Eau, assainissement et développement durable – Les ... - pseau
Eau, assainissement et développement durable – Les ... - pseau
Eau, assainissement et développement durable – Les ... - pseau
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
EAU, ASSAINISSEMENT ET DÉVELOPPEMENT DURABLE : LES ENJEUX DANS LES VILLES DES PAYS EN DÉVELOPPEMENT<br />
> CHAPITRE 5<br />
Une analyse des données de type exploratoire peut suffire pour comprendre les motivations conduisant<br />
les ménages à choisir tel ou tel mode d’approvisionnement. En revanche, le recours aux<br />
méthodes de modélisation confirmatoire – afin d’étudier plus finement les logiques selon lesquelles<br />
pourraient s’opérer les reports d’un mode d’approvisionnement vers un autre lorsqu’une offre est<br />
développée ou supprimée – peut apporter une information complémentaire d’aide à la décision. Ces<br />
méthodes, perm<strong>et</strong>tant toutes deux de mieux comprendre les phénomènes <strong>et</strong> de mesurer les opportunités<br />
<strong>et</strong> les risques opérationnels, constituent des outils essentiels pour guider la prise de décision.<br />
● <strong>Les</strong> objectifs d’une segmentation<br />
La segmentation est une démarche complexe. Ses deux apports fondamentaux (ciblage <strong>et</strong> adaptation<br />
du discours) sont susceptibles de déboucher sur de très nombreuses applications opérationnelles. <strong>Les</strong><br />
termes typologie, classification <strong>et</strong> segmentation sont souvent confondus bien qu’ils correspondent à<br />
des démarches différentes, ainsi définies :<br />
• La typologie vise à regrouper des individus par classes, par exemple x individus d’une même<br />
classe se ressemblent par rapport à des variables nommées descripteurs (sexe, niveau de revenu,<br />
éducation, croyances <strong>et</strong> valeurs normatives, âge).<br />
• La classification consiste à ranger des individus dans des classes préexistantes. Chaque individu<br />
d’une population est ainsi affecté à la classe dont il paraît le plus proche.<br />
• La segmentation tient compte non seulement des descripteurs, mais encore du but économique<br />
recherché, notamment de la quantité ou valeur consommée par chaque segment.<br />
L’efficacité d’une segmentation dépend, par exemple, de la différenciation des classes en fonction des<br />
objectifs économiques de l’étude. De plus, chaque classe doit être caractérisée par un modèle expliquant<br />
la relation entre la consommation à prédire <strong>et</strong> les variables comportementales caractérisant<br />
le consommateur (le « consommateur » pouvant être représenté par un ménage dans le cas de<br />
l’étude de services d’approvisionnement en eau ou d’<strong>assainissement</strong> destinés aux populations<br />
urbaines défavorisées). Ainsi, deux ménages répondant au même modèle comportemental peuvent<br />
afficher des quantités consommées très différentes.<br />
Divers outils sont à disposition pour servir l’analyse multidimensionnelle des données, notamment :<br />
• Pour l’exploration <strong>et</strong> le recueil des données : variables catégorielles binaires (oui / non, se raccorder<br />
au réseau ou non, utiliser une borne-fontaine ou non, être satisfait ou insatisfait,…), variables<br />
quantitatives (niveau de consommation, dépense mensuelle pour l’eau,…), ou encore variables à<br />
plusieurs modalités.<br />
• Pour l’analyse <strong>et</strong> la recherche des relations entre variables : analyse factorielle des<br />
correspondances simples <strong>et</strong> multiples (ACS, ACM) pour les variables qualitatives, analyse factorielle<br />
des composantes principales (ACP) pour les variables quantitatives, classification hiérarchique<br />
ascendante (CHA), analyse factorielle discriminante (AFD).<br />
• Pour l’élaboration de modèles économétriques : régression logistique ou log-linéaire (modèles<br />
logit, probit), régression linéaire aux moindres carrés ordinaires (MCO) ou partiels (MCP), analyses<br />
de variance <strong>et</strong> de covariance, régression multinomiale.<br />
113