35
35
38
38

b. Diagnostic initial

38

III. RSULTATS DESCRIPTIFS

40

CHAPITRE 5 : RSULTATS DU MODLE


I.

I.

44

RECHERCHE DU MODLE ADQUAT

44

b. Critre de slection

44

c.

44

Les diffrentes tapes

INTERPRTATION DES COEFFICIENTS

II. CONFIRMATION DES RSULTATS

50
52

CONCLUSION

54

ANNEXES

57

ANNEXE 1

58

ANNEXE 2

59

ANNEXE 3

60

ANNEXE 4

61

ANNEXE 5

70

BIBLIOGRAPHIE

77

TABLEAUX
Pages
TABLEAU 1 : Explications stratgiques du phnomne enchre de dernire

minute

22

TABLEAU 2 : Codage de la variable catgorie du produit

35

TABLEAU 3 : Codage de la variable type du mcanisme de vente

36

TABLEAU 4 : Codage de la variable valeur initiale infrieure ou gale 1$

36

TABLEAU 5 : Codage de la variable valeur initiale infrieure ou gale 1$

36

TABLEAU 6 : Statistiques descriptives de la variable prsence denchre

par saut

40

TABLEAU 7 : Statistiques descriptives de la variable nombre denchres

par saut

40

TABLEAU 8 : Statistiques descriptives de la variable enchre par saut au

dbut dune vente


TABLEAU 9 : Statistiques descriptives de la variable catgorie de litem

41
41

TABLEAU 10 : Statistiques descriptives de la variable type du mcanisme de

vente

41

TABLEAU 11 : Statistiques descriptives de la variable dure de la vente aux

enchres

42

TABLEAU 12 : Statistiques descriptives de la variable valeur initiale

gale ou infrieure 1$

42

TABLEAU 13 : Statistiques descriptives des variables valeurs continues

43

TABLEAU 14 : Rsultats destimation du modle de rfrence M1

45

TABLEAU 15 : Rsultats destimation du modle M2

45

TABLEAU 16 : Rsultats destimation du modle M3

46

TABLEAU 17 : Rsultats destimation du modle M4

47

TABLEAU 18 : Rsultats destimation du modle M5

47

TABLEAU 19 : Rsultats destimation du modle M6

48

TABLEAU 20 : Tableau rcapitulatif de la signification statistique

des variables exognes


TABLEAU 21 : Poids des coefficients du modle selectionn M2

49
51

INTRODUCTION

Les ventes aux enchres ont intress, aussi bien par leur design que leur
fonctionnement, plusieurs personnes, depuis des milliers dannes. En effet, le premier
rapport sur ce type de ventes date du cinquime sicle avant J.-C. et a t crit par
lhistorien grec Herodote qui dcrivait la vente des femmes Babylone. lpoque de
lempire romain, la vente aux enchres des objets pills lors des invasions tait trs
courante.
Pour qui pntre pour la premire fois dans le monde des ventes aux enchres, une
dfinition prliminaire tire du dictionnaire Le Robert mrite une certaine attention. Ainsi,
une enchre se dfinit comme une offre dune somme suprieure la mise prix ou aux
offres prcdentes, dans une vente au plus offrant. Par ailleurs, le terme anglais Auctions
est driv du latin augere dont le sens littral est augmenter.
Daprs McAfee et McMillan (1987), une vente aux enchres est une institution de
march avec un ensemble de rgles explicites dterminant lallocation des ressources et
les prix sur la base des enchres places par les participants dans ce march.
Selon Acua Group (1990), lobjectif de chaque procdure doffre au niveau de ce type
de vente est de slectionner un contractant convenable un moment appropri aux
circonstances en cours et dobtenir de lui un temps bien dfini une soumission acceptable
selon laquelle un contrat pourrait tre conclu.
Daprs Klemperer (1999), lintrt des enchres est indiscutable tant dun point de
vue pratique, empirique que thorique : Primo, un grand volume de transactions sopre
travers ce type de vente qui porte sur toutes sortes de biens (les Bons du Trsor, les
produits agricoles, les frquences radio, les objets dart,) aussi bien que les contrats
gouvernementaux appels procurement auctions (comme les droits de forage de ptrole) et
les rachats de compagnies. De nouvelles formes de ventes aux enchres savoir les
licences sont galement en train dexploser en terme dintrt. Secundo, lenvironnement
conomique de ce type de vente est bien dfini au point quil procure un terrain-test trs
valorisant pour la thorie conomique, surtout pour la thorie des jeux avec information

8
incomplte. Tercio, la thorie des ventes aux enchres constitue une base pour des travaux
thoriques plus fondamentaux. En effet, elle a permis le dveloppement remarquable
dautres mthodes de formation des prix, des notions de la thorie des ngociations o aussi
bien le vendeur que lacheteur se trouvent impliqus activement dans la dtermination des
prix mais aussi celles des marchs comptitifs.
Cette thorie prend encore de lampleur vu lvolution des enchres sur Internet : de
plus en plus dchanges ont lieu sur Internet (voyages, vides greniers,) et la valeur
montaire que reprsentent ces changes est considrable (par exemple, en France, plus de
64% des marchs publics sont attribus par appel doffres par voie lectronique). Par
ailleurs, daprs les compagnies de consultation International Data Corporation,
CyberDialogue, Forester Research et bien dautres, le nombre moyen dutilisateurs
amricains dInternet est de 83.5 millions en 1999 avec une prvision de 143 millions
dutilisateurs en 2003, cest dire plus de la moiti de la population adulte amricaine
(40% de ceux-ci sont des diplms universitaires et revenus substanciels). En dehors des
tats-Unis, le nombre dutilisateurs est moins lev mais on prvoit que le nombre mondial
aurait atteint les 500 millions dutilisateurs en 2003. Enfin, on note que le B2B, B2C et P2P
e-commerce devraient approcher les $400 billions en 2003 et plus du tiers serait relatif au
segment des ventes aux enchres qui est un segment bas sur la demande ou bas sur des
prix dynamiques de lensemble du commerce en ligne.
Ce mmoire se fixe comme objectif lexplication de la prsence de lun des
phnomnes observables au niveau des ventes aux enchres. Il sagit du Jump Bidding cest
dire la proposition d'une enchre suprieure celle qui la prcde par un montant
dpassant celui dtermin par eBay appel bid increment (voir annexe 1) et quon pourrait
traduire par enchre par saut.
Le mmoire est organis comme suit : le premier chapitre comporte une brve
description des mcanismes utiliss aussi bien dans la littrature que dans le cadre des
enchres en ligne afin de se familiariser avec la terminologie employe. Au niveau du
second chapitre, on se penchera sur la revue de la littrature o on fait un survol sur
lensemble des perspectives traites autour des ventes aux enchres pour finir sur un article
de base qui permettra de cerner lintrt de recherche et avancer quelques questions de
rflexions. Ensuite, le troisime chapitre consiste proposer un modle conomtrique jug

9
convenable pour reflter l'information disponible aux enchrisseurs sur le site eBay et par
consquent expliquer la prsence du phnomne en question. Ce modle conomtrique
englobe un ensemble de variables explicatives comme la valeur initiale propose par le
vendeur, le temps fix pour la vente et la catgorie de l'item en question et permettra alors
de projeter un ensemble dhypothses de recherche tester. Une rubrique sera aussi
consacre la prsentation de la base de donnes et quelques rsultats descriptifs. Enfin, on
avancera les rsultats du modle pour terminer sur une conclusion gnrale et quelques
avenues de recherche pour permettre dapprofondir la comprhension de ce phnomne ou
bien dautres qui lui sont connexes ou mme trs distincts.

10

CHAPITRE 1
TERMINOLOGIE ET FONCTIONNEMENT
Quatre types de ventes aux enchres sont largement utiliss et analyss aussi bien en
thorie quen pratique, savoir, les enchres ascendantes, les enchres descendantes, les
enchres premier-prix, les enchres second-prix, les enchres par multi-units et enfin les
enchres prives. En dcrivant leur fonctionnement, on focalisera sur la vente dun seul
objet pour des raisons de simplicit.
Les enchres ascendantes : le prix est successivement augment jusqu ce
quun seul enchrisseur reste et gagne lobjet au prix final. Cette procdure repose
soit sur les vendeurs, qui doivent noncer les prix, soit les acheteurs, qui doivent
proposer les prix ou encore les internautes, qui placent des enchres par voie
lectronique. Cette procdure, trs utilise par les thoriciens, est appele enchres
japonaises o les enchrisseurs quittent graduellement la vente au fur et mesure que
le prix augmente. Ainsi, un enchrisseur qui est dj sorti du jeu ne sera plus en
mesure deffectuer une quelconque enchre par saut. Il convient de noter, par ailleurs,
que le nombre denchrisseurs actifs est toujours connu publiquement. En thorie, ce
type denchre est appel aussi : enchres ouvertes, orales, anglaises ou progressives
(cas des antiquits et des ventes de maisons). Une autre terminologie est utilise sur
Internet, et plus prcisment par le site eBay1 pour rfrer au mme mcanisme
denchre. Il sagit des enchres standards.
Les enchres descendantes : on commence la vente par des prix trs levs pour
les faire descendre ensuite continuellement. Le premier enchrisseur qui se prononce
pour le prix mentionn est dclar acheteur ou gagnant de lobjet ce prix (cas des
poissons en Israel et du tabac au Canada). Il convient de noter que cette enchre est
aussi publique et elle est connue par les conomistes sous le nom denchres
hollandaises (cas de la vente des fleurs aux Pays-Bas).
Les enchres par multi-units : o le mme produit est offert en plusieurs units.
Si on se fie au fonctionnement de ce mcanisme au niveau du site eBay, lacheteur,
1

Site amricain pour les ventes aux enchres en ligne. Ce site est ouvert tout le monde pour vendre et acheter nimporte quelle
marchandise ( il totalise plus de 4.500 catgories et prs de 600.000 nouveaux items sajoutent par jour) nimporte quelle heure et de
nimporte quel endroit.

11
au mme titre que le vendeur, aura indiquer la quantit voulue ainsi que le prix
auquel il serait prt payer le produit. Le prix de vente sera le prix minimum en
commun gal ou au del du prix initial. Si le nombre dunits de la demande dpasse
celui de loffre, le produit sera accord plutt aux enchrisseurs qui ont offert des prix
plus levs, ils seront donc prioritaires pour avoir la quantit totale demande. Ainsi,
si quelques acheteurs ne peuvent avoir quune partie de cette quantit, ils sont en
mesure de refuser lachat. Par ailleurs, sils tiennent absolument avoir ce produit le
seul moyen dy arriver est dtre sr davoir plac une enchre plus leve que les
autres.
Les enchres prives : o lidentit des enchrisseurs potentiels nest pas
divulgue au grand public. Cette spcification, compte tenue des rglements du site
eBay, est la charge du vendeur sachant que cette option nest pas applicable dans le
cas des enchres par multi-units. Ceci signifie que laddresse lectronique des
enchrisseurs ne sera pas affiche aussi bien que lhistoire de la vente en question,
une fois celle-ci close. Seulement le vendeur et le dclar acheteur seront notifis via
courrier lectronique quand la vente est conclue.
Les enchres premier-prix : les enchrisseurs soumettent des enchres
indpendantes (chacun soumet une seule enchre) sans prendre connaissance de celles
des autres. Lobjet est vendu celui qui place lenchre la plus leve en payant ce
prix appel premier-prix (cas des droits des minraux dans les trritoires
gouvernementaux, cas de limmobilier ainsi que les valeurs mobilires amricaines et
anglaises dans la version des enchres par multi-units). En thorie, cette enchre est
appele aussi first-price sealed bid auction.
Les enchres second-prix : exactement le mme principe que les enchres
premier-prix mais le prix qui sera pay par le dclar acheteur (qui a mis lenchre la
plus leve) est le second prix le plus lev appel second-prix (cas des timbres, de la
vente de la monnaie entre gouvernements et rachats dactions entre compagnies dans
la version des enchres par multi-units). Son utilisation en thorie est de moins
grande envergure que les autres types de vente. Cette vente est appele aussi enchres
de Vickrey ou second-price sealed bid auction. Il convient de noter, par ailleurs, que
le fonctionnement de cette enchre nentrane pas automatiquement une perte pour le

12
vendeur puisque les enchrisseurs auront tendance placer des enchres plus leves
que celles mises lors dune enchre premier-prix.
Des options additionnelles soffrent aussi bien au vendeur qu lenchrisseur au
niveau du site eBay, on peut en citer :
La vente avec prix de rserve : le vendeur spcifie un prix appel prix de rserve
lors de la mise en vente (deux prix sont ainsi fixs par le vendeur : prix de rserve et
prix de dpart ou initial). Ce prix reste cach et nest jamais rvl aux
enchrisseurs mme aprs conclusion du contrat. Toutefois, eBay les avertit si le
prix a t atteint. Il constitue, par ailleurs, le prix le plus bas auquel le vendeur
accepte de vendre son objet et il est toujours suprieur la mise prix. Il convient
de noter, par ailleurs, que la vente se poursuit jusqu la date fixe lors du dbut de
lenchre par le vendeur et ce mme si le prix de rserve est dj atteint. Aussi, des
exceptions ne sont pas carter pour ce type de mcanisme de vente. Ainsi, si le
premier enchrisseur a atteint le prix de rserve (en proposant un prix suprieur ou
gal) mais le second propose un prix en dessous de celui-ci alors le premier gagne
lobjet au prix de rserve. Toutefois, si plusieurs enchrisseurs dpassent ce prix
particulier alors le gagnant sera tenu de payer le prix quil a propos. Enfin, on note
que cette option nest pas applicable dans le cas des enchres hollandaises.
Lachat immdiat : le produit est vendu immdiatement ds quun acheteur se
propose de lacheter.
Lenchre par procuration : cette enchre est appele aussi enchre automatique.
Il sagit dune soumission par un acheteur not A dune enchre maximale et cest
le systme eBay qui excute les enchres pour lui en indiquant toujours le prix le
plus bas possible mais juste au-dessus de celui qui a mis en dernier. La vente sera
donc soit conclue au profit de cet acheteur A ou un autre not B et ce dans le cas o
le prix propos par B dpasse le prix maximal offert par A. Ce prix maximal nest,
au fait, jamais dvoil aux autres acheteurs ou mme au vendeur. Par ailleurs, cette
formule ne sapplique pas au cas des enchres par multi-units.

