1. L’évitement comme stratégie de localisation

5Le premier objectif pour le réseau de distribution désirant implanter une nouvelle unité, une fois le marché cible pénétré, est de demeurer dans la compétition. Il est important de ne pas provoquer ou d’initier une attaque frontale avec les différents adversaires, car si elle intervient trop tôt, elle peut s’avérer fatale (Fudenberg et Tirole, 1984). De plus, opter pour une localisation différente de celles de ses concurrents permet de se différentier. En effet, dans le cas particulier de la localisation, où chaque consommateur n’accorde pas la même préférence à un lieu géographique, il s’agit de différenciation spatiale (Tirole, 1993). Les habitants de Paris préfèrent, par exemple, généralement les biens disponibles à Paris à des bien identiques mais disponibles à New York.

6L’éloignement géographique est également l’occasion de conquérir en premier un territoire. Cette situation engendre des effets positifs qu’un nouvel entrant doit exploiter s’il veut s’imposer comme un véritable acteur du secteur dans lequel il évolue. Le pionnier peut, en arrivant le premier sur un marché géographique, ériger des barrières à l’entrée à travers la maîtrise d’un leadership technologique (Gilbert et Newbery, 1982; Smiley et Ravid, 1983). Le pionnier bénéficie également d’avantages liés au comportement des consommateurs puisqu’il capte l’ensemble des innovateurs et des adopteurs précoces (Peterson, 1982). Le changement a un coût pour les individus, ce qui a pour conséquence de les rendre réfractaires à tout changement de point de vente (Hoch et Deighton, 1989). En présence de coûts de changement, les suiveurs doivent investir des ressources supplémentaires afin d’attirer les clients. Un autre avantage de l’isolement géographique est de permettre d’occuper le premier les « meilleures » positions (Kœnig, 1996) et ainsi mettre en place une stratégie de préemption. En concentrant des capacités de production ou de distribution excédentaires sur un segment de population particulier, une entreprise peut dissuader la concurrence de pénétrer ce marché (Lieberman, 1987; MacMillan, 1983).

2. Les bénéfices de la proximité géographique

7Marshall (1920) a très tôt souligné l’importance de certaines économies externes qui engendrent des effets d’agglomération des industries. Les économies d’agglomération (Weber, 1929) naissent du partage des infrastructures entre les firmes (transport, communication, etc.) et de la création de synergies positives par la coopération entre entreprises. Une multitude de travaux empiriques (pour une synthèse voir : Best, 1990; Piore et Sabel, 1984; Porter, 1990) a montré l’existence de ces phénomènes d’agglomération à travers l’étude de nombreuses régions spécialisées dans un domaine particulier (Italie du Nord, Sillicon Valley, Sillicon Glen, Route 128, etc.). Même si les facteurs générateurs d’économies d’agglomération peuvent différer, ce qui a été vérifié pour la localisation des firmes industrielles, l’a également été pour les commerces. Le regroupement des magasins proposant des produits similaires a depuis longtemps été observé : les magasins d’habillement et de chaussures se multiplient dans les centres commerciaux, les vendeurs de voiture sont dans la plupart des cas très proches les uns des autres, etc. (Fisher et Harrington, 1996).

8L’agglomération géographique est réductrice d’incertitude tant pour les firmes que pour les consommateurs (Weber, 1972). Pour les entreprises, le regroupement des commerces fournit, pour les entrants les plus récents, des informations sur la faisabilité de leur projet et sur l’existence de la demande par l’observation des firmes établies. Le regroupement géographique permet également de réduire le coût de recherche d’informations pour le consommateur. Du fait du principe de l’effort minimum (Zipf, 1949), les consommateurs vont privilégier les zones où l’offre est concentrée. Les individus peuvent également regrouper leur visite et se déplacer qu’une fois afin de minimiser leur coût de transport par achat (Jones et Simmons, 1993).

9Il existe des externalités positives intermagasins (parfois appelées externalités de demande) qui permettent un accroissement du chiffre d’affaires (Fujita et Thisse, 2002). Le regroupement commercial génère une consommation plus importante qui se répercute sur l’ensemble des magasins. Nelson (1958) est le premier à avoir mis en évidence une relation entre le principe de l’attraction cumulative et la localisation des commerces.

