Vous êtes sur la page 1sur 10

• Observer les choix

– Préférences révélées : RP (Revealed Preferences)


– Préférences déclarées : SP (Stated Preferences)
Modélisation de • Grouper les observations
la demande de transport • Estimer un modèle de choix
– Se ramener à une régression linéaire : cas d’une distribution
d’arbitrages prix-temps
économétrie des choix discrets – La méthode du maximum de vraisemblance : application au
modèle logit
– Régression linéaire pour choix discrets
Fabien Leurent • Conclusion
ENPC / LVMT

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

• Observer, dans quel objectif ? 24.9km 41.1km


– Paramètres de choix, pour transfert et prédiction 2.7km
3.0km 3.3km
• Observation de situations réelles, qui révèlent les
28.2km 44.5km
choix
• Situation de choix O-D Itinéraires Prix € Temps h VL obs VL sim
– Quelles options ? Comment les identifier ? Nantes- Route gratuite N23 10.0 0.967 1500 1522
– Décrire les options
– Qui choisit ? Angers Autoroute A11 13.2 0.617 3500 3477
Nantes- Route gratuite N23 3.88 0.400 2600 2621
Ancenis Autoroute A11 5.17 0.300 1300 1279
Angers- Route gratuite N23 6.11 0.567 500 456
Ancenis Autoroute A11 7.44 0.417 450 494

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
• Identifier les décideurs u
• Éventail d’options, pour chaque déplacement – Groupe d’appartenance ?
– Automobile – Caractères (descriptifs de l’état)
– TC – Paramètres β (comportement)
– Éventuellement autres modes
• Pour chaque décideur u, ensemble de choix
• Option choisie : une par déplacement – Caractères de chaque option m : ex. prix, temps,
• Options alternatives non choisies nb ruptures de charge
– calculées au moyen d’un codage des réseaux et d’une – Pour indiquer l’option choisie : une variable binaire
recherche d’itinéraire de valeur 1 pour l’option , ou 0 si ≠

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

! "
• Existence des options • En anglais : Stated Preferences (SP)
• Caractérisation des décideurs (observation) • Objectif
• Caractérisation des options (codage) – Situations virtuelles
– Connaissance approfondie du comportement individuel
• Réalisation des enquêtes sur le choix : précautions
– Niveau d’information des décideurs sur les options non • Situations
choisies ? – Existantes : variation de l’offre (modification de l’infra,
– Attention aux contraintes qui peuvent entraîner des captivités changement de fréquence ou de confort)
(Cf modèle Satchmo, L Hivert INRETS 1989) – Hypothétiques : option de type nouveau, ex. nouveau mode
de transport
• Méthode
– Par questionnement d’individus, avec des questions ajustées
au répondant pour en retirer autant d’information que
possible

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
#$ %&&'
Scénario à cinq options abstraites (Temps, Prix) • Depuis la fin des années 1970
Réponses des motifs privés, ou professionnels, pour – Voyageurs : choix modal en urbain (métro léger-Orlyval,
tramway) et en interurbain (train)
un déplacement à 150 km en heure creuse
– Fret : choix modal des chargeurs
Option Temps (h) Prix (€) CG € Privés Prof – Choix de localisation des ménages et des entreprises
• Répétition de scénarios pour un répondant
1 3 15 43,7 135 13
– Variations ‘intra-individu’ : l’APT est-il stable ?
2 2,5 18 41,2 60 22 • Enquête de consentement à payer
– Combien voulez-vous payer pour avoir tel changement ?
3 2 23 41,2 135 32