13
Une caractristique essentielle aux enchres est la prsence dune information
asymtrique. Le concept dquilibre appropri est donc celui appel quilibre bayesien de
Nash, cest--dire que la stratgie de chaque joueur est fonction de sa propre information
mais aussi des stratgies des autres joueurs et de ses croyances quant linformation
dtenue par les autres joueurs. Cette stratgie lui permet donc de maximiser son gain. Deux
modles caractrisent les enchres :
Les modles valeurs prives : chaque enchrisseur connat la valeur de lobjet
mis en vente mais cette information lui est propre et nest pas divulgue aux autres.
On suppose que la valeur respective chacun est tire de faon indpendante dune
distribution continue.
Les modles valeurs communes : la valeur de lobjet est la mme pour tous les
enchrisseurs, mais ces derniers ont diffrentes informations prives propos de cette
valeur et chacun deux est donc susceptible de changer ses estimations en fonction de
la connaisance de celles des autres contrairement au cas prcdent o lvaluation de
lobjet reste non-affecte par la connaissance des signaux des autres (informations,
prfrences). ce niveau, on doit faire remarquer quil y a une particularit aux
enchres valeurs communes appele the winners curse. Cette conotation signifie
que chaque enchrisseur doit reconnatre quil a gagn lobjet seulement sil a dispos
du signal le plus lev (cas de lquilibre symtrique) car le fait de ne pas disposer
des mauvais signaux dtenus par les autres enchrisseurs entrane des victoires certes
mais trs coteuses (prix pay > la vraie valeur).
Il convient de noter que les enchres descendantes et les enchres premier-prix sont
stratgiquement quivalentes (cest--dire que la squence des stratgies possibles et la
trajectoire de chacune delles vers les consquences corrrespondantes sont exactement les
mmes). Par consquent, lquilibre des deux sortes de jeu denchres devrait concider. En
effet, dans les deux cas un enchrisseur aura se fixer un prix auquel il sera prt acheter
litem en question et en cas de gain, il paiera effectivement ce prix. Par ailleurs, les
enchres ascendantes et les enchres second-prix sont galement quivalentes
stratgiquement pour les modles valeurs prives. Ainsi, dans le cas dune enchre
ascendante, lenchrisseur devra spcifier au niveau de sa stratgie sil serait actif ou non
chaque nivellement du prix et ce en fonction du droulement de lactivit de surenchre.

14
Procder de la sorte sans tenir compte des stratgies adoptes par les autres enchrisseurs
constitue une rplique optimale. De la mme manire, au niveau de lenchre second-prix,
lenchrisseur devra proposer la valeur de lobjet tel quil le valorise lui-mme pour que sa
stratgie soit dominante. Ainsi, dans les deux cas denchres, il y a un quilibre unique et le
gagnant est celui qui valorise le plus lobjet mais paiera le second prix propos le plus
lev. Toutefois, il convient de remarquer que cet argument dquivalence entre les deux
types denchres recquiet la connaissance propre de chaque enchrisseur quant la valeur
de lobjet mis en vente, alors que cet argument ne conditionne pas lquivalence des
enchres descendantes et de premier-prix.

15

CHAPITRE 2
REVUE DE LA LITTRATURE

Ce chapitre comporte une revue de littrature typologique sous rserve doublier


certaines perspectives. Il est divis en deux sections : les divers aspects traits par les
thoriciens et laspect comportemental des ventes aux enchres.
I. DIVERS ASPECTS TRAITS
Cette section prsente les diffrents articles relatifs aux ventes aux enchres crits
avant les annes 80. En effet, bien que ce type de vente se pratique depuis des dcennies, il
na pu faire partie de la littrature conomique que rcemment. Ainsi, le premier crit qui a
reconnu laspect de la thorie des jeux rattach ce type de vente appartient Vickrey
(1961). Plusieurs progrs, depuis, ont commenc enrichir ce champ dintrt comme la
vision de Klein (1976) axe sur lasymtrie de linformation et son rle dterminant sur le
nivellement des prix gagnants ou encore la vision de Bunn et Thomas (1978) axe sur
limportance de lintuition dans la prise en compte des actions dautrui, facteur
psychologique mis en relief par tant dautres auteurs. Dans ce qui suit, on prsente en dtail
les diverses faons daborder le champ des ventes aux enchres.
a)

Proposition dune dfinition thorique

Schotter (1976) a numr les diffrentes approches de mise en march des produits.
Ces dernires regroupent la concurrence pure et parfaite, la loterie, le vote, la ngociation,
et finalement les ventes aux enchres traditionnelles. Ce dernier moyen de commerce a
reu, daprs lauteur, le moins dattention de la part des chercheurs puisquil ne peut faire
lobjet dtude en terme de thorie noclassique traditionnelle. Lauteur propose, toutefois,
une dfinition :
la vente aux enchres est un mcanisme dchange sans ttonnement ni
rengociation et dans lequel le vendeur se retrouve comme un agent passif et les biens sont
souvent indivisibles.

16
Laspect le plus important est que le vendeur se montre relativement passif
contrairement ce qui se passe dans un processus de concurrence. Ce vendeur est qualifi
de joueur fictif. Toutefois, cette position est dans un certain sens avantageuse car les
acheteurs ne disposent pas dinformation potentielle savoir le prix rel du vendeur.
Toujours en comparaison une situation de concurrence parfaite (systme de march
des biens uniformes et divisibles intgrant un grand nombre de participants acceptant le
prix du march tel quil est form par les forces de la demande et de loffre sans aucune
influence de leur part), Vickrey (1976) nonce quune allocation optimale devient
problmatique dans les cas suivants : les biens ne sont pas uniformes ou ne sont pas
divisibles en parties gales, le nombre de participants est faible par rapport celui des biens
objets de la ngociation ou encore une contrainte est soumise concernant le volume total de
la transaction (cas dun seul item appel Open Auction). Par ailleurs, les enchres
hollandaises ne permettent pas, daprs lui, datteindre loptimum au moins dans les cas
non-symtriques (information non identique tous).
Lauteur cite mme des problmes plus complexes, dont le cas de plusieurs items qui
interagissent. Pour lillustrer, il prend loption la plus simple, celle de n items identiques et
o les acheteurs ne veulent acqurir plus dun chacun. La procdure incluant un seul item
nest pas optimale, daprs lui, car les enchrisseurs ne savent plus sous lincertitude quand
sarrter. Une procdure Pareto Optimale serait plutt de vendre ces n items simultanment
avec une possibilit denchrir jusqu n la fois. La raison est quune fois n enchres
galisant lenchre la plus leve, chaque enchre qui va suivre sera ncessairement plus
leve que cette dernire et ceci est assur par laugmentation minimale acceptable appele
bid increment. En second lieu, il prsente le cas dun nombre ditems assez lev et o le
vendeur a le pouvoir de dterminer le nombre offrir ou dtablir un prix de rserve plus
lev que son cot marginal, ce qui le rend un vendeur appel vendeur monopolistique. En
effet, si le nombre tait suffisamment faible, le sacrifice relatif au refus de la dernire unit
est tellement lev quil ne peut tre compens par une augmentation du prix et le rsultat
de monopole devient alors celui de concurrence. Un troisime cas prsent par Vickrey
(1976) est celui o les items vendre prsentent des diffrences plutt qualitatives et en
mme temps la possibilit quun acheteur veuille plusieurs items au lieu dun nest pas
carter. Ici, il nest mme pas clair quun algorithme existe pour trouver lallocation
optimale et cette conclusion est de au fait quun ensemble de situations peuvent tre

17
abordes avec un trs grand nombre de conditions qui doivent sappliquer chacune
delles.
b)

Asymtrie de linformation

Klein (1976) met laccent sur leffet de la stucture de linformation sur le


comportement de placement denchres dans le cas dune vente traditionnelle. Lauteur
sest intress un modle pour les enchres multi-units o la vraie valeur de lobjet est
inconnue mais fixe. Deux cas ont t alors analyss savoir le cas dune information
symtrique (avec des enchrisseurs identiques) et celui dune information asymtrique (cas
des joint-ventures). Ses conclusions sont les suivantes : dans le premier cas, les gagnants
payent cher lobjet en question. En effet, ces derniers ont tendance sur-estimer la vraie
valeur de cet objet, ainsi, la solution intuitive serait denchrir un peu moins que leur
estimation pour la vraie valeur. Dans le second cas, lauteur montre que non seulement les
joint-ventures nauront pas payer beaucoup plus que la vraie valeur (compar au cas 1)
mais galement que lajustement ncessaire nest pas assez lev. En effet, dans ce cas,
lestimation des joint-ventures sera la moyenne de celles donnes par ces dernires de
faon indpendante. Cependant, la variance sera rduite selon la thorie de probabilit
applique la moyenne dun chantillon dune taille t (variance = 1/t fois celle de la
distribution initiale). Ce qui signifie que les joint-ventures seront aptes estimer de faon
plus prcise la valeur de lobjet.
c)

Typologies de linformation

Baron (1976) va plus loin et donne des typologies ces informations. En effet, selon
lui, un enchrisseur a gnralement une information incomplte concernant la valeur de
lobjet mais aussi concernant les consquences du processus dune vente aux enchres
traditionnelle. Ceci implique donc la caractrisation de ces incertitudes en terme dattentes
(expectations) reprsentes par une probabilit de distribution de lenchre des concurrents
et une autre pour la valeur de lobjet en question. Ces informations sont de 3 types: non
divulgues si elles sont connues par un seul enchrisseur comme le cas des estimations de
cots plus exactes concernant une innovation qui permet des conomies de cots,
confidentielles si dautres concurrents sont au courant de cette innovation ou enfin,
communes si elles sont disponibles tous les enchrisseurs sans exceptions, et ce cas
englobe le changement relatif au taux dinflation, aux spcificits techniques dun contrat,

18
au nombre des enchrisseurs, Les deux dernires sont caractrises au fait par des
changements dans lvaluation des probabilits des enchres des autres et ceci affecte aussi
bien la valeur du contrat que lenchre optimale. Dans ce cas, non seulement leffet cot est
pris en compte mais aussi leffet prix qui considre laction des concurrents.
Comme dterminants de son modle, lauteur prend en considration dune part
laversion au risque des enchrisseurs reprsente par leurs fonctions dutilit, dautre part
le risque et les problmes destimations du cot de lobjet en question, et ceci afin de
dgager leffet sur la formation dune enchre optimale.
d)

Aversion au risque

Massad et Tucker (2000) se sont intresss leffet du risque, variable trs pertinente
pour discriminer entre les ventes traditionnelles et celles en ligne. Ainsi, divers risques sont
associs ces dernires part le prix de rserve. Hofacker (1999) en numre au moins
cinq : risque temporel par la recherche du produit adquat, risque du vendeur sil nest pas
honnte ou digne de confiance, risque scuritaire par la perte dune information trs
valorise, risque de la marque relatif la qualit au sens large, risque dintimit appel
aussi de divulgation des informations personnelles. Cependant, la disponibilit de plus
dinformations grce au site permet de rduire lincertitude de lachat (Cox, 1967) du point
de vue du prix. Par consquent, lacheteur serait plus susceptible de payer un prix lev que
si ctait une vente traditionnelle (Cox, 1963) et cette conclusion est valable aussi bien si le
prix initial a t divulgu ou non. Massad et Tucker (2000) expliquent ce rsultat par le
nombre faible denchrisseurs dans le cas dune vente traditionnelle.
Cependant, un rsultat inverse est plausible galement. En effet, selon Malone et al.
(1987), les enchrisseurs vont chercher les meilleures offres aux prix les plus bas (
lexception des biens rares) grce aux avantages cots1. Dailleurs, on parle de synergie de
linformation sur Internet travers la revente en ligne aprs avoir pass par la vente
traditionnelle et ce fait tire son essence de la valeur ajoute des intermdiaires lectroniques
comme nonce par Janssen et Sol (2000).

Il sagit dun avantage parmi tant dautres classs en : aggrgation, confiance, assortiment et facilits par Bailey et Bakos (1997).

19
e) Action dautrui
Dautres auteurs se sont penchs sur la prise en compte des actions dautrui, leur
faon dagir ainsi que leur degr. Cest ainsi que Bunn et Thomas (1978) recommandent
lapproche Bayesienne qui ncessite doutre-passer ce que lautre pense de faon plutt
implicite afin darriver une distribution de probabilit finale des enchres des autres qui
soit subjective. Une proposition conceptuelle serait donc la somme de Typical behaviour
(comportement gnralement attendu du concurrent et dont il est conscient quil lui est
propre) et dun Out-thinking behaviour (le degr dloignement du prcdent afin de
gagner loffre). Lintuition parat ainsi un prrequis ncessaire pour tout algorithme de
pense appel thinking-algorithm car les gens tant essentiellement dterministes, vont
favoriser lutilisation de mthodes heuristiques appeles rules of thumb dans leur prise de
dcisions. Il en rsulte des solutions satisfaisantes mais non optimales daprs Kahneman et
Tversky (1973). Dailleurs, pour insister sur son importance, Bunn et Thomas (1978) la
recommandent mme si on est dans une situation appele repetitive bidding o toute
information utile est pourtant disponible empiriquement sur la base des donnes passes.
Avant de perdre de vue linformation appele information utile, on doit souligner quune
des exprimentations reportes par Smith (1976) nie le fait quune information parfaite soit
ncessaire pour tablir des prix comptitifs dquilibre et rejoint plutt ce qua t nonc
par Marshall (1949) et Hayek (1945) propos de lconomie en terme dinformations.
Il est vrai, sinon, que les biais dus aux mthodes heuristiques ne sont pas carter
dans les deux situations (unique et rptitive), mais les algorithmes proposs sous forme
d'arbres dcisionnels sont supposs rducteurs de ceux-ci.
f)

Ventes par contrat

Limportance de lintuition a t aussi aborde par Hallwood (1996) en traitant le cas


des enchres par invitation o les prix ne sont pas divulgus mme si le contrat a t
conclu. Ainsi, comme les enchrisseurs vont devoir se fier des informations floues
appeles fuzzy, ce facteur psychologique prend toute son importance. Par ailleurs, lauteur
nomet pas le risque dune variabilit des prix plus marque, mais se prononce confiant
quant la promotion de la concurrence grce cette modalit de placement denchres.
Lun des arguments est la rapidit avec laquelle lquilibre est obtenu (soutenu par
Edwards et Hallwood, 1980, comme tant dautres) et ceci tient par exemple au nombre

20
faible de concurrents srieux (dailleurs ce nombre doit tre optimal), lexpertise
technique identique pour tous,etc.
g)

Approche relationnelle

Dautres situations particulires ont t tudies en ce qui a trait au placement dune


enchre. On peut citer Engwall (1976) qui a avanc dautres facteurs part le prix, qui
auront une influence sur lanatomie du processus de ce mcanisme, sachant que cette
influence varie selon le type de la firme vendeuse. Il y a, en effet, la procdure de slection
des acheteurs et ltat de la relation initiale avec eux qui entre en ligne de compte (voir
annexe 2). Cette approche relationnelle pralable est aussi recommande par Graham,
Hardaker et Sharp (2001) qui la surnomment stage social o tous les facteurs intangibles
(la confiance dans le vendeur, sa rputation, le capital de marque,) aussi bien que la
qualit du produit prennent le devant. En effet, ils mentionnent que le prix, la livraison et
autres services rattachs deviennent importants une phase plus avance qui est la
ngociation (Metcalf et al., 1992). Par ailleurs, ces auteurs insistent sur la comptence de
lacheteur au stade social et la surnomment sophistication sociale, aussi, font-ils remarquer
que cette tape prend toute son importance dans le cas des services.
h)