10Lorsque les points de vente concurrents ont les mêmes ressources, c’est-à-dire les mêmes consommateurs, il est possible de prévoir l’accroissement de l’intensité concurrentielle lors d’implantation dans les mêmes zones. Les travaux en écologie des populations ont en effet très tôt souligné que l’intensité concurrentielle est fonction de la similarité des ressources nécessaires aux entreprises. Plus les ressources nécessaires à l’entreprise sont similaires, plus le potentiel de concurrence est important (Hannan et Freeman, 1986, 1989). Dans cette optique, des entreprises partageant des ressources identiques sont des concurrents parfaits alors que des firmes utilisant des ressources totalement différentes ne se trouvent pas en concurrence. Des points de vente situés à proximité et offrant des produits substituables se partagent les mêmes ressources et se trouvent donc en situation de concurrence parfaite. Les points de vente ne se trouvant pas sur la même zone géographique ne s’adressent pas aux mêmes clients. Dans ce cas, les points de vente ne sont pas concurrents.

3. Synthèse

11Il apparaît clairement que deux stratégies de localisation sont envisageables : la proximité ou l’éloignement. Ainsi, deux forces opposées régissent les relations entre unités des différents réseaux de distribution. Les entreprises doivent arbitrer afin d’aller dans le sens d’une des forces et ce pour chacune des unités composant le réseau (tableau 1).

12L’existence de ces deux forces opposées conduit les entreprises à hésiter entre le regroupement géographique et l’éloignement. Les entreprises multi-unités n’optent que très rarement pour une stratégie pure. Il s’agit en fait de trouver le bon équilibre entre proximité et éloignement. Une proportion du réseau de distribution est située à proximité des unités adverses alors qu’une autre partie est isolée.

13Le choix d’une stratégie par une entreprise dépend essentiellement de sa part de marché, du nombre de ressources dont elle dispose et de sa légitimité. Or, ces trois éléments dépendent en fait de la taille du réseau. Le chiffre d’affaires et le résultat étant quasiment identiques d’une unité à une autre, plus une entreprise possède d’unités par rapport à ses concurrents, plus elle détient de ressources et plus sa part de marché est importante. Il en est de même pour la légitimité puisqu’elle est accordée aux entreprises les plus visibles, et celles ayant un pouvoir de négociation le plus fort avec les différents acteurs du marché.

1. La notion générale d’automate cellulaire

15Les automates cellulaires peuvent être considérés comme des systèmes multiagents particuliers où les cellules sont des agents contigus et fixes (Ferber, 1997). Un automate cellulaire est une organisation structurée de cellules interconnectées qui dépendent les unes des autres. Elles forment un système cellulaire. Ce système cellulaire peut être spatialisé ou non. L’organisation des cellules est définie par les liens de voisinage entre mailles. Le fonctionnement global de l’automate cellulaire consiste à « calculer » un état global à chaque instant à partir de l’état global à l’instant précédent. Il est possible d’expliquer le fonctionnement global à partir de mécanismes élémentaires issus de son niveau local, les cellules.

16Le « Jeu de la vie » (Gardner, 1970) inventé par John Conway est un des exemples les plus célèbres d’automates cellulaires. Les règles de ce jeu sont extrêmement simples. Les cellules peuvent se trouver dans deux états : vie ou mort. L’espace cellulaire est composé de cellules qui se trouvent dans l’état mort au départ, à l’exception d’un nombre fini d’entre elles. L’évolution de chaque cellule est déterminée en fonction de son propre état et de celui de ses huit cases adjacentes. Les règles sont : une cellule vivante meurt à l’étape suivante si elle n’a pas plus d’un voisin (elle meurt de solitude) ou si elle a plus de trois voisins dans les huit cases adjacentes (elle meurt d’étouffement) et une cellule morte entourée de trois voisins vivants dans les huit cases adjacentes devient vivante à l’étape suivante. La figure 1 représente l’évolution d’une configuration selon les règles du « Jeu de la vie ».

17La caractéristique essentielle du jeu de la vie est qu’il est hautement imprévisible. L’apparition de formes stables, d’équilibres, d’oscillateurs est impossible à déterminer a priori.