4 1,75 26 41,9 70 24

5 1,25 34 45 65 56

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

( $ ) %*' ( $ ) '*'
• Concevoir les scénarios de choix • Identifier les décideurs
– Différencier les options par leurs caractères – Segmentation selon des critères à fixer
– Ouvrir l’éventail des possibilités : attention aux interpolations – Plan d’enquête : carré latin, carré gréco-latin etc
– Fixer le type de réponse : une seule option, ou des • Taille d’enquête
proportions, ou un classement des options
– Quelques dizaines à quelques centaines
• Énoncer les scénarios de manière • Coût
– concrète, réaliste, pour bien « mettre en situation de choix »
– Conception
– compréhensible ! Surtout pour mode nouveau
– Durée d’administration individuelle
• Ajuster les scénarios à chaque répondant – Nb d’interviews
– En fonction des caractères socio-démographiques, des – Administration par téléphone ou en face-à-face
habitudes de choix, et des réponses aux questions
précédentes
– Intérêt des enquêtes assistées par ordinateur

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
+ , $
• Démarche commune aux RP et aux SP • Deux perspectives bien distinctes pour un modèle
• Les modes abstraits : une simplification nécessaire = Θ
– Options décrites de manière abstraite par les caractères • En simulation
– ces options abstraites sont supposées identiques pour des – On connaît F et Θ
décideurs, malgré les aléas du réel (itinéraires…)
– On se donne l’input X
• Les segments de demande – On en déduit l’output Y
– Contrainte statistique : constituer des groupes de décideurs • En estimation (paramétrique)
avec un effectif suffisant >= 30
– On connaît F mais pas Θ
– Segmentation selon des caractères observés directement
– On a des observations conjointes (Xi, Yi)
– On confronte ces observations à F pour estimer Θ
• Estimation non-paramétrique
– Non seulement Θ, mais encore F est à déterminer

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

- ! . *
• Mettre en forme les observations Observations par scénario s : modes 1 = Train, 2 = Avion,
– Méthode agrégée : par groupes d’individus caractères le temps , le prix , et un effectif enquêté
– Méthode désagrégée : données individuelles
• Estimateurs s Ptr Pav Ttr Tav ntr nav
– Moindres carrés : régression linéaire dans cas simples 1 1,5 15,0 3,7 2,3 67 23
– Maximum de vraisemblance : formuler les probabilités des
2 2,0 12,0 5,9 2,5 37 53
options, par segment de demande et par scénario
3 2,4 23,0 9,9 2,1 28 62
• Parfois : reformuler pour se ramener à un modèle
statistique simple 4 2,3 18,0 8,1 1,9 21 69
5 2,0 15,2 3,0 2,0 66 24
6 2,7 21,0 8,5 2,1 21 69
7 1,8 17,0 4,6 2,2 47 43
8 1,4 20,0 3,8 1,8 59 31

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
( - "
• Estimer A la fonction de répartition des APT • Relation observé-modélisé
• Hypothèse d’une distribution log-normale = α∗
−µ α ∗ −µ
=Φ σ
=Φ σ

• Par scénario s α∗ µ
∗ − Φ− = σ
−σ
– APT de coupure α =

– Si < alors α∗ est la proportion du mode 1,
• Modèle de régression linéaire Y = a X + b
observée par la proportion empirique
=
+

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

. " ) %*'
s
Φ− α∗ α∗ 0,8
0,6 y = 0,8031x - 1,3547
1 0,74 0,66 9,63 2,26 2
0,4 R = 0,9176
2 0,41 -0,22 2,94 1,08 0,2
3 0,31 -0,49 2,64 0,97 0,0
4 0,23 -0,73 2,53 0,93 -0,2 0,0 0,5 1,0 1,5 2,0 2,5 3,0
-0,4
5 0,73 0,62 13,26 2,58
-0,6
6 0,23 -0,73 2,85 1,05
-0,8
7 0,52 0,06 6,32 1,84 -1,0
8 0,66 0,40 9,31 2,23 σ= " → = ! = µ+σ
µ= = = σ −
Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
" ) '*' !
• Effectifs = +
0,9
– Par scénario pour observer la répartition modale
0,8
0,7 • Erreur d’observation ?
– Fluctuation d’échantillonnage
0,6
– Effets des tailles de groupe ?
0,5
– Solution = pondérer les observations => moindres carrés
0,4
pondérés
0,3
0,2 • Incertitude d’estimation
0,1 – SEa, SEb, cov(a,b)
0,0 – Propagation sur µ, σ et cov(µ,σ), et sur M_APT, S_APT
0,0 5,0 10,0 15,0