Rsultats des exprimentations

Pour clore le premier volet bibliographique de la littrature, on se doit de mentionner


les conclusions les plus pertinentes des exprimentations reportes par Smith (1976). En
effet, ce dernier aborde le sujet dune autre manire en proposant cette logique : les
rsultats prix-quantit (incluant les niveaux des prix, leurs trajectoires et les quantits
changes) sont une fonction des valeurs (fonctionnement de loffre et de la demande), des
institutions (rgles et procdures de communication) et de la structure du march (nombre
des participants et leurs pouvoirs relatifs). Ainsi, lauteur fait remarquer que la convergence
vers lquilibre est relie aussi bien la priode dchange qu la manire de transiger
(nombre dunits) mais insiste sur le fait que les prix finaux restent peu prs au mme
niveau alors que la squence de convergence diffre dun chantillon lautre. Par ailleurs,
des tests plus rigoureux montrent que les profits allous aux acheteurs dpassent de loin
ceux allous aux vendeurs et ce au prix comptitif dquilibre et plus prcisment quand le
vendeur a initi loffre dun prix (cest pourquoi loption de prix de rserve est avantageuse
pour le vendeur). Ensuite, lauteur rappelle que le march des ventes aux enchres est assez

21
efficient pour exclure les participants appels submarginals (incapables de conclure des
contrats) avant que les prix convergent vers lquilibre, ide soutenue par Plott et Smith
(1975).
i)

Autres champs dintrts

Dautres aspects ont t traits en ce qui a trait aux ventes aux enchres savoir le cas
des collusions et des cartels, le cot dentre et le nombre des enchrisseurs, la corrlation
appele aussi affiliation (il sagit de la dpendance au niveau du placement dune enchre
par un enchrisseur une information dautrui afin de mieux valuer la valeur de lobjet
mis en vente) et les ventes par multi-units avec plusieurs facettes ce niveau : ventes
squentielles, simultanes, efficientes, en rajoutant dautres intrts comme la prise en
considration de la contrainte budgtaire, lexternalit des enchrisseurs (quand ceux-ci se
proccupent de lidentit de celui qui vend le produit), etc.
II. ASPECT COMPORTEMENTAL DES VENTES AUX ENCHRES
On se doit de mentionner que les contributions critiques les plus avances concernant
le champ des ventes aux enchres commenaient se faire sentir depuis la fin des annes
70. En effet, ce sont les crits de Milgrom en collaboration avec dautres auteurs qui ont
acclr, depuis, le dveloppement des recherches autour de ce sujet. Toutefois, ce champ
est trop vaste et pour viter de sy perdre, le choix des articles prsents au niveau de cette
section vise exposer la problmatique. Il convient de noter que ces articles sinsrent dans
un cadre connotation comportementale rejoignant de prs la logique de Smith (1976) susmentionne. Ainsi, chacune des sections qui suivent rpond une mme et unique question
quon pourrait formuler de la sorte : comment se comporteraient les enchrisseurs travers
les prix quils proposent en leur faisant varier les valeurs, les institutions ou la structure du
march dans lequel ils oprent?
a)

Rle stratgique de linstitution dun march denchre

Roth et Ockenfiels (2001) se sont penchs sur laspect comportemental des ventes
aux enchres. Ils se sont intresss au mcanisme des enchres second-prix et plus
prcisment au phnomne des enchres de dernire minute. Comme leur nom lindique, il
sagit dun placement maximal denchres la dernire minute de la vente. Les auteurs ont
fait une comparaison entre eBay et Amazon en considrant deux catgories de biens : les

22
antiquits (qui suivent les modles des valeurs prives car ils demandent de lexpertise pour
valuer la valeur de lobjet et cette valeur est gnralement garde secrte et elle est
extrmement leve) et les ordinateurs (qui suivent les modles des valeurs communes car
leurs prix sont gnralement connus par un grand public assez bien inform). La conclusion
laquelle sont arrivs les auteurs de cet article est que la rgle rgissant la modalit de fin
de la vente aux enchres (appele fin de la phase) a un rle stratgique au niveau du
phnomne denchre de dernire minute. En effet, il sagit dune fin fixe davance (cas
de eBay) appele Hard Close ou dune extension automatique (cas de Amazon) jusqu ce
que pendant les 10 dernires minutes aucune autre enchre ne soit place.
Les hypothses sous-jacentes au phnomne tudi sont les suivantes, sans tre
mutuellement exclusives :
Tableau 1 : explications stratgiques du phnomne enchre de dernire minute
Hypothses
Hypothses
stratgiques

a-

viter la guerre des prix avec des enchrisseurs


identiques eux (like-minded).

b- viter denchrir tard avec des enchrisseurs naifs.

Hypothses
nonstratgiques

b)

c-

Protger sa propre information comme le cas des


dealers expriments.

a-

Laisser les choses traner.

b-

Comportement naf.

c-

Autres explications.

Contribution prvue lenchre de


dernire minute
Plus dans eBay avec un effet
amplifi en ce qui a trait aux
enchrisseurs plus expriments.
Plus dans le cas des catgories qui
demandent de lexpertise que ceux o
elle est moins importante.
Pas de diffrence entre eBay et
Amazon.

Rle stratgique dun mcanisme de vente

Katkar et Lucking-Reiley (2000) se sont intresss lintrt de proposer un prix de


rserve ou un prix public (divulgu aux enchrisseurs) et limpact dun tel choix sur les
revenus du vendeur. Plusieurs raisons ont t alors avances par ces auteurs savoir :
Le prix de rserve est considr comme un prix propos par un second
enchrisseur agressif ce qui incitera augmenter les profits attendus du vendeur en
augmentant la mise du gagnant. Or ce point de vue nexplique toujours pas le fait de
rendre secret le prix de rserve comme cest le cas sur le site eBay.

23
Un prix public minimum (appel aussi prix de dpart) fait peur aux gens ce qui
peut mme rsulter en un bien non vendu vu quil sera sous-estim par les
enchrisseurs et catgoris parmi les biens de mauvaise qualit. Par contre, un prix de
dpart faible accompagn dun prix de rserve secret fait augmenter la vitesse
denchre ce qui propulse les prix et risque de dpasser le prix de rserve secret
mme sil est assez lev. Il sagit donc dune forme de stratgie marketing qui
entrane de meilleurs rsultats car les enchrisseurs vont de plus en plus demander le
produit afin de satisfaire la monte de leur curiosit. Ce second argument rejoint la
notion deffet psychologique mentionne au niveau du premier volet bibliographique
selon lequel les enchrisseurs sont avides placer des enchres dans le cas de prix de
dpart faible dans le but de rechercher de linformation, de comprendre le
comportement dautrui, de jauger lexpertise des concurrents, etc.
Selon Vincent (1994), lintrt dun prix de rserve secret est le suivant : les
enchrisseurs auront tendance placer plus denchres dans le cas dun prix de dpart
faible et un prix de rserve secret lev (situation qui procure plus dinformation) que
dans le cas dun prix de dpart lev car dans ce cas un enchrisseur serait incapable,
par crainte du winners curse, datteindre le prix de dpart tant quaucun autre nait
fait encore de mise, ce qui le pousse enchrir de faon conservatrice. Cet argument
en faveur dun prix de rserve secret est donc oppos celui avanc par les
thoriciens qui prnaient une explication psychologique. Ces derniers insistent sur
lagressivit des enchrisseurs quand ils assistent une sance denchre active.
Lintrt dun prix de rserve secret est difficile cerner si on se fie aux divers
messages noncs par les enchrisseurs eux-mmes : 1/ lutilisation dun tel prix se
fait occasionnellement par les vendeurs ce qui laisse croire un choix arbitraire et
sans aucune logique dun tel prix, 2/ comme acheteur, ceci permet dloigner les
enchrisseurs comptitifs, 3/ pour dautres, cest une perte de temps et mme une
insulte surtout pour les petites affaires ce qui altre la participation des enchrisseurs.
Katkar et Lucking-Reiley (2000) ont procd par exprimentation sur les cartes
Pokmon et ont utilis le site eBay comme terrain-test. La manipulation quils ont effectue
tourne autour de la fixation dun prix de rserve secret versus un prix public. Contrairement
leurs attentes, un prix de rserve secret amoindrit le revenu du vendeur par diminution de

24
la probabilit que la vente soit conclue, du nombre denchrisseurs serieux ainsi que du
prix attendu de la conclusion dune transaction. Une explication plausible serait donc que
les vendeurs choisissent des prix de rserve secrets pour des raisons autres quaugmenter
les prix attendus de la vente. Cependant, vu que la valeur dune carte Pokmon ne dpasse
pas 25$, la conclusion vient rejoindre lide de Kaiser et Kaiser (1999) qui suggrent de
penser deux fois avant dutiliser un prix de rserve secret si le prix minimum est infrieur
25$ car les enchrisseurs vont automatiquement supposer le prix de rserve secret lev.
Bajari et Hortasu (2000) ont document aussi empiriquement lide des prix de rserve
secrets avec les pices de monnaie et ont aboutit des rsultats contradictoires (ce prix
permet au vendeur datteindre de meilleurs revenus). Deux explications sont alors
acceptables : soit que Bajari et Hortasu ont fait des hypothses inexactes, soit quil y a une
grande diffrence ente les deux catgories de produits. Une recommandation peut toutefois
tre retenue partir des conclusions de tous ces auteurs savoir quun prix de rserve
secret a de la valeur pour les biens ayant un prix lev (prix > 25$).
Une autre explication, mais dans un cadre purement illgal, pour lacceptation dun
prix de rserve secret qui aboutit des revenus plutt faibles, est quun vendeur pourra
contacter les enchrisseurs (puisquil dispose de leurs addresses lectroniques) et leur
proposer le produit. Deux avantages sont alors tirs de cet acte illgal : le vendeur profite
de la vente de son produit mme un prix faible et ne paie pas les frais imposs par eBay
car la vente nest pas lgalement conclue.
c)

Comportements particuliers

Lenchre par saut est un phnomne trs rpandu qui consiste placer une enchre
plus leve que sa prcdente par un montant dpassant laugmentation minimale
acceptable. Quelques auteurs se sont tourns vers ce phnomne en choisissant des
situations particulires : Daniel et Hirshleifer (1998) rapportent que la motivation dune
telle enchre est le cot denchrir savoir celui de la prparation et de lannonce dune
mise (ainsi que dautres). Dans leur article, ils se sont intresss leffet de ces cots sur la
dcision de participation et le retard quils engendrent pour enchrir. Easley et Tenorio
(1999) se sont intresss au mme phnomne mais dun autre angle de vue : leffet de ces
cots sur la stratgie dune enchre par saut (cas des ventes multi-units). Leur conclusion
est alors en concordance avec celle de Avery (1998) qui explique que la stratgie dune
telle enchre est un signal dagressivit face aux adversaires aliment par deux raisons : les

25
avertir dun winners curse sils tentent de les concurrencer mais aussi parce que cest
coteux pour eux-mmes (ceux qui initient ce type denchre) de rviser leurs propres
mises. Divers rsultats sont galement noncs par Easley et Tenorio :
Les enchriseurs ont tendance placer une enchre par saut, qui a une grande
valeur stratgique, au dbut dune enchre.
Il y a plus d'incitation une enchre par saut quand il y a une grande comptition,
et ce, pour faire renoncer aux autres adversaires la participation lactivit denchre
ou bien pour liminer des concurrents potentiels sils se sont dj manifests ce qui
minimise les cots de celui qui a propos ce type de mise (mais cest aussi un gain
pour celui qui renonce de poursuivre lenchre dans le sens o il vite de faire face
aux grands adversaires).
Ceux qui placent des enchres gnralement au dbut sont plus aptes placer des
enchres par saut et ce pour deux raisons : 1/ ils anticipent plus de concurrence, 2/ les
enchrisseurs tardifs ont plus dinformation sur le droulement de lenchre donc plus
de certitude quant au gain (et par consquent ils procdent plutt par des
augmentations minimales acceptables ou un peu plus ce quon appelle ratchet
bidding) .
Il est trs frquent davoir des enchres par saut au dbut dune activit denchre
par individu. Dailleurs, cest trs improbable davoir plus dune enchre par saut par
individu vu les cots que ceci pourrait engendrer. Ainsi, la valeur dune telle enchre
est leve au dpart pour viter les possibles ajustements par dautres enchres par
saut ou mme par plusieurs augmentations minimales.
Une enchre par saut est plus probable dans le cas o le nombre denchrisseurs
est lev par rapport aux units disponibles (cas des enchres par multi-units). Donc
un grand nombre denchrisseurs de faon absolue ou relative tend augmenter la
valeur dune telle enchre.

26
La valeur dune enchre par saut diminue avec la valeur de litem. En effet, plus
le cot denchre constitue une grande fraction de cette valeur, moins il y aurait
dincitation une mise trop leve.
Deux autres rsultats sont plutt relis la structure institutionnelle de la vente
aux enchres quau comportement stratgique denchre. Ils peuvent tre noncs
ainsi : 1/ plus denchres par saut quand le prix de dpart est trop faible relativement
la valeur de litem, 2/ plus denchres par saut quand lavancement de l'activit
denchre est ralenti (laugmentation des enchres est faible relativement la valeur
de litem).
III. CONCLUSION
Suite tout ce qui prcde, on pourra comprendre toute la place quoccupe
linformation (que ce soit par sa prsence ou son absence, sa structure, sa typologie, sa
nature,) dans la modulation du comportement des enchrisseurs et la dtermination de
leurs stratgies de placement des mises. Avec lavnement dInternet (et plus
spcifiquement des ventes aux enchres sur Internet), cette information prend encore de la
valeur pour aussi bien expliquer linstitution du march lectronique que le fonctionnement
et la dynamique de loffre et de la demande.

27

CHAPITRE 3
PROBLMATIQUE ET MTHODOLOGIE

Ce chapitre comporte la dfinition de la problmatique ainsi que la proposition dune


mthodologie juge adquate pour rpondre cette dernire. On a choisi de se tourner vers
le phnomne des enchres par saut. Il sagit de la proposition d'une enchre suprieure
celle qui la prcde par un montant dpassant une valeur donne.
I. DFINITION DU PROBLME
Le phnomne denchre par saut parat assez bien document quoiquil manque une
explication empirique qui permettrait de mieux valider ce qui a t dj avanc et peut-tre
de dgager dautres rsultats.
Vu la multitude de rglements disponibles sur le march en ligne et les divers
mcanismes qui le rgissent (diffrents parfois de ceux qui sont connus sur le march
traditionnel), on est tent de poser la question suivante : quels sont les dterminants de la
prsence de saut dans un processus denchre lectronique? Cette problmatique met en jeu
tout le poids de linformation disponible sur Internet et plus particulirement celle de eBay.
Dans ce mmoire, on considre quune enchre prsente un saut quand : Bt 2 Bt-1 1.
Il convient de noter galement quon sintresse la section des articles de sport pour deux
raisons : plusieurs catgories font partie de cette section et beaucoup denchres sont
places au niveau de chacune delles. Enfin, lchantillon est rduit 339 cas. Initialement,
il tait compos de 430 cas. Toutefois, vu que la mise initiale propose par le vendeur est
gnralement faible et que le premier enchrisseur aurait tendance placer une enchre
leve voire mme un saut tel que dfini ci-haut, lchantillon se trouve rduit de 91 cas
(cas o le phnomne denchre par saut existe mais il se trouve tre mis par le premier
enchrisseur de la liste) liminant ainsi tout biais pouvant tre caus par la prsence
systmatique dune enchre par saut.

La variable retenue sur eBay est Bt o Bt reprsente la t

ime

enchre du processus.

28
II. MTHODOLOGIE
a)

Quelques notions de la rgression logistique

Le modle conomtrique qui rpond la problmatique pose est variable


dpendante dichotomique (prsence ou absence du phnomne en question). On a donc
choisi la rgression logistique afin destimer les paramtres correspondants aux variables
explicatives du modle postul pour expliquer cette variable dpendante. On note que le
principe en gnral est pratiquement le mme que celui de la rgression linaire, toutefois,
la mthode de dtermination des paramtres diffre. Ainsi, on utilise la mthode des
moindre carrs ordinaires note OLS pour la rgression linaire et on opte pour la mthode
du maximum de vraisemblance note ML pour la rgression logistique.
Diffrentes statistiques sont utiles pour vrifier ladquation du modle. La Tolerance
permet de dtecter une ventuelle collinarit entre les variables explicatives du modle.
Cette statistique devrait prendre des valeurs suprieures 0.1. Au fait, une valeur infrieure
0.2 indique quun examen par simple prcaution est vivement recommand. La
collinarit produit soit des coefficients non statistiquement significatifs alors que cest
contraire la thorie, soit des coefficients draisonnablement levs, soit une instabilit des
coefficients suite une faible fluctuation des donnes ou une faible variation du nombre
dobservations.
Par analogie la rgression linaire o on utilise la somme des carrs de lerreur
(SSE) pour la slection des paramtres, on utilise la Log vraisemblance pour la rgression
logistique ( valeur < 0) donc on calcule plutt (-2) Log vraisemblance note (-2LL) ou
DM. Plus (2 LL) est leve moins bonne est la prdiction. DM permet donc de comparer le
modle incluant toutes les variables exognes avec le modle appel modle satur cest
dire incluant en plus toutes les intractions possibles.
Une autre statistique note GM et appele khi2 modle permet de comparer le modle
incluant la constante avec celui incluant toutes les variables exognes. Cette statistique est
au fait quivalente la somme des carrs des rsidus (SSR) utilise au niveau de la
rgression linaire.

29
Ainsi, on peut dterminer lquivalent de la somme des carrs totales (SST) note D0
(gale la somme de DM et GM) dans le cas de la rgression logistique.
Dautres statistiques permettent de dgager une certaine force de relation ou une
mesure de lassociation entre la variable dpendante et lensemble des variables
indpendantes retenues. Le ratio de vraisemblance not RL2 (gal GM / D0) reprsente la
rduction proportionnelle de DM. Autrement dit, RL2 indique combien linclusion des
variables indpendantes dans le modle rduit la variation mesure par D0. Dautres
indicateurs sont disponibles comme RM2 (Cox and Snell) et RN2 (Nagelkerke) mais RL2 est
jug le plus appropri pour diverses raisons :
Conceptuellement le plus proche de R2 de la rgression linaire.
Dpend seulement de la quantit maximiser ou minimiser et non de la taille de
lchantillon comme les autres.
Varie entre 0 (pas de prdiction) et 1 (prdiction parfaite).
Correspond plusieurs types de modles (modle valeur dpendante
nominale, ordinale,dichotomique, etc).
La table de classification montre jusqu quel point la prdiction des probabilits par
le modle est juste ou la prdiction du point de vue dappartenance au groupe est exacte.
Les mesures proposes pour analyser cette table se prsentent comme suit : p et p sont
analogues R2 et sont donc des mesures de limportance de lefficience prdictive. Pour la
signification statistique, on utilise le test-binomial dont la statistique note d suit
approximativement la Loi Normale pour les grands chantillons. Ce test indique si la
proportion prdite incorrectement avec le modle (qui dpend du modle donc des
variables explicatives par hypothse) diffre significativement de la proportion
incorrectement prdite sans le modle (qui dpend seulement de la distribution marginale et
non du modle donc suppose fixe).
On souligne que le logiciel SPSS ne fournit pas toutes les statistiques ncessaires
une analyse complte du modle. Il sagit des statistiques suivantes : p, p, d et RL2. Ces
dernires peuvent tre obtenues directement de la table de classification comme suit :

30
Valeurs prdites
Non

Oui

Valeurs

Non

observes

Oui

p = (C + D) (C + B) / (C + D)
o (C + D) = nombre de cas dans les catgories observes les plus petites.
(C + B) = nombre de cas incorrectement prdits par le modle ou nombre derreurs
actuels quon peut noter Ea.
p = (Eatt - Ea) / Eatt = %
Pour Y dichotomique, le nombre derreurs attendues scrit de la sorte :
Eatt = {(A + B) * (C + D) / (A +B) + (C + D)} * 2
Il convient de noter que p donne une ide de la force de rduction de lerreur de
prdiction alors que p donne le pourcentage de rduction de lerreur de classification dans
les catgories de la valeur de Y.
Enfin, la statistique note d est calcule ainsi :
(C + D) / (A + B + C + D) = 1 %
(B + C) / (A + B + C + D) = 2 %
do d = (1 % - 2 %) / {(1 %) (1 1 %) / (A + B + C + D)}
b)

Spcification des variables

On rappelle que la mthodologie poursuivie est un modle conomtrique qui reflte


l'information disponible aux enchrisseurs sur le site eBay travers diffrentes sortes de
variables explicatives pour expliquer la prsence (jump = 1) ou labsence (jump = 0) de
saut. La question qui se pose alors est la suivante : compte tenu de ce qui a t voqu par
plusieurs auteurs qui se sont intresss aux ventes aux enchres et de la manire dont
fonctionne et se prsente ce type de vente au niveau du site eBay, quelles seront les
variables exognes retenir ?
Dabord, vu la grande varit des catgories de produits disponibles sur le site, on
pourrait supposer que la variable correspondante est dterminante pour la prsence ou

31
labsence des enchres par saut. Cette ide tire son essence de deux points de vue. Le
premier est celui de Katkar et Lucking-Reiley (2000) qui ont suggr limpact du type de
produit sur lutilisation dun prix de rserve secret par le vendeur donc pourquoi pas sur la
soumission dune enchre par saut par lenchrisseur. Le deuxime est celui de Easley et
Tenorio (1999) qui ont conclut quaussi bien la valeur de litem que le droulement de
lactivit denchre ont une influence sur la prsence et le nombre denchres par saut. Par
consquent, on peut suggrer que diffrentes catgories de produits pourraient faire
rfrence diffrentes classes ditems et ainsi divers processus denchres.
Une deuxime variable possible serait le type de mcanisme de vente. En effet,
comme propos par Katkar et Lucking-Reiley (2000), un prix de rserve secret va inciter
plus les enchrisseurs vers une certaine agressivit lors du placement de leurs mises afin de
dpasser ce prix inconnu. Ainsi, les enchrisseurs seraient plus tents placer une enchre
par saut dans le cas dune vente avec prix de rserve secret.
Une troisime variable serait le temps fix pour la vente. On a introduit cette variable
car, daprs Easley et Tenorio (1999), le temps a un rle stratgique dans la mesure o il
cde la place plus de concurrence plus il est tendu. Par consquent, il affecte le
comportement denchre et plus particulirement la prsence du phnomne tudier vu
que ce dernier est directement reli lampleur et la vivacit de la concurrence.
Daprs ces mmes auteurs, une mise initiale, quelle soit faible de faon absolue ou
relativement la valeur de litem en question, incite avoir des enchres par saut. Une
quatrime variable serait donc la valeur initiale de litem.
Il convient de remarquer quune valeur initiale gale ou infrieure 1$ incite le plus
souvent des enchres par saut. Cette ide a pour origine une simple observation des
donnes recueillies. Le modle conomtrique permettra donc daffirmer ou dinfirmer
cette observation et dans le cas dune affirmation, jusqu quel degr cette variable est
dterminante.
Le prix de litem qui donnera en quelque sorte une ide sur la nature du bien dans le
sens dun bien prix lev ou prix faible, est la valeur laquelle litem a t vendu. Cette
information est ncessaire pour vrifier la vracit de la conclusion suivante : la probabilit

32
dobserver la prsence dune enchre par saut, contrairement la valeur de celle-ci, comme
prcis par Easley et Tenorio (1999), augmente avec la valeur du produit mis en vente.
Cette conclusion tire au fait son essence de la dernire explication avance par ces deux
auteurs. En effet, en prsence dune mise initiale (celle place par le vendeur) plus ou
moins faible relativement ce que vaut rellement lobjet en question, les enchrisseurs
auront tendance alors placer des prix levs afin de payer lobjet sa juste valeur.
Dailleurs, on doit prciser que dans ce cas se sont bien des enchrisseurs expriments qui
feront partie des joueurs de ce type de vente. Ainsi, dune part, une enchre par saut ne sera
pas mise navement et dautre part, elle ne sera pas frquente comme prcis par Easley et
Tenorio (1999).
Une autre variable plausible serait le type denchrisseur et pas nimporte lequel car il
sagit de celui qui a effectu lenchre par saut. On mentionne en passant que cette
information est tire du feedback1 (voir annexe 3) de celui-ci, appel aussi profil
dvaluation, et qui indique plus ou moins son niveau dexpertise. En effet, daprs Roth et
Ockenfiels (2001), dun ct les enchrisseurs expriments (traduit dans le cas de eBay
par un profil dvaluation lev) ont plus tendance placer leurs mises vers la fin dune
sance denchre afin dviter aussi bien une guerre de prix au dpart (ce qui propulsera
les prix massivement) quune divulgation de leurs propres informations au sujet du produit
en question (ce quil vaut rellement). Dun autre ct, les enchrisseurs appels
enchrisseurs nafs ont peur parfois de ne pas tre la hauteur et gagner quelquefois des
produits. Dailleurs, ces derniers placent gnralement leurs mises au dbut dune sance
denchre et sont impatients y participer.
Le principe de la concurrence, comme principe gnral sous-jacent la trajectoire des
prix au niveau dune vente aux enchres, est soutenu par divers auteurs dont Easley et
Tenorio (1999). Par consquent, il serait intressant dinclure la variable correspondante au
nombre des enchrisseurs qui viennent tout juste avant celui qui a effectu la dernire
enchre par saut. Ce nombre permettra, en effet, de quantifier lampleur de la concurrence
qui a prcd ce dernier et daffirmer ou infirmer ce principe.

Il sagit dun commentaire par les autres membres de eBay, videmment qui ont eu loccasion de faire affaire avec celui ou celle qui a
t not(e). Ces commentaires sont ncessaires pour dterminer un profil complet du membre.

33
Comme prcise Roth et Ockenfiels (2001), le niveau dexpertise des enchrisseurs a
une influence sur le temps dagir face la concurrence, les raisons de leur rplique ainsi
que sur la manire denchrir. Une variable pertinente serait donc la moyenne des profils
dvaluation de tous les enchrisseurs qui ont prcd le dernier qui a effectu lenchre
par saut. Cette variable traduit en quelque sorte la qualit de la concurrence. Ainsi, une
moyenne leve traduira une vente qui est plutt cde des spcialistes surtout que ceuxci se sont manifests depuis le dbut de lenchre.
Enfin, une possiblit dintractions des variables sus-mentionnes nest pas carter
sauf que seules celles juges pertinentes seront retenues pour viter dalourdir le modle
conomtrique.
c)

Hypothses

On peut, suite ce qui prcde comme explications, noncer la suite de ces


hypothses dont on cherchera vrifier la vracit dans les sections suivantes :
H1 : la prsence du phnomne denchre par saut varie dune catgorie une
autre.
H2 : plus la valeur initiale du produit en question est faible plus le phnomne
denchre par saut est observable.
H3 : si la valeur initiale est infrieure ou gale 1$, le phnomne denchre
par saut est prsent.
H4 : plus la valeur de litem est leve plus le phnomne denchre par saut est
observable, contrairement la valeur de cette enchre qui diminue.
H5 : plus le profil dvaluation du dernier enchrisseur, qui a effectu lenchre
par saut, est faible plus il est incit miser par saut et non par une
incrmentation minimale.
H6 : plus le nombre denchrisseurs est faible plus le phnomne denchre par
saut est prsent.

34

H7 : plus la moyenne des profils dvaluation de tous ceux qui ont prcd le
dernier enchrisseur, qui a effectu lenchre par saut, est leve plus il y aura
incitation une enchre par saut.

35

CHAPITRE 4
PRSENTATION DE LA BASE DE DONNES

Ce chapitre comporte trois sections savoir une prsentation de la codification des


variables, le traitement de la base de donnes ainsi que quelques rsultats descriptifs. Il
convient de noter que le traitement de la base de donnes est ncessaire pour purer
dabord la base en question des observations inutiles et liminer ensuite les cas influences
aberrantes.

I. CODIFICATION DES VARIABLES


La section qui suit prsente aussi bien la codification de chacune des variables
retenues comme dterminants plausibles lexplication du phnomne denchre par saut,
que les exceptions qui peuvent leur tre sous-jacentes.
La catgorie du produit : 4 types ditems dans la section Sports ont t choisis
(Autographs, Mmorabilia, Sporting Goods et Trading Cards). Ce choix permettra de
conclure si ce phnomne est particulier une catgorie de produit ou bien gnralis.
Une variable catgorique a t cre cette fin :
Tableau 2 : codage de la variable catgorie du produit
Categori(1)

Categori(2)

Categori(3)

Autographs

Mmorabilia

Sporting Goods

Trading Cards

Le choix du mcanisme de vente : deux mcanismes de vente ont t choisis, la


vente standard (enchres ascendantes) et la vente avec prix de rserve secret
(enchres ascendantes avec loption du prix de rserve). Il convient de noter que
seulement les ventes avec un prix de rserve atteint ont t retenues (en effet, le cas

36
contraire naboutit mme pas la conclusion dun contrat). La variable relative au
type de mcanisme a t code de la sorte :
Tableau 3 : codage de la variable type du mcanisme de vente
Typmcan
Vente standard

Vente avec prix de rserve (atteint)

Le temps fix pour la vente : 4 types de dure sont proposs par eBay savoir 3,
5, 7 et 10 jours. Le codage de cette variable temporelle se prsente ainsi :
Tableau 4 : codage de la variable dure de la vente
Durvent(1)

Durvent(2)

Durvent(3)

3 jours

5 jours

7 jours

10 jours

La valeur initiale de litem : cette valeur est propose par le vendeur. La variable
correpondante dans le modle est une variable continue : vinitial.
La valeur initiale faible ou non : la variable dichotomique sous-jacente est la
suivante : vinitfai et son codage se prsente de la sorte :
Tableau 5 : codage de la variable valeur initiale infrieure ou gale 1$
Vinitfai
Valeur initiale < ou = 1$