2. Description du modèle utilisé

18Dans le travail présenté, l’espace du modèle est bidimensionnel, initialement rectangulaire et découpé en N cellules à support carré, N étant défini par l’utilisateur. L’automate utilise la topologie métrique euclidienne.

19L’automate examine le nombre de cellules occupées entourant chaque cellule vide. Il comptabilise le nombre de concurrents c_i se trouvant dans le voisinage de la cellule. En fonction de la stratégie choisie (proximité ou évitement), la cellule vide peut devenir occupée ou rester vide. En effet, à chaque stratégie est associé un nombre minimum c_i min et un nombre maximum c_i max de concurrent. c_i min et c_i max sont définis par l’utilisateur pour chaque stratégie. Une stratégie de proximité signifie qu’un certain nombre de concurrents doivent être présents dans le voisinage alors qu’une stratégie d’évitement va de pair avec un voisinage sans concurrence.

20Le choix de la stratégie de localisation est terminé par l’automate qui associe une probabilité à chaque stratégie en fonction du rapport des tailles de réseau (figure 2).

21Le nombre d’implantations par réseau ainsi que les disparitions d’unités sont prédéfinis par l’utilisateur pour chaque période t. Les implantations sont exclusivement le fruit du fonctionnement de l’automate. En revanche, les disparitions se font de façon aléatoire.

Figure 1

ÉVOLUTION D’UNE CONFIGURATION PARTICULIÈRE SELON LES RÈGLES DU « JEU DE LA VIE»

Figure 1 ÉVOLUTION D’UNE CONFIGURATION PARTICULIÈRE SELON LES RÈGLES DU « JEU DE LA VIE»

ÉVOLUTION D’UNE CONFIGURATION PARTICULIÈRE SELON LES RÈGLES DU « JEU DE LA VIE»

22Le voisinage des cellules est celui de Moore, c’est-à-dire les huit cellules entourant chaque case. Il est possible à l’utilisateur de faire varier le rayon du voisinage afin d’adapter la notion de proximité en fonction de l’objet de l’étude. Le voisinage de Moore de rayon 2 comprend les 24 cellules voisines (figure3).

1. Méthodologie utilisée pour l’étude des stratégies d’implantation

24Les implantations des restaurants McDonald’s et Quick à Paris durant la période 1984 et 2004 ont été choisies pour être confrontées à notre modèle.

25Nous avons décidé de nous concentrer sur un sous-segment très précis du segment de la restauration afin de considérer les produits offerts de façon substituable. Les éléments des menus de McDonald’s et de Quick peuvent être considérés comme sub-stituables : les prix, le service et les caractéristiques du point de vente sont en effet identiques pour les deux enseignes. La différenciation pour ces deux entreprises passe essentiellement par la localisation. Les entreprises d’un sous-segment ne sont donc pas directement en concurrence avec les enseignes présentes dans les autres sous-segments. Dans le secteur de la restauration rapide, il est même possible de considérer qu’elles sont complémentaires (Underhill, 2004).

26Les entreprises McDonald’s et Quick se prêtent bien à l’étude des stratégies de localisation car les deux sont toujours propriétaires des murs lors d’une nouvelle implantation. Même si les réseaux sont mixtes (unités en propre et franchises), la prise de décision reste très centralisée au niveau de la direction des entreprises qui gère avec attention le développement du réseau et du patrimoine immobilier.

27L’ensemble des restaurants de hamburgers appartenant à une chaîne a été identifié année par année (de 1984 à 2004) dans les pages jaunes téléphoniques. Cette première étape nous a permis de connaître les années d’ouverture et de fermeture de chaque restaurant. Les informations ont ensuite été recoupées par les renseignements fournis par l’Insee à travers la base de données Sirène recensant l’ensemble des entreprises et de leurs établissements en France, que ceux-ci soient actuellement ouverts ou qu’ils aient cessé toute activité.

