Comment améliorer les prochaines couvertures vaccinales auprès des adultes français ?

Comment améliorer les prochaines

couvertures vaccinales auprès des adultes

français ?

Une approche Bayésienne hiérarchique pour connaître les

attributs déterminants dans la décision de vaccination des

patients

Mémoire de stage/ de recherche

Présenté par : Florian Jolivet

Nom de l’entreprise : Sanofi Pasteur MSD Tuteur entreprise : Kati Lukas

Tuteur universitaire : Marianela Fornerino

Master 2 Marketing spécialité Le Quanti, métier des études marketing

2013 - 2014

Avertissement :

L’IAE de Grenoble, au sein de l’Université Pierre-Mendès-France, n’entend donner aucune approbation ni improbation aux opinions émises dans les mémoires des candidats aux masters en alternance : ces opinions doivent être considérées comme propres à leur auteur. Tenant compte de la confidentialité des informations ayant trait à telle ou telle entreprise, une éventuelle diffusion relève de la seule responsabilité de l’auteur et ne peut être faite sans son accord.

Nom et prénom de l’étudiant(e) : JOLIVET Florian

Master 2 Marketing, spécialité : Le Quanti, métiers des études en marketing année 2013/2014

Enseignant-tuteur : Marianela Fornerino

Entreprise d’accueil : Sanofi Pasteur MSD dates : 07 avril 2014 au 30 septembre 2014

Tuteur entreprise : Kati Lukas

Notes de synthèse

Résumé

L'objectif de ce travail est de déterminer quels sont les facteurs les plus influents lorsque le patient choisit de

se faire vacciner ou non afin d'optimiser les prochaines couvertures vaccinales. Suite à une analyse conjointe

par mesure de choix discret avec une approche bayésienne hiérarchique (HB) construite sur le Health Belief

Model, les résultats suggèrent l'existence de 4 segments parmi la patientèle interrogée. Les patients dits

confiants décident de se faire vacciner en se reposant principalement sur la gravité de la maladie et leur

tolérance au vaccin. Pour le segment le plus important, composé par des patients dits bien-être qui cherchent

à conserver leur qualité de vie, la décision de vaccination reposera alors principalement sur la vulnérabilité à la

maladie et la présence d'effets indésirables graves du vaccin. Le troisième groupe qui se caractérise par une

plus forte présence masculine, aura une décision qui repose là aussi principalement sur la gravité de la maladie.

Le risque potentiel d'effets indésirables graves n'aura pas ou peu d'impact sur leur choix. Enfin le dernier

groupe est composé de patients dits disciplinés qui ne se posent pas beaucoup de questions. Leur décision

repose pour l'essentiel sur la recommandation de leur médecin traitant et celle de la politique publique de

santé mise en place par le gouvernement. Ceci permet en conclusion de donner des pistes de développement

de vaccins afin d'offrir des produits plus susceptibles de se diffuser, mais aussi des actions marketing à mener

pour encourager les patients à se faire vacciner et ainsi optimiser les couvertures vaccinales des prochains

vaccins.

Mots-clés

Vaccination ; analyse conjointe ; bayésien hiérarchique ; patients ; Modèle Croyance Santé ; couverture

vaccinale

Abstract

The objective of this research is to determine what are the most influencing factors on patient's willingness to

be vaccinated in order to optimize the next vaccine coverage rate. Based on Health Belief Model, a Choice

Based Conjoint with a hierarchical Bayes (HB) approach has been used to express the heterogeneity of the

respondents. The results suggest 4 segments of interviewed patients. 'Confident' (so-called) patients mainly

base their decision on the disease' severity and their tolerance to the vaccine. For the biggest segment,

composed of patients who are focused on their quality of life, the most important factors are the vulnerability

to disease and serious side effects of the vaccine. The third group, which is distinguished by a strong male

proportion, will take a decision that is also based on disease severity but the potential risk of serious adverse

effects would have small impact on the final choice. Composing by people who do not ask themselves many

existential questions, the last group based their decision essentially on their GP's recommendation and on the

Government guideline. This research enables to have clues of development of vaccines in order to provide

products which are more likely to be spread, and to carry-out adequate marketing actions to stimulate patients

and in this way to optimize the coverage rates of future vaccines.

Key words

Vaccination ; conjoint analysis ; hierarchical Bayes ; patient ; Health Belief Model ; vaccine coverage rate

Remerciements

Je tiens tout d'abord à remercier Mme Kati Lukas, le service Market Intelligence sous la houlette de Mme

Christel Melinand et plus globalement le laboratoire Sanofi Pasteur MSD pour m'avoir donné l'opportunité de

faire ce stage en son sein. Stage qui a pu se passer dans les meilleures conditions grâce à l'entente cordiale au

sein du service, ainsi que l'ouverture offerte par l'ensemble des personnes avec qui j'ai pu travailler. Pour cela

je les remercie tous.

Je remercie aussi tout particulièrement Mme Marianela Fornerino qui a su m'aiguiller lorsque j'avais des

questions. Je remercie également Mme Agnès Helme-Guizon, responsable de mon master M2 Marketing

Quantitatif pour nous permettre d'avoir toutes les clés nécessaires à une première insertion professionnelle

dans les études marketing, et pour nous faire profiter d'un réseau de professionnels afin de trouver son stage.

Je remercie également l'IAE de Grenoble et son service de stage.

J'ai bien entendu une pensée particulière pour toutes les personnes qui ont accepté de répondre à mon

questionnaire, ainsi qu'à celles qui ont contribué à son partage.

Sommaire

Introduction ................................................................................................................................. 1

La vaccination .............................................................................................................................. 2

Principes de la vaccination ................................................................................................. 2

La vaccination et ses origines ........................................................................................... 2

La vaccination, sa définition, son action .............................................................................. 2

Les vaccins, quels types ? ............................................................................................... 3

Economie : quelle place pour la vaccination ? .......................................................................... 3

Rapport coûts / bénéfices .............................................................................................. 3

Industrie du vaccin et son marché ..................................................................................... 6

Evolution de la vaccination dans les pays développés .................................................................. 9

Mauvaise presse .......................................................................................................... 9

Changement de cible ................................................................................................... 11

En quête de la couverture vaccinale ..................................................................................... 12

Sa définition .............................................................................................................. 12

Son calcul dans la modélisation épidémiologique .................................................................. 12

Comment l’optimiser ? ................................................................................................ 12

Comportement à l’égard de la vaccination ................................................................................ 13

Modèles sociocognitifs et cognitifs adaptés aux comportements des gens en santé .............................. 13

Théories applicables .................................................................................................... 13

Health Belief Model .................................................................................................... 15

Health Belief Model appliqués à la vaccination ........................................................................ 16

Patients ................................................................................................................... 16

Médecins ................................................................................................................. 17

Médias .................................................................................................................... 17

Interactions entre les acteurs .......................................................................................... 17

Objectifs & hypothèses de recherche ........................................................................................ 18

Objectifs de ce mémoire .................................................................................................. 18

Hypothèses de recherche ................................................................................................. 19

Méthodologie ............................................................................................................................. 20

Analyse conjointe .......................................................................................................... 20

L'analyse conjointe par classement ou notation .................................................................... 21

L'analyse conjointe par mesure de choix discret ................................................................... 22

Conditions d'applications ................................................................................................. 26

Etapes de l'analyse conjointe par mesure de choix discret .......................................................... 27

Définition des attributs et modalités ................................................................................ 27

Choix du plan d'expérience ........................................................................................... 32

Recueil des données .................................................................................................... 35

Méthodes d'analyse ..................................................................................................... 37

Résultats ..................................................................................................................................... 41

Administration du questionnaire ........................................................................................ 41

Respect des conditions d’applications .................................................................................. 41

Monotonicité ............................................................................................................ 41

Stabilité et transitivité .................................................................................................. 42

Préférences lexicographiques ......................................................................................... 42

Pertinence des réponses ............................................................................................... 43

Population ................................................................................................................... 43

Facteurs déterminants dans la décision de se faire vacciner ......................................................... 44

Spécificités de la méthode d’analyse ................................................................................. 44

Description de la distribution des utilités partielles ............................................................... 44

Classification et description ........................................................................................... 46

Discussion ................................................................................................................................... 58

Validité de l'étude .......................................................................................................... 58

Validité interne ......................................................................................................... 58

Validité externe ......................................................................................................... 60

Vérification des hypothèses de recherche .............................................................................. 60

Recommandations managériales ......................................................................................... 62

Limites ........................................................................................................................................ 65

Représentativité de l'échantillon ......................................................................................... 65

Validité externe............................................................................................................. 65

Outils informatiques utilisés .............................................................................................. 65

Définition du plan d'expérience ...................................................................................... 65

Administration du questionnaire ..................................................................................... 66

Voies de recherche ..................................................................................................................... 66

Une segmentation plus riche ............................................................................................. 66

Un outil de simulation avec un modèle complet patient-prescripteur ............................................. 67

Echantillon représentatif ............................................................................................... 67

Plus d'attributs évalués ................................................................................................. 67

Etude similaire auprès de médecins .................................................................................. 69

Bibliographie.............................................................................................................................. 70

Annexes ...................................................................................................................................... 77

Annexe 1 – Benchmark des tarifs de vaccination pour une seule injection ....................................... 77

Annexe 2 – Benchmark des efficacités de vaccins existants (liste non exhaustive) [25] ......................... 78

Annexe 3 – Ensemble des paires présentées au cours de l'exercice de choix ..................................... 79

Annexe 4 – Graphiques des résultats des variables sociodémographiques des 67 répondants retenus ....... 82

Annexe 5 – Infographie réalisée pour partage des résultats auprès des répondants ............................. 84

Sommaire des tableaux

Tableau 1 - Elaboration du méta-attribut type de maladie et effets indésirables graves du vaccin ............... 30

Tableau 2 - Elaboration du méta-attribut inscription au calendrier vaccinal et coût encore à charge du patient

................................................................................................................................... 31

Tableau 3 - Attributs et modalités retenus pour l'étude ................................................................ 32

Tableau 4 - Plan factoriel fractionné suite procédure Orthoplan du logiciel SPSS .................................. 33

Tableau 5 - Matrice de corrélation entre les attributs des profils composant les paires de comparaison ........ 35

Tableau 6 - Résultats du test de Kolomogorov-Smirnov sur la distribution des utilités partielles individuelles

par rapport à une distribution d'une loi Normale ........................................................................ 45

Tableau 7 - Résultats des tests de Kruskal-Wallis selon les classes définies suite à la CAH ....................... 47

Tableau 8 - Répartition des individus parmi les groupes ................................................................ 47

Tableau 9 - Description résumée des 4 classes ........................................................................... 57

Tableau 10 - Résultats de validité interne de cette recherche en comparaison à ceux observés dans la

Littérature ...................................................................................................................... 59

Tableau 11 - Coefficients d'ajustement du modèle ...................................................................... 59

Tableau 12 - Tableau récapitulatif de vérification des hypothèses de recherche .................................... 60

Tableau 13 - Croyances du Health Belief Model les plus importantes dans leur décision de vaccination selon

chaque groupe de patient .................................................................................................... 61

Tableau 14 - Principales recommandations managériales par segments de patients ................................ 63

Sommaire des figures

Figure 1 - Les 10 principales causes de mortalité dans le monde [77] .................................................. 4

Figure 2 - Les principales maladies infectieuses en France [58] ......................................................... 5

Figure 3 - Ratio des dépenses en Recherche & Développement au PIB aux Etats-Unis (1953-2000) en %...... 7

Figure 4 - Parts de marché des principaux acteurs de l'industrie du vaccin en 2013 ................................. 8

Figure 5 - Top 20 des ventes de vaccins dans le monde en million de dollars (S1 2012) ........................... 9

Figure 6 - Evolution du nombre de personnes de plus de 60 ans en France entre 1970 et 2014 (en milliers de

personnes) ...................................................................................................................... 11

Figure 7 - Prévisions de chiffre d'affaires entre 2007 et 2017 pour le marché Adultes et Adolescents en Europe

.................................................................................................................................... 11

Figure 8 - Modèle de la théorie de l'action raisonnée [75] .............................................................. 14

Figure 9 - Modèle de la théorie du comportement planifié [75] ....................................................... 14

Figure 10 - Health Belief Model amélioré [75] ............................................................................ 15

Figure 11 - Nombre de placements médias et de vaccination grippe par semaine [64] ............................. 18

Figure 12 - Schéma des distances euclidiennes et de Manhattan ....................................................... 40

Figure 13 - Proportion des attributs jugés les plus importants par les répondants .................................. 42

Figure 14 - Représentation graphique de la distribution des utilités partielles individuelles avec illustration

d'une loi Normale correspondant ........................................................................................... 45

Figure 15 - Version raccourci de la chaîne des agrégations ............................................................. 46

Figure 16 - Utilités partielles estimées selon les groupes issus de la CAH............................................ 48

Figure 17 - Récapitulatif des résultats du test de Kruskal-Wallis sur les variables sociodémographiques et les

variables d'opinions/expériences de la vaccination ...................................................................... 55

Figure 18 - Histogramme des importances relatives des attributs selon chaque groupe ........................... 56

Florian Jolivet – Comment améliorer les prochaines couvertures vaccinales auprès des adultes français ?

1

Introduction

L'industrie du vaccin, petit poucet de la grande industrie pharmaceutique, s'attire de plus en plus les intérêts

des grands laboratoires due à sa croissance de ces dernières années. Plus particulièrement les années 2000 ont

été marquées par une croissance à deux chiffres chaque année. Cette croissance devrait d'ailleurs perdurer car

les prévisions réalisées sur les 10 prochaines sont plutôt optimistes. Ceci s'explique notamment par une

évolution du marché. De par une simple lecture démographique, on s'aperçoit que de plus en plus de

personnes vivent sur notre planète et cette augmentation se fait particulièrement dans des pays dits en voie de

développement qui peuvent être concernées par certaines infections tropicales. Ces pays bien que ne disposant

pas de fonds nécessaires actuellement pour subventionner des politiques publiques de vaccination pourront

peut-être le faire à l'avenir. Une autre tendance démographique est le vieillissement de la population, et ceci

plus particulièrement dans les pays développés. Ce vieillissement entraîne de surcroît de nouveaux problèmes

de santé à traiter, et conséquemment l'une des voies de développement de l'industrie de vaccins est la

vaccination auprès des adultes. C'est ce cas auquel on assiste en France. La France est d'ailleurs l'un des pays

porteurs de la vaccination avec 2 centres de production et 3 centres de recherche & développement. Pour

autant c'est aussi le pays où le gouvernement rencontre le plus de difficultés à atteindre les couvertures

vaccinales fixées en objectifs. Ce "désamour" du vaccin par les français peut être expliqué par les différentes

controverses de ces dernières années comme celle du vaccin contre l'hépatite B, ou celui contre la grippe

H1N1. La France conserve pour autant une population riche, qui est vieillissante, ce qui tout naturellement en

ferait un pays prioritaire pour le développement de l'industrie du vaccin. C'est pourquoi dans ce mémoire je

me suis intéressé à chercher des potentielles solutions afin d'avoir une approche efficiente en France pour le

lancement de prochains nouveaux vaccins. Ma problématique est donc :

"Comment améliorer les prochaines couvertures vaccinales auprès des adultes français ?"

Afin de répondre à cette problématique, dans un premier temps une revue de Littérature sur la vaccination,

ainsi que les modèles psychologiques de décision en matière de santé a été réalisée. Celle-ci a permis de

développer une étude dont l'analyse reposera sur une analyse conjointe par mesure de choix discret avec une

approche hiérarchique bayésienne. Ceci permettra une analyse individuelle afin de segmenter la population et

fournir des recommandations pour chaque segment sur les potentielles pistes de développement ou les actions

marketing à mener. Cette démarche se rend intéressante par la nouveauté de partir du point de vue du

consommateur-patient dont l'avis est souvent occulté en considérant qu'il ne fera que suivre l'avis de son

médecin traitant.


2

La vaccination

Principes de la vaccination

La vaccination et ses origines

Quand on parle des origines de la vaccination aujourd’hui, les personnes ont le plus souvent en tête Louis

Pasteur avec son vaccin contre la rage en 1885, mais il faut savoir que les prémices de la vaccination sont

encore plus lointaines. Edward Jenner au 18e siècle fit les premiers pas de la vaccination (au sens où on

l’entend aujourd’hui) en partant d’une simple observation. Il remarqua que des fermiers vivant au contact de

bovins qui avaient une maladie similaire à la variole, la vaccine (le nom étant un dérivé de vacca, qui veut dire

vache en latin), ne souffraient pas de la maladie. Sa méthode consista à retirer les vésicules se trouvant sur la

peau des bovins pour les injecter en solution à des humains.

Cependant, comme je l’ai écrit précédemment, il faudra attendre les travaux de Pasteur pour établir

véritablement les bases de la vaccination moderne. En effet c’est lui qui a réussi à déterminer comment

atténuer la pathogénicité d’un micro-organisme responsable d’une maladie par diverses techniques dont la

chaleur. L’idée qui se cache derrière est celle qui fonde la vaccination à savoir protéger un individu contre une

maladie spécifique sans qu’il soit malade de cette même maladie. Louis Pasteur en hommage à Edward Jenner

a donc inventé ce terme de vaccins, que nous utilisons toujours aujourd’hui. [33]

La vaccination, sa définition, son action

La définition fournie par le dictionnaire médical de l’Académie de Médecine est [1] :

« Méthode de prévention de certaines maladies bactériennes, virales ou parasitaires consistant à développer une immunité

active par l’introduction dans l’organisme d’un vaccin par voie buccale ou parentérale. »

En d’autres termes il s’agit d’une méthode de prévention où est introduit dans l’organisme une molécule qui

reprend des caractéristiques immunogènes d’une bactérie ou d’un virus dans le but de créer une réaction du

système immunitaire par une production d’anticorps, et de lymphocytes B (globules blancs) notamment.

L’intérêt ici est que la molécule injectée ne soit pas pathogène mais implique la même réponse immunitaire

afin de développer la mémoire immunitaire pour que si un jour l’individu est en contact de l’agent infectieux,

son organisme se souvienne de lui et développe une réaction immunitaire beaucoup plus rapide.


3

Les vaccins, quels types ?

Bien que le principe de la vaccination soit toujours le même comme vu précédemment, on distingue

aujourd’hui trois principaux types de vaccins selon leur mode de fabrication : les vaccins inactivés, vivants

atténués et les antigènes vaccinaux purifiés [82].