Valeur initiale > 1$

37
Le prix de cet item : la variable est note vitem qui est une variable continue. Il
convient de noter que ce prix est directement affich par eBay dans la rubrique
Currently. Une exception mrite toutefois une certaine attention : une option Achat
Immdiat est parfois rajoute lors dune vente avec prix de rserve. Dans ce cas
particulier, cest cette valeur qui sera plutt retenue vu quelle donne une meilleure
ide sur ce que vaut litem en question.
Le type denchrisseur : Il sagit de lenchrisseur qui non seulement a effectu
lenchre par saut mais aussi le dernier le faire dans une mme vente (ce choix est
justifi par le fait que cet enchrisseur particulier se trouve dans une position qui
reflte un champ plus propice mais aussi plus contraignant un tel phnomne). La
variable correspondante est note feederju. Pour des raisons de facilit de notation, on
indiquera cet enchrisseur par la lettre J. Par ailleurs, et au cas o aucune enchre par
saut nest prsente, des difficults de rsolution du modle conomtrique ne sont pas
viter ( cause des valeurs manquantes). Pour contourner ce problme, cest le
profil dvaluation de celui qui a gagn le produit qui sera plutt retenu. On pourra
mme justifier ce choix par le fait quune enchre par saut est finalement dans un but
de gagner le produit tout prix ainsi autant prendre le gagnant quand un tel
phnomne nest pas prsent.
Le nombre des enchrisseurs : il sagit de ceux qui viennent tout juste avant J.
Ce nombre est traduit par la variable nbiddeur et il convient de noter que deux
exceptions au niveau de cette variable se posent. Lors dune absence dune enchre
par saut, comme la variable feedback sera attribue celui qui a gagn le produit en
question, il sen suit que nbiddeur englobera tous ceux qui ont prcd celui-ci. Par
ailleurs, si ce phnomne existe mais lenchre par saut se trouve tre mise par le
premier enchrisseur de la liste alors un problme de valeurs manquantes se pose de
nouveau. Pour y faire face, la solution est simple : liminer tous les cas qui rpondent
cette situation. Cette solution se trouve justifie au niveau de la section suivante du
prsent rapport.
La moyenne des profils dvaluation : il sagit dune moyenne simple des
profils de tout ceux qui ont prcd J. La variable correspondante est note :

38
moyfeed. Cette moyenne sera calcule partir des profils de toux ceux qui ont
prcd celui qui a gagn le produit dans le cas o le phnomne tudi est absent.
Quelques intractions possibles : lintraction juge la plus intressante est celle
entre le type de produit et la dure et qui a t catgorise de la sorte : catg*dure.
Le modle qui en rsulte est le suivant1 :
Y = a0 + c1 categori(1) + c2 categori(2) + c3 categori(3) + m1 typmcan + t1 durvent(1) + t2
durvent(2) + t3 durvent(3) + v1 vinitial + v2 vinitfai + v3 vitem + f feederju + n nbiddeur +
m2 moyfeed + x catg*dure + e
II. TRAITEMENT DE LA BASE DE DONNES
a)

Prsentation de lchantillon

La base de donnes est tire du site eBay (www.eBay.com). Toutes les informations
ncessaires au modle sont disponible sur ce site. En effet, chaque vente denchre affiche
concerne un produit en particulier et prsente une liste de donnes qui lui sont relatives. La
base initiale constitue de 430 observations est rduite 339 cas comme cit plus haut.
Il convient de souligner ce niveau que les conditions de la vente aux enchres dun
produit quelconque utilis dans notre base de donnes2 (comme le type du produit, les
caractristiques de celui-ci, la mise initiale et le type de mcanisme de vente) sont fixes
lavance par le vendeur et ne sont plus ngociables ni susceptibles dtre changes. Ainsi,
une fois le vendeur propose la vente de son produit, il nintragit plus avec les diffrents
enchrisseurs. De la sorte, les oprations de vente et dachat ne sont plus simultanes mais
squentielles ce qui permet dviter lventuel problme dendognet.
b)

Diagnostic initial

Une analyse pralable est toujours ncessaire afin de vrifier si des hypothses ont t
violes. En effet, quatre problmes sont viter :

1
2

Le modle

est analys grce au logiciel SPSS version 10.00.

Il convient de noter que la vente est toujours squentielle dans le cas de eBay. Le vendeur ne pourra donc pas intragir avec les
enchrisseurs pour rviser les conditions de sa vente.

39
Coefficients biaiss : ou une tendance systmique avoir des coefficients trop
grands ou trop faibles.
Estimation infficiente : ou une tendance avoir de grandes erreurs standards
relativement la taille des coefficients.
Infrence statistique invalide : ou un calcul de la signification statistique qui est
inexacte.
Cas influenceurs : qui exercent une influence disproportionne sur les paramtres
estimer.
Dans le but de vrifier la prsence de lun de ces problmes, il y a lieu dviter
linclusion de variables non pertinentes car dfaut on touchera au premier problme susmentionn. Par ailleurs, la non inclusion de variables pertinentes aboutit des coefficents
biaiss (ce qui va tre cart le maximum par une certaine cohrence, logique et analogie
par rapport aux auteurs prcdents en numrant lensemble des facteurs explicatifs jugs
convenables).
Ensuite, une analyse des rsidus est juge ncessaire grce la statistique SRsid afin
didentifier les cas pour lesquels le modle nest pas satisfaisant ou ceux qui exercent plus
que leur part dinfluence sur les paramtres estimer (une sorte dinfluence globale). Cette
statistique devrait tre suprieure 3 (en valeur absolue). Les cas prsents dans la base de
donnes et posant problmes dans ce sens sont alors les suivants : 141 (SRsid = 2.88), 194
(SRsid = 5.22), 200 (SRsid = -10.51) et 331 (SRsid = 2.76).
Une autre statistique appele Leverage permet de dtecter les cas qui ont
potentiellement une grande influence sur les paramtres de la rgression logistique. Ces cas
doivent avoir un Leverage < (k + 1) / N o k constitue le nombre de variables
indpendantes et N le nombre dobservations. Dans la prsente tude, le critre slve
(14 + 10) / 337 = 0.045. Cette statistique se trouve tre assez faible sauf pour le cas 200
(Leverage = 0.993) ce qui implique une grande influence de la part de cette observation.
Une troisime statistique devrait tre vrifie et constitue un indicateur dinfluence
partielle. En effet, elle permet de donner une information plus dtaille dans la mesure o

40
elle indique limpact sur chaque coefficient du modle pris individuellement. Cet indicateur
est not Dfbta et devrait tre infrieur 1. Cette condition se trouve viole par les cas 194
et 200.
Ainsi, il rsulte la non prise en compte de deux cas jugs trs perturbateurs de
lchantillon savoir : les cas 194 et 200. Par consquent, lchantillon est rduit encore et
sera compos de 337 cas ce qui constituera lchantillon final partir duquel toutes les
analyses et estimations seront produites.
III. RSULTATS DESCRIPTIFS
On peut avancer les rsultats descriptifs suivants. En premier lieu, on notera
quenviron 34% de lchantillon prsente une enchre par saut.
Tableau 6 : statistiques descriptives de la variable prsence denchre par saut
Frquence

Pourcentage valide

Pourcentage cumul

Non

223

66.2

66.2

Oui

114

33.8

100

Total

337

100

Parmi les ventes qui ont connu des enchres par saut, 49 dentre-elles prsentent une
seule enchre par saut, 46 dentre-elles prsentent deux enchres par saut et 19 dentre-elles
ont connu trois ou plus enchres par saut.
Tableau 7 : statistiques descriptives de la variable nombre denchres par saut
Frquence

Pourcentage valide

Pourcentage cumul

223

66.2

66.2

49

14.5

80.7

46

13.6

94.4

16

4.7

99.1

0.9

100

Total

337

100

41
On note galement que 15% de lchantillon a connu une enchre par saut au dbut
de la vente cest dire de la part du premier enchrisseur.
Tableau 8 : statistiques descriptives de la variable enchre par saut au dbut
dune vente
Frquence

Pourcentage valide

Pourcentage cumul

Non

286

84.9

84.9

Oui

51

15.1

100

Total

337

100

Il convient de remarquer que lchantillon est plus ou moins bien rparti entre les
diffrentes sous-catgories de produits. En effet, toutes ces sous-catgories constituent en
moyenne un pourcentage de 25% (en plus ou en moins) sauf pour la sous-catgorie
Autographe qui prsente seulement 19% de lchantillon.
Tableau 9 : statistiques descriptives de la variable catgorie de litem

Autographe
Mmorabilia
Sporting Goods
Trading Cards
Total

Frquence

Pourcentage valide

Pourcentage cumul

64
100
90
83
337

19
29.7
26.7
24.6
100

19
48.7
75.4
100

Par ailleurs, 15.4% des ventes aux enchres retenues constituent des ventes avec
loption prix de rserve secret.
Tableau 10 : statistiques descriptives de la variable type du mcanisme de vente
Frquence

Pourcentage valide

Pourcentage cumul

Standard

285

84.6

84.6

Avec prix de rserve

52

15.4

100

Total

337

100

42
On remarque que 62% des vendeurs constituant lchantillon ont opt pour une vente
de 7 jours. Par ailleurs, les vendeurs ont choisi toujours une dure autre que 7 jours dans la
mme proportion (aux environs de 15%) sauf pour les ventes de 3 jours qui ont t retenues
dans environ 7% des cas. Ceci pourrait tre au fait du simple hasard aussi bien quune
dure optimale (7 jours) pour ce type de produits. En outre, on doit vrifier si un tel choix
encourage davoir des enchres par saut ou non.
Tableau 11 : statistiques descriptives de la variable dure de la vente aux
enchres

3 jours
5 jours
7 jours
10 jours
Total

Frquence

Pourcentage valide

Pourcentage cumul

24
47
209
57
337

7.1
13.9
62
16.9
100

7.1
21.1
83.1
100

On remarque que dans 20% des cas environs la valeur initiale mise par le vendeur
pour entamer la vente en question ne dpasse pas 1$. Par simple observation, cette valeur
aussi faible prsente presque automatiquement une ou plusieurs enchres par saut et surtout
au dbut dune vente (de la part du premier enchrisseur).
Tableau 12 : statistiques descriptives de la variable valeur initiale gale ou
infrieure 1$
Frquence

Pourcentage valide

Pourcentage cumul

Non

271

80.4

80.4

Oui

66

19.6

100

Total

337

100

On prsente, dans ce qui suit, lensemble des variables continues qui constituent le
modle en prcisant le nombre valide, le minimum, le maximum, la moyenne et enfin
lcart type pour chacune delles. On peut appuyer alors les notes suivantes : la valeur
initiale peut atteindre les 995$, le prix de litem peut aller jusqu 5900$ et le profil
dvaluation de J peut frler les 4000 points.

43
Tableau 13 : statistiques descriptives des variables valeurs continues
Vinitial
Vitem
Profil dvaluation du
vendeur
Nombre total des
enchrisseurs
Feederju
Nbiddeur
Moyfeed

N
337
337
337

Minimum
0.01
1.80
0

Maximum
995
5900
7757

Moyenne
68.28
230.05
1150.41

Ecart type
169.94
493.48
1837.93

337

49

11.34

7.39

337
337
337

-2
1
0

3095
41
7596

148.01
6.89
157.99

315.49
6.6
453.66

44

CHAPITRE 5
RSULTATS
Ce chapitre comporte trois sections savoir la recherche du modle adquat en
spcifiant le critre de slection sur lequel on va se baser, linterprtation des coefficients
une fois le modle est arrt, enfin, la confirmation des rsultas retenus par dautres
modles de validation en considrant cette fois-ci le nombre denchres par saut comme
variable dpendante. Lide est de vrifier le degr de gnralisation des rsultats obtenus
en apportant de telles variations et surtout dviter des conclusions contradictoires ou
douteuses.
I. RECHERCHE DU MODLE ADQUAT
a)

Critre de slection

Comme R2L , p , p et le pourcentage de classification au niveau des catgories de la


variable dpendante Y sont plus ou moins proches1, le critre choisi pour slectionner le
meilleur modle est la signification statistique des variables explicatives avec un niveau de
confiance arrt 10% ainsi que la maximisation de linformation partir des variables
explicatives responsables de la prsence dune enchre par saut.
b)

Les diffrentes tapes

Le premier modle (voir annexe 4, p. 62) prsente deux variables qui posent
problmes (en terme de signification statistique) savoir la variable catgorie du produit
(0.916) et linteraction entre celle-ci et la dure de la vente (0.844). Leur limination du
modle sappuie sur le fait quil y a un problme de multicollinarit de ces deux variables
avec celle qui reprsente la dure de la vente (voir tableau 14). Il convient de remarquer
que dautres variables exognes comme la dure de la vente, le type du mcanisme de
vente, la moyenne des profils dvaluation avant la dernire enchre par saut et le profil
dvaluation de J reprsentent tous des coefficients non statistiquements significatifs.

Voir les tableaux des pages : 45 46 47 48 50.

45

Tableau 14 : rsultats destimation du modle de rfrence M1


Modle

M1

Cas
inclus
337

Collinarit

Variables
exognes
signif.2

Seuil
de
signif.1

Association
var. (dp. Indp.)3

Force
de la
relation

Binomial
test d

efficience
Prdictive

Table
de
classif. 4

Y = (1.695) + 1.832 categori(1) + 0.886 categori(2) + 0.915 categori(3) + 0.028 typmcan + 2.111 durvent(1) +
1.077 durvent(2) + 0.587 durvent(3) + (-0.466) vinitial + 2.893 vinitfai + 0.063 vitem + (-0.001) feederju + (0.777) nbiddeur + 0.002 moyfeed + (-0.112) catg*dure
97.6%
- categori
d=
R2 L =
p = 0.93
GM =
1%
vinitial
=
0.95
357.420
0.83

(Tol = 0.045 <


12.255
vitem
p
(p = 0.000)
0.1)
(p =
nbiddeur
- durvent
0.000)
DM = 73.864
(Tol = 0.094 < 10%
vinitfai
0.1)
- catg*dure
20% feederjum
(Tol = 0.035 <
moyfeed
0.1)

Aprs quelques itrations, on obtient le modle M2 (voir annexe 4, p. 63) o toutes


les variables explicatives retenues sont statistiquement significatives lexception de la
variable catgorie du produit (0.254) et la moyenne des profils dvaluation (0.250). Ce
rsultat est trs satisfaisant et le modle M2 serait le modle jug meilleur expliquer le
phnomne en question. Toutefois, on peut conclure quon doute encore de la signification
de ces deux dernires variables.
Tableau 15 : rsultats destimation du modle M2
Modle

M2

Collinarit

2
3
4

Variables
exognes
signif.

Association
var. (dp.
indp.)

Force
de la
relation

Binomial
test d

efficience
prdictive

Table
de
classif.

Y = 1.507 + 2.049 categori(1) + 1.326 categori(2) + 0.736 categori(3) + (-0.447) vinitial + 2.323 vinitfai + 0.060
vitem + (-0.002) feederju + (-0.730) nbiddeur + 0.002 moyfeed
NON
d=
p = 0.91
97%
R2 L =
GM =
1%
vinitial
353.137
0.82
12.026
p = 0.93
vitem
(p = 0.000)
p = 0.000
nbiddeur

Cas
inclus
337

Seuil de
signif.

5%

vinitfai

10%

constant
feederju

25%

category
moyfeed

DM = 78.148

Seuil de signification.
Variables exognes significatives.
Association variable dpendante variables indpendantes en anglais goodness of fit.
Table de classification.

46
Les modles qui vont suivre constitueront, au fait, une sorte de vrification du choix
du modle M2. En effet, en liminant la variable catgorie du produit on obtient le modle
M3 (voir annexe 4, p. 64) o toutes les variables sont statistiquement significatives
(toujours un seuil de signification de 10%) sauf la moyenne des profils de tous ceux qui
ont prcd J (0.146). On limine donc celle-ci et on reprend en mme temps la variable
catgorie du produit.
Tableau 16 : rsultats destimation du modle M3
Modle

M3

Cas
inclus
337

Collinarit

Seuil de
signif.

Variables
exognes
signif.

Association
var. (dp.
indp.)

Force
de la
relation

Binomial
test d

efficience
prdictive

Table
de
classif.

Y = 2.309 + (-0.434) vinitial + 1.594 vinitfai + 0.058 vitem + (-0.002) feederju + (-0.695) nbiddeur + 0.003
moyfeed
d=
96.7%
p = 0.90
NON
R2 L =
GM =
1%
vinitial
348.598
0.81
11.897
p = 0.93
vitem
(p = 0.000)
p = 0.000
nbiddeur
constant
DM = 82.686
5%
feederju

10%

vinitfai

15%

moyfeed

On obtient de la sorte le modle M4 (voir annexe 4, p. 66) qui prsente cette fois-ci
un problme de signification au niveau de la variable profil dvaluation de J (0.235) mais
aussi la catgorie du produit (0.193). On liminera donc la variable profil de J et on reprend
celle qui reprsente la moyenne des profils de tous ceux qui ont prcd J.

47
Tableau 17 : rsultats destimation du modle M4
Modle

Collinarit

Seuil de
signif.

Variables
exognes
signif.

Association
var. (dp.
indp.)

Force
de la
relation

Binomial
test d

efficience
prdictive

Table
de
classif.

Y = 1.613 + 2.142 categori(1) + 1.364 categori(2) + 0.651 categori(3) + (-0.433) vinitial + 2.460 vinitfai + 0.058
vitem + (-0.001) feederju + (-0.710) nbiddeur
R2 L =
d=
97%
p = 0.91
NON
GM =
1%
vinitial
351.842
0.82
12.025
p = 0.93
vitem
(p = 0.000)
p = 0.000
nbiddeur

M4

Cas
inclus
337

5%

constant
vinitfai

20%

catgori

25%

feederju

DM = 79.442

On obtient ainsi le modle M5 (voir annexe 4, p. 67) qui indique un problme quant
la signification de la variable moyenne des profils dvaluation de ceux qui ont prcd J
(0.645) et aussi toujours la variable catgorie du produit (0.171). De ce fait, on limine la
variable moyenne des profils de ceux qui ont prcd J.
Tableau 18 : rsultats destimation du modle M5
Modle

Collinarit

Seuil de
signif.

Variables
exognes
signif.

Association
var. (dp.
indp.)

Force
de la
relation

Binomial
test d

efficience
prdictive

Table
de
classif.

Y = 1.303 + 2.289 categori(1) + 1.371 categori(2) + 0.840 categori(3) + (-0.429) vinitial + 2.260 vinitfai + 0.058
vitem + (-0.726) nbiddeur + 0.001 moyfeed
NON
d=
96.7%
p = 0.90
R2 L =
GM =
1%
vinitial
350.808
0.81
11.897

=
0.93
vitem
p
(p = 0.000)
p = 0.000
nbiddeur

M5

Cas
inclus
337

5%

vinitfai

10%

constant

20%

categori

DM = 80.476

On aboutit alors au modle M6 (voir annexe 4, p. 68) o toutes les variables


explicatives sont statistiquement significatives un niveau de confiance de 90% sauf la
variable catgorie du produit (0.169). Ainsi, on peut tirer deux conclusions importantes
concernant les deux variables explicatives (moyenne des profils dvaluation de ceux qui

48
ont prcd J et la catgorie du produit) pour lesquelles on sest prononc quant au doute
de leur retention versus leur limination du modle. En effet, il ne faut perdre de vue que
moyfeed est calcule sur la base dune moyenne simple et que ce choix de calcul tait
arbitraire. Une recommandation serait donc de puiser dans la recherche dune meilleure
variable qui traduise efficacement cette information. On avance cette ide pour la simple
raison que cest logique quun enchrisseur se basera sur linformation que lui dlguera le
profil dvaluation de ceux qui lont prcd. Procder de la sorte est aussi bien dans le but
de connatre leur expertise que leur agressivit sur le march des ventes aux enchres. Par
ailleurs, concernant la catgorie du produit mis en vente, il ne faut pas oublier quon sest
intress seulement des items faisant partie de la mme section de produit savoir les
articles de sports en gnral. Il est recommand donc dlargir cette recherche des
produits exlusivement diffrents et distincts.
Tableau 19 : rsultats destimation du modle M6
Modle

Collinarit

Seuil de
signif.

Variables
exognes
signif.

Association
var. (dp.
indp.)

Force
de la
relation

Binomial
test d

efficience
prdictive

Table
de
classif.

Y = 1.369 + 2.269 categori(1) + 1.359 categori(2) + 0.782 categori(3) + (-0.424) vinitial + 2.397 vinitfai + 0.057
vitem + (-0.715) nbiddeur
d=
96.7%
R2 L =
p = 0.90
NON
GM =
1%
vinitial
350.600
0.81
11.910
p = 0.93
vitem
(p = 0.000)
p = 0.000
nbiddeur

M6

Cas
inclus
337

5%

vinitfai

10%

constant

20%

categori

DM = 80.684

On peut rsumer les rsultats sous-jacents aux diffrents modles dans le tableau
suivant :

49
Tableau 20 : tableau rcapitulatif de la signification statistique des variables
exognes
Variables

Modle 1

Modle 2

Modle 3

Modle 4

Modle 5

Modle 6

Constante

1.695
(7.547)1

1.507 ***
(0.824)

2.309 *
(0.568)

1.613 **
(0.813)

1.303 ***
(0.782)

1.369 ***
(0.766)

Categori(1)

1.832
(4.972)

2.049
(1.087)

2.142
(1.069)

2.289
(1.062)

2.269
(1.055)

Categori(2)

0.886
(3.120)

1.326
(0.910)

1.364
(0.910)

1.371
(0.911)

1.359
(0.910)

Categori(3)

0.915
(1.688)

0.736
(0.894)

0.651
(0.883)

0.840
(0.873)

0.782
(0.863)

Typmcan

0.028
(1.002)

Durvent(1)

2.111
(4.257)

Durvent(2)

1.077
(3.011)

Durvent(3)

0.587
(1.575)

Vinitial

-0.466 *
(0.093)

Vinitfai

2.893 ***
(1.331)

Vitem

0.063 *
(0.012)

Feederju

-0.001
(0.001)

Nbiddeur

-0.777 *
(0.161)

Moyfeed

0.002
(0.002)

explicatives

-0.447 *
(0.086)

-0.434 *
(0.086)

-0.433 *
(0.082)

-0.429 *
(0.084)

-0.424 *
(0.082)

2.323 **
(1.102)

1.594 ***
(0.883)

2.460 **
(1.117)

2.260 **
(1.083)

2.397 **
(1.068)

0.060 *
(0.011)

0.058 *
(0.011)

0.058 *
(0.011)

0.058 *
(0.011)

0.057 *
(0.011)

-0.002 ***
(0.001)

-0.002 **
(0.001)

-0.001
(0.001)

-0.730 *
(0.138)

-0.695 *
(0.124)

-0.710 *
(0.135)

-0.726 *
(0.140)

-0.715 *
(0.136)

0.002
(0.002)

0.003
(0.002)

Catg*dure -0.112
(0.571)
* significative un niveau de 1%.
** significative un niveau de 5%.
**** significative un niveau de 10%.

Le chiffre entre parenthse reprsente lcart-type.

0.001
(0.001)

50

II. INTERPRTATION DES COEFFICIENTS


Il convient de noter que le modle retenu est le modle M2 et quil scrit comme
suit1 :
Y = 1.507(0.067) + 2.049 categori(1) + 1.326 categori(2) + 0.736 categori(3) + (0.447)(0.000) vinitial + 2.323(0.035) vinitfai + 0.060(0.000) vitem + (-0.002)(0.108) feederju +
(-0.730)(0.000) nbiddeur + 0.002 moyfeed
Par ailleurs, SPSS ne fournit pas les coefficients standardiss comme cest le cas de la
rgression linaire. Leur cacul est le fruit de plusieurs tapes 2.
Ainsi, on peut tirer les conclusions suivantes (voir tableau 20, p.50) :
La valeur initiale joue le rle le plus concluant quant la prsence dune enchre
par saut. Il convient de remarquer galement que lhypothse H2 rattache cette
variable est confirme vue que le signe du coefficient correspondant est ngatif (0.447). Ainsi, on peut dire que plus la valeur mise par le vendeur au dbut de
lenchre est faible plus il y a de chance avoir des enchres par saut au cours de la
vente.
La valeur de lobjet mis en vente comme traduit par le prix auquel est vendu
lobjet en question vient en seconde position et prsente un coefficient positif (0.060).
Ceci dnote que plus lobjet constitue une sorte de bien suprieur plus il y aura une
forte probabilit dobserver une enchre par saut et ce pour les raisons mentionnes
plus haut. Lhypothse H4 est alors confirme.
Ensuite, le nombre des enchrisseurs qui a prcd J explique en troisime
position le phnomne des enchres par saut. Il convient de noter que lhypothse H6
est aussi confirme dans la mesure o le signe du coefficient correspondant est
ngatif (-0.730). En effet, ceci sexplique par le fait que plus on est au dbut dune
vente aux enchres plus il y aura de chance observer des enchres par saut.

1
2

On note que le chiffre entre parenthse et mis en indice indique la signification statistique de la variable correspondante.
Voir livre Applied Logistic Regression Analysis second edition Scott Menard p : 53.

51

La position de la valeur initiale faible (valeur infrieure ou gale 1$), qui se


trouve tre dans la cinquime position, est vraiment inattendue dans la mesure o son
incitation une enchre par saut est presque systmatique. Toutefois, lhypothse
sous-jacente H3 est vrifie dans le sens o plus la valeur correspond ces valeurs
faibles plus il y aura une incitation une enchre par saut. Ainsi, le signe du
coefficient en question est bien positif (2.323).
Enfin, la variable profil dvaluation de J vient en dernire position. Par ailleurs,
lhypothse sous-jacente H5 est encore confirme. Ainsi, le coefficient correspondant
a un signe ngatif (-0.002) traduisant lide que plus le profil de ceui-ci est faible plus
il sera incit mettre une enchre par saut. En effet, cet enchrisseur sera class
parmi les moins expriments et aura plac ce prix par manque dexpertise ou bien
parmi ceux qui sont plutt nafs et qui tout prix voudront se confirmer travers cette
mise par saut afin de gagner pour une fois le produit.
Tableau 21 : poids des coefficients du modle selectionn M2
Variables
indpendantes
Categori 1
Categori 2
Categori 3
Vinitial
Vinitfai
Vitem
Feederju
Nbiddeur
Moyfeed
Constant

Coeff. Non
standardiss
2.049
1.326
0.736
-0.447
2.323
0.060
-0.002
-0.730
0.002
1.507

Coeff. Standardiss

Ordre

0.029
0.019
0.011
-1.029
0.013
0.401
-0.008
-0.065
0.012
-

1
4
2
5
3
-

Grce au modle M2, on pourrait prdire des cas individuels en remplaant les
variables indpendantes de lquation en question avec les valeurs correspondantes au cas
spcifique :
Pour un cas en particulier (exemple cas 30) on a :
Logit (Y) = 1.507 + 2.049 (0) + 1.326 (0) + 0.736 (1) + (-0.447) (1.00) + 2.323 (1)
+ 0.060 (192.5) + (-0.002) (0) + (-0.730) (4) + 0.002 (0) = 12.75
Ceci correspond une probabilit de prsence dune enchre par saut de e12.75 / (1 +
e12.75) = 0.999.

52

Le nombre Exp(B)1 appel odds ratio est le nombre par lequel on multiplie le ratio :
[probabilit de la prsence dune enchre par saut / (1 - probabilit de la prsence dune
enchre par saut)] pour chaque unit de la variable indpendante en croissance.
Il est important de noter que ce nombre ne constitue pas une mesure spare de la
relation entre la variable dpendante et chacune des variables indpendantes par rapport
celle fournie par les coefficients non standardiss, la seule diffrence cest la faon de
prsenter linformation. En particulier, Exp(B) ne prend pas la place des coefficients
standardiss pour valuer la force dinfluence des variables indpendantes sur la variable
dpendante lune relativement une autre.
Une autre prcaution est la diffrence entre Exp(B) et le ratio du risque (ratio de deux
probabilits). Ainsi, pour comparer le risque relatif des diffrents types de produits, il faut
calculer les probabilits respectives de chacun deux en assumant les valeurs des autres
variables indpendantes comme constantes et puis les comparer une lautre. Toutefois, ce
calcul nest pas applicable dans le cas de cette tude vu la non signification statistique de la
variable catgorie du produit.
III. CONFIRMATION DES RSULTATS
Afin de valider les rsultats obtenus, on a test le modle choisi en variant cette foisci le type de la variable dpendante. Toutefois, on ne retiendra que les conclusions sousjacentes chacun des modles de validation et qui se rapportent la signification globale
du modle (voir annexe 5).
Ainsi, deux types de variables endognes ont t retenues savoir : le nombre
denchres par saut comme variable nominale (cas 1) puis comme variable ordinale (cas 2).
En effet, ce quon remarque cest que le modle est globalement significatif dans chacun de
ces cas (-2LL1 p = 0.000), la force de la relation entre les variables exognes et chacune
des variables endognes est assez bonne trs bonne (0.631 et 1.000 respectivement).

1
1

Voir p : 61 par exemple.

(-2LL) constitue (2) Log vraisemblance pour la rgression logistique et qui est analogue la somme des carrs de lerreur
(SSE) utilise dans le cas de la rgression linaire.

53
Ce quon remarque, cependant, cest que dans le premier cas seulement la variable
catgorie du produit se trouve tre non significative statistiquement. Par contre dans le
second cas, trois variables se prsentent de la sorte savoir la catgorie du produit mais
aussi le profil de J et la moyenne des profils de ceux qui lont prcd.
Ces rsultats appuient donc ceux quon a retenu plus haut et donnent plus de
confiance avancer les conclusions auxquelles on a aboutit. En effet, part la variable
reprsentant le profil de J (Feederju) et qui laisse un doute quant sa signification
statistique, toutes les autres variables sont vrifies du point de vue de cette signification
statistique grce aux deux modles de validation. Toutefois, il convient de noter que la
variable Feederju est la dernire variable exogne dans le modle M2. Ceci peut expliquer
le doute du point de vue de sa signification statistique quand on a relch plusieurs
conditions prises en compte dans le modle conomtrique (choix du type denchrisseur
qui a effectu lenchre par saut titre dexemple).

54

CONCLUSION

Ltude expose dans le prsent mmoire sinsre dans le cadre dune tentative
dexplication dun phnomne facilement observable au niveau des ventes aux enchres
aussi bien en ligne que traditionnelle. Ce phnomne a t document par quelques auteurs
qui ont prcis chaque fois une dfinition ce phnomne et circonscrit la manire de
laborder.
La dfinition de ce phnomne est tire de lobservation des donnes tires du site
eBay.com et la manire daborder le sujet peut tre qualifie doriginale dans la mesure o
aucun auteur ne sest aventur encore lexpliquer travers un modle conomtrique.
Quantifier ce phnomne est donc important vu quil donne plus de confiance avancer les
rsultats.
Il convient de noter aussi que ce phnomne a t bien control dans le sens o on a
limin les biais qui pourraient provenir par exemple de la prsence systmatique dune
enchre par saut au dbut dune vente ce qui permet dpurer le modle comme premire
tape de traitement de la base de donnes. En outre, la mise par saut qui a t retenue est
plutt la dernire au niveau de chaque vente.
Des limites ce travail ne sont pas carter. En effet, on pourrait en citer les
ajustements suivants :
Une analyse de sensibilit, qui ncessitera le changement de la dfinition du
phnomne en question, pourrait enrichir les rsultats et mme en aboutir dautres.
Une autre tude qui sappuiera sur diffrentes sections de produits (aucun lien
entre les items choisis) est vivement recommande.
Lhypothse H7 concernant la moyenne des profils dvaluation de ceux qui ont
prcd J na pas t confirme. Au fait, la variable en elle mme na pas t juge
statistiquement significative. Cette conclusion pourrait tre correcte dans le sens o la
dfinition de cette moyenne a t arbitraire. Une variation de celle-ci pourrait donc

55
aboutir tout autre rsultat. Dailleurs, une tude trs intressante serait de chercher
la variable adquate qui traduira plus exactement

cette information (moyenne

pondre des profils, produit des profils, maximum de ceux-ci,) et qui aura ainsi
une main mise sur lexplication du phnomne objet du prsent rapport.
Enfin, ct de tous ces ajustements, plusieurs questions de recherche sont avancer
savoir :
Comment peut-on expliquer la loi stricte du temps de placement des enchres
(identique tous les enchrisseurs)? En effet, les donnes (au niveau de larticle de
Roth et Ockenfiels) rvlent une distribution des enchres de dernire minute qui
obeit une loi puissante : peu importe la longueur de lintervalle final, la distribution
de ces enchres se trouve tre la mme au niveau de chaque maison de vente (sauf la
dernire minute pour le cas de eBay et les 10 dernires minutes dans le cas de
Amazon).
Une analyse plus spcifique pourra concerner leffet du profil dvaluation sur le
prix final auquel le produit en question sera vendu.
Pas de prix de rserve secret (PRS) pour les cartes pokmon : cette
recommandation de Kathar et Lucking-Reiley (2000) rejoint lide de Kaiser et
Kaiser (1999). En dautres termes, si le prix minimum du bien en vente est infrieur
25$, il faut penser deux fois avant dutiliser un PRS (car les enchrisseurs vont
considerer le bien comme tant un bien trop cher). Cette ide dnote que les biens
valant plus que 25$ devraient bnficier des PRS. Bajari et Hortasu (2000) ont men
une tude empirique pour les pices de monnaie et ont confirm cette ide. Peut-on
gnraliser dautres catgories cette conclusion? Pour quel type de biens, sinon,
devrait-on utiliser un PRS ? Telles sont les questions poser dans les prochaines
recherches.
Aussi importantes mais peu explores sont des rflexions qui concernent la
relation entre la thorie des enchres et celles relatives la concurrence traditionnelle.
En effet, on devrait se poser de telles questions : est-ce que les prix auxquels on
aboutit par les diffrentes formes denchres communment connues ressemblent et si

56
cest vrai jusqu quel degr, aux prix des marchs concurrentiels ? Se rapprochent-ils
de ceux-ci dans le cas o plusieurs acheteurs et vendeurs sont prsents? Dans les cas
plus particuliers comme les ventes des droits des minraux, des droits des timbres et
les valeurs boursires o les enchrisseurs diffrent normment dans leurs
connaissances propos de la qualit intrinsque de lobjet mis en vente, les prix
aggrgent-t-ils finalement les diverses informations disponibles ces enchrisseurs?

57

ANNEXES

58
ANNEXE 1
Les augmentations minimales acceptables fixes par eBay
Prix courants

Augmentation minimale acceptable

0.01 $ 0.99 $

0.05 $

1.00 $ 4.99 $

0.25 $

5.00 $ 24.99 $

0.50 $

25.00 $ 99.99 $

1.00 $

100.00 $ 249.99 $

2.50 $

250.00 $ 499.99 $

5.00 $

500.00 $ 999.99 $

10.00 $

1000.00 $ 2499.99 $

25.00 $

2500.00 $ 4999.99 $

50.00 $

5000.00 $ et plus

100.00 $

59
ANNEXE 2

Fig1 : une relation faible avec les clients induit des taux de commandes faibles donc des enchres
basses, une faible slection des requests mais une grande adaptation aux prix de la concurrence.

Fig 1 : modle pour les firmes taux de commandes bas


Relation clients faible
Enchres faibles

Faible taux de commande

Adaptation prix leve

Slection faible
Rponses lentes
Focalisation sur le temps de rponse

Fig2 : les grands commencent par slectionner les requests, ce qui facilite une rponse ponctuelle.
Par ailleurs, la combinaison des prix bas et dune bonne relation avec les clients produit des taux
de commandes levs. Par consquent, ladaptation aux prix des concurrents est faible. Le temps
de rponse parat ainsi non important.

Fig 2 : modle pour les firmes taux de commandes levs


Slection parmi les requests
Enchres faibles

Rponse ponctuelle

Bonne relation client

Taux de commandes levs

Adaptation prix faible

non focalisation sur temps de rponse

Le point dune grande importance ce point est la procdure de slection des requests.

60
ANNEXE 3
Les valuations : un outil extrmement prcieux
Les vendeurs et acheteurs ayant ralis une transaction sur eBay ont la possibilit d'valuer leur
interlocuteur la page Evaluations. Les valuations laisses servent calculer un profil d'valuation et
sont accessibles tous les membres.
Chaque membre eBay possde un profil d'valuation constitu des valuations laisses par d'autres
membres. Ce profil reprsente sa rputation officielle .
Des comportements d'achat et de vente fiables et corrects vous permettront de recevoir des valuations
positives et, par consquent, de vous faire une bonne rputation dans la communaut !
Comment a marche ?

Chaque fois que vous tes le vendeur ou le meilleur enchrisseur, vous pouvez valuer les membres
avec lesquels vous venez de raliser une transaction. Ces valuations peuvent tre positives, ngatives
ou neutres, selon l'exprience vcue. Toutes les valuations laisses au sujet d'un membre constituent
son profil d'valuation.
Le pseudo (un surnom que vous utilisez pour vous identifier sur eBay) d'un membre est toujours
accompagn d'un nombre entre parenthses ( ) correspondant son profil d'valuation. Par exemple,
Skippy (125) signifie que le pseudo de ce membre est Skippy et que le solde des valuations qu'il a
reues est de 125.
Le systme d'valuation est simple. Vous recevez :

1 point positif par valuation positive ;


0 point par valuation neutre ;
1 point ngatif par valuation ngative ;
L'icne toile pour 10 valuations ou plus. Cliquez sur l'toile pour voir ce que signifie la
couleur des toiles.

Barme des toiles


Des toiles sont attribues par eBay aux profils d'valuation, selon le niveau atteint.

Une toile jaune correspond un profil d'valuation de 10 99.


Une toile turquoise correspond un profil d'valuation de 100 499.
Une toile violette correspond un profil d'valuation de 500 999.
Une toile rouge correspond un profil d'valuation de 1 000 4 999.
Une toile verte correspond un profil d'valuation de 5 000 9 999.
Une toile filante jaune correspond un profil d'valuation de 10 000 24 999.
Une toile filante turquoise correspond un profil d'valuation de 25 000 49 999.
Une toile filante violette correspond un profil d'valuation de 50 000 99 999.
Une toile filante rouge correspond un profil d'valuation de 100 000 ou plus.

61
ANNEXE 4

ANALYSES DES MODLES


ET
SLECTION DU MODLE ADQUAT

62

Logistic Regression : modle M1


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
357,420
357,420
357,420

df

Sig.
,000
,000
,000

14
14
14

Model Summary
Step
1

-2 Log
likelihood
73,864

Cox & Snell


R Square
,654

Nagelkerke
R Square
,906
Classification Tablec

Selected Cases

Step 1

Observed
prsence de jump

prsence de jump
non
oui
221
2
6
108

non
oui

Overall Percentage

Predicted

Unselected Cases
prsence de jump
non
oui
0
0
10
81

Percentage
Correct
99,1
94,7
97,6

Percentage
Correct
,
89,0
89,0

a. Selected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump NE -5
b. Unselected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump EQ -5
c. The cut value is ,500

Variables in the Equation


B
Step
a
1

CATEGORI
CATEGORI(1)
CATEGORI(2)
CATEGORI(3)
TYPMCAN(1)
DURVENT
DURVENT(1)
DURVENT(2)
DURVENT(3)
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
CATG by DUR
Constant

S.E.

1,832
,886
,915
,028

4,972
3,120
1,688
1,002

2,111
1,077
,587
-,466
2,893
,063
-,001
-,777
,002
-,112
1,695

4,257
3,011
1,575
,093
1,331
,012
,001
,161
,002
,571
7,547

Wald
,511
,136
,081
,294
,001
,321
,246
,128
,139
25,183
4,726
26,610
1,764
23,229
1,635
,039
,050

df
3
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1

Sig.
,916
,712
,776
,588
,977
,956
,620
,721
,709
,000
,030
,000
,184
,000
,201
,844
,822

Exp(B)
6,247
2,426
2,496
1,029
8,253
2,935
1,799
,628
18,046
1,065
,999
,460
1,002
,894
5,445

a. Variable(s) entered on step 1: CATEGORI, TYPMCAN, DURVENT, VINITIAL, VINITFAI, VITEM,


FEEDERJU, NBIDDEUR, MOYFEED, CATG * DUR .

63

Regression
Coefficientsa

Model
1

sous catgorie de l'item


type du mcanisme de
vente
dure de la vente aux
enchres
la valeur initiale de l'item
valeur initiale gale ou
infrieure 1$
la valeur finale de vente
feedback du dernier
jumpeur
nombre de biddeurs
avant le dernier jump
moyenne des feedbacks
avant le dernier jump
categ * dure

Collinearity Statistics
Tolerance
VIF
,045
22,278
,923

1,083

,094

10,648

,617

1,621

,832

1,202

,713

1,403

,960

1,041

,826

1,211

,975

1,026

,035

28,674

a. Dependent Variable: prsence de jump

Logistic Regression : modle M2


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
353,137
353,137
353,137

df
9
9
9

Sig.
,000
,000
,000

Model Summary
Step
1

-2 Log
likelihood
78,148

Cox & Snell


R Square
,649

Nagelkerke
R Square
,899
Classification Tablea
Predicted

Step 1

Observed
prsence de jump
Overall Percentage

a. The cut value is ,500

non
oui

prsence de jump
non
oui
220
3
7
107

Percentage
Correct
98,7
93,9
97,0

64

Variables in the Equation


B
Step
a
1

CATEGORI
CATEGORI(1)
CATEGORI(2)
CATEGORI(3)
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
Constant

S.E.

2,049
1,326
,736
-,447
2,323
,060
-,002
-,730
,002
1,507

Wald
4,067
3,554
2,121
,678
27,302
4,441
28,699
2,589
28,150
1,325
3,344

1,087
,910
,894
,086
1,102
,011
,001
,138
,002
,824

df
3
1
1
1
1
1
1
1
1
1
1

Sig.
,254
,059
,145
,410
,000
,035
,000
,108
,000
,250
,067

Exp(B)
7,761
3,766
2,087
,639
10,202
1,062
,998
,482
1,002
4,515

a. Variable(s) entered on step 1: CATEGORI, VINITIAL, VINITFAI, VITEM, FEEDERJU, NBIDDEUR


MOYFEED.

Regression
Coefficientsa

Model
1

sous catgorie de l'item


la valeur initiale de l'item
valeur initiale gale ou
infrieure 1$
la valeur finale de vente
feedback du dernier
jumpeur
nombre de biddeurs
avant le dernier jump
moyenne des feedbacks
avant le dernier jump

Collinearity Statistics
Tolerance
VIF
,929
1,077
,432
2,317
,813

1,231

,416

2,406

,940

1,064

,776

1,288

,958

1,044

a. Dependent Variable: prsence de jump

Logistic Regression : modle M3


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
348,598
348,598
348,598

df
6
6
6

Sig.
,000
,000
,000

Model Summary
Step
1

-2 Log
likelihood
82,686

Cox & Snell


R Square
,645

Nagelkerke
R Square
,893

65
Classification Tablea
Predicted

Step 1

Observed
prsence de jump

prsence de jump
non
oui
219
4
7
107

non
oui

Overall Percentage

Percentage
Correct
98,2
93,9
96,7

a. The cut value is ,500


Variables in the Equation
Step
a
1

VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
Constant

B
-,434
1,594
,058
-,002
-,695
,003
2,309

S.E.
,086
,883
,011
,001
,124
,002
,568

Wald
25,422
3,256
26,814
3,853
31,412
2,115
16,530

df
1
1
1
1
1
1
1

Sig.
,000
,071
,000
,050
,000
,146
,000

Exp(B)
,648
4,924
1,060
,998
,499
1,003
10,061

a. Variable(s) entered on step 1: VINITIAL, VINITFAI, VITEM, FEEDERJU, NBIDDEUR,


MOYFEED.

Regression
Coefficientsa

Model
1

la valeur initiale de l'item


valeur initiale gale ou
infrieure 1$
la valeur finale de vente
feedback du dernier
jumpeur
nombre de biddeurs
avant le dernier jump
moyenne des feedbacks
avant le dernier jump

Collinearity Statistics
Tolerance
VIF
,436
2,292
,831

1,203

,416

2,404

,956

1,046

,777

1,288

,958

1,044

a. Dependent Variable: prsence de jump

66

Logistic Regression : modle M4


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
351,842
351,842
351,842

df

Sig.
,000
,000
,000

8
8
8

Model Summary
Step
1

-2 Log
likelihood
79,442

Cox & Snell


R Square
,648

Nagelkerke
R Square
,898
Classification Tablec

Selected Cases

Step 1

Observed
prsence de jump

prsence de jump
non
oui
220
3
7
107

non
oui

Overall Percentage

Predicted

Unselected Cases

Percentage
Correct
98,7
93,9
97,0

prsence de jump
non
oui
0
0
10
81

Percentage
Correct

a. Selected cases moyenne des feedbacks avant le dernier jump NE -5


b. Unselected cases moyenne des feedbacks avant le dernier jump EQ -5
c. The cut value is ,500

Variables in the Equation


B
Step
a
1

CATEGORI
CATEGORI(1)
CATEGORI(2)
CATEGORI(3)
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
Constant

2,142
1,364
,651
-,433
2,460
,058
-,001
-,710
1,613

S.E.
1,069
,910
,883
,082
1,117
,011
,001
,135
,813

Wald
4,724
4,013
2,246
,543
27,827
4,849
29,311
1,410
27,539
3,935

df
3
1
1
1
1
1
1
1
1
1

Sig.
,193
,045
,134
,461
,000
,028
,000
,235
,000
,047

Exp(B)
8,516
3,913
1,917
,648
11,709
1,060
,999
,492
5,019

a. Variable(s) entered on step 1: CATEGORI, VINITIAL, VINITFAI, VITEM, FEEDERJU, NBIDDEUR

,
89,0
89,0

67

Regression
Coefficientsa,b

Model
1

sous catgorie de l'item


la valeur initiale de l'item
valeur initiale gale ou
infrieure 1$
la valeur finale de vente
feedback du dernier
jumpeur
nombre de biddeurs
avant le dernier jump

Collinearity Statistics
Tolerance
VIF
,929
1,077
,432
2,313
,813

1,230

,416

2,404

,970

1,030

,781

1,281

a. Dependent Variable: prsence de jump


b. Selecting only cases for which moyenne des
feedbacks avant le dernier jump ~= -5

Logistic Regression : modle M5


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
350,808
350,808
350,808

df
8
8
8

Sig.
,000
,000
,000

Model Summary
Step
1

-2 Log
likelihood
80,476

Cox & Snell


R Square
,647

Nagelkerke
R Square
,896
Classification Tablec

Selected Cases

Step 1

Observed
prsence de jump
Overall Percentage

non
oui

prsence de jump
non
oui
219
4
7
107

Predicted

Percentage
Correct
98,2
93,9
96,7

prsence de jump
non
oui
0
0
9
82

a. Selected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump NE -5
b. Unselected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump EQ -5
c. The cut value is ,500

Unselected Cases

Percentage
Correct
,
90,1
90,1

68

Variables in the Equation


B
Step
a
1

CATEGORI
CATEGORI(1)
CATEGORI(2)
CATEGORI(3)
VINITIAL
VINITFAI
VITEM
NBIDDEUR
MOYFEED
Constant

S.E.

2,289
1,371
,840
-,429
2,260
,058
-,726
,001
1,303

Wald
5,006
4,650
2,265
,928
26,224
4,356
27,721
26,983
,212
2,779

1,062
,911
,873
,084
1,083
,011
,140
,001
,782

df
3
1
1
1
1
1
1
1
1
1

Sig.
,171
,031
,132
,335
,000
,037
,000
,000
,645
,095

Exp(B)
9,867
3,940
2,317
,651
9,579
1,059
,484
1,001
3,682

a. Variable(s) entered on step 1: CATEGORI, VINITIAL, VINITFAI, VITEM, NBIDDEUR, MOYFEED.

Regression
Coefficientsa,b

Model
1

sous catgorie de l'item


la valeur initiale de l'item
valeur initiale gale ou
infrieure 1$
la valeur finale de vente
nombre de biddeurs
avant le dernier jump
moyenne des feedbacks
avant le dernier jump

Collinearity Statistics
Tolerance
VIF
,945
1,059
,432
2,316
,813

1,230

,416

2,405

,777

1,287

,989

1,011

a. Dependent Variable: prsence de jump


b. Selecting only cases for which feedback dernier
jumpeur * moyenne des feedbacks avant dernier
jump ~= -5,00

Logistic Regression : modle M6


Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Step 1

Step
Block
Model

Chi-square
350,600
350,600
350,600

df
7
7
7

Sig.
,000
,000
,000

Model Summary
Step
1

-2 Log
likelihood
80,684

Cox & Snell


R Square
,647

Nagelkerke
R Square
,896

69
Classification Tablec
Predicted
Selected Cases

Step 1

Observed
prsence de jump

prsence de jump
non
oui
219
4
7
107

non
oui

Overall Percentage

Unselected Cases

Percentage
Correct
98,2
93,9
96,7

prsence de jump
non
oui
0
0
9
82

Percentage
Correct

a. Selected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump NE -5
b. Unselected cases feedback dernier jumpeur * moyenne des feedbacks avant dernier jump EQ -5
c. The cut value is ,500

Variables in the Equation


B
Step
a
1

CATEGORI
CATEGORI(1)
CATEGORI(2)
CATEGORI(3)
VINITIAL
VINITFAI
VITEM
NBIDDEUR
Constant

S.E.

2,269
1,359
,782
-,424
2,397
,057
-,715
1,369

1,055
,910
,863
,082
1,068
,011
,136
,766

Wald
5,037
4,626
2,234
,823
26,943
5,036
28,534
27,744
3,195

df
3
1
1
1
1
1
1
1
1

Sig.
,169
,031
,135
,364
,000
,025
,000
,000
,074

a. Variable(s) entered on step 1: CATEGORI, VINITIAL, VINITFAI, VITEM, NBIDDEUR.

Regression
Coefficientsa,b

Model
1

sous catgorie de l'item


la valeur initiale de l'item
valeur initiale gale ou
infrieure 1$
la valeur finale de vente
nombre de biddeurs
avant le dernier jump

Collinearity Statistics
Tolerance
VIF
,946
1,058
,433
2,311
,813

1,230

,416

2,404

,782

1,278

a. Dependent Variable: prsence de jump


b. Selecting only cases for which feedback dernier
jumpeur * moyenne des feedbacks avant dernier
jump ~= -5,00

Exp(B)
9,667
3,894
2,187
,654
10,994
1,059
,489
3,933

,
90,1
90,1

70
ANNEXE 5

VALIDATION PAR MODLE

VARIABLE ENDOGNE
ORDINALE VERSUS NOMINALE

71

Nominal Regression

Case Processing Summary


N
nombre de
jump

sous catgorie
de l'item

0
1
2
3
4
autographe
mmorabilia
sporting goods
trading cards

223
49
46
16
3
64
100
90
83
337
0
337

Valid
Missing
Total

Model Fitting Information


Model
Intercept Only
Final

-2 Log
Likelihood
682,189
251,435

Chi-Square

df

430,755

36

Goodness-of-Fit
Pearson
Deviance

Chi-Square
1986,372
251,435

Pseudo R-Square
Cox and Snell
Nagelkerke
McFadden

,721
,831
,631

df
1308
1308

Sig.

Sig.
,000
1,000

,000

72

Likelihood Ratio Tests

Effect
Intercept
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
CATEGORI

-2 Log
Likelihood of
Reduced
Chi-Square
Model
304,831a
,000
b
400,228
148,793
269,756b
18,321
b
385,773
134,338
332,588a
81,153
a
395,680
144,246
325,782a
74,347
266,116b
14,682

df

Sig.
0
4
4
4
4
4
4
12

,
,000
,001
,000
,000
,000
,000
,259

The chi-square statistic is the difference in -2 log-likelihoods between


the final model and a reduced model. The reduced model is formed
by omitting an effect from the final model. The null hypothesis is that
all parameters of that effect are 0.
a. The log-likelihood value cannot be further increased after
maximum number of step-halving.
b. Unexpected singularities in the Hessian matrix are
encountered. There may be a quasi-complete separation in
the data. Some parameter estimates will tend to infinity.

73

Parameter Estimates
nombre de jump
0

Intercept
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
[CATEGORI=1]
[CATEGORI=2]
[CATEGORI=3]
[CATEGORI=4]
Intercept
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
[CATEGORI=1]
[CATEGORI=2]
[CATEGORI=3]
[CATEGORI=4]
Intercept
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
[CATEGORI=1]
[CATEGORI=2]
[CATEGORI=3]
[CATEGORI=4]
Intercept
VINITIAL
VINITFAI
VITEM
FEEDERJU
NBIDDEUR
MOYFEED
[CATEGORI=1]
[CATEGORI=2]
[CATEGORI=3]
[CATEGORI=4]

B
Std. Error
79,532
4337,878
5,207E-02
4,362
-77,416
4334,388
-6,53E-02
,012
9,518E-04
,002
-,184
,504
2,308E-03
,006
15,932
1,402
287,082
1688,971
11,797
513,094
0b
,
80,799
4337,874
-,403
4,361
-76,779
4334,396
-3,73E-03
,002
-7,64E-04
,002
-1,028
,506
4,418E-03
,006
18,607
,997
288,842
1688,975
12,912
513,094
b
0
,
79,644
4337,876
-,429
4,361
-74,420
4334,396
-1,05E-03
,002
-3,37E-07
,002
-,986
,504
4,408E-03
,006
18,016
,882
287,343
1688,975
12,141
513,094
0b
,
78,829
4337,863
-,595
4,362
-74,532
4334,380
-1,07E-03
,002
-1,39E-03
,002
-,613
,494
2,932E-03
,006
17,047
,000
287,668
1688,977
10,400
513,094
0b
,

b. This parameter is set to zero because it is redundant.

Wald
,000
,000
,000
30,475
,206
,133
,145
129,119
,029
,001
,
,000
,009
,000
2,252
,158
4,135
,578
348,226
,029
,001
,
,000
,010
,000
,305
,000
3,820
,578
416,956
,029
,001
,
,000
,019
,000
,305
,427
1,537
,252
,
,029
,000
,

df
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
0

Sig.
,985
,990
,986
,000
,650
,715
,703
,000
,865
,982
,
,985
,926
,986
,133
,691
,042
,447
,000
,864
,980
,
,985
,922
,986
,581
1,000
,051
,447
,000
,865
,981
,
,986
,891
,986
,581
,513
,215
,615
,
,865
,984
,

Exp(B)
1,053
2,392E-34
,937
1,001
,832
1,002
8305479,300
4,7664+124
132798,888
,
,669
4,523E-34
,996
,999
,358
1,004
120433451,9
2,7699+125
405170,003
,
,651
4,786E-33
,999
1,000
,373
1,004
66686287,778
6,1848+124
187466,212
,
,551
4,279E-33
,999
,999
,542
1,003
25313574,721
8,5625+124
32850,582
,

74

Classification
Predicted
Observed
0
1
2
3
4
Overall Percentage

0
220
8
0
0
0
67,7%

1
2
30
9
2
0
12,8%

2
1
11
33
11
2
17,2%

3
0
0
4
3
0
2,1%

4
0
0
0
0
1
,3%

Percent
Correct
98,7%
61,2%
71,7%
18,8%
33,3%
85,2%

75

Ordinal Regression
Case Processing Summary
Marginal
Percentage
66,2%
14,5%
13,6%
4,7%
,9%
19,0%
29,7%
26,7%
24,6%
100,0%

N
nombre de
jump

sous catgorie
de l'item

0
1
2
3
4
autographe
mmorabilia
sporting goods
trading cards

223
49
46
16
3
64
100
90
83
337
0
337

Valid
Missing
Total

Model Fitting Information


Model
Intercept Only
Final

-2 Log
Likelihood
682,189
,000

Chi-Square

df

682,189

Link function: Logit.

Goodness-of-Fit
Pearson
Deviance

Chi-Square
13852,206
383,389

Link function: Logit.


Pseudo R-Square
Cox and Snell
Nagelkerke
McFadden
Link function: Logit.

,868
1,000
1,000

df
1335
1335

Sig.

Sig.
,000
1,000

,000

76

Parameter Estimates

Threshold

Location

Estimate
Std. Error
[NMBJUMP = 0]
-,623
,425
[NMBJUMP = 1]
1,471
,470
[NMBJUMP = 2]
4,218
,595
[NMBJUMP = 3]
6,608
,835
VINITIAL
-6,03E-02
,015
VINITFAI
2,758
,434
VITEM
5,978E-03
,001
FEEDERJU
-3,14E-04
,000
NBIDDEUR
-,238
,051
MOYFEED
8,078E-05
,000
[CATEGORI=1] -2,02E-02
,416
[CATEGORI=2]
-,143
,431
[CATEGORI=3]
-,609
,411
[CATEGORI=4]
0a
,

Link function: Logit.


a. This parameter is set to zero because it is redundant.

Wald
2,153
9,799
50,201
62,601
15,165
40,335
42,608
,579
21,951
,114
,002
,110
2,195
,

df
1
1
1
1
1
1
1
1
1
1
1
1
1
0

Sig.
,142
,002
,000
,000
,000
,000
,000
,447
,000
,736
,961
,740
,138
,

77

BIBLIOGRAPHIE

Baron D.P. (1976), Probabilistic Expectations and Bidding Behavior Bidding and
auctioning for procurement and allocation, 65 - 89.
Bunn D. and Thomas H. (1976), A decision analysis approach for unique situation
competitive bidding European Journal of Marketing, 10, 169 - 175.
Bunn D. and Thomas H. (1978), A decision analysis approach for repetitive
competitive bidding European Journal of Marketing, 12, 517 - 528.
Bunnell D. (2000), The ebay phenomenon, 210 pages, diteur : New York - Wiley,
c2000.
Engwall L. (1976), Order rates in bidding, European Journal of Marketing, 10, 5 12.
Fevrier P. et Visser M. (2002), Thorie des enchres, plan de cours en ligne des
professeurs Fevrier P. et Visser M. , adresse lectronique : www.ensae.fr.
Green Ronald F., Zimmerer Thomas W. and Steadman Mark E. (1994), The Role of
Buyer Sophistication in Competitive Bidding, Journal of Business & Industrial
Marketing, 9, 51-59.
Hallwood C.P. (1996), A market in action, Journal of Economic Studies, 23, 34 46.
Janssen Marijn and Sol H.G. (2000), Evaluating the role of intermediaries in the
electronic value chain, Electronic Networking Applications and Policy, 10, 406 417.

78
Katkar Rama et Lucking-Reiley David (2000), Public versus secret reserve prices in
eBay auctions : Results from a Pokmon Field Experiment, Department of
economics Vanderbilt University Nashville, working paper n 00- W26.
Klein J.D. (1976), Joint ventures and bidding for offshore oil, Bidding and
auctioning for procurement and allocation, 38 - 43.
Klemperer P. (1999), Auction Theory : a Guide to the Literature, Journal of
Economic Surveys, 13, 227 - 286.
Massad V. J. and Tucker M. (2000), Comparing bidding and pricing between inperson and online auctions, The Journal of Product & Brand Management, 9, 325 337.
Menard S. (2002), Applied Logistic Regression Analysis, Series : Quantitative
Applications in the Social Sciences, second edition, 107 pages.
Milgrom P.R. And Weber R.J (1982), A theory of auctions and competitive bidding,
50, n 5, 1089 1129.
Pettigrew A.P (1975),The industrial Purchasing Decision as a Political Process,
European Journal of Marketing, 9, 4 - 19.
Schotter A. (1976), Auctions and economic theory, Bidding and auctioning for
procurement and allocation, 3 13.
EBay, base de donnes extraite de dcembre 2001 janvier 2002.
Smith V.L (1976), Bidding and Auctioning Institutions : experimental results,
Bidding and auctioning for procurement and allocation, 43 65.
Vickrey W. (1976), Auctions, Markets, and Optimal Allocations, Bidding and
auctioning for procurement and allocation, 13 21.

Centres d'intérêt liés