28Deux critères ont été retenus pour le choix de la zone géographique : disposer d’un nombre d’unités limité (pour permettre l’observation) mais suffisant (pour pouvoir tirer des conclusions fiables) et avoir la possibilité d’étudier une aire géographique fermée et imperméable. Le périphérique entourant la ville constitue une barrière qui représente un moyen efficace pour délimiter une zone de chalandise particulière. Notre zone d’étude est donc isolée et imperméable au pouvoir d’attraction des points de vente extérieurs à Paris qui pourraient, sans l’existence de cette barrière, venir concurrencer ceux situés intra muros. Les effets de frontières posent la plupart du temps des problèmes d’analyse. Ils sont ici positifs. De plus, du fait de certaines caractéristiques particulières (taille de la population active et étudiante, nombre important de touristes, etc.), Paris a très tôt été une zone privilégiée par les firmes évoluant sur le segment des restaurants de hamburgers, comme en témoigne le nombre d’unités (plus de 100 en 2004). Le marché parisien n’est pas arrivé à maturation et de nouvelles unités peuvent encore s’ouvrir sans que la quantité de clients potentiels soit un problème. Cette caractéristique de la zone étudiée permet donc d’évacuer le paramètre des ressources en tant que facteur explicatif des stratégies. La proximité de plusieurs enseignes est viable dans la plupart des quartiers de Paris. Ainsi, les aires où plusieurs unités concurrentes se retrouvent, ne présentent pas de caractéristiques communes pouvant laisser présager une influence de la population (zone touristique, présence de gares, etc.).

29Les établissements ont été placés sur une carte de Paris, année par année (figure 4). La carte de Paris a ensuite été numérisée sur un carroyage doté de mailles carrées de 166m de côté (figure 5). Nous avons numérisé les frontières de Paris ainsi que les espaces verts et les grands ensembles urbains où il est impossible de construire un restaurant. Ces cellules font parties intégrantes de l’automate cellulaire.

Figure 4

CARTE DE PARIS AVANT NUMÉRISATION

Figure 4 CARTE DE PARIS AVANT NUMÉRISATION

CARTE DE PARIS AVANT NUMÉRISATION

Figure 5

CARTE DE PARIS APRÈS NUMÉRISATION

Figure 5 CARTE DE PARIS APRÈS NUMÉRISATION

CARTE DE PARIS APRÈS NUMÉRISATION

30La carte numérisée de Paris est constituée de 3475 cellules représentant des carrées de surface de 27556 m². Paris est représenté par une surface de 95,76 km². La superficie réelle de Paris étant de 105 km², il est possible d’avancer que notre numérisation est proche de la réalité [1].

2. Constitution des cellules, règles de vie et règles de transition

31Un état et une durée de vie sont attribués à chaque cellule. La naissance sur les cellules vides, l’ouverture d’un restaurant, dépend des règles de transition alors que les règles de disparition des unités sont aléatoires.

32Tous les changements d’état proviennent de la simulation. Le périphérique, les espaces verts, les bâtiments de grandes tailles, la Seine et les cellules marquant l’extérieur de Paris demeurent dans l’état antérieur à la période suivante.

33Pour les cellules vides à l’intérieur de Paris, la transition vers un état occupé dépend de la stratégie choisie en fonction de la taille relative des entreprises et donc du voisinage. Les probabilités p(S₁ ) et p(S₂ ) ainsi que les seuils de n_a /n_b et n_b /n_a correspondant à chaque stratégie sont attribués par l’utilisateur. Le tableau 2 récapitule les principaux paramètres introduits dans la simulation.

3. Résultats

34Une fois le modèle de simulation créé, le paramétrage a été effectué. Des simulations ont ensuite été réalisées afin d’étudier de manière virtuelle les interdépendances entre unités concurrentes et leurs impacts sur la localisation géographique des réseaux de distribution. Nous ne nous intéressons pas précisément à la localisation des unités dans l’espace mais à leurs relations entre elles. Nous n’allons donc pas procéder à une comparaison de carte géographique mais à une étude des points de contacts.

Tableau 2

PRINCIPAUX PARAMÈTRES DU MODÈLE DE SIMULATION

Tableau 2 PRINCIPAUX PARAMÈTRES DU MODÈLE DE SIMULATION Nombre de cellules actives 3475 Taille du voisinage Rayon 1 (166 mètres) Type de voisinage Voisinage de Moore Nombre de périodes t 19 Limite de l’espace Espace borné Règles Stratégie Nombre minimal 0 d’implantation d’évitement de concurrents ci min Nombre maximal de concurrents ci max 0 Stratégie Nombre minimal de proximité de concurrents ci min 1 Nombre maximal de concurrents ci max 8 Règles de disparition Aléatoires

PRINCIPAUX PARAMÈTRES DU MODÈLE DE SIMULATION

Le paramétrage du modèle : seuils et stratégies de localisation

35Pour reproduire les comportements de localisation des restaurants McDonald’s et Quick, il a été nécessaire d’attribuer les seuils de changement n_a /n_b et n_b /n_a ainsi que les probabilités p(S₁ ) et p(S₂ ) associées. Pour paramétrer le modèle, deux possibilités sont envisageables : donner des valeurs en fonction des discours des acteurs ou par tâtonnement. Il s’agit ici de mettre en lumière les stratégies de localisation vis-à-vis de la concurrence. Or, l’intégration de l’autre, de l’adversaire, dans la prise de décision stratégique est quelque chose de mal acceptée par les acteurs. Même si elles l’admettent tacitement, les personnes rencontrées chez McDonald’s ou chez Quick ne veulent officiellement pas parler de stratégie vis-à-vis de la concurrence. De plus, cette recherche portant sur une longue période, il est très difficile de rencontrer des acteurs présents dès le début de la période d’observation et pouvant témoigner de la stratégie suivie. Le modèle a donc été paramétré par tâtonnement, de façon itérative, jusqu’à trouver les paramètres qui assurent la meilleure convergence des résultats virtuels et des résultats réels. La simulation informatique permet en effet, tel l’expérimentateur en laboratoire, l’observation des conséquences engendrées par la variation des paramètres. Le paramétrage correspond en fin de compte aux stratégies d’implantation des enseignes, ce tâtonnement, rendu possible par la simulation, est un moyen de mettre à jour les stratégies des entreprises.

36Pour McDonald’s, le modèle a été paramétré de la façon suivante:

100 %P(S1 72 % 30 % ) na /nb 1 2,2 3

N_a est la taille du réseau (c’est-à-dire le nombre d’unités) du réseau a et N_b est celle du réseau b.

37En position de faiblesse (n_a /n_b < 1, c’est-à-dire que la taille de son réseau est inférieur à celui de Quick), McDonald’s adopte une stratégie d’évitement total. Autrement dit, McDonald’s suit la stratégie S₁ (évitement) dans 100 % des cas. Il s’agit pour elle d’éviter la pression concurrentielle du leader. Il est également important pour l’entreprise nord-américaine d’accaparer les meilleurs emplacements dès le début. Lorsque l’entreprise domine, elle choisit d’éviter le concurrent dans quasiment deux tiers des cas (72 %). Avec la domination, débute alors la recherche de proximité. Même si gêner son concurrent ne devient pas une priorité, McDonald’s répond parfois à des attaques trop violentes ou réalisées dans des zones géographiques sensibles. La stratégie générale d’implantation reste toutefois la découverte de nouveaux marchés encore inexplorés par le concurrent. En période de très forte domination (n_a /n_b > 2,2), McDonald’s implante très fréquemment ses unités à proximité de celles de son concurrent (70% des cas). La forte domination (en nombre d’unités) encourage le géant américain à exercer une pression concurrentielle plus forte sur Quick. C’est en période de forte domination que McDonald’s force son concurrent belge à fermer un certain nombre de points de vente en l’entourant de plusieurs unités. Cette stratégie de proximité lui permet de récupérer des emplacements particulièrement intéressants.

38De façon similaire, le paramétrage concernant les stratégies de Quick révèle ses choix stratégiques en ce qui concerne le choix des zones d’implantation:

P(S1 ) 0 % 100 % 100 %14 % 30,80,50,30 Nb /na

Il est aisé de constater que Quick n’adopte pas la même stratégie de localisation que le géant américain. Les changements de stratégie sont plus nombreux. L’entreprise belge a une stratégie beaucoup plus fluctuante. Il est intéressant de noter que la période de changements répétés correspond à la période de domination de McDonald’s (n_b /n_a < 0,8). Quick hésite entre conquérir de nouveaux territoires en évitant la pression du leader et exploiter des effets d’agglomération. Lorsque l’entreprise belge est très fortement dominée (n_b /n_a < 0,3), les bénéfices de la proximité l’emportent et Quick s’implante à proximité de son concurrent dans 100 % des cas (l’évitement a une probabilité égale à 0 d’être choisi). Lorsque n_b /n_a est compris entre 0,3 et 0,5, la stratégie de localisation est opposée : c’est l’évitement de la concurrence dans 100 % des cas. Une deuxième phase de recherche de proximité, toutefois moins intense (il y a évitement dans 14 % des cas), apparaît lorsque n_b /n_a est compris entre 0,5 et 0,8. Nous pouvons remarquer que Quick s’adapte de façon radicale puisque le choix entre les deux stratégies de localisation se fait de manière peu nuancée. Les stratégies ne sont quasiment pas mixtes. Lorsque Quick domine le marché ou quasiment (n_b /n_a < 0,8), il opte pour l’évitement total. À l’instar de McDonald’s, la domination permet de pouvoir conquérir des marchés encore vierges et d’enrichir son portefeuille d’emplacements recherchés.

La localisation des unités dans l’espace

39La situation de départ en 1984 pour la simulation est conforme à la réalité. Pour les périodes suivantes, les localisations diffèrent compte tenu des probabilités associées à chaque stratégie et des emplacements libres.

40Une première comparaison entre données réelles et données simulées est réalisée pour l’année 1994. À cette période, McDonald’s a choisi d’isoler 9 unités et d’en placer 17 à proximité du concurrent. Le modèle se comporte de manière similaire à la simulation car à cette même période 17,2 unités sont placées à proximité de la concurrence alors que 9,8 unités sont isolées.

41En 2004,31 McDonald’s sont isolés dans la réalité contre 32,6 après simulation. Six Quick sont isolés dans la réalité contre 6,7 après simulation. La proximité touche dans la réalité 33 McDonald’s et 21 Quick. Après simulation, il est possible d’observer 31,9 McDonald’s et 20,3 Quick ayant choisi la proximité. Là encore, la proportion entre unités isolées et placées à proximité du concurrent pour les deux enseignes est respectée par la simulation.

42Le tableau 3 synthétise le nombre d’unités placées à proximité des concurrents ou isolées par les enseignes et par le programme [2] créé pour les années 1994 et 2004.

43Les données fournies par le tableau confirment qualitativement que le modèle se comporte de manière semblable à la réalité. En effet, les intervalles dans lesquels évoluent les données simulées sont similaires aux chiffres réels.

Tableau 3

NOMBRE D’UNITÉS PLACÉES À PROXIMITÉ DES CONCURRENTS OU ISOLÉES POUR CHAQUE ENSEIGNE (1994-2004)

Tableau 3 NOMBRE D’UNITÉS PLACÉES À PROXIMITÉ DES CONCURRENTS OU ISOLÉES POUR CHAQUE ENSEIGNE (1994-2004) Proximité Évitement Réel Simulé Réel Simulé 1994 18 17,2 9 9,8 McDonald’s 2004 33 31,9 31 32,1 1994 15 15,1 4 3,9 Quick 2004 21 20,3 6 6,7

NOMBRE D’UNITÉS PLACÉES À PROXIMITÉ DES CONCURRENTS OU ISOLÉES POUR CHAQUE ENSEIGNE (1994-2004)

Le nombre de contacts désirés par les firmes

44 La comparaison cellule par cellule n’ayant pas vraiment de sens ici, il est nécessaire de construire un indicateur nous permettant des comparaisons plus fines. Il est en effet nécessaire de s’intéresser au nombre de contacts désirés par la firme (n_cd ) et non exclusivement au nombre d’unités ayant été implantées à proximité d’un concurrent. Tenir compte des tailles de réseaux respectifs pour obtenir un indicateur comparable entre firmes (Pcd_At ) est également un point qu’il important de ne pas négliger. En effet, plus une enseigne ouvre de magasins, plus le nombre de contacts avec les concurrents a des chances d’être élevé. Dans ce cas, un raisonnement en termes de fréquence permet de gommer cet effet. La figure 6 représente l’évolution du nombre de contacts désirés par les firmes en fonction de la taille de leur réseau.

45Les deux réseaux débutent leurs activités sans rechercher la proximité du concurrent. Cette stratégie d’éloignement est maintenue par McDonald’s jusqu’en 1990 et jusqu’en 1992 pour Quick. Les deux entreprises recherchent ensuite la proximité. Mais cette stratégie est beaucoup plus marquée pour Quick qui, en 1993, ouvre un nombre important de restaurants (huit) et les place en priorité à proximité du géant américain. McDonald’s, tout en ouvrant un grand nombre d’unités au cours de la même période, adopte une stratégie plus mixte. La décroissance du nombre de contacts désirés en fin de période n’est due qu’à l’augmentation très importante de son parc. L’évolution du nombre d’unités composant les réseaux (figure 7) doit nous aider à comprendre les évolutions de stratégies de localisation.

Figure 6

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR LES FIRMES EN FONCTION DE LA TAILLE DE LEUR RÉSEAU (PcdAt )

Figure 6 ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR LES FIRMES EN FONCTION DE LA TAILLE DE LEUR RÉSEAU (PcdAt )

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR LES FIRMES EN FONCTION DE LA TAILLE DE LEUR RÉSEAU (PcdAt )

Figure 7

ÉVOLUTION DU NOMBRE D’UNITÉS COMPOSANT LES RÉSEAUX

Figure 7 ÉVOLUTION DU NOMBRE D’UNITÉS COMPOSANT LES RÉSEAUX DE MCDONALD’S ET QUICK PARIS (1984 À 2004)

ÉVOLUTION DU NOMBRE D’UNITÉS COMPOSANT LES RÉSEAUX

46De 1984 à 1989, Quick est leader sur le marché (en nombre d’unités) et les tailles de réseaux sont très comparables. Il s’agit de la phase de démarrage de ce secteur à Paris et les positions ne sont pas encore établies. Les deux entreprises ont donc préféré implanter leurs premières unités loin de la concurrence afin de tester le marché et de créer leurs zones d’influence. En 1991, la croissance exponentielle de McDonald’s débute. Sa domination allant de pair, Quick se voit dans l’obligation d’opter pour une stratégie particulière propre au suiveur. La firme belge cherche alors pour survivre à bénéficier des positions de son concurrent.

4. La simulation est-elle capable de reproduire la réalité ?

47Il est important de noter que plusieurs méthodes de validation sont envisageables pour les modèles de simulation. Chacune des méthodes présente des avantages et des inconvénients et certaines sont plus pertinentes que d’autres. La plus précise est, sans aucun doute, la mesure des écarts cellule à cellule entre les résultats du modèle en 2004 et la situation observée dans la réalité à la même date. Cette démarche n’est pas pertinente ici. Compte tenu du grand nombre d’emplacements disponibles pour l’implantation d’un point de vente à Paris, il est illusoire de penser que l’on peut modéliser précisément la configuration spatiale exacte des réseaux de distribution.

48Ce n’est pas la position géographique des unités en elle-même qui nous intéresse mais les positions des réseaux les uns par rapports aux autres. Le nombre de contacts entre réseaux est par conséquent l’indicateur que nous souhaitons analyser et arriver à reproduire à travers les simulations. La comparaison de l’évolution de cet indicateur pour les données réelles et les données simulées doit nous permettre de valider notre modèle (figure 8). Plus le concurrent a un réseau important, plus la probabilité d’implanter une nouvelle unité à sa proximité est élevée. En effet, compte tenu de l’accroissement important du réseau McDonald’s au cours de la période étudiée, Quick a statistiquement plus de chance de rencontrer une unité concurrente que l’inverse. Pour vérifier que les contacts aient bien été volontaires, nous avons également simulé de façon aléatoire l’implantation des unités McDonald’s et Quick (en respectant le nombre et l’ordre des apparitions et des disparitions) au cours de la période étudiée. La première comparaison possible entre données réelles et données simulées vise à établir la validité apparente (Carley, 1996), c’est-à-dire la validité du modèle représentatif de manière intuitive. Ce n’est pas une condition suffisante mais cela constitue une condition nécessaire. En effet, avant d’effectuer des traitements statistiques, il convient de s’assurer que les données réelles et simulées évoluent de manière similaire. Nous procédons donc à l’analyse de l’évolution du nombre de contacts désirés par McDonald’s (figure 8a) et Quick (figure 8b) de façon réelle et simulée.

49Il est possible de constater que l’évolution du nombre de contacts désirés est de façon globale semblable en simulé et en réel et ce en tendance ou lors d’une comparaison point par point. En effet, pour McDonald’s, les valeurs de l’indicateur sont semblables années par années. Seule l’année 1985 n’est pas conforme à la réalité. Ce point est très particulier car les unités ouvertes en 1985 ont été très rapidement refermées par la suite. L’évolution en fin de période diffère également puisque la courbe « simulée » décroît alors que la courbe « réelle » croit. Il est toutefois probable que notre modèle paramétré produise des résultats bien plus satisfaisants qu’un modèle tournant de façon aléatoire.

Figure 8a

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR MCDONALD’S EN FONCTION DE LA TAILLE DE SON RÉSEAU3

Figure 8a ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR MCDONALD’S EN FONCTION DE LA TAILLE DE SON RÉSEAU3

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR MCDONALD’S EN FONCTION DE LA TAILLE DE SON RÉSEAU3

Figure 8b

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR QUICK EN FONCTION DE LA TAILLE DE SON RÉSEAU

Figure 8b ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR QUICK EN FONCTION DE LA TAILLE DE SON RÉSEAU

ÉVOLUTION DU NOMBRE DE CONTACTS DÉSIRÉS PAR QUICK EN FONCTION DE LA TAILLE DE SON RÉSEAU

50La situation est similaire pour les simulations des implantations des Quick (figure 8b). Hormis un décalage dans le temps du changement de stratégie, l’évolution et les valeurs prises des deux courbes sont très proches. Là encore, le modèle aléatoire donne des résultats tout à fait insuffisants.

51De manière apparente, les données réelles et les données simulées évoluent de manière similaire, que ce soit une comparaison en tendance ou une comparaison par points (Carley, 1996).

52Après avoir établi la validité apparente, il est nécessaire d’établir si les données simulées sont significativement associées (au sens statistique du terme) aux données réelles. Il peut, encore une fois, être intéressant de mesurer les écarts. Mais il est impossible à travers notre modèle d’arriver à un niveau de précision tel qu’il soit possible de conclure à travers des tests de comparaisons de moyenne. Il est donc nécessaire de réaliser un test d’association entre les deux séries statistiques (réelle et simulée). Les deux séries étant de nature quantitative, le test d’association va être effectué à partir du calcul d’un coefficient de corrélation. La distribution des variables ne respectant pas la normalité, la corrélation doit être testée à travers un coefficient de rang. Le coefficient de corrélation de Spearman est donc utilisé (tableau 5).

53Le rho de Spearman est égal à 0,646 pour McDonald’s et à 0,861 pour Quick. Le test est significatif (p < 0.01) pour les deux enseignes. Les deux séries simulées sont donc statistiquement similaires aux deux séries réelles.

Tableau 4

TEST DE CORRÉLATION DE SPEARMAN ENTRE LE NOMBRE RÉEL DE CONTACTS DÉSIRÉS PAR MCDONALD’S ET QUICK ET CEUX OBTENUS PAR SIMULATION

Tableau 4 TEST DE CORRÉLATION DE SPEARMAN ENTRE LE NOMBRE RÉEL DE CONTACTS DÉSIRÉS PAR MCDONALD’S ET QUICK ET CEUX OBTENUS PAR SIMULATION McDonald’s Quick Coefficient de corrélation de Spearman (rho) 0,646 0,861 Significativité (bilatérale) 0,002 0,000

TEST DE CORRÉLATION DE SPEARMAN ENTRE LE NOMBRE RÉEL DE CONTACTS DÉSIRÉS PAR MCDONALD’S ET QUICK ET CEUX OBTENUS PAR SIMULATION