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

/ , 0 ,
• La fonction de vraisemblance
– Soit une VA X dont la distribution de probabilité dépend d’un • Modèle multinomial simple
paramètre Θ, avec une fonction de densité f(Θ, X) – Problème d’estimer des proportions π
– Si on ne connaît pas Θ, l’observation de valeurs xi de X – On observe des m*(i) pour des individus i
apporte de l’information sur Θ : – Vraisemblance (si indépendance) π =∏∈ π
précisément, l’observation {X = x} donne à une valeur Θ du π =∏∈ ∏ ∈ π
paramètre une vraisemblance L(Θ Θ | x) = f(ΘΘ, x)
=∏ ∈ π ( ' ( ( ,()+ & * () ( (
+ se généralise à un ensemble d’observations
• Estimateur du maximum de vraisemblance : choisir Θ • Modèle de choix discret
qui maximise L – Problème d’estimer des proportions π (Θ, X)
– Vraisemblance Θ =∏∈ π Θ
• Propriétés statistiques
=∏∈ ∏ ∈ π Θ
– Plus la taille est grande moins le biais est grand
– Variance minimale : statistiquement efficace – Regrouper les termes par option ? Possible de grouper selon
– Imprécision d’estimation ∂ # les valeurs des X donc selon les segments
– Simplifier un modèle &'%θ θ $ ≈ −% ∂θ ∂θ $−
Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
(0 , .
• Traitement numérique : avec la log-vraisemblance – Quand on dispose d’un logiciel d’estimation non linéaire, on
peut traiter par maximum de vraisemblance les problèmes
ΛΘ ≡ #Θ = π
pour lesquels un traitement par régression existe aussi
• Modèle logit : concurrence entre TC et automobile – Revenons au cas de la distribution d’APT, déjà traité
– Deux facteurs de choix : le prix et le temps
• Fonction de vraisemblance
– Un paramètre à estimer : l’arbitrage prix-temps
– TC : θ : on retient =1€ # µ σ =∏ − ' (( = α∗ µ σ
– VP : θ : on retient = 0.5 €
• L’EMV est un estimateur de nature désagrégée
• Observations : Individu Choix – Même si la formule de L est agrégée selon les scénarios s
1 20’ 30’ TC – Dans la formule de L, on a regroupé les observations
individuelles qui partagent les mêmes scénarios et choix
2 35’ 10’ VP
– Chaque individu intervient dans le produit, précisément dans
3 60’ 20’ VP un scénario s et dans le terme de son option choisie

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

( - $
• Formule additive par segment u, scénario s, option m: • Identifiabilité ?
Θ = Θ +ε – On ne peut estimer à la fois les Θ et le θε des erreurs ε,
donc on fixe le θε à 1 (plus simple) ou un des θ à 1
( / ()*()- ) * – Pour évaluer l’arbitrage entre un facteur quelconque et un
← ( / () ( + & & prix, il faut prendre le ratio des coefficients θ / θ
0
θ θ ./ ()*()- ) * • Constantes modales θ
– Pour M-1 options sur M, on spécifie un paramètre de
• Forme linéaire (entre autres) ‘constante modale’
– Ce paramètre prend en compte les attributs non mesurés
= θ0 + % θ $+% θ $
– Dans l’estimation, il permet de reproduire exactement la
• Reste linéaire envers Θ quand attributs composites répartition obervée

• Intérêt pour le maximum de vraisemblance • Caractères fixes du client


– La fonction de log-vraisemblance Λ = ln L est concave – Ex. : revenu, motorisation, abonnement TC
– La probabilité π ne peut être nulle – Appartenance à un groupe (tranche d’âge, sexe, profession):
codée par variable binaire (dummy) = 1 si oui ou 0 sinon
Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
!
• Effets d’agrégation • Tunnel à péage Prado-Carénage à Marseille
– La formule linéaire dissocie les et les – en concurrence avec réseau routier gratuit
– Souvent on prend un coef de identique pour tous les – Caractères Prix, Temps, Distance
θ
clients : alors c’est un regroupement, une agrégation • Liaison rapide Roissy-Place de l’Etoile
– Ex. = durée de marche : le coefficient pourrait dépendre de
– Métro rapide direct
la tranche d’âge !
– Concurrent des TC plus lents, automobile et taxi
• Cas important : l’appartenance à un groupe
– le traitement par une variable binaire (dummy) permet de
reproduire la répartition pour ce groupe
– cela risque de « forcer » plutôt que de refléter l’effet réel (qui
serait de particulariser les paramètres pour ce groupe)
– L’appartenance simultanée à plusieurs groupes, est le plus
souvent modélisée par la superposition des appartenances, et
non comme leur croisement

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

1%*'2 1'*'2
• Tunnel Prado-Carénage
– Caractères et paramètres 0,9
– Prix du tunnel <– coef = constante modale θ0 0,8
– Ttunnel, Tsurface <– coef = θAPT = α. θ0/Péage 0,7

Proportion(Tunnel)
– Dtunnel, Dsurface <– coef = θdist = β. θ0/Péage 0,6
– Groupes par tranche de ∆Temps et de ∆Distance 0,5
• Résultats du modèle logit « pur » 0,4
– α = 9.2 €/h 0,3
– β = 0.02 €/km 0,2
0,1
0
-5 0 5 10 15 20
Tsurface-Ttunnel

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
$ - $ - 3 4
,
• Pourquoi simplifier ?
– Si la valeur d’un paramètre ne diffère pas significativement • Principe
de 0 – Soit θ’ un sous-ensemble de N’ paramètres extrait de θ en
– Garder les paramètres significatifs : expliciter la partie utile fixant les N-N’ autres paramètres à 0
– La variable x = 2[Λ(θML)-Λ(θ’ML)] est distribué χ²N-N’
• Comment simplifier
– Donc l’hypothèse « θ= θ’ U 0 » a une probabilité critique
– Le coefficient t de Student : tθ = θ/SEθ. Si |tθ|<2 alors la
valeur 0 est dans [θ-2SEθ, θ+2SEθ] intervalle de confiance à Pr{ χ²N-N’ > x }
95%
– Mieux vaut utiliser la vraisemblance
• Exemple pour Prado-Carénage
– Le modèle à APT unique a une Λ* = -1 599.3
– Le modèle logit à APT distribué a une Λ* = -1 587.8
– la probabilité de l’hypothèse « σAPT = 0 » est < 10-4

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets

( 1%*'2 ( 1'*'2

• Probabilité de l’option 1 : = Θ • Modèle ≈Θ +η
− ′ −
=Θ η = −
• Proportion observée • Erreur
= = – Moyenne nulle
• individus avec – Variance −
= , ∈ 20 1 ' %η $ =
′ −

• En moyenne = • Estimateur des moindres carrés pondérés



• Approximation −
≈Θ +
− Θ = % ' %η $$− % ' %η $
$
′ −
– Il est consistant et approx. normal : asymptotiquement, la
matrice de covariance est % ' η $−

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets
" - !
• Interdépendance de la spécification et de
• Spécification flexible l’estimation
• Mais dont les hypothèses méritent discussion • La forme de l’observation dépend des spécifications
• Estimation par maximum de vraisemblance ‘maîtrisées’
• Éventuelles simplifications - 3 & (
• Estimation par moindres carrés

4, ' &

- 3 &
5 . &

Modélisation de la demande de transport économétrie des choix discrets Modélisation de la demande de transport économétrie des choix discrets