- Les vaccins inactivés, l'agent infectieux ici a été tué, le vaccin est donc totalement inoffensif mais

entraîne tout de même une réaction immunitaire (exemple le vaccin contre le tétanos). Cette

réaction est principalement constituée d’anticorps, c’est pourquoi ils peuvent être couplés à un

adjuvant (substance chimique) afin de booster leur efficacité.

- Les vaccins vivants atténués, il s'agit d'un vaccin contenant un agent infectieux dont le pouvoir

pathogène a été atténué pour ne pas engendrer une maladie mais une réaction immunitaire (exemple

le vaccin contre la rougeole). C’est le type de vaccins qui est le plus immunogène (qui implique la

meilleure réaction immunitaire). Ceci s’explique par le fait qu’il peut se diffuser dans l’organisme

comme celui-ci est vivant et par conséquent entraîner des réactions à différents endroits. Il peut être

contre-indiqué pour certains patients (immunodéprimé), justement dû au caractère vivant de l'agent

infectieux et un possible retour de la virulence.

- Les antigènes vaccinaux purifiés, sont en fait des protéines soit cibles des anticorps soit responsables

d’une certaine activité de l’agent pathogène, dans ces deux cas les protéines présentent la même

immunogénicité (même réaction immunitaire). La réponse là encore est principalement composée

d’anticorps, c’est pourquoi ils peuvent être couplés à d’autres protéines (polysaccharides comme le

vaccin contre le pneumocoque) afin de booster leur immunogénicité ou des adjuvants là aussi.

On comprend bien que selon le type de vaccin la réaction immunitaire n’est pas la même ainsi que les

potentiels effets indésirables. C’est pourquoi lors du développement d’un vaccin, il est important de

savoir quel est le profil de la population cible pour ne pas développer un vaccin qui ne pourra pas être

prescrit par la suite.

Economie : quelle place pour la vaccination ?

Rapport coûts / bénéfices

Le critère essentiel qui concerne l’analyse de la vaccination de la part des pouvoirs publics (la vaccination étant

une politique de santé publique) est le rapport entre les coûts et les bénéfices. Les coûts représentant ce que

coûte tout simplement la vaccination (remboursement des actes de vaccination), et les bénéfices étant les vies

sauvées, les frais d’hospitalisation et/ou médicamenteux qui n’ont pas lieu d’être ainsi que d’autres


4

paramètres comme un ralentissement économique du pays qui pourraient être dû à un absentéisme des salariés

causé par la maladie en question [56][86][104]. Ce rapport sera développé plus en détails par la suite.

Si on se base sur le rapport de l’OMS [77] sur les principales causes de mortalité, on peut s’apercevoir ci-

dessous que l’on retrouve 3 causes infectieuses qui représentent 6,1 millions de morts en 2012 dans le

monde : les infections des voies respiratoires, le VIH/sida et les diarrhées.

Figure 1 - Les 10 principales causes de mortalité dans le monde [77]

Ces maladies infectieuses sont généralement très chères pour les systèmes publics de santé des pays. En effet le

caractère infectieux de celles-ci en fait des maladies avec une forte incidence et qui nécessite la prise en charge

d’un grand nombre de patients. C’est d’autant plus compliqué pour les pays en voie de développement qui ne

disposent pas des moyens que l’on peut avoir chez nous. D’ailleurs si on s’intéresse aux maladies infectieuses

en France, on peut voir sur ce rapport [58] qui date d’il y a environ 15 ans (2001) de l’Institut National de la

Santé Et de la Recherche Médicale (INSERM), que les maladies infectieuses restent une cause majeure de

mortalité dans notre pays.


5

Figure 2 - Les principales maladies infectieuses en France [58]

La meilleure solution pour lutter contre les maladies infectieuses est tout simplement la vaccination. Mais

avant de lancer une nouvelle mise en œuvre de vaccination, il est nécessaire de comparer les différents aspects,

et c’est là que rentre en compte le rapport de coûts-bénéfices. Les différentes étapes pour l’établissement de

ce rapport sont les suivantes (étapes tirées d’un article de Hanslik & Boëlle dans Médecine/Sciences en 2007

[39]) :

- Déterminer a priori l’efficacité de la stratégie vaccinale

Cette étape passe par l’évaluation de l’efficacité directe du vaccin, à savoir la réduction de l’incidence de la

maladie chez les sujets traités vs les sujets non-traités (études cliniques) [11]. Mais aussi l’efficacité indirecte

qui est la diminution de l’incidence chez les sujets non-vaccinés par diminution de la transmission. La

définition de la couverture vaccinale (cf. En quête de la couverture vaccinale) critique qui est le taux de couverture

vaccinale nécessaire pour atteindre l’immunité grégaire (fin de la circulation de l’agent pathogène). Et enfin

décrire l’épidémiologie de la maladie concernée (incidence, taux de mortalité/d’hospitalisation, estimation

des risques selon les conditions de la personne ou de son âge).


6

- Evaluer les potentiels risques de la stratégie vaccinale

Il est nécessaire ici de connaître les effets indésirables que le vaccin peut provoquer : réactogénicité, réactions

allergiques, et dans le cas de vaccins vivants les réactions que ceux-ci peuvent causer. Ensuite il est nécessaire

d’appliquer une pharmacovigilance pour s’assurer du suivi des potentiels cas d’effets indésirables graves, puis

mener des études pour voir s’il s’agit bien d’un effet indésirable du vaccin ou si c’était simplement une

coïncidence.

- Evaluer le rapport risque/bénéfice de la stratégie vaccinale

Lors de cette étape, il s’agit de voir si le bénéfice collectif (nombre de cas de maladies diminué, réduction du

taux de mortalité, etc.) est suffisant par rapport au risque individuel immédiat que le patient prend lorsqu’il

choisit de se faire vacciner (les potentiels effets indésirables du vaccin) pour un risque hypothétique (une

maladie infectieuse qu’il n’aura peut-être jamais). Ce jugement se fera alors sur la perception des risques du

patient (cf. Comportement à l'égard de la vaccination).

- Estimer le coût de la stratégie vaccinale

Cette dernière étape consiste à évaluer le coût que le remboursement du vaccin peut avoir, ainsi que les coûts

nécessaires à déployer pour permettre d’atteindre la couverture vaccinale critique. C’est au cours de cette

étape que le rôle du laboratoire est important, car il apporte lui aussi les budgets nécessaires pour permettre la

meilleure couverture possible. Avoir la possibilité de simuler la couverture vaccinale réelle peut être un

moyen d’optimiser cette partie.

Industrie du vaccin et son marché

De nos jours l’un des courants économiques qui se développe et qui est amené à poursuivre ce développement

(cf. Figure 3) est l’économie de la connaissance ou économie du savoir. Pour décrire brièvement ce courant

[2][107], il s’agit d’une nouvelle forme de capitalisme qui repose sur la technologie, sur le capital humain à

même d’utiliser cette technologie et l’organisation qui permet d’optimiser la relation entre les deux premiers

éléments.


7

Figure 3 - Ratio des dépenses en Recherche & Développement au PIB aux Etats-Unis (1953-2000) en %

(en ligne continue, les investissements R&D hors militaire et spatial, en ligne discontinue les dépenses globales, source xx)

L’industrie du vaccin est un parfait exemple de cette nouvelle économie du savoir, comme peut l’être

l’ensemble de l’industrie pharmaceutique. Ce qui distingue la branche vaccin des autres est la part importante

de fonds qui sont injectés dans la recherche & développement (24% d’après un rapport de LEEM [60]). Et

c’est cette démarcation qui fait aussi de l’industrie du vaccin un marché porteur [90][103]. Au milieu des

années 2000, il représentait qu’un peu plus d’1% du chiffre d’affaires de l’industrie pharmaceutique mondiale

[20], alors qu’en 2013 d’après l’OMS le chiffre d’affaires de la branche vaccin était de 24 milliards de dollars

(USD) [51], soit 2,5% du chiffre d’affaires de l’industrie pharmaceutique mondiale (évaluée à 970 milliards de

dollars en 2013). C’est cette croissance de plus de 11,5% [59] annuelle qui fait de cette industrie un secteur

d’avenir avec des projections à plus de 50 milliards de dollars à moyen terme (2016) [103].

Comme vu précédemment, l’industrie du vaccin est un exemple de l’économie de la connaissance et par

conséquence il faut cette connaissance. C’est pourquoi cette industrie ne compte pas énormément d’acteurs,

ou tout du moins est contrôlée par un petit nombre d’entre eux qui acquièrent les plus petits pour se

développer. En se basant sur les chiffres de 2013 de l’OMS [51], la conclusion globale est que le marché est

dominé par 5 acteurs principaux qui sont GSK (GlaxoSmithKline), Sanofi Pasteur, Pfizer, Merck & Co et

Novartis. Le marché va d’ailleurs se resserrer d’autant plus que GSK a racheté la division vaccins de Novartis

en avril 2014 (hormis les vaccins contre la grippe) [100].


8

Figure 4 - Parts de marché des principaux acteurs de l'industrie mondiale du vaccin en 2013

(*SPMSD correspond à Sanofi Pasteur MSD qui est une joint-venture entre Sanofi Pasteur et Merck & Co pour 19 pays en Europe)

Un autre point caractéristique de cette industrie est son origine européenne. En effet l’Europe produit plus de

90% des vaccins [20][56][59] et en exporte presque tout autant soit environ 3,5 milliards de doses par an [20].

C’est cette forte présence qui permet à l’Europe d’accueillir près de 2/3 des projets d’investissements dans le

monde du vaccin [60]. La France n’est pas en reste car comme l’Allemagne dispose de 2 centres de

productions et 3 de R&D.

Si on s’intéresse d’un peu plus près aux meilleures ventes des vaccins en tant que produits dans la première

moitié de 2012 (toujours selon l’OMS), la part de vaccins pédiatriques reste importante (en vert) mais on peut

voir des vaccins spécifiques à des classes d’âges plus élevées s’immiscer dans ce top 20 (en bleu), ce qui est

signe d’une évolution sur ce marché de la vaccination (cf. Changement de cible).

23%

17%

13% 12%

10%

4%

21%

GSK Sanofi Pasteur Pfizer Merck & Co Novartis SPMSD Autres


9

Figure 5 - Top 20 des ventes de vaccins dans le monde en million de dollars (S1 2012)

Pour informations complémentaires, Prevenar 13 est désormais aussi recommandé pour les adultes de plus de

65 ans et de récentes études ont été publiées par Pfizer (dont l’étude CAPiTA [83]). Et concernant le vaccin

Celtura il s’agit du vaccin contre la grippe H1N1 développé par Novartis, son chiffre de ventes en 2012 est

donc dépendant du contexte.

Evolution de la vaccination dans les pays développés

Mauvaise presse

Ce qui peut paraître étonnant de l’œil d’un pays en voie de développement qui est en manque de vaccins, c’est

de voir que dans les pays développés la vaccination n’a pas nécessairement une bonne presse. Cet effet est dû à

différentes controverses qui ont pu avoir lieu ces dernières années. Il est vrai que le concept de vaccination

peut être lui-même sujet à controverses étant donné qu’il repose sur l’injection d’un agent potentiellement

infectieux dans le corps d’un sujet sain. Alors que dans le cas des médicaments, le sujet malade vit les

symptômes de sa maladie et accepte volontiers de prendre un produit pour en limiter les effets.

L’une des controverses qui a eu lieu à la fin des années 1990 est celle portant sur le vaccin contre l’Hépatite B

qui serait responsable de sclérose en plaques (SEP) survenue chez des patients vaccinés. Cette controverse qui

a uniquement eu lieu en France (dans aucun autre pays dans le monde il n’y a eu ce problème) a eu pour

1847

672

608

535

500

441

392

285

284

274

266

224

222

219

217

213

207

180

165

Prevenar 13

PENTAct-HIB

Gardasil

Pediarix

Hepatitis Vaccine Franchise

Celtura

Varivax

Cervarix

RotaTeq

Synflorix

Rotarix

Zostavax

Prevenar 7

Fluzone/Vaxigrip

Menactra

Pneumovax

Adacel

MMR-II

Boostrix


10

première conséquence de suspendre la vaccination en 1998 [40]. Depuis différents procès ont eu lieu obligeant

soit le laboratoire GSK, soit l’état à verser des indemnités à des patients qui auraient été atteints de SEP à

cause de ce vaccin. Le dernier en date [19] est tout récent (13 Août 2014) où l’état a été condamné à verser

une indemnité de 2,4 millions d’euros à une ancienne infirmière qui a développé une SEP après une

vaccination contre l’Hépatite B. Bien qu’aucune étude menée n’ait démontré un lien de causalité entre la

vaccination et le développement de SEP, le bénéfice du doute penche en faveur de la victime.

Une autre controverse qui a eu lieu au début de cette décennie est celle de la grippe H1N1. En effet lors de la

menace d’une possible pandémie, la demande pour un vaccin a été très forte ce qui a poussé l’Etat français

notamment à commander un grand nombre de vaccins. Mais une fois le vaccin prêt, la population, elle, était

beaucoup moins prête à accepter ce vaccin car une rumeur d’un possible lien entre le vaccin et des troubles

neurologiques avait circulé. Cette hypothèse était difficilement contrebalançable car les études portant sur le

caractère toxique du vaccin ont été très courtes compte tenu de l’urgence de la situation. La conséquence de

tout ça a été un affaiblissement de la confiance de la population à l’égard du pouvoir public qu’il juge partial et

sous lobbying de laboratoires pharmaceutiques.

La dernière grande controverse à l’égard de la vaccination en France est celle concernant le vaccin Gardasil qui

s’adresse principalement aux jeunes filles pour diminuer le risque de cancer de l’utérus dû à un

papillomavirus. Le vaccin serait responsable d’avoir fait développer chez certaines patientes des maladies très

handicapantes comme la maladie de Verneuil, le lupus ou la maladie de Guillain-Barré. Cependant selon

l’Agence Nationale de la Sécurité du Médicament, le rapport risque/bénéfice reste favorable. Depuis 2006,

503 effets indésirables graves ont été signalés pour 5,5 millions de doses distribuées soit 0,01% [23]. Bien

qu’aucune étude ne démontre de liens de causalité entre le vaccin et les maladies citées, ou que le ratio de cas

d’effets indésirables graves est faible, ceci suffit à créer une certaine méfiance à l’égard de la vaccination.


11

Changement de cible

Actuellement la cible principale de vaccinations reste les nouveau-nés ou les jeunes enfants. Les vaccins qui se

vendent le plus étant principalement les vaccins pédiatriques. Cependant dans les pays développés, et plus

particulièrement la France la population améliore son espérance de vie, et par conséquent vieillit [INSEE, 44].

Figure 6 - Evolution du nombre de personnes de plus de 60 ans en France entre 1970 et 2014 (en milliers de personnes)

C’est pourquoi l’une des tendances stratégiques de l’industrie du vaccin pour les prochaines années est de

développer des vaccins pour cette tranche d’âge, mais aussi pour les adultes dans leur ensemble [4][32]. C’est

d’ailleurs pour ça que les prévisions pour la branche adolescents et adultes de la vaccination sont plutôt

optimistes en Europe, comme ci-dessous (ces prévisions ont été faites en 2007, il se peut alors que les derniers

événements [grippe H1N1, ou Gardasil] aient quelque peu érodé cette croissance) :

Figure 7 - Prévisions de chiffre d'affaires entre 2007 et 2017 pour le marché Adultes et Adolescents en Europe

6000

8000

10000

12000

14000

16000

18000

1970 1980 1990 2000 2010 2011 (r) 2012 (p) 2013 (p) 2014 (p)


12

Ce changement de cible va par la même impliquer un changement de stratégie marketing pour les industriels

et le gouvernement, car là il faut convaincre le potentiel vacciné et non le parent du potentiel vacciné. Cette

tâche ne sera pas simple car il s’agira de nouveaux vaccins et par conséquent non rentrés dans les mœurs.

En quête de la couverture vaccinale

Sa définition

La couverture vaccinale est comme on peut le voir en marketing le taux de couverture du vaccin, à savoir la

proportion de patients vaccinés sur une population cible. Il est utile de la mesurer pour se rendre compte de

l’efficacité de la politique de vaccination et l’utiliser comme facteur dans la modélisation de l’épidémiologie.

En effet une certaine couverture vaccinale critique est nécessaire à obtenir pour permettre l’éradication de la

maladie [30].

En France sa mesure est réalisée par l’Institut national de Veille Sanitaire depuis 2004 (InVS).

Son calcul dans la modélisation épidémiologique

La formule de modélisation épidémiologique peut être présentée sous la forme suivante [22] :

RE = R0 * S = R0 * (1- Iv) = R0 * (1 – (CV X E))

RE correspond ici au ratio de reproduction efficace, autrement dit le nombre de cas infectés par un sujet

infecté dans une population où une vaccination a lieu. Il est le produit de R0 qui est le caractère reproductible

de base d’une maladie et de S qui est le nombre de personnes susceptibles de contracter la maladie. Autrement

dit S correspond à toute la population moins ceux qui ont subi une intervention (vaccination) : Iv. Et donc Iv

dépend de la couverture vaccinale (CV) et de l’efficacité du vaccin (E). Cette formule permet alors de calculer

la couverture vaccinale critique (CVC), c’est-à-dire la couverture vaccinale nécessaire à atteindre pour

éradiquer la maladie, autrement dit le moment où RE devient inférieur à 1 (moins de nouvelles de personnes

sont infectées que le nombre actuel d’infectés, par exemple sur 100 infectés actuellement seules 80 personnes

supplémentaires le sont par leur « fautes », ce qui correspond à un ratio de 0,8).

Comment l’optimiser ?

La couverture vaccinale n’est pas une valeur fixe mais bel et bien une variable. Celle-ci va évoluer au gré de

facteurs externes ou internes comme la perception du rapport risque/bénéfice par la population cible, la

politique de remboursement ou de communication du gouvernement, les campagnes de notoriété de la

maladie menées par les laboratoires auprès de la population ou encore les actions marketing auprès des


13

personnels de santé. Un facteur interne intéressant est que la couverture vaccinale dépend de l’épidémiologie

de la maladie concernée. En effet avec le temps, les personnes peuvent juger qu’il n’est plus nécessaire de se

faire vacciner contre une maladie qui a presque été éradiquée (mais pas complètement) par rapport au nombre

grandissant de cas d’effets indésirables graves, ce qui a pour conséquence un redéveloppement de cette

maladie.

Dans tous les cas il est nécessaire de suivre cette couverture vaccinale du point de vue des laboratoires, car

c’est un indicateur clé pour ajuster les actions marketing auprès des personnels de santé, mais aussi pour

travailler sur la politique vaccinale à appliquer avec les gouvernements. Un point intéressant serait de pouvoir

simuler une couverture vaccinale au lancement d’un nouveau vaccin afin de pouvoir anticiper les actions

marketing à mettre en place.

Comportement à l’égard de la vaccination

Modèles sociocognitifs et cognitifs adaptés aux comportements

des gens en santé

Théories applicables

L'échange entre les sciences sociales et des disciplines comme l'épidémiologie a eu lieu car des chercheurs se

sont aperçus que le patient n'avait pas nécessairement le même comportement à l'égard de la santé et de sa

santé qu'un autre patient. Cette "découverte" a permis de mettre en évidence que certains critères

psychosociaux ou déterminants psychosociaux avaient une forte influence sur l'action (de guérison ou de

prévention) du patient.

C'est pourquoi deux premières théories parmi d'autres qui pourraient être applicables aux comportements des

gens dans le domaine de la santé, mais aussi plus particulièrement dans le cadre de ce travail sont :

La théorie de l'action raisonnée

Cette théorie a été développée par Fishbein et Ajzen en 1975. Le modèle théorique repose sur une interaction

entre les attitudes, les normes, les croyances, les intentions et les comportements des personnes [99].

Autrement dit le comportement d'une personne dépend de son intention de comportement (action raisonnée)

et non d'une quelconque influence de l'inconscience par exemple. En quelque sorte les croyances sur les


14

conséquences de ce comportement influe sur l'intention comportementale. De manière schématique le

modèle se construirait comme-ci [75]:

Figure 8 - Modèle de la théorie de l'action raisonnée [75]

A travers ce modèle il s'agit avant tout de comprendre la formation de l'intention chez l'individu. Dans le

cadre de la vaccination on pourrait s'imaginer le patient évaluer les conséquences de l'acte de vaccination avec

une certaine croyance relative à ces conséquences, ainsi que la croyance en autrui (médecin par exemple) et la

motivation à se soumettre à son avis.

La théorie du comportement planifié

Une évolution du modèle précédent, est la théorie du comportement planifié développé par Ajzen et Madden

en 1986. Celle-ci repose sur les mêmes principes que la précédente mais ajoute la dimension de contrôle

perçu du comportement au modèle. Cette dernière caractéristique peut se définir par l'évaluation par

l'individu de sa capacité à pouvoir réaliser le comportement. Ceci repose sur l'idée de potentiels barrières ou

leviers à la réalisation du comportement (externes ou internes).

Figure 9 - Modèle de la théorie du comportement planifié [75]


15

Cette méthode a pu déjà être appliquée à des comportements de santé [71] avec des résultats positifs et tente

de prendre en compte l'environnement social mais son application dans le domaine de la prévention par la

vaccination reste limitée. Par conséquent son bien-fondé reste à prouver.

Health Belief Model

Le Health Belief Model (HBM) ou Modèle de Croyance Santé est un modèle développé à l'origine par

Rosentock en 1966 puis par Becker & alii au cours des années 1970. Ce qui le distingue des deux précédents

modèles est tout d'abord sa spécificité au domaine de la santé, et dans un second temps le fait qu'il s'agisse d'un

modèle cognitif et non sociocognitif. A l'origine le HBM permettait de prédire un comportement de

précaution en matière de santé selon des croyances qui reposaient sur 5 perceptions principales [26][75] :

- La vulnérabilité à la maladie (croyance de l'individu de contracter une maladie)

- La gravité de la maladie (croyance de considérer cette maladie comme grave)

- Des coûts liés à la réalisation du comportement (sur son attitude, sa santé, etc.)

- Des bénéfices liés à la réalisation du comportement (là aussi sur son attitude ou sa santé)

- Des incitations à faire quelque chose (internes [changement perçu dans son état de santé comme un

affaiblissement, par exemple] ou externes [information aperçue dans une brochure]).

Par la suite, afin d'améliorer le modèle, 2 nouvelles perceptions ont été ajoutées :

- La motivation à la santé (tendance de l'individu à être concerné par sa santé)

- Contrôle perçu (perception du patient à pouvoir contrôler son comportement)

Figure 10 - Health Belief Model amélioré [75]

Si on applique le Health Belief Model à une patiente où le vaccin contre le HPV (responsable du cancer du col

de l'utérus) est recommandé, cette femme aura une plus forte probabilité d'aller se faire vacciner si [85]:


16

- Elle se sent vulnérable vis-à-vis d'une infection par HPV,

- Elle considère le cancer du col de l'utérus comme grave,

- Les bénéfices liés à la vaccination sont élevés par rapport aux effets indésirables potentiels,

- Elle a été incitée à le faire, soit par un élément interne ou un élément externe (affiche chez son

médecin)

- Elle est motivée à rester en bonne santé

- Elle a un fort sentiment de contrôle (c'est elle qui choisit de se faire vacciner et non le médecin qui

lui dit de le faire)

Bien que ce modèle a soulevé de nombreuses critiques et démontre certaines limites [75] comme le fait d'être

trop concentré sur l'individu et des informations conscientes, de ne pas prendre certains aspects émotionnels

comme la peur, ou encore les relations entre les croyances centrales (comment les mesurer ? , modèle linéaire

ou pas ? etc.), il a l'avantage d'avoir été développé afin de prédire des comportements de prévention dans la

santé et a été validé à différentes reprises dans ce domaine depuis sa création. Ainsi la recherche a démontré

que la vaccination était bien liée à la vulnérabilité à la maladie, la gravité de celle-ci et que le rapport coût-

bénéfice doit être favorable [4][16][85][86].

Health Belief Model appliqués à la vaccination

Dans le cadre de la vaccination, bien qu'à la fin il s'agisse de la vaccination du patient, plusieurs acteurs entrent

en jeu et ont chacun des perceptions et des croyances différentes.

Patients

Si l'on se base sur les composantes du HBM, l'une des perceptions est le rapport entre les bénéfices et les coûts

de la vaccination. Encore aujourd'hui de nombreux patients ont une vision un peu floue voir fausse de la

vaccination [17][86]. L'une d'elle serait le lien entre activer une réaction importante du système immunitaire

et causer des allergies (l'allergie étant elle une réaction excessive du système immunitaire), les vaccins ne sont

pas fiables, ou encore la présence de certaines théories du complot où l'Etat servirait avec complaisance les

laboratoires pharmaceutiques, etc.

D'autres facteurs peuvent influencer sur les perceptions notamment de la vulnérabilité à la maladie et sa

gravité comme l'expérience personnelle ou à minima la connaissance de la maladie et de ses effets. Ainsi

différentes recherches ont mis en évidence l'effet de l'information sur l'acte de vaccination car les patients (ou

décideurs dans le cadre d'une vaccination pédiatrique) avaient une meilleure perception de ce que pouvait

induire cette maladie [8][70].


17

Médecins

D'après une étude de l'INSERM de 2011 [37], plus de 95% des médecins étaient favorables à la vaccination en

France (66% se considèrent comme très favorables). Ces résultats démontrent encore la bonne image dont

dispose la vaccination auprès des personnels de santé. Cependant une étude de Zimmerman & alii [117] a pu

mettre en évidence que plus le médecin avait une perception importante des risques d'effets indésirables sur la

vaccination, moins il avait tendance à recommander la vaccination. Par conséquent lorsque le médecin n'est

pas favorable à la vaccination, on peut remarquer que sa patientèle est moins vaccinée. Ce résultat semble

logique, mais il est important de le rappeler car il souligne l'importance du médecin sur le choix de vaccination

du patient. D'ailleurs les médecins eux-mêmes ne sont pas nécessairement très nombreux à se vacciner [101].

De plus l'expérience acquise lors de mon stage chez Sanofi Pasteur MSD m'a permis de constater que les

médecins n'ont pas forcément à l'esprit la recommandation gouvernementale concernant une vaccination. Ceci

a pour conséquence qu'ils ne conseillent pas obligatoirement la vaccination aux personnes éligibles. Pour

d'autres ils ont connaissance de cette recommandation mais se servent de leur libre-arbitre et de leur

expérience pour ne conseiller la vaccination qu'aux patients qu'ils jugent les plus nécessiteux.

Médias

Dans la culture populaire on assimile souvent les médias comme étant le 4e pouvoir [61][112] afin d'exprimer

l'idée que les médias auraient une grande influence sur le comportement de la population. Cependant pour des

raisons économiques, les médias vont plutôt chercher à mettre en avant des événements insolites que des cas

génériques. Ainsi l'information est souvent à compléter. Pour le cas des vaccins, ceci peut s'illustrer par la

mise en avant d'un effet indésirable grave au détriment des bénéfices perçus du vaccin en temps normal.

Toutefois cette mise en lumière a le mérite de lancer des recherches complémentaires sur la sécurité du vaccin

dont les résultats seront utiles à tous.

L'autre aspect qu'il faut prendre en compte pour les médias est la véracité des informations transmises. Bien-

souvent les groupes d'anti-vaccination se servent d'Internet pour transmettre leurs idées qui ne reposent pas

sur des sources fiables [8].

Interactions entre les acteurs

Le fait de se faire vacciner reste un choix individuel qui est pour la plupart des cas rationnel (en France les

vaccins ne sont pas stockés chez le médecin, par conséquent la personne souhaitant se faire vacciner doit faire

pleinement la démarche en allant l'acheter à la Pharmacie, ce qui diminue la possibilité que le vaccin se fasse de

manière irrationnelle sur un "coup de tête"). Certaines recherches [31] démontrent bien que la source

principale d'informations en matière de vaccination reste le médecin, et que les médias possèdent une

influence sur la décision de vaccination, notamment Internet [8][86]. Ainsi aux Etats-Unis, une étude sur la

couverture vaccinale de la grippe chez les jeunes enfants (6 mois à 5 ans) en 2003 [64] a démontré l'impact de


18

la couverture médiatique sur celle-ci. En effet après exposition des médias, le taux de vaccination contre la

grippe par semaine a fortement augmenté passant de 2,4 à 8,6, ce qui fait que 75% des vaccinations ont eu lieu

après les premières couvertures médiatiques.

Figure 11 - Nombre de placements médias et de vaccination grippe par semaine [64]

Cependant aux Etats-Unis encore, quand la controverse sur le fait que la vaccination contre la varicelle

provoquerait l'autisme a eu lieu, le taux de refus de vaccination a évolué de 0,7% à 2,1% en 5 ans avant que

les médias grands publics ne s'emparent réellement du sujet. Ce qui suggère un effet limité de l'influence des

médias sur cette vaccination [92].

Objectifs & hypothèses de recherche

Objectifs de ce mémoire

A la suite de cette revue de Littérature, un constat qui s'impose à nous est que l'industrie du vaccin est en

croissance et qu'elle s'apprête à changer de cible principale passant des vaccins pédiatriques à des vaccins pour

les adultes et séniors pour continuer son développement. L’hypothèse est alors que de nombreux nouveaux

vaccins vont voir le jour lors de ses prochaines années, et qu'il est compliqué dans le cadre du lancement de

nouveaux vaccins de savoir quelle couverture vaccinale sera atteinte et comment l'optimiser. Actuellement,

comme pour d'autres produits non pharmaceutiques, les prévisions de couverture vaccinale se font à partir


19

d'un échantillon d'experts qui se basent sur leurs expériences. De plus, leur avis, bien que probablement très

juste, ne nous donne pas les clés pour pouvoir avoir une vision qui part réellement du marché (des patients)

ainsi que des informations pouvant s'avérer utiles lors du développement du vaccin pour permettre de réaliser

le produit le plus performant (la meilleure couverture possible) contre une maladie.

Par conséquent l'objectif principal de ce mémoire est d'obtenir l'importance des différents attributs pouvant

caractériser un vaccin (rapport coût-bénéfices), une maladie (vulnérabilité, gravité), un contexte (incitation,

motivation, contrôle perçu) dans le processus de décision de vaccination d'un patient. Ainsi ceci permettrait

d'avoir les clés pour optimiser cette couverture vaccinale. Un objectif secondaire serait de pouvoir amener les

bases au développement d'un outil de simulation de couverture vaccinale pour le cas d'un nouveau vaccin.

Hypothèses de recherche

A la vue des objectifs précédemment cités et la revue de Littérature, il n'y a pas véritablement d'hypothèses de

recherche qui nécessitent une évaluation. Cependant il peut être intéressant de s'assurer des résultats afin de

choisir en amont la méthodologie la plus adéquate :

- Hypothèse 1 – Les individus n'ont pas tous la même approche dans leur décision concernant la

vaccination

L'idée de cette hypothèse est que le choix de se faire vacciner est une décision si personnelle (concerne sa

propre santé) qu'on ne peut avoir une seule et même réponse pour l'ensemble de la population. Par

conséquent on retrouverait des importantes différences pour les facteurs influençant la décision de vaccination

parmi les individus interrogés, ou à minima une certaine segmentation.

- Hypothèse 2 – La recommandation de leur médecin traitant reste le facteur clé de leur décision

La croyance qui relève de l'incitation à agir (cf. le Health Belief Model) illustrée par la recommandation du

médecin traitant reste la perception qui influence le plus la décision finale quel que soit l'individu.

- Hypothèse 3 – Malgré les controverses, les français conservent une bonne image de la vaccination

Comme vu précédemment de nombreuses controverses ont interpellé l'opinion publique les années

précédentes, et ce d'autant plus auprès de la population française. L'objectif sera seulement de s'assurer que les

personnes interrogées sont toujours favorables à la vaccination.


20

Méthodologie

Compte-tenu des objectifs de cette étude, et notamment du principal qui est d'obtenir l'importance des

différents facteurs entrant en compte dans la décision du patient de se faire vacciner, et ceci de façon

généralisable, la méthode qui s'impose à nous est une méthode quantitative : l'analyse conjointe ou trade-off.

Analyse conjointe

Le principe de base de cette méthode d'analyse est assez proche d'une analyse de variance sauf qu'ici la variable

expliquée n'est pas métrique mais plutôt catégorielle. L'objectif étant de capturer les "préférences" du

répondant selon les stimuli (combinaisons d'attributs) qui lui sont présentés. C'est Paul Green (parmi d'autres)

qui a développé cette nouvelle approche analytique dans les années 1970 [34][35], et qui depuis a été utilisée

de nombreuses fois dans le domaine du marketing ou même de la santé. L'objectif de cette analyse, comme dit

précédemment, est de pouvoir expliquer le comportement des consommateurs (dans notre cas des patients)

en mesurant l'effet conjoint de plusieurs variables explicatives sur la variable à expliquer [79]. Pour mesurer

cette préférence trois grands types de recueil de données s'opposent. Les deux premiers sont des recueils par

classement, ou par notation des profils (profils: combinaisons de niveaux d’attributs) qui sont présentés au

répondant, le troisième est un choix que fait le répondant parmi ces profils à plusieurs reprises. L'idée est que

l'individu ne connait pas ou n'a pas conscience de l’exacte importance de chacun des attributs, mais que par cet

exercice on puisse les obtenir. En effet le principe repose sur la compensation faite par l'individu entre les

différents niveaux des attributs pour son classement, sa notation ou son choix. Par conséquent les principes

généraux d'une analyse conjointe sont :

- Le produit testé peut être décomposé en caractéristiques (attributs)

- Chacun des attributs disposent de plusieurs niveaux (modalités)

- Le produit (profil) se présente comme une combinaison de diverses modalités des différents attributs

- Ces modalités ont chacune une certaine valeur pour l'individu (utilité) qui influe sur la préférence de

celui-ci

- Plus précisément, l'analyse conjointe permet l'estimation de l'utilité partielle de chacune des modalités

qui donnent une indication sur la désirabilité du niveau de l'attribut donné

- La somme de ces utilités partielles nous permet d'obtenir l'utilité globale du répondant pour un

produit donné.


21

- Enfin l'étendue des utilités partielles (α) d'un niveau (j) de l'attribut (i), sur la somme des étendues

des utilités partielles nous permet d'obtenir l'importance réduite (W) de cet attribut par rapport aux

autres.

L'analyse conjointe par classement ou notation

Ces deux premières méthodes se distinguent de la troisième car elles reposent sur un modèle linéaire pour la

modélisation des préférences du consommateur. Dans le cadre d'un ranking (classement) la variable expliquée

sera ordinale tandis que pour la méthode par rating (notation) la variable expliquée sera métrique avant d'être

recodée de façon binaire par la suite.

Elles se distinguent aussi par la méthode d'estimation des préférences : utilisation majoritairement de la

méthode des moindres carrés [76] contre la méthode du maximum de vraisemblance pour l'approche par

choix (cf. l'analyse conjointe par mesure de choix discret).

Enfin la troisième distinction majeure entre ces deux approches et la 3e concerne l'analyse des données

récoltées. Pour ces deux premières méthodes, l'analyse peut se faire et doit se faire dans un premier temps à

l'échelle individuelle tandis que pour la méthode reposant sur le choix, le peu d'informations individuelles

perçues à chaque épreuve de choix obligent à faire l'analyse traditionnelle de manière agrégée. Cependant

d'autres méthodes ont été développées pour permettre une analyse individuelle (cf. Modèle agrégé vs approche

Bayésienne hiérarchique).

Green et Srinivasan (1978, [35]) ont résumé en sept étapes la procédure à utiliser pour ce type d'approche de

l'analyse conjointe.

1) Sélection de la fonction de préférence, à savoir le modèle des utilités partielles, du vecteur idéal

(les utilités partielles sont liées linéairement aux attributs), du point idéal (existence d'un

maximum, utilisé plus pour l'approche par notation). A noter que comme vu précédemment, il

s'agit du modèle des utilités partielles qui est principalement utilisé dans l'analyse conjointe (les

deux autres étant des cas spécifiques de celui-ci).

2) Sélection de la méthode de recueil des données. L'une d'elle est la méthode des profils complets.

Ici le répondant est amené à noter ou classer selon ses préférences des profils définis de produits.

Au cours des années 1980, cette méthode a subit une amélioration pour devenir l'analyse


22

conjointe hybride [69]. Ceci consiste à évaluer des profils complets comme précédemment mais

est précédé par une évaluation directe de la part des répondants de l'importance des attributs.

3) Choix entre un plan d'expérience des profils complets ou des profils réduits. Selon le nombre

d'attributs, il est possible d'avoir un nombre de profils trop nombreux pour qu'ils soient tous

évalués. Green et Srinivasan [35] recommande 30 profils maximum, mais dans la pratique il est

préférable d'en faire le moins possible et il s'avère que la limite soit inférieure à 20 (épuisement

cognitif du répondant) [48]. Si le nombre de profils est trop important, et que le choix d'un plan

d'expérience des profils réduits s'imposent il est important de conserver l'orthogonalité des

attributs afin d'éviter tout biais de corrélation entre les variables explicatives.

4) Choix du mode de présentation des scénarii : verbal ou visuel. Le mode verbal consiste à décrire

le profil selon un texte, un tableau, des mots clés tandis que le mode visuel est une

représentation graphique ou physique.

5) Sélection de la méthode de collecte de données : en face à face, téléphone, on-line, etc.

6) Sélection du mode d'évaluation des produits : rating ou ranking.

7) Sélection de la méthode d'estimation des utilités partielles selon le mode d'évaluation. Dans le

cas d'une notation (rating) et par conséquent d'une variable métrique (si on décide de ne pas la

recoder), la méthode des moindres carrés ou une analyse de variance (ANOVA) sera adaptée.

Pour le cas d'un classement (ranking) avec une variable expliquée ordinale, la méthode des

moindres carrés sera aussi adaptée ou alors une analyse monotone de la variance

(MONANOVA).

L'analyse conjointe par mesure de choix discret

Dans cette partie, uniquement le cas de l'analyse conjointe par mesure de choix discret (MCD) sera

développé. En effet on peut distinguer 2 types de choix [36] :

- un choix dit continu où là l'individu est amené à choisir une certaine quantité de chaque alternative

parmi plusieurs. Pour exemple dans la vaccination, ce serait comme demander à un médecin de

répartir 100 prescriptions de vaccination parmi 3 alternatives.

- un choix dit discontinu (ou discret) où l'individu est amené à choisir une seule alternative parmi

plusieurs.


23

Fondement théorique [12][62][76]

En supposant que le répondant puisse comparer toutes les alternatives existantes (chose improbable en

pratique), on peut estimer une fonction d'utilité U qui sera sa préférence. Si l'ensemble de choix pour n

décideurs de toutes les alternatives possibles est désigné par Cn où Uin représente l'utilité U de l'alternative i

pour le décideur n alors :

Soit l'alternative i est choisie par le décideur n si et seulement si :

Cependant tous les individus ne vont pas faire le même choix pour la même expérience de choix, c'est

pourquoi il est nécessaire d'introduire la théorie du choix probabiliste. Autrement dit on ne pourra pas savoir

exactement quelle alternative un répondant va choisir, mais on pourra connaître la probabilité qu'il choisisse

telle alternative. On suppose que le patient choisira toujours l'alternative i avec l'utilité la plus forte soit :

Comme dit précédemment, l'utilité i n'est pas une valeur connue mais une variable aléatoire, il est nécessaire

de l'exprimer de la façon suivante :

in étant l erreur aléatoire (erreur de perceptionet

oud optimisation de la part du patient

et Vin une fonction continue et déterministe

Ainsi pour chaque patient n, on peut décrire la probabilité de choix de l'alternative i parmi l'ensemble de choix

Cn de la façon suivante :

(équation A)


24

Si on s'intéresse plus précisément à cette fonction Vin, on peut dire qu'elle est dépendante du vecteur des

attributs et il est nécessaire de spécifier la combinaison des attributs pour influencer son choix. Autrement dit

il est nécessaire d'appliquer une relation d'utilité (généralement linéaire) pour exprimer la relation entre les

variables indépendantes et le choix du patient, soit :

β étant le vecteur des k paramètres inconnus de la fonction et X un attribut.

L'utilité de l'alternative i devient alors :

Comme dit précédemment, on suppose que le répondant choisisse le profil où l'utilité est la plus forte, ceci se

traduit formellement par :

Où y est une variable binaire qui est égale à 1 quand l'alternative est choisie et 0 sinon.

En repartant de l'équation de probabilité précédente (équation A), on peut alors l'exprimer sous forme

d'intégrale de la manière suivante :

En présumant que les termes d'erreurs sont indépendamment et identiquement distribués (IId), hypothèse

identique à l'hypothèse IIa (indépendance des alternatives non pertinentes) [66], et que ceux-ci suivent une

distribution de Gumbel [109], on peut alors exprimer la probabilité de choix de l'alternative i de la manière

suivante :

On retrouve alors le modèle logit multinomial (MNL) [76] qui sert de modèle d'analyse pour les analyses

conjointes par mesure de choix discret. Cependant comme démontré, pour obtenir cette expression il est

obligatoire de faire certaines hypothèses (IIa et IId) ce qui rend contraignant l'utilisation du MNL dans certains

contextes. Une autre contrainte est que les modèles logit multinomiaux ont des difficultés à déterminer les


25

utilités partielles de manière individuelle et par conséquent agrègent les résultats en faisant l'hypothèse que

tous les individus sont homogènes. C'est pourquoi d'autres méthodes ont été développées (cf. modèle agrégé vs

approche Bayésienne hiérarchique).

Outre ces aspects techniques, la méthodologie de l'analyse conjointe MCD peut permettre d'offrir la

possibilité de refus des deux possibilités, ce que l'on peut appeler "l'option zéro" [76]. Cette option permet de

rendre les choix des répondants plus réalistes mais diminue quelque peu la précision dans l'estimation des

utilités partielles.

Un autre point méthodologique propre à cette méthode est la construction des plans d'expérience. En

comparaison, aux méthodes de notation ou de classement, il est nécessaire de procéder en 2 niveaux. Quand

dans les deux premières méthodes, il suffit de soit présenter l'ensemble des profils soit un nombre réduit qui

respecte l'orthogonalité des attributs, dans la troisième il est nécessaire de coupler ces profils. Ce qui fait que

dans un premier temps il est indispensable d'établir une liste de profils pour les coupler ensuite avec pour

objectif d'avoir le plan d'expérience le mieux possible [116]. Dans ce cas nous parlons de plan D-optimal [95].

L'objectif de la recherche de la D-optimalité est d'obtenir un plan où les effets des facteurs sont les plus

indépendants possible. Autrement dit, que le déterminant de la matrice de produit croisé tend alors vers 1

(quand le déterminant est égal à 1 alors on peut conclure que les facteurs sont orthogonaux, qu'ils ne sont

donc pas corrélés/dépendants). La matrice de produit croisé est en fait le produit de la matrice X par sa

transposée X' soit XX' en notation matricielle. La recherche de la D-optimalité revient à chercher à maximiser

|XX | où |…| qualifient le déterminant. Afin de calculer la D-efficacité (la D-optimalité correspondant à une

D-efficacité de 100%), la formule à utiliser est la suivante :

Où p est égale au nombre d'effets des facteurs du plan (nombre de colonnes de X) et N le nombre

d'alternatives nécessaires.

Raisons du choix pour cette étude

Le choix opté pour la réalisation de cette étude a été d'utiliser la méthode d'analyse conjointe par mesure de

choix discret, et ceci pour différentes raisons :

- Le réalisme, le fait de présenter des profils de produits hypothétiques rend l'exercice plus réaliste que

celui de faire classer ou noter les attributs séparément par les répondants [76].

- Le non-déclaratif, les préférences se mesurent à travers une expérience de choix de profils et non

directement, l'attention du répondant est détourné du sujet d'analyse et ses réponses sont alors plus

véridiques (diminution d'un possible effet de "surrationalisation"), ce qui lui confère une meilleure

validité prédictive [69][73].


26

- L'option zéro, la possibilité offerte par cette méthode d'ajouter cette option permet de renforcer le

réalisme de celle-ci. Bien qu'il est possible avec les autres méthodes d'ajouter une question sur leur

volonté de se faire vacciner, ceci rajoute une tâche au répondant et complique l'analyse ensuite.

- Le ludisme, l'une des tendances actuelles dans le monde des études de marché est la gamification

[10], bien que l'analyse conjointe MCD soit loin d'être un jeu, des observations montrent [76] qu'elle

est mieux perçue par les répondants que ces homologues par classement ou notation.

- L'expérience, l'analyse conjointe reposant sur le choix est une méthode très appréciée dans le

domaine de la recherche en marketing [38][68][73], ce qui lui offre un certain "background" et

particulièrement dans le domaine de la santé [3][72][74][87][88] et de la vaccination [22][89]. Cette

expérience permet donc de donner une validité aux résultats issus de cette méthode.

- L'attrait, ce dernier argument est purement personnel. N'ayant pas vu cette méthode en cours, j'ai

souhaité enrichir mes connaissances et mes compétences par le biais de ce mémoire sur cette

méthode très utilisée ainsi que sur ses évolutions possibles (à savoir l'Adaptive Choice Based

Conjoint, Choice Based Conjoint avec analyse par classes latentes, ou encore Choice Based Conjoint

avec une approche Bayésienne hiérarchique).

Conditions d'applications

Lors de la réalisation d'une analyse conjointe MCD, il est nécessaire de s'appliquer à respecter des conditions

concernant la structure des préférences qui se doit d'être rationnelle et cohérente soit [36] :

- Monotone : le profil présentant les meilleurs niveaux dans chacun des attributs se doit d'être préféré

par le répondant par rapport à celui qui présente les pires niveaux.

- Transitive : la transitivité peut se mesurer à partir de 3 scénarii (A, B et C). L'idée est la suivante (Ui

= Utilité de l'alternative i) :

Autrement dit si l'individu choisit A parmi A et B, choisit B parmi B et C alors si ses réponses sont

transitives il se doit de choisir A parmi A et C, si ce n'est pas le cas ses réponses peuvent être alors

intransitives. Certains cas peuvent être non conclusifs (les informations sur les deux premières

réponses ne permettent pas de prédire la troisième).

- Absence de préférence lexicographique : un individu a une préférence lexicographique lorsque ses

choix se basent exclusivement sur un ordre prédéterminé des attributs. Les réponses de cet individu

sont bien entendues rationnelles, il utiliserait la même simplification dans la vie réelle, cependant

dans le cadre d'une analyse conjointe les informations issues de ses réponses ne sont guère riches. En

effet, l'information sur les autres attributs et une estimation précise des utilités partielles de ceux-ci


27

ne sont possible que lorsque l'attribut "dominant" a le même niveau dans les deux profils présentés

(dans le cadre d'une présentation par paire).

- Stable : pour une même comparaison de profils à des temps différents dans le questionnaire,

l'individu se devra de donner la même réponse. Pour cette étude, j'ai pris parti de ne pas tester

directement cette condition mais plutôt de supposer son résultat dans le même temps que la

transitivité des réponses sera vérifiée (afin de limiter le nombre de sous-ensemble présentés).

- Pertinente : la pertinence des réponses s'évaluent par le degré de compréhension de l'exercice par les

répondants. Pour cela il est nécessaire de réaliser des alternatives réalistes (pas nécessairement

existantes mais réalistes). De plus les différences entre les niveaux des attributs se doivent d'être

différenciables (une différence suffisamment importante).

Dans le cadre d'une analyse par le modèle logit multinomial, une autre condition d'application est la

vérification de l'hypothèse IIa (indépendance des alternatives non pertinentes). Autrement dit les

probabilités de choix des alternatives doivent dépendre uniquement des alternatives présentées au

répondant et non celles qui lui sont omises [66]. Afin de la supposer vérifiée, il est nécessaire de choisir

des attributs et modalités génériques. Un exemple typique dans le marketing qui illustre la non-

vérification de cette hypothèse, est d'avoir l'attribut marque où les probabilités de choix peuvent être

influencées par la présence ou l'absence de la marque préférée du répondant dans l'ensemble de choix. De

manière concrète, ceci peut se traduire par une étude sur les préférences d'un consommateur au sujet des

tablettes de chocolat avec dans l'ensemble de choix les marques suivantes : Lindt, Milka, Côte d'Or, Alter

Eco et MDD, alors que la marque préférée du consommateur est 1848 et par conséquent ses préférences

dans l'exercice de cette étude seront influencées.

Etapes de l'analyse conjointe par mesure de choix discret

Dans cette partie seront décrites les différentes étapes réalisées pour permettre le bon déroulement de cette

recherche.

Définition des attributs et modalités

Pour permettre la définition des attributs pour cette analyse conjointe, la directive d’Orme [81] a été suivie.

Celle-ci peut se résumer en 8 points :

1) Les niveaux des attributs se doivent d'être concis et avec un sens concret. Par exemple un niveau

indiquant "une bonne performance" est trop ambigüe et laisse libre à l'interprétation du répondant

qui est par conséquent individuel et donc hétérogène parmi tous les interrogés.


28

2) Les attributs se doivent d'être indépendants entre eux, et ceci plus particulièrement pour une analyse

conjointe MCD. De plus les niveaux des attributs ne doivent pas se combiner naturellement, car

même si cela peut apporter un certain réalisme c'est souvent préjudiciable d'empêcher des niveaux

d'attributs d'apparaître ensemble (combinaisons impossibles).

3) Les niveaux des attributs doivent être mutuellement exclusifs. C'est d'autant plus vrai lorsque

l'objectif de l'étude est d'établir un simulateur de parts de marché.

4) L'étendue des niveaux des attributs doit couvrir l'ensemble des possibilités du marché actuel et

potentiel. Sinon le choix du répondant peut être influencé, mais surtout l'outil de simulation [78] qui

en découle ne sera pas valide ou sera rapidement obsolète s'il ne couvre que les possibilités du marché

actuel. L'extrapolation bien que possible doit être évitée.

5) Les combinaisons impossibles (prohibitions en anglais) se doivent d'être rares voir absentes (cf. point

2). En effet interdire un trop grand nombre de combinaisons est une erreur courante qui intervient

lorsque le chercheur (ou le client qui commande l'étude dans le monde professionnel) juge que des

combinaisons présentes dans l'ensemble de choix sont irréalistes. Par exemple, il peut s'agir d'un

produit qui a toutes les meilleures caractéristiques au prix le plus bas, ou tout simplement 2 niveaux

d'attributs qui ne peuvent pas aller ensemble dans le "monde réel". Introduire des combinaisons

impossibles ici serait tentant mais entraînerait dans le meilleur des cas une perte de précision dans les

estimations des utilités, et dans le pire des cas des effets confondus et une incapacité à calculer des

utilités stables. Par conséquent il est préférable de prévenir le répondant qu'il risque d'être confronté

à des scenarii qui n'existent pas actuellement que de bloquer certaines combinaisons. Une autre

méthode (celle qui a été choisie pour cette étude) est de créer un méta-attribut. Ceci consiste à

regrouper 2 ou plusieurs attributs en un seul où les modalités sont en fait les combinaisons possibles

des attributs initiaux. Pour exemple, l'attribut 1 et l'attribut 2 ont respectivement 2 (A & B) et 3

modalités (X, Y & Z). Les seules combinaisons possibles sont AX, AZ et BX, BY. Par conséquent,

plutôt que d'interdire les combinaisons AY et BZ, la création d'un méta-attribut avec 4 modalités

(AX, AZ, BX & BY) est préférable. L'inconvénient de cette méthode est la perte d'information sur les

utilités et importance des attributs initiaux. C'est pourquoi il est nécessaire de juger s'il est capital de

les connaître dans le cadre d'un potentiel outil de simulation de parts de marché par exemple.

6) Le nombre de niveaux choisi pour un attribut peut avoir une influence sur les résultats. En effet il a

été montré dans la Littérature un "Number-of-levels effect" [43][102] qui est d'autant plus présent

pour les analyses conjointes MCD. La recommandation est d'avoir un nombre de niveaux équivalent

entre les attributs ou à minima conserver des nombres de niveaux proches. Il est important aussi de

limiter le nombre de niveaux pour les attributs dits quantitatifs (comme pourrait l'être l'efficacité du

vaccin dans cette étude). En effet il est préférable d'avoir plus d'informations à chaque point plutôt

que d'avoir moins de mesures sur plus de points quantitatifs. L'extrapolation est à éviter, cependant

l'interpolation entre les niveaux de l'attribut peut être possible si nécessaire.


29

7) Les attributs qui ne peuvent être définis clairement par des mots se doivent d'être décrits par

multimédia. Cette recommandation ne concerne pas notre étude.

8) D'après l'expérience d’Orme et de son équipe (Sawtooth Software), les répondants ont des difficultés

à répondre lorsqu'il y a plus de 6 attributs en même temps lors d'une CBC (choice-based conjoint).

Ceci rejoint mon expérience et connaissances personnelles sur le chiffre de 7 informations différentes

(± 2) qui peuvent être traitées de façon simultanée par le cerveau humain. C'est d'ailleurs pour cela

que les échelles de Likert ont été construites en 7 points. L'ajout d'attributs supplémentaires aurait

comme conséquence la concentration du répondant sur uniquement quelques attributs les plus

importants et non sur l'ensemble.

En gardant cette directive en tête, et en me basant sur les croyances du Health Belief Model une revue de

littérature a été faite grâce à une recherche documentaire avec pour mots-clés : "vaccination", "analyse

conjointe", "conjoint analysis", "immunization", "vaccine", "factors", "characteristics", "coverage",

"attitude", "health belief model", "acceptability", "choice-based conjoint", "efficacy", "safety",

"elderly", "adults".

Ceci m'a permis d'établir une première liste d'attributs qui pourrait illustrer les facteurs entrant en

compte dans la décision de se faire vacciner ou non (nouveau vaccin) pour le patient adulte :

- La vulnérabilité à la maladie : prévalence de la maladie (fréquence de celle-ci)

- La gravité de la maladie : fréquence de cas graves parmi les personnes qui ont contracté la

maladie

- Des coûts liés à la réalisation du comportement : fréquence des effets indésirables graves,

gravité des effets indésirables graves, douleur ressentie à l'injection, nombre de doses nécessaires,

coût du vaccin à la charge du patient

- Des bénéfices liés à la réalisation du comportement : efficacité du vaccin, durée de

protection

- Des incitations à faire quelque chose : recommandation du médecin traitant, inscription au

calendrier vaccinal, communication gouvernementale dans les médias

- La motivation à la santé : pas un facteur dépendant du vaccin

- Contrôle perçu : type de vaccin (confiance du patient dans son organisme pour pouvoir combattre

un vaccin vivant par exemple)

Ce qui porte cette liste initiale à 13 attributs, ce qui conformément au point 8 de la directive d’Orme est trop.

Dans un premier temps, l'attribut "communication gouvernementale dans les médias" a été éliminé car il ne

ressort pas de la responsabilité du laboratoire pharmaceutique. Dans un second temps l'attribut "gravité des

effets indésirables graves" a été éliminé car bien qu'il y ait différentes formes de gravité [25], cet attribut était

redondant car l'information importante ici est que l'effet indésirable est grave et l'hypothèse a été faite qu'une


30

échelle de gravité sur cette caractéristique n'apporterait pas plus d'informations. Une simple description de ce

que pourrait être un effet indésirable grave a été jugée suffisante.

A partir de là, il ne restait plus que 11 attributs, ce qui reste trop important pour le répondant (et la

pertinence de ses réponses). Afin de réduire encore une fois le nombre d'attributs, l'intérêt s'est porté sur les

combinaisons impossibles de modalités d'attributs et donc la création d'un méta-attribut (cf. point 5 de la

directive d’Orme). Pour ce faire, je me suis basé sur les travaux du Dr Debacker [22] qui a réalisé des focus

group auprès de médecins afin d'établir des conditions impossibles d'existence de maladies, et éliminer des

rapports coûts-bénéfices trop défavorables à la vaccination. Ainsi l'idée est de créer un méta-attribut à partir

des attributs prévalence de la maladie, fréquence de cas graves de la maladie et fréquence des effets

indésirables graves du vaccin (EIG).

Si pour le premier, les modalités définies sont : maladie courante (prévalence de 1/1), maladie assez fréquente

(prévalence de 1/100), maladie rare (prévalence de 1/5 000),

le second : peu grave (1 cas /1 000 000), rarement grave (1 cas/1 000), souvent grave (1 cas/10), et le

troisième : effets indésirables graves exceptionnels (1 cas/50 millions) et effets indésirables graves fréquents (1

cas/50 000), on a alors 3*3*2=18 combinaisons possibles.

Tableau 1 - Elaboration du méta-attribut type de maladie et effets indésirables graves du vaccin

Prévalence Gravité

Effets

indésirables

graves

Conservé ou non

1/1 1/1 million 1/50 millions Conservé

1/1 1/1 million 1/50 000 Non conservé car rapport coût-bénéfices défavorables

1/1 1/1 000 1/50 millions Non conservé car ce type de maladie n'existe pas

1/1 1/1 000 1/50 000 Non conservé car ce type de maladie n'existe pas

1/1 1/10 1/50 millions Non conservé car ce type de maladie n'existe pas

1/1 1/10 1/50 000 Non conservé car ce type de maladie n'existe pas

1/100 1/1 million 1/50 millions Non conservé car rapport coût-bénéfices défavorables

1/100 1/1 million 1/50 000 Non conservé car rapport coût-bénéfices défavorables

1/100 1/1 000 1/50 millions Conservé

1/100 1/1 000 1/50 000 Non conservé car rapport coût-bénéfices défavorables

1/100 1/10 1/50 millions Non conservé car ce type de maladie n'existe pas

1/100 1/10 1/50 000 Non conservé car ce type de maladie n'existe pas

1/5 000 1/1 million 1/50 millions Non conservé car rapport coût-bénéfices défavorables

1/5 000 1/1 million 1/50 000 Non conservé car rapport coût-bénéfices défavorables

1/5 000 1/1 000 1/50 millions Non conservé car rapport coût-bénéfices présente un faible

intérêt


31

Pour précision, lorsque la justification pour rejeter la combinaison est que ce type de maladie n'existe pas, il

s'agit de son existence en France. La récente crise du virus Ebola en Afrique nous prouve qu'une maladie peut

être fréquente et grave.

La conclusion est la création d'un méta-attribut "type de maladie avec fréquence des effets indésirables graves

du vaccin" qui aura 4 modalités. Cette étape permet d'atteindre le chiffre de 9 attributs par profils.

De la même manière pour les deux attributs coût du vaccin à la charge du patient et inscription au calendrier

vaccinal. Concernant les modalités des coûts, les chiffres ont été déterminés selon un benchmark rapide des

coûts pratiqués actuellement (cf. Annexe 1) et le caractère impossible des combinaisons était définit selon la

définition du Service Médical Rendu de la Haute Autorité de Santé [40] :

Tableau 2 - Elaboration du méta-attribut inscription au calendrier vaccinal et coût encore à charge du patient

Inscription

au CV

Coût reste à

charge Conservé ou non

Oui 0€ Conservé

Oui 30€ Non conservé car impossible

Oui 100€ Non conservé car impossible

Non 0€ Non conservé car impossible

Non 30€ Conservé

Non 100€ Conservé

Ensuite, afin de toujours limiter le nombre de scénarii nécessaires pour respecter l'orthogonalité des attributs,

l'attribut "douleur ressentie à l'injection" a été supprimé. En effet, cet attribut peut être important pour les

vaccins pédiatriques car des vaccins s'injectent par voie orale, mais pour les adultes il est acquis qu'ils vont

recevoir une injection via une seringue. Grâce à cela j'ai fait l'hypothèse que cet attribut n'aura pas une grande

influence sur la décision de se faire vacciner.

Toujours dans cette optique, parmi les 7 attributs retenus, 3 d'entre eux (dosage du vaccin, durée de

protection et efficacité vaccinale [les modalités de l'efficacité ont été établies selon un benchmark des vaccins

existants [29], cf. Annexe 2]) ont vu réduire leur nombre de modalités à seulement 2 suite à des tests de

nombre de scénarii requis pour respect de l'orthogonalité. A la fin de cette étape, les attributs et modalités

retenus sont présentés dans le tableau suivant :

1/5 000 1/1 000 1/50 000 Non conservé car rapport coût-bénéfices défavorables

1/5 000 1/10 1/50 millions Conservé

1/5 000 1/10 1/50 000 Conservé


32

Tableau 3 - Attributs et modalités retenus pour l'étude

Attributs Modalités

Recommandation de

votre médecin

1. Recommandation active

2. Informe uniquement de l'existence du vaccin

3. N'aborde pas le sujet

Dosage du vaccin 1. 1 dose

2. 2 doses ou plus

Type de vaccin 1. Vaccin vivant atténué

2. Vaccin tué/inactivé

3. Vaccin recombinant avec adjuvant

Inscription au

calendrier vaccinal

1. Inscrit au calendrier vaccinal et entièrement remboursé

2. Non inscrit au calendrier vaccinal avec coût de 30 €

3. Non inscrit au calendrier vaccinal avec coût de 100 €

Durée de protection 1. 10 ans

2. 5 ans

Efficacité vaccinale 1. 60%

2. 80% ou plus

Type de maladie avec

fréquence des effets

indésirables du vaccin

1. Maladie courante (1/1) mais peu grave (1/1 million) - Effets

indésirables graves du vaccin exceptionnels (1/50 millions)

2. Maladie assez fréquente (1/100) mais rarement grave (1/1 000) - EI

graves du vaccin exceptionnels (1/50 millions)

3. Maladie rare (1/5 000) mais souvent grave (1/10) - EI graves du

vaccin fréquents (1/50 000)

4. Maladie rare (1/5 000) mais souvent grave (1/10) - EI graves du

vaccin exceptionnels (1/50 millions)

Choix du plan d'expérience

Si on se base sur le tableau précédent, on peut en déduire que le nombre de scénarii dans le cadre d'un plan

factoriel complet au total est de : 3*2*3*3*2*2*4 = 864. De plus comme notre objectif ici est de faire

comparer ces profils par paire, ceci offre (864*863)/2 = 372 816 paires potentielles. Il est évident que ce

chiffre est trop important pour que les répondants évaluent toutes les paires possibles. C'est pourquoi la

procédure Orthoplan du logiciel SPSS a été utilisé [93] (parmi d'autres [54]), et en respect des règles

d'orthogonalité a permis de limiter le nombre de profils à 16 sur les 864 qui composent le plan factoriel

complet. Cette procédure qui revient à rendre orthogonal le plan d'expérience, traduit le fait que chaque


33

niveau des attributs a la même probabilité d'être combiné avec chacun des autres niveaux [15][98]. De plus la

procédure Orthoplan permet de s'assurer théoriquement l'équilibre des niveaux, à savoir que chaque niveau

d'un attribut est présenté le même nombre de fois. Les 16 profils obtenus sont présentés ci-dessous. On

comprend alors que pour les attributs à 3 modalités, comme la recommandation du médecin, l’équilibre des

niveaux n’est pas respecté.

Tableau 4 - Plan factoriel fractionné suite procédure Orthoplan du logiciel SPSS

Profil Reco. du médecin

Dosage Type

vaccin

Reco. gouvernementale

et coût Durée Efficacité

Type de maladie et

EIG

1 0 1 2 1 1 1 2

2 0 1 0 0 1 1 0

3 2 0 2 2 0 1 0

4 0 0 0 1 0 1 3

5 1 0 0 0 0 1 2

6 0 1 0 2 0 0 3

7 2 1 1 0 1 1 3

8 1 1 0 2 1 1 1

9 2 0 0 1 1 0 1

10 1 1 1 1 0 0 0

11 1 0 2 0 1 0 3

12 0 1 2 0 0 0 1

13 0 0 0 0 1 0 0

14 0 0 1 0 0 1 1

15 0 0 1 2 1 0 2

16 2 1 0 0 0 0 2

Le fait de n'avoir que 16 paires à établir et à faire évaluer au répondant par la suite évite la tâche de devoir

splitter le plan factoriel pour ensuite le faire évaluer par des sous-échantillons. Le choix de ne pas vouloir

utiliser des sous-échantillons, quitte à devoir sacrifier certaines modalités dans les attributs, s'explique par la

difficulté à atteindre un nombre suffisant de répondants (qui auraient dû être doublé ou triplé dans le cas d'un

split), et de plus il aurait été difficile de garantir l'homogénéité des sous-échantillons. Enfin 16 paires restent

suffisant pour respecter les conditions d'identifiabilité qui imposent d'avoir un nombre d'observations

supérieur au nombre de paramètres à estimer [108]. En effet le nombre de paramètres à estimer ici est de : 19

(nombre total de modalités) – 7 (nombre d'attributs) = 12 paramètres à estimer soit 13 paires au minimum où

le répondant doit exprimer son choix.

Cette première étape réalisée, il est nécessaire dans le cadre d'une analyse conjointe basée sur le choix de

procéder à une deuxième étape qui est la constitution des paires. Pour ce faire, il faut chercher à maximiser le

déterminant de la matrice de produit croisé (cf. les fondements théoriques de l'analyse conjointe par mesure de choix


34

discret) afin d'obtenir la D-Optimalité. Lors de la constitution de ces paires d'alternatives, il est souhaitable de

suivre deux conditions [84] :

- L'équilibre des utilités : il faut s'assurer a priori qu'aucune des deux alternatives présentées ne domine

clairement l'autre.

- Le chevauchement minimal : les deux alternatives d'une même comparaison ne doivent pas afficher

les mêmes niveaux pour quelconque attribut. Dans cette recherche, le parti a été pris de ne pas

suivre stricto sensu cette règle au cas où certaines préférences lexicographiques entreraient en compte,

et afin de limiter l'épuisement cognitif (avoir 14 niveaux d'attributs différents à chaque paire

complique la tâche).

Street, Burgess et Louvière reprennent dans un article de 2005 [97] différentes procédures afin de construire

un plan optimal ou proche dans le cadre des expériences de choix. Malheureusement la procédure qu'eux

mettent en place (par incrémentation) pour fournir un plan optimal m'était impossible à réaliser avec les

logiciels à ma disposition. J'ai donc dû m'orienter vers une méthode qui sera peut-être moins bonne. Celle qui

m'a permis d'obtenir une D-efficacité la plus élevée, consiste de partir des 16 profils issus de la procédure

Orthoplan et de les redistribuer de manière aléatoire pour faire la paire. Ainsi par exemple le profil 1 sera

opposé au profil 7. Lorsque cette méthode est utilisée, il faut faire attention à ce qu'un même profil ne se

retrouve pas en double (le profil 14 opposé au profil 14), aucune information ne pourrait être tirée de cette

comparaison. Afin de calculer le déterminant de la matrice de produit croisé, il est nécessaire auparavant de

recoder les variables de sorte à ce que la somme de chaque colonne soit égale à 0 et que la modalité minimale

soit égale à -1 et la modalité maximale soit égale à 1. Pour exemple un attribut à 2 modalités sera recodé -1;1,

un attribut à 3 modalités

-1;0;1, et un attribut à 4 modalités -1;-1/3;1/3;1. A la suite d'essais de distribution aléatoire de profils sur le

logiciel Excel, j'ai pu atteindre une D-efficacité de 68% en appliquant cette formule (cf. les fondements théoriques

de l'analyse conjointe par mesure de choix discret) :

Ici, le nombre d'effets de facteurs est de 14 (p) : 7 attributs * 2 (14 colonnes de X), et N est égal à 16 (16

alternatives possibles).

Ce chiffre de 68% qui bien qu'éloigné des 100% pour atteindre une D-Optimalité (théorique) reste bon. Tout

comme le confirme la matrice de corrélation où l'ensemble des corrélations restent inférieures à 0,5.


35

Afin de pouvoir vérifier les conditions d'application de l'analyse conjointe MCD, 3 comparaisons ont été

ajoutées au design de l'étude. A savoir une comparaison évidente afin de vérifier le caractère monotone des

préférences, et deux autres comparaisons supplémentaires afin de vérifier la transitivité des réponses, en

complément d'une paire déjà établie pour le calcul des estimations des utilités partielles (cf. Annexe 3). Ce qui

fait qu'au total chaque répondant aura 19 expériences de choix. Ce qui d'après Johnson et Orme [48] devrait

limiter le potentiel épuisement cognitif car selon les résultats de leur recherche la validité interne de l'analyse

conjointe reste inchangée jusqu'à 20 expériences de choix [48].

Recueil des données

Echantillon

Il n'existe pas réellement de règles statistiques établies pour calculer un nombre minimal de répondants pour

permettre une analyse conjointe par mesure de choix discret [15]. Cependant quelques formules apparaissent

de manière empirique, dont celle-ci qui garantit qu'en moyenne chacun des niveaux d'attributs apparaîtra 500

fois dans les profils présentés. Dans la formule suivante, n = nombre de répondants, t = nombre d'expérience

de choix, a = nombre d'alternatives dans chaque expérience, c = le nombre maximal de niveaux par attribut

(soit que des nombres positifs) :

Il sera donc nécessaire dans cette étude d'atteindre un échantillon d'au moins 63 personnes. Ma méthode

d'échantillonnage sera non-probabiliste pour des raisons de praticité et de coûts. Elle se résumera à solliciter

mes proches, en espérant obtenir un échantillon relativement hétérogène qui tendrait vers une représentativité

utopique de la population française.

Tableau 5 - Matrice de corrélation entre les attributs des profils composant les paires de comparaison

Reco Admin Type Gouv Durée Effic Malad Reco_o2 Admin_o2 Type_o2 Gouv_o2 Durée_o2 Effic_o2 Malad_o2

Reco 1,0 0,0 0,0 0,0 0,0 0,0 0,0 -0,2 -0,2 0,2 -0,2 0,0 0,2 0,0

Admin 0,0 1,0 0,0 0,0 0,0 0,0 0,0 0,0 -0,3 0,0 0,0 0,3 0,0 -0,3

Type 0,0 0,0 1,0 0,0 0,0 0,0 0,0 0,1 0,3 -0,4 -0,4 -0,2 -0,2 -0,1

Gouv 0,0 0,0 0,0 1,0 0,0 0,0 0,0 0,2 -0,2 0,1 0,2 -0,2 -0,3 -0,2

Durée 0,0 0,0 0,0 0,0 1,0 0,0 0,0 -0,2 0,0 0,0 -0,3 0,0 0,0 0,2

Effic 0,0 0,0 0,0 0,0 0,0 1,0 0,0 -0,2 -0,3 0,0 0,0 0,3 0,0 -0,1

Malad 0,0 0,0 0,0 0,0 0,0 0,0 1,0 0,3 -0,4 0,1 0,1 0,1 0,1 0,2

Reco_o2 -0,2 0,0 0,1 0,2 -0,2 -0,2 0,3 1,0 0,0 0,0 0,0 0,0 0,0 0,0

Admin_o2 -0,2 -0,3 0,3 -0,2 0,0 -0,3 -0,4 0,0 1,0 0,0 0,0 0,0 0,0 0,0

Type_o2 0,2 0,0 -0,4 0,1 0,0 0,0 0,1 0,0 0,0 1,0 0,0 0,0 0,0 0,0

Gouv_o2 -0,2 0,0 -0,4 0,2 -0,3 0,0 0,1 0,0 0,0 0,0 1,0 0,0 0,0 0,0

Durée_o2 0,0 0,3 -0,2 -0,2 0,0 0,3 0,1 0,0 0,0 0,0 0,0 1,0 0,0 0,0

Effic_o2 0,2 0,0 -0,2 -0,3 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0 1,0 0,0

Malad_o2 0,0 -0,3 -0,1 -0,2 0,2 -0,1 0,2 0,0 0,0 0,0 0,0 0,0 0,0 1,0


36

Questionnaire

Afin de pouvoir contacter le plus grand nombre en un minimum de temps et en un minimum de coûts, le

mode d'administration choisi pour cette étude a été une méthodologie CAWI (Computer Assisted Web-

Interviewing). De plus celle-ci permet d'avoir une meilleure lisibilité et clarté pour cet exercice de l'analyse

conjointe. L'outil utilisé a été Google Forms qui présente l'avantage d'intégrer les réponses directement dans

un fichier Excel et d'être gratuit. Malheureusement il présente aussi certains inconvénients comme

l'impossibilité d'intégrer une rotation aléatoire entre les questions. Autrement dit afin d'éviter un potentiel

effet d'ordre [6] sur la présentation des paires de profils, j'ai dû créer 3 chemins différents afin que chaque

paire d'alternatives apparaisse une fois en début, une fois en milieu et une fois en fin de questionnaire. Afin de

répartir les répondants entre ces 3 chemins possibles, une question préambule leur sera posée à savoir le

nombre des minutes affiché à leur horloge d'ordinateur. Ainsi, si le hasard fait bien les choses, on peut espérer

une répartition équivalente entre les chemins.

Dans le but de faire rentrer progressivement les répondants dans le sujet, et donc de ne pas les brusquer trop

rapidement en les lançant directement dans l'exercice de l'analyse conjointe MCD (technique de l'entonnoir)

[80], des questions génériques sur la vaccination leur étaient posées en début de questionnaire (opinions et

expérience de la vaccination en tant qu'adultes). Et à la fin de celui-ci des questions d'ordre signalétique leur

étaient posées, afin de fournir des variables sociodémographiques pour une potentielle segmentation.

Afin de s'assurer de la pertinence des réponses obtenues, une question sur la difficulté du questionnaire leur

était posée en fin d'exercice de l'analyse conjointe (question sur une échelle de note de 1 à 10, 10 étant une

très grande difficulté).

Pour vérifier l'existence de préférences lexicographiques chez les répondants, une question leur était posée en

fin de questionnaire "Quelles sont selon vous les 2 attributs les plus importants pour prendre votre décision

?". Ainsi, un répondant était considéré comme ayant utilisé des préférences lexicographiques si toutes les

alternatives choisies présentaient les meilleurs niveaux des 2 attributs jugés les plus importants (l'impossibilité

de faire un classement sur Google Forms ne permettant pas de distinguer l'attribut jugé le plus important du

deuxième).

Enfin, pour s'assurer de la stabilité et de la transitivité des réponses de manière simultanée, les 3 paires

d'alternatives étaient présentées en 1ère position, une en milieu de questionnaire, et la 3e en 19e position

(l'ordre des paires changeaient selon le chemin définit pour le répondant). Grâce à cette répartition dans le

questionnaire, ceci me permettait de faire l'hypothèse qu'un individu qui possède des réponses transitives

aurait aussi une stabilité dans ses réponses. Concernant le caractère monotone des préférences de l'interviewé,

la paire de comparaison évidente des alternatives était présentée en milieu de questionnaire.


37

Méthodes d'analyse

Modèle agrégé vs approche Bayésienne hiérarchique

L'une des contraintes de l'analyse conjointe par mesure de choix discret est que les estimations ne peuvent se

faire que de façon agrégée à partir des méthodes de maximum de vraisemblance en principe. Cette contrainte

oblige à supposer l'homogénéité des préférences dans la population, ce qui est rarement le cas. C'est pourquoi

d'autres méthodes ont été développées : le modèle par classes latentes (LC) et l'approche Bayésienne

hiérarchique (HB) en sont les principaux, d'autres méthodologies peuvent cependant être utilisées [52][55]. La

première méthode (LC) ne permet pas l'analyse individuelle mais arrive à déterminer des groupes de

répondants qui ont une structure proche. Comme les études montrent des résultats moins bons que par

l'approche HB [5][63], cette méthode n'a pas été choisie pour ce travail. Pour en savoir plus, la lecture de ces

articles ou cours permettra de comprendre plus en détails cette méthode [9][36][46][53][65][72]. Pour rappel

concernant la seconde méthode qui est l'approche HB, le théorème de Bayes se construit comme suit [49] :

Autrement dit ce sont des probabilités conditionnelles, où on peut déterminer la probabilité de A sachant B si

la probabilité de B sachant A, la probabilité de A et la probabilité de B sont connues. Un autre point développé

dans ses travaux de la théorie de Bayes est qu'une probabilité peut être déterminée à partir d'observations dans

une expérience mais aussi par les paramètres liés à cette probabilité.

En repartant de la formule du logit multinomial (cf. les fondements théoriques de l'analyse conjointe par mesure de

choix discret) [12]:

Dans l'approche MNL le vecteur β est supposé fixe dans la population, alors que l'une des solutions est de

considérer ce vecteur comme suivant une loi de probabilité dans la population (une loi Normale par exemple).

Soit la formule précédente deviendrait [27]:

En se reposant sur le principe du Théorème de Bayes, les estimations initiales de probabilité pourraient être

révisées par les informations fournies par les données pour obtenir des estimations de probabilités

postérieures. Plus concrètement l'approche Bayésienne hiérarchique se nomme ainsi car elle se déroule en

deux niveaux [28][96] :


38

- Au niveau supérieur, l'hypothèse est faite que les estimations individuelles suivent une loi multivariée

de distribution normale avec comme annotation :

Où α est le vecteur des tendances centrales des distributions des estimations individuelles,

Et D est une matrice de variance-covariance de la distribution des estimations individuelles.

- Au niveau inférieur, il s'agit de la formule de logit multinomiale précédente :

Les facteurs à déterminer sont donc le vecteur β pour chaque individu, le vecteur α et la matrice de variance-

covariance D.

L'estimation des paramètres se fait selon un processus itératif qui est robuste et qui ne dépend pas des valeurs

initiales. Cependant pour accélérer le processus, il peut être conseillé de mettre des valeurs initiales proches

des valeurs finales. Quoiqu'il en soit les différentes étapes de ce processus sont :

Estimation initiale de βn qui est égal aux paramètres du modèle logit multinomial agrégé.

Estimation initiale de α qui est la tendance centrale de βn.

Estimation initiale de D qui consiste à faire la matrice de variance-covariance du MNL agrégé.

Une fois les estimations initiales faites, chaque itération suit l'algorithme d'échantillonnage de Gibbs (Gibbs

sampling, un autre nom est Monte Carlo Markov Chain) qui permet aux nouvelles estimations calculées de

converger vers les distributions exactes de ces paramètres. Chaque itération se réalise selon ces trois étapes :

Utiliser les estimations de βn et de D pour calculer une nouvelle estimation de α, en supposant que α

est distribué selon une loi normale avec sa moyenne égale à sa tendance centrale.

Utiliser les estimations de α et βn pour générer une nouvelle estimation de D selon la distribution de

la loi de Wishart inverse [110].

Utiliser les estimations de D et de α pour calculer une nouvelle estimation de βn selon la procédure

de l'algorithme de Metropolis-Hastings [14] qui est une méthode de Monte Carlo par Chaînes de

Markov. Lors de l'utilisation de cet algorithme, βold symbolise l'ancienne estimation de βn et βnew la

nouvelle. Le résultat du test consiste alors à savoir si cette nouvelle estimation représente une

amélioration ou pas. Afin de calculer βnew il est nécessaire d'ajouter un vecteur aléatoire d de

différences d'une distribution avec une tendance centrale égale à 0 et une matrice de variance-

covariance proportionnelle à D. Soit βnew = βold + d

Ensuite la probabilité de choix est calculée selon la formule du niveau inférieur (le MNL) pour βnew et

βold, ce qui nous donne respectivement pold et pnew. Puis les densités relatives des distributions de βnew


39

et βold sont calculées à partir des estimations actuelles de D et α, pour donner respectivement dold

et dnew. Selon la formule suivante :

Qui permet ensuite de calculer le ratio r :

Si ce ratio r est supérieur à 1 alors la nouvelle estimation de β a une plus grande probabilité que la

précédente et par conséquent βnew est accepté. Et si r est inférieur à 1 alors βnew est accepté mais avec

une probabilité égale à r.

Cette méthode a déjà prouvé sa valeur ajoutée dans des recherches marketing classiques [27][96] mais aussi

dans le domaine de la vaccination avec des résultats concluants [43][89].

Classification ascendante hiérarchique

Dans le cadre d'une segmentation deux approches s'opposent, la première est à visée explicative qui est une

segmentation a priori (segmentation du χ² ou Automatic Interaction Detection), la seconde est à visée

descriptive qui est une segmentation a posteriori (analyse typologique). Dans le cadre de cette étude, comme il

n'y a pas d'hypothèses préalables comme quoi certains critères sociodémographiques auraient une influence sur

les facteurs déterminants dans le choix de se faire vacciner ou non pour le patient, une approche exploratoire

est requise. Par conséquent la méthode de segmentation se fera a posteriori via une analyse typologique sur les

estimations des utilités individuelles.

Ce qui caractérise l'analyse typologique est la notion de distance. La distance la plus utilisée en statistiques et

notamment pour les classifications est la distance euclidienne [7], il s'agit de la distance "à vol d'oiseau" entre

deux points. Elle se calcule à partir des valeurs centrées réduites des variables selon la formule suivante :

dij = distance euclidienne entre les individus i et j

p = nombre de variables

xik = valeur centrée réduite de la variable k pour l'individu i

xjk = valeur centrée réduite de la variable k pour l'individu j

Afin de donner un poids plus important à des valeurs plus extrêmes, le carré de la distance euclidienne peut

être utilisé. Une autre distance qui peut être employée lors d’une classification ascendante hiérarchique, est la

distance de Manhattan. Elle se nomme ainsi en l’hommage des taxis New Yorkais qui doivent se déplacer


40

parmi les rues à angle droit dans l’arrondissement de Manhattan. L’autre nom de cette distance est la distance

en bloc. En effet pour la calculer il est nécessaire d’additionner les valeurs absolues des distances sur les

variables. Ce qui lui permet d’éviter d’augmenter le poids de valeurs extrêmes potentielles. Sa formule est

donc [105] :

Pour schématiser ces distances (Euclidienne et de Manhattan), prenons deux points A et B :

Figure 12 - Schéma des distances euclidiennes et de Manhattan

La distance de Manhattan sera de 6 + 6 = 1+1+1+1+1+1+1+1+1+1+1+1 = 5+2+4 =12 (en rouge, bleue

ou jaune), alors que la distance euclidienne sera la racine carrée de 6²+6² 8,5. Comme la logique le veut la

distance de Manhattan est donc plus importante.

Une autre distance encore, qui peut être utilisée par la classification ascendante hiérarchique est la distance de

Tchebychev. Cette distance se calcule par la différence maximale entre deux points sur une seule de leur

dimension. Concrètement un individu qui se distinguera beaucoup des autres sur une seule caractéristique sera

plus distant des autres qu’un individu qui se distingue un petit peu sur beaucoup de variables. Pour prendre

exemple, si on se base sur une population d’individus où les moyennes de leur taille et masse sont de 180cm et

70kg, un individu qui ferait 195cm et 70kg serait plus distant des autres qu’un individu qui ferait 185cm et

80kg. Sa formule de calcul est la suivante [106] :

A partir de là une matrice des distances ou matrice de proximité peut être construite. Cette matrice permettra

d'appliquer un algorithme pour constituer les groupes de répondants. Celui utilisé dans le cadre de cette

A

B


41

recherche sera l'algorithme de classification ascendante hiérarchique, où la méthode la plus couramment

utilisée est celle du "voisin moyen" (plus adaptée pour un petit échantillon que la méthode de Ward par

exemple). Cette méthode consiste à affecter un individu à un groupe en fonction de la distance moyenne entre

lui et les membres du groupe. S'il y a plusieurs groupes, les groupes formés seront ceux où la distance

moyenne entre les individus est la plus faible. La procédure consiste à dire qu'à l'étape initiale chacun des

individus constituent un groupe à lui seul, à l'étape 1 un premier groupe est constitué à partir des individus les

plus proches, et ainsi de suite jusqu'à l'étape finale où il n'y a plus qu'un seul groupe. Le choix du nombre de

groupe pertinent se fait par rapport à la distance de fusion, la solution à conserver est celle qui précède le saut

de distance le plus important. Une fois cette étape réalisée, il est nécessaire de vérifier si les groupes sont bien

différenciés sur les estimations des utilités partielles par groupe (dans le cadre de cette étude) et de les décrire

pour voir si une application concrète en marketing peut être appliquée. En effet, des différences autres que

comportementales doivent apparaître entre les groupes pour pouvoir rendre les individus "palpables". Une

variable comportementale étant non palpable, il serait impossible de distinguer simplement et rapidement les

individus entre afin de mener une action marketing sur tel ou tel segment.

Résultats

Administration du questionnaire

Suite à la diffusion du lien permettant d’accéder au questionnaire en ligne sur des réseaux personnels,

professionnels et par la sollicitation de l’aide de ma tutrice et de ma maître de stage, 71 réponses exploitables

ont été obtenues entre le 22/07/2014 et le 28/07/2014.

Respect des conditions d’applications

Monotonicité

Afin de s’assurer de la monotonicité des réponses, une comparaison d’alternatives évidentes avait été ajoutée

(cf. Annexe 3). A la lecture des résultats 57 individus présentent des réponses monotones, 13 ne présentent pas

de résultats conclusifs au test et 1 seul présente des réponses non monotones. Par conséquent cet individu a

été retiré de l’échantillon pour l’analyse.


42

Stabilité et transitivité

Pour vérifier la transitivité et par la même occasion la stabilité des réponses fournies par les interrogés, 3

paires d’alternatives étaient utilisées (placé en 1ère place, au milieu et en 19e place dans l’exercice de l’analyse

conjointe). A la lecture des résultats, seulement 3 individus présentent des réponses non transitives, ils sont

donc retirés de l’échantillon.

A l’issue des vérifications des conditions d’applications de l’analyse conjointe par mesure de choix discret, 67

répondants sont analysables. Ce qui est satisfaisant d’après l’estimation faite d’un besoin minimum de 63

répondants (cf. Recueil des données – Echantillon).

Préférences lexicographiques

A la fin du questionnaire, il était demandé aux répondants d’indiquer les deux attributs qu’ils jugeaient les plus

importants dans leur décision de se faire vacciner. Cette question avait pour unique but d’identifier les

individus ayant des préférences lexicographiques. Comme l’outil Google Forms ne permet pas de distinguer

l’ordre, les proportions suivantes concernent la position des attributs comme les deux les plus importants :

Figure 13 - Proportion des attributs jugés les plus importants par les répondants

A partir de cette information, les individus étaient considérés comme ayant des préférences lexicographiques,

quand leurs choix de vaccin se portaient sur les alternatives offrant les meilleurs niveaux sur les deux attributs

qu’ils jugent les plus importants (impossibilité de différencier l’ordre et par conséquent de se baser sur le plus

important). A la lecture des résultats seulement 7 personnes présentent cette caractéristique soit 10,4% de

l’effectif final. Ces individus ont été conservés dans l’échantillon malgré la perte de précision que ça

occasionne sur le calcul de leurs utilités partielles (de l’information est acquise sur les autres attributs

29%

23%

17%

13%

8%

7%

1%

Recommandation

Type de maladie et EIG

Inscription et coût

Efficacité

Type de vaccin

Durée

Administration


43

uniquement quand les deux alternatives présentent les meilleurs niveaux sur les deux attributs les plus

déterminants selon le répondant). Ce choix s’explique par la spécificité de l’élément qui est évalué (un

vaccin), élément qui reste complexe à appréhender. De plus ces réponses ne sont pas fausses, car on peut

supposer que ces individus ont le même comportement dans la vie réelle.

Pertinence des réponses

Dans l'objectif de mesurer la pertinence des réponses, et par conséquent la compréhension de l'exercice, une

question sur la difficulté du questionnaire était posée aux répondants. Les résultats de cette question nous

indiquent que les répondants ont trouvé en moyenne le questionnaire assez difficile

( ), et plus d'un quart de l'échantillon l'ont trouvé très difficile (27%

ont mis une note de difficulté ≥ 8). La pertinence des réponses de cette recherche peut être remise en cause à

la lecture de ces résultats, mais les valeurs ne sont pas suffisamment fortes pour pouvoir l'affirmer.

Population

Dans un premier temps, les 3 chemins définis pour s’éviter l’effet d’ordre dans l’exercice de l’analyse

conjointe ont été équitablement répartis avec un seuil de risque de 5%, par conséquent le hasard a bien fait les

choses (principe de la Loi des grands nombres en probabilité). Concernant la description, 72% des répondants

sont des femmes et la moyenne d’âge de l’échantillon est de 30,5 ans. Les répondants disent avoir une

connaissance plutôt modérée de la vaccination ( ), seulement 15% de

l’effectif pensent avoir une très bonne connaissance de la vaccination (note supérieure ou égale à 8/10). Pour

autant 87% des répondants se sont déjà faits vaccinés au moins une fois depuis qu’ils ont 18 ans. Le vaccin le

plus courant est le rappel pour la Diphtérie, le Tétanos et la Poliomyélite (66% des répondants ont déjà eu ce

vaccin de rappel depuis leur 18ans).

D’après les résultats de cette étude, seulement 6% de l’effectif dit avoir un avis peu favorable à l’égard de la

vaccination, tandis que 25% se disent très favorable. Ceci va dans l’optique de confirmer l’hypothèse 3 comme

quoi les français conserveraient une bonne opinion de la vaccination malgré les controverses, mais cette

hypothèse ne peut être que partiellement vérifiée car l’effectif de cette recherche n’est pas représentatif de la

population française (en sexe, en âge ou même en CSP avec une surreprésentation étudiante).

Pour plus de précision sur les résultats des caractéristiques sociodémographiques, se reporter à l'annexe 4.


44

Facteurs déterminants dans la décision de se faire vacciner

Spécificités de la méthode d’analyse

Lors d’une analyse conjointe par mesure de choix discret avec une approche Bayésienne hiérarchique,

certaines conditions doivent être fixées a priori. L’une d’elle est la contrainte du modèle de régression

logistique pour les réponses multinomiales (MNL). Cette méthode consiste à relier la présence ou l’absence

d’un événement (choix de l’alternative dans notre cas) à des variables explicatives (paramètres) [115]. Ici la

contrainte à appliquer est que la somme des paramètres du modèle se doit d’être nulle. Ainsi la moyenne de la

variable expliquée sera égale à la constante du modèle. Une autre condition à appliquer est le degré de

convergence que l’on souhaite atteindre. Pour l’objectif de ce mémoire mon objectif optimal serait que les

itérations du modèle atteignent une convergence de 1‰ afin d’avoir des résultats très proches de la réalité.

Malgré une procédure lourde (1126 secondes d’analyse soit environ 19 minutes) avec 200.000 itérations dont

une période de chauffe (burn-in) de 10.000 itérations, le modèle n’a pu converger qu’à 1.2% soit 12‰. Ce

chiffre reste bon, mais nous indique que les utilités partielles estimées sont plus éloignées que ce qui pouvait

être envisagé. Avec les outils à ma disposition pour cette analyse (Add-on XLStat pour le logiciel Microsoft

Excel), une procédure plus lourde aurait été difficile, voire impossible à mettre en place.

En résumé :

Caractéristiques de l’analyse conjointe par l’approche Bayésienne hiérarchique

Contraintes Somme(ai)=0

Convergence 0.001

Période de chauffe 10000

Temps passé 1126s

Itérations 200000

Description de la distribution des utilités partielles

L’une des hypothèses sur laquelle repose l’approche Bayésienne hiérarchique est de supposer que le vecteur β

suit une loi de probabilité dans la population (et plus particulièrement une loi normale comme dit

précédemment). De plus l’information sur la distribution des utilités partielles permettra de s’assurer d’une

certaine hétérogénéité potentielle parmi les répondants et de choisir la bonne méthode de calcul des distances

pour la classification ascendante hiérarchique ensuite. Les tests de Kolmogorov-Smirnov [113] qui consistent à

comparer la distribution d’une variable cible à la distribution d’une variable référence (une Loi de probabilité

généralement) ont été appliqués. Les lois testées, étaient la loi Normale, la loi uniforme continue [111] et la

loi de Poisson. Les résultats du test de la loi Normale sont non-significatifs, ce qui signifie que l’on ne peut

rejeter l’hypothèse nulle (H0 : les deux distributions sont similaires, soit elles proviennent de la même loi),

par conséquent les utilités partielles suivent bien une loi Normale.


45

Tableau 6 - Résultats du test de Kolmogorov-Smirnov sur la distribution des utilités partielles individuelles par rapport à une distribution d'une loi Normale

reco_inform reco_active reco_pasaborde

admin_1dose admin_2doses

type_recomb

N 67 67 67 67 67 67

Z de Kolmogorov-Smirnov

,775 ,754 ,576 ,586 ,586 ,388

Signification asymptotique (bilatérale)

,586 ,620 ,895 ,883 ,883 ,998

type_tue type_vivant gouv_100eur gouv_30eur gouv_gratuit duree_5ans

N 67 67 67 67 67 67


,815 ,402 ,504 ,421 ,545 ,627


,520 ,997 ,961 ,994 ,927 ,827

duree_10ans

effic_60 effic_80 malad_EIExc malad_EIG malad_courante malad_frequente

N 67 67 67 67 67 67 67


,627 ,494 ,494 ,745 ,732 ,536 ,427


,827 ,968 ,968 ,635 ,657 ,936 ,993

a. La distribution à tester est gaussienne.

b. Calculée à partir des données.

Ce qui se confirme d’après une visualisation graphique, avec pour exemple :

A partir de ces résultats, on peut supposer une certaine hétérogénéité des utilités partielles individuelles

estimées dans l’échantillon.

Figure 14 - Représentation graphique de la distribution des utilités partielles individuelles avec illustration d'une loi Normale correspondant


46

Classification et description

Méthode retenue pour la CAH

Compte-tenu des objectifs de cette recherche, de la taille de l’échantillon et de la distribution des variables des

utilités partielles individuelles estimées, une classification ascendante hiérarchique (CAH) réalisée à partir des

distances de Tchebychev semble plus pertinente. En effet cette classification permettra plus aisément

d’identifier les profils qui se distinguent beaucoup des autres sur l’une ou l’autre des utilités partielles

estimées. Ainsi une classification par cette méthode permettra certainement d’avoir un nombre de groupes

d’individus plus importants, et par conséquent permettra de mieux appréhender les différences présentes

entre les personnes.

A l’issue de cette analyse, la solution avec 4 groupes est la plus adéquate en se référant au saut de distance de

fusion le plus important :

Etape

Regroupement de classes

Coefficients

Etape d'apparition de la classe

Etape suivante

Saut de distance de fusion Classe 1 Classe 2 Classe 1 Classe 2

… 62 2 5 2,345 58 48 63 0,04

63 2 9 2,389 62 54 66 0,20

64 1 12 2,590 60 61 65 0,09

65 1 3 2,675 64 56 66 0,16

66 1 2 2,832 65 63 0

Figure 15 - Version raccourci de la chaîne des agrégations

Une fois cette classification en 4 groupes faite, il est nécessaire de s’assurer que les groupes sont bien

différenciés sur les variables explicatives (variables d’utilités partielles). Compte-tenu du faible effectif dans

chaque classe, le test non-paramétrique de Kruskal-Wallis [94] est à préférer par rapport à l’analyse de

variance traditionnelle (ANOVA) (voir le calcul de la statistique dans la partie suivante Description détaillée des

groupes).


47

Tableau 7 - Résultats des tests de Kruskal-Wallis selon les classes définies suite à la CAH

reco_inform reco_active reco_pasaborde admin_1dose admin_2doses type_recomb Khi-deux 15,563 27,163 36,816 36,258 36,258 25,850

ddl 3 3 3 3 3 3

Signification asymptotique

,001 ,000 ,000 ,000 ,000 ,000

type_tue type_vivant gouv_100eur gouv_30eur gouv_gratuit duree_5ans

Khi-deux 40,892 36,942 8,535 30,283 22,294 30,356

ddl 3 3 3 3 3 3


,000 ,000 ,036 ,000 ,000 ,000

duree_10ans effic_60 effic_80 malad_EIExc malad_EIG malad_courante malad_frequente

Khi-deux 30,356 35,423 35,423 25,606 32,130 43,858 14,517

ddl 3 3 3 3 3 3 3


,000 ,000 ,000 ,000 ,000 ,000 ,002

a. Test de Kruskal Wallis

L’ensemble des résultats des tests sont significatifs, par conséquent pour chacun d’eux l’hypothèse nulle (H0 :

les échantillons ne sont pas différents) peut être rejetée avec un seuil de risque inférieur à 5%. Plus

précisément, ceci signifie qu'au moins un des échantillons est différent des autres. La typologie définie suite à

cette CAH est donc bien réelle, les utilités partielles estimées sont bien différentes selon les groupes. En

conclusion de ces résultats, on peut constater qu’il existe bien une hétérogénéité des préférences lors de la

décision de se faire vacciner. Ainsi, l’hypothèse 1 de cette recherche (Les individus n ont pas tous la même

approche dans leur décision concernant la vaccination) est validée.

Description détaillée des groupes

Il a été démontré précédemment qu'il existait bel et bien 4 segments différents de patients concernant les

facteurs déterminants de leur vaccination.

Tableau 8 - Répartition des individus parmi les groupes

Groupe Effectif Proportion

Numéro 1 12 18%

Numéro 2 34 51%

Numéro 3 9 13%

Numéro 4 12 18%


48

A la lecture de ces effectifs, on peut en conclure que la moitié de l'échantillon présente des préférences

homogènes, et que l'autre moitié est (presque) équitablement répartie en 3 groupes. Ces résultats pourraient

sembler logique comme il a été prouvé que les distributions des utilités partielles individuelles suivent une loi

Normale (forte concentration de valeurs autour de la tendance centrale : 95% des valeurs se trouvent à ±1,96

écart-type). Cependant bien que sur chaque variable une majorité des individus sont proches, ça ne veut pas

pour autant dire que ce sont toujours les mêmes.

Un schéma récapitulatif des utilités partielles estimées pour chacun des groupes (moyenne des utilités

partielles des individus qui les composent) est présenté ci-dessous :

Cette première lecture graphique permet d'avoir une tendance sur les caractéristiques de chacun des groupes

en termes d'utilités partielles et donc des niveaux qui augmentent la probabilité de choix du vaccin, mais aussi

en terme d'importance de par une visualisation de l'étendue des utilités estimées. Néanmoins une simple

lecture graphique ne permet pas une analyse rigoureuse. Il a été démontré dans la sous-partie précédente que

les groupes étaient bien différenciés sur toutes variables (Test de Kruskal-Wallis significatifs, rejet de

l'hypothèse nulle qui stipule l'égalité des rangs entre les échantillons), ce qui rend possible l'analyse post-hoc

afin de comparer les groupes paire par paire. Lors d'une analyse paramétrique de variance (ANOVA), le test

permettant cette comparaison est le test de Tukey [114], dans le cas de cette étude il est nécessaire d'utiliser

un équivalent non-paramétrique. Les trois principaux sont les tests de Nemenyi-Damico-Wolfe-Dunn [13], de

Dwass-Steel-Chritchlow-Fligner [94] et de Conover-Inman [24][94]. La procédure de Nemenyi bien que

simple n'a pas été retenue car il est nécessaire de respecter la contrainte qui est que les effectifs des

échantillons à tester soient de même taille, ce qui n'est pas le cas ici. Parmi les deux techniques restantes, le

choix du test de Conover-Inman a été fait car il s'agit du test qui a l'approche la plus intuitive par rapport à ce

-90.0000

-70.0000

-50.0000

-30.0000

-10.0000

10.0000

30.0000

50.0000

70.0000

90.0000

110.0000 Gr1 Gr2 Gr3 Gr4

Figure 16 - Utilités partielles estimées selon les groupes issus de la CAH


49

qui est réalisé en test paramétrique. En effet cette approche correspond à un test de Student réalisé sur des

rangs (suit une distribution de Student par conséquent). Le contraste est considéré comme significatif lorsque :

Ri est la somme des rangs pour l'échantillon i, ni est l'effectif de l'échantillon i (identiquement pour Rj

et nj,

t est un quantile d'une distribution de Student avec N-k degrés de liberté (N étant la somme des

effectifs de l'échantillon i et j et k le nombre d'échantillons) et un seuil de risque α,

H correspond à la statistique du test de Kruskal-Wallis :

L'hypothèse nulle (H0) de ce test est : les paramètres des échantillons ne sont pas différents. Par conséquent si

le test est significatif (p < à la correction de Bonferroni [méthode pour corriger le seuil de significativité lors

de comparaisons multiples]), ceci veut dire que l'on peut rejeter l'hypothèse nulle (H0) avec un seuil de risque

d'erreur de moins de x% et donc que les paramètres des échantillons sont bien différents.

- Comparaison des utilités partielles des groupes de reco_informa

Reco-

Inform | 1 Reco-

Inform | 2 Reco-

Inform | 3 Reco-

Inform | 4

Reco-Inform | 1 1 0,068 0,000 1,000

Reco-Inform | 2 0,068 1 0,005 0,068

Reco-Inform | 3 0,000 0,005 1 0,000

Reco-Inform | 4 1,000 0,068 0,000 1

Niveau de signification corrigé de Bonferroni : 0,0083

Sur le niveau de recommandation où le médecin informe uniquement, le groupe 3 se distingue des 3 autres.

En effet seul ce groupe est influencé positivement sur leur choix de vaccination par ce niveau, pour les autres

ceci aura plutôt pour effet de ne pas choisir la vaccination.


50

- Comparaison des utilités partielles des groupes de reco_active

Reco-active

| 1 Reco-active

| 2 Reco-active

| 3 Reco-active

| 4

Reco-active | 1 1 0,108 0,510 0,000

Reco-active | 2 0,108 1 0,029 < 0,0001

Reco-active | 3 0,510 0,029 1 0,003

Reco-active | 4 0,000 < 0,0001 0,003 1


L'utilité partielle estimée pour la recommandation active du médecin traitant est différente pour le groupe 4

par rapport aux 3 autres. Celle-ci est en effet beaucoup plus forte pour ce groupe, ce qui fait de la

recommandation active du médecin un niveau essentiel de cet attribut pour ce groupe.

- Comparaison des utilités partielles des groupes de reco_pasaborde

Reco-pasaborde |

1

Reco-pasaborde |

2

Reco-pasaborde |

3

Reco-pasaborde |

4

Reco-pasaborde | 1 1 0,644 < 0,0001 < 0,0001

Reco-pasaborde | 2 0,644 1 < 0,0001 < 0,0001

Reco-pasaborde | 3 < 0,0001 < 0,0001 1 0,370

Reco-pasaborde | 4 < 0,0001 < 0,0001 0,370 1


Naturellement les groupes 3 et 4 se distinguent des groupes 1 et 2, qui eux préfèrent être maître de leur

décision concernant leur santé plutôt que ça soit leur médecin qui informe ou recommande la vaccination.

- Comparaison des utilités partielles des groupes de admin_1dose vs admin_2doses

Admin-

1dose | 1 Admin-

1dose | 2 Admin-

1dose | 3 Admin-

1dose | 4

Admin-1dose | 1 1 < 0,0001 0,163 0,585

Admin-1dose | 2 < 0,0001 1 < 0,0001 < 0,0001

Admin-1dose | 3 0,163 < 0,0001 1 0,059

Admin-1dose | 4 0,585 < 0,0001 0,059 1


Comme il s'agit d'une variable binaire, le tableau de significativité est identique pour l'administration en 2

doses. Pour cet attribut le groupe 2 (le plus nombreux) s'oppose aux 3 autres en étant le seul groupe qui a une

utilité partielle positive et forte pour l'administration en 1 dose.


51

- Comparaison des utilités partielles des groupes de type_recomb

Type-

Recomb | 1 Type-

Recomb | 2 Type-

Recomb | 3 Type-

Recomb | 4

Type-Recomb | 1 1 0,449 0,001 0,001

Type-Recomb | 2 0,449 1 < 0,0001 < 0,0001

Type-Recomb | 3 0,001 < 0,0001 1 0,753

Type-Recomb | 4 0,001 < 0,0001 0,753 1


Les groupes 3 et 4 s'opposent à nouveau aux groupes 1 et 2 car pour eux le fait d'avoir un vaccin de type

recombinant avec adjuvant va influencer négativement leur décision de vaccination au contraire des 2 autres

groupes où ceci va influencer positivement leur décision.

- Comparaison des utilités partielles des groupes de type_tue

p-values :

Type-Tue |

1 Type-Tue |

2 Type-Tue |

3 Type-Tue |

4

Type-Tue | 1 1 < 0,0001 < 0,0001 0,869

Type-Tue | 2 < 0,0001 1 0,007 < 0,0001

Type-Tue | 3 < 0,0001 0,007 1 < 0,0001

Type-Tue | 4 0,869 < 0,0001 < 0,0001 1


Sur le point d'une vaccination par un vaccin de type tué/inactivé, les patients des groupes 1 et 4 s'accordent à

dire que ce type va influencer négativement leur décision. Au contraire des patients des groupes 2 et 3,

cependant pour le groupe 3 ce sera le type de vaccins qui influencera le plus positivement leur décision alors

que pour le groupe 2 il s'agit du type recombinant avec adjuvant (vu précédemment).

- Comparaison des utilités partielles des groupes de type_vivant

p-values :

Type-Vivant |

1 Type-Vivant |

2 Type-Vivant |

3 Type-Vivant |

4

Type-Vivant | 1 1 0,000 0,369 0,001

Type-Vivant | 2 0,000 1 < 0,0001 < 0,0001

Type-Vivant | 3 0,369 < 0,0001 1 0,018

Type-Vivant | 4 0,001 < 0,0001 0,018 1


Le groupe 2 se distingue clairement des 3 autres sur ce type de vaccin (vivant atténué) car pour eux ce type de

vaccin influence fortement et négativement leur décision. Cette influence est aussi négative pour les groupes 1

et 3 mais dans de plus faibles proportions. Enfin le groupe 4 se distingue des 3 autres (même si pour le groupe

3 le seuil de risque est de 1,8%, ce qui est trop important compte-tenu du niveau de signification corrigé de


52

Bonferroni), en étant le seul groupe où ce type de vaccin influence positivement leur choix. Il s'agit d'ailleurs

pour ce groupe du seul type de vaccin choisi.

- Comparaison des utilités partielles des groupes de gouv_100eur

p-values :

Gouv-100eur |

1 Gouv-100eur |

2 Gouv-100eur |

3 Gouv-100eur |

4

Gouv-100eur | 1 1 0,576 0,501 0,051

Gouv-100eur | 2 0,576 1 0,199 0,004

Gouv-100eur | 3 0,501 0,199 1 0,250

Gouv-100eur | 4 0,051 0,004 0,250 1


Dans l ensemble le fait que le vaccin ne soit pas remboursable entièrement (reste à charge 100€) et qu il ne soit

pas inscrit au calendrier vaccinal a plutôt tendance à appuyer sur la décision de non-vaccination. Seulement

cette tendance est encore plus marquée dans le groupe 4, ce qui le distingue du groupe 2 (barrière haute).

- Comparaison des utilités partielles des groupes de gouv_30eur

Gouv-30eur

| 1 Gouv-30eur

| 2 Gouv-30eur

| 3 Gouv-30eur

| 4

Gouv-30eur | 1 1 0,000 0,174 0,012

Gouv-30eur | 2 0,000 1 0,073 < 0,0001

Gouv-30eur | 3 0,174 0,073 1 0,000

Gouv-30eur | 4 0,012 < 0,0001 0,000 1


Le tableau ici informe peu car les possibles distinctions ne sont mutuellement exclusives. Cependant le groupe

4 comme précédemment a une forte utilité partielle négative, tandis que pour les groupes 1 et 3, cette utilité

tend plus vers 0 (lorsque le prix à payer est de seulement 30€ ce n est pas un facteur qui rentre beaucoup en

compte dans la décision). Et pour le groupe 2, ceci a même tendance à influencer positivement leur décision.

- Comparaison des utilités partielles des groupes de gouv_gratuit

Gouv-

gratuit | 1 Gouv-

gratuit | 2 Gouv-

gratuit | 3 Gouv-

gratuit | 4

Gouv-gratuit | 1 1 0,043 0,914 0,005

Gouv-gratuit | 2 0,043 1 0,090 < 0,0001

Gouv-gratuit | 3 0,914 0,090 1 0,006

Gouv-gratuit | 4 0,005 < 0,0001 0,006 1



53

Le groupe 4 se démarque clairement des autres sur cette caractéristique, car ici la gratuité du vaccin et

son inscription au calendrier vaccinal sont primordiales dans leur choix de se faire vacciner.

- Comparaison des utilités partielles des groupes de duree_5ans vs durée_10ans

Là encore la durée de protection est une variable dichotomique, par conséquent les tableaux de

significativité sont identiques.

Duree-5ans

| 1 Duree-5ans

| 2 Duree-5ans

| 3 Duree-5ans

| 4

Duree-5ans | 1 1 0,000 0,986 0,010

Duree-5ans | 2 0,000 1 0,002 < 0,0001

Duree-5ans | 3 0,986 0,002 1 0,017

Duree-5ans | 4 0,010 < 0,0001 0,017 1


Sur cet attribut l'ensemble des individus interrogés s'accordent à préférer une durée de 10 ans, mais

pour le groupe 2 (le plus nombreux) ce choix est encore plus marqué, ce qui pourrait être synonyme

d'une importance de l'attribut plus importante.

- Comparaison des utilités partielles des groupes de effic_60 vs effic_80

Là encore l'efficacité vaccinale est une variable binaire, d'où des tableaux de significativité identiques.

Effic-60 | 1 Effic-60 | 2 Effic-60 | 3 Effic-60 | 4

Effic-60 | 1 1 0,003 0,001 0,006

Effic-60 | 2 0,003 1 < 0,0001 < 0,0001

Effic-60 | 3 0,001 < 0,0001 1 0,371

Effic-60 | 4 0,006 < 0,0001 0,371 1


L'analyse ce tableau nous indique que les groupes 3 et 4 sont similaires sur cet attribut, à savoir qu'ils

auraient plutôt une tendance à préférer une efficacité de 60% (choix un peu contre-nature mais qui est à

remettre dans son contexte de modèle compensatoire des utilités), au contraire des deux autres groupes.

Les patients du 2e groupe sont d'ailleurs plus sensibles à cet attribut.

- Comparaison des utilités partielles des groupes de malad_eiexc

Malad-

EIExc | 1 Malad-

EIExc | 2 Malad-

EIExc | 3 Malad-

EIExc | 4

Malad-EIExc | 1 1 < 0,0001 < 0,0001 < 0,0001

Malad-EIExc | 2 < 0,0001 1 0,520 0,417

Malad-EIExc | 3 < 0,0001 0,520 1 0,942

Malad-EIExc | 4 < 0,0001 0,417 0,942 1



54

Le groupe 1 se particularise ici car pour eux l'acceptation de vaccination n'est influencée positivement que

lorsque la maladie est rare et grave avec des effets indésirables graves du vaccin exceptionnels. Pour les

autres groupes, les utilités partielles estimées restent proche de 0.

- Comparaison des utilités partielles des groupes de malad_eig

Malad-EIG |

1 Malad-EIG |

2 Malad-EIG |

3 Malad-EIG |

4

Malad-EIG | 1 1 < 0,0001 0,032 0,842

Malad-EIG | 2 < 0,0001 1 < 0,0001 < 0,0001

Malad-EIG | 3 0,032 < 0,0001 1 0,049

Malad-EIG | 4 0,842 < 0,0001 0,049 1


Dans le cas d'une maladie rare mais grave avec des effets indésirables graves du vaccin fréquents, la

tendance globale est plutôt à une utilité partielle proche de 0 (positive pour le groupe 3) alors que pour le

groupe le plus important (groupe 2), cette utilité est fortement négative.

- Comparaison des utilités partielles des groupes de malad_courante

Malad-

courante | 1 Malad-

courante | 2 Malad-

courante | 3 Malad-

courante | 4

Malad-courante | 1 1 < 0,0001 0,119 0,214

Malad-courante | 2 < 0,0001 1 < 0,0001 < 0,0001

Malad-courante | 3 0,119 < 0,0001 1 0,676

Malad-courante | 4 0,214 < 0,0001 0,676 1


Le groupe 2 se dissocie à nouveau des autres segments de l'échantillon car les patients de celui-ci sont les seuls

à préférer une vaccination lorsque la maladie est courante (et peu grave) c'est d'ailleurs le seul type de maladie

combiné aux effets indésirables du vaccin où ils préfèrent se faire vacciner.

- Comparaison des utilités partielles des groupes de malad_frequente

Malad-frequente |

1

Malad-frequente |

2

Malad-frequente |

3

Malad-frequente |

4

Malad-frequente | 1 1 0,776 0,703 0,001

Malad-frequente | 2 0,776 1 0,847 0,000

Malad-frequente | 3 0,703 0,847 1 0,006

Malad-frequente | 4 0,001 0,000 0,006 1


Pour ce dernier type de maladie (assez fréquente mais rarement grave) combiné à des effets indésirables graves

exceptionnels du vaccin, les individus composant le groupe 4 se démarquent des autres en étant les seuls à être

influencés positivement dans leur décision de vaccination.


55

Si on s'intéresse désormais aux variables sociodémographiques ou plus évaluables comme l'opinion sur la

vaccination, ou l'expérience de vaccination, il s'avère que seul le sexe est une variable différenciée.

Figure 17 - Récapitulatif des résultats du test de Kruskal-Wallis sur les variables sociodémographiques et les variables d'opinions/expériences de la vaccination


56

Les résultats du test de Conover-Iman sont les suivants sur cette variable sexe :

Sexe | 1 Sexe | 2 Sexe | 3 Sexe | 4

Sexe | 1 1 0,386 0,087 0,351

Sexe | 2 0,386 1 0,006 0,789

Sexe | 3 0,087 0,006 1 0,011

Sexe | 4 0,351 0,789 0,011 1


Le groupe 3 et le groupe 2 se différencient l'un de l'autre car le groupe 3 est composé au 2/3 d'hommes,

tandis que le groupe 2 est composé de 79,4% de femmes, ce qui est une tendance aussi des autres groupes

(67% de femmes pour le groupe 1, 83,3% de femmes pour le groupe 4). Comme l'échantillon n'est pas

représentatif (et que c'est un petit échantillon : ce qui explique les tests non significatifs pour les autres

groupes), il serait préjudiciable d'en conclure que les hommes dans la population auraient plus de chance

d'avoir les facteurs déterminants de leur décision de vaccination identiques à ceux du groupe 3, mais ça révèle

tout du moins une tendance.

Description résumée des groupes

En se basant sur l'analyse des importances relatives de chaque attribut (graphique suivant) ainsi que sur

l'analyse détaillée des différences sur les utilités partielles de chaque niveau d'attribut, il sera possible de

nommer ces groupes et de voir sur quels facteurs déterminants se reposent leur décision en matière de

vaccination pour pouvoir apporter ensuite des recommandations marketing (cf. Discussion – Recommandations

managériales).

Figure 18 - Histogramme des importances relatives des attributs selon chaque groupe

16%

1%

18%

2%

12%

8%

43%

10% 8%

22%

9%

15%

10%

26%

13%

6%

26%

9%

15%

10%

20%

32%

0%

15%

30%

4% 3%

16%

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

50%

Gr1 Gr2 Gr3 Gr4


57

Tableau 9 - Description résumée des 4 classes

Groupe Proportion Nom du groupe Principaux facteurs déterminants dans leur décision de vaccination

1 18%

Le patient confiant :

n'est pas effrayé par les maladies

du quotidien qu'il pense pouvoir

combattre mais souhaite se

protéger efficacement des

maladies rares et graves

Trois quarts de la décision dépend de 3 facteurs :

43% de la décision selon le type de maladie préférence pour les

maladies rares mais que s'il y a peu d'effets indésirables graves

18% de la décision selon le type de vaccin préfère un vaccin de type

recombinant avec adjuvant

16% de la décision dépend de l'intervention du médecin eux préfèrent

ne pas être influencés (d'où le faible impact du remboursement et de

l'inscription au CV)

2 51%

Le patient bien-être :

souhaite conserver sa qualité de

vie au quotidien sans prendre de

risques

Décisions qui reposent sur l'ensemble des facteurs :

28% de la décision selon le type de maladie et EIG maladie courante

exclusivement, et est très sensible à la présence d'effets indésirables graves

22% de la décision selon le type de vaccin contre les vaccins de type

vivant atténué

15% selon la durée et 10% selon l'efficacité veulent une efficacité

importante et une longue durée de protection

10% de la décision dépend de l'attribut intervention du médecin ici

l'intervention du médecin n'est pas primordiale

3 13%

Le patient hardi :

seul groupe où les hommes sont

majoritaires

26% de la décision dépend du type de vaccin préférence pour le vaccin

de type tué/inactivé peut-être perçu comme plus inoffensif (moins sujet

aux EIG)

20% de la décision selon le type de maladie préférences pour les

maladies graves même si risque d'EIG (contrebalance le type de vaccin)

Préfèrent une durée de protection plus longue à une meilleure efficacité

4 18%

Le patient discipliné :

sa décision dépend

principalement de la

recommandation du médecin et

de l'inscription au CV

Près de 2/3 de la décision dépend de la politique publique de vaccination :

32% de la décision dépend de l'intervention du médecin

recommandation active uniquement pour se faire vacciner

30% de la décision dépend de la directive gouvernementale vaccination

uniquement si inscrit au CV et remboursé

16% de la décision dépend du type de maladie et EIG préférence pour

les maladies les plus graves (rare ou assez fréquente mais sans EIG

fréquents)


58

Ce qui est intéressant de noter, est que le critère de recommandation du vaccin jugé comme l’un des plus

importants en déclaratif (cf. Test de préférences lexicographiques) par 29% de l’échantillon s’avère être le critère

prioritaire pour seulement 18% (le groupe des patients dits disciplinés). Ceci souligne encore une fois l’apport

bénéfique du non-déclaratif de l’analyse conjointe par mesure de choix discret.

Discussion

Validité de l'étude

Validité interne

La validité interne d'une recherche correspond à la fiabilité des résultats/conclusions internes à cette étude.

Un certain nombre de facteurs peut remettre en cause cette fiabilité.

Dans cette étude le premier pouvait être un potentiel effet d'ordre dans l'apparition des paires de profils. De

par l'utilisation d'une répartition sur 3 chemins de façon aléatoire qui a permis de répartir les répondants

équitablement, on peut supposer que le risque potentiel d'un effet d'ordre est limité.

Un autre potentiel effet aurait pu être un effet d'histoire, autrement dit qu'un événement extérieur soit

survenu pendant la durée d'administration du questionnaire. La durée d'administration du questionnaire n'était

que de 7 jours, et durant cette période aucun événement relié directement à la vaccination n'a été rapporté par

les médias. La dernière envolée médiatique sur le virus Ebola en Afrique qui aurait pu influencer les

répondants, a débuté dans la première semaine d'août principalement, soit juste après la fin d'administration

du questionnaire.

Le troisième facteur, ou plutôt les troisièmes facteurs sont un non-respect des conditions d'applications de

l'analyse conjointe par mesure de choix discret. Différents tests ont été réalisés pour vérifier la transitivité, la

stabilité, la monotonicité et la pertinence des réponses. Dans la revue de Littérature portant sur des études

dans la santé avec une analyse conjointe MCD, qui a été faite pour la réalisation de cette recherche, peu

d'auteurs précisent les résultats de fiabilité de leurs études. Ceci étant les résultats observés de cette recherche

démontre une bonne validité interne en comparaison aux valeurs observées dans la Littérature (sur des études

réalisés auprès de patients ou de médecins) [22][72][74][89].


59

Tableau 10 - Résultats de validité interne de cette recherche en comparaison à ceux observés dans la Littérature

Critères de validité interne Valeurs pour cette recherche Etendue des valeurs

retrouvées dans la Littérature

Transitivité (% de réponses

non-transitives) 4,2% [1,4% ; 20%]

Stabilité (% de réponses non-

stables)

Non testé directement car couplé

avec les tests de transitivité d'où

une comparaison impossible

[57% ; 88%]

Monotonicité (% de réponses

non-monotones) 1,4% [2,6% ; 38%]

Pertinence des réponses

(note de difficulté sur 10) 5,73

[5,6 ; 6,4]*

*résultats d'études auprès de

médecins uniquement

Enfin le dernier critère de validité concerne lui le modèle d'analyse qui a été réalisé. Il a été démontré

précédemment que le modèle au bout de 200.000 itérations n'avait pu atteindre l'objectif de 0,1% d'écart de

convergence puisqu'il était à un écart de 1,2%. Les résultats de ce modèle sur d'autres critères de qualité sont

les suivants :

Tableau 11 - Coefficients d'ajustement du modèle

Statistique Mesures

Observations 3216

Somme des poids 3216,000

-2 Log(Vraisemblance) 37686,796

RLH (Root Likelihood) 0,333

La mesure du RLH est la plus intéressante pour juger de la validité du modèle (si les résultats obtenus

correspondent aux données) [91]. Sa valeur maximale est 1, et sa valeur minimale à obtenir est la réciproque

du nombre de choix possibles par expérience de choix. Autrement dit, ici l'individu était confronté à 3 choix

possibles (Vaccin A, Vaccin B, Ni A, ni B (refus de la vaccination)), soit la réciproque est de 1/3 (0,333). Le

modèle remplit donc tout juste le minimum, ce qui est une potentielle limite à la validité interne de cette

étude. Un nombre d'itérations plus important aurait peut-être pu permettre une meilleure convergence et par

conséquent un RLH plus fort, mais les logiciels utilisés pour cette recherche ne permettaient pas une analyse

plus lourde. Toutefois si le -2 Log(Vraisemblance) obtenu est comparé à celui d'une analyse classique par le

modèle multinomial logit des préférences (hypothèse de l'homogénéité des préférences dans l'échantillon) :


60

37686,796 > 540,517, il démontre qu'il était préférable de passer par une approche de modèle hiérarchique

de Bayes plutôt que par une analyse selon le modèle MNL.

En conclusion, on peut considérer que les résultats internes à cette étude sont valides, bien que cette validité

aurait pu être améliorée par un modèle plus convergent.

Validité externe

La validité externe, quant à elle, correspond à la fiabilité des conclusions externes, autrement dit à la capacité

de généralisation des résultats de la recherche.

Dans le cas de cette recherche, il a été tenté de rendre l'exercice de choix le plus réaliste possible avec des

profils de vaccins crédibles, ainsi que le choix de refuser la vaccination. Cependant les préférences étaient

acquises dans un cadre expérimental, on peut considérer qu'un potentiel biais existe et que par conséquent les

préférences estimées issues de cette enquête ne seraient pas les mêmes pour les patients dans la "vraie" vie.

Compte tenu du caractère novateur de cette étude (des cas d'études similaires n'ont pas été trouvés lors de

l'état de l'Art) il est difficile de s'appuyer sur des recherches précédentes pour justifier sa validité externe sur le

sujet concerné (la vaccination). Certes la validité externe d'une analyse conjointe par mesure de choix discret

et plus particulièrement lors d'une analyse par l'approche Bayésienne hiérarchique a été prouvée dans la

Littérature mais pas sur ce thème précis [68] (cf. Limites).

Vérification des hypothèses de recherche

Pour rappel, les 3 hypothèses initiales de la recherche étaient celles-ci :

Tableau 12 - Tableau récapitulatif de vérification des hypothèses de recherche

Numéro

d'hypothèse Enoncé Validation

H1 Les individus n'ont pas tous la même approche

dans leur décision concernant la vaccination Validée

H2 La recommandation de leur médecin traitant reste

le facteur clé de leur décision Non validée

H3 Malgré les controverses, les français conservent

une bonne image de la vaccination Partiellement validée


61

Lors des analyses précédentes, il a été démontré que 4 groupes distincts de patients ressortaient de l'analyse

des préférences pour leur décision de vaccination. L'hypothèse H1 est donc validée. Si on couple ceci à une

analyse avec le Health Belief Model, les groupes de patients peuvent être décrits comme suit :

Tableau 13 - Croyances du Health Belief Model les plus importantes dans leur décision de vaccination selon chaque groupe de patient

Proportion

des groupes

Nom des patients

du groupe Croyances du HBM les plus importantes

18% Le patient confiant

Gravité de la maladie (vaccination contre maladie grave)

Contrôle perçu (tolérance au vaccin)

Incitation à faire quelque chose (l'incitation du médecin notamment sera mal perçue par ce

groupe)

51% Le patient bien-être

Vulnérabilité à la maladie (vaccination contre maladie courante)

Coûts liés à la réalisation du comportement (effets indésirables graves du vaccin)

Contrôle perçu ("effrayé" par le vaccin vivant)

Bénéfices liés à la réalisation du comportement (efficacité et durée)

13% Le patient hardi

Contrôle perçu (type de vaccin tué)

Gravité de la maladie (vaccination contre maladie grave)

Bénéfices liés à la réalisation du comportement (Durée de protection)

18% Le patient discipliné

Incitations à faire quelque chose (recommandation active du médecin, inscription au

calendrier vaccinal)

Gravité de la maladie (vaccination contre maladie plutôt grave)

Cette analyse croisée avec les différentes composantes du modèle de croyance santé, permet de répondre à

l'hypothèse 2. En effet hormis, pour le groupe 4 où la recommandation active de leur médecin traitant est

primordiale, pour les autres groupes ce n'est pas le cas et même cette incitation à agir peut être mal perçue par

certains. L'hypothèse H2 est donc rejetée.

Enfin, pour la dernière hypothèse H3, bien que les résultats aillent dans le sens de l'hypothèse, les problèmes

de représentativité de l'échantillon (cf. Limites) font qu'il n'est pas possible de la valider pleinement.


62

Recommandations managériales

Pour ces recommandations managériales, il est nécessaire de garder en tête que les résultats de cette étude ne

montrent pas de grandes différences sociodémographiques, par conséquent il peut être difficile de reconnaître

les différents groupes de patients autrement que par ces variables comportementales (cf. Voies de recherche –

Réaliser une segmentation plus poussée). L'objectif de ces recommandations managériales est de donner des pistes

de travail afin d'optimiser les couvertures vaccinales des prochains vaccins auprès de la population française

adulte. Ces recommandations sont à deux niveaux :

- Le premier est au niveau du développement. Les informations obtenues à l'issue de cette

segmentation et analyse donnent des clés pour développer des vaccins en priorité afin de contribuer

au développement de ce marché. Bien qu'il puisse être tendancieux de choisir les maladies à

combattre et ne pas choisir d'autres, il ne faut pas perdre de vue qu'un laboratoire pharmaceutique

reste une entreprise qui est soumis à des objectifs de rentabilité et de croissance. De plus autre que de

choisir de développer un vaccin contre telle maladie et pas une autre, ceci permet aussi d'optimiser

l'acceptation du vaccin et sa diffusion en changeant son type (un vaccin tué/inactivé plutôt qu'un

vaccin vivant atténué par exemple).

- Le second niveau est celui du marketing-mix. Il peut se faire soit en direction du prescripteur

(médecin) soit en direction du patient. Il est important de préciser que pour ce dernier toutes

informations ne peuvent être "brandées" (le laboratoire ne doit pas être mis en avant), comme il est

stipulé dans l'article L5122-6 du Code de la Santé Publique.


63

Tableau 14 - Principales recommandations managériales par segments de patients

Proportion

des groupes

Nom des patients

du groupe Principales recommandations managériales

18% Le patient

confiant

Développement

Développer plutôt des vaccins contre des maladies graves

Marketing-mix

Ne pas adopter un discours trop incitatif, privilégier l'informatif (en mettant en avant

le caractère grave de la maladie) > campagne de notoriété hors cabinet (hypothèse

que le patient confiant ne va pas souvent chez son médecin).

Avoir une démarche marketing "cachée" (par exemple développer un site sur

comment voyager pour mettre en avant en même temps la vaccination pour le

voyage) afin de toujours diminuer la perception du laboratoire pharmaceutique ou le

médecin ou la politique santé qui indique quel comportement adopté.

51% Le patient bien-

être

Développement

Développer plutôt des vaccins contre des maladies courantes avec un type de vaccin bien toléré

(éviter les vaccins de type vivant atténué)

Marketing-mix

Patient qui cherche à conserver sa qualité de vie au quotidien (Motivation à la santé

forte d'après le HBM), mettre en avant lors de campagnes de notoriété le caractère

impactant sur cette qualité de vie, et le caractère courant de la maladie. >

communication via poster ou "leaflet" (brochure) en cabinet.

Patient plus sensible aux éventuels coûts/risques liés à la vaccination, nécessaire de le

rassurer à ce niveau-là (effets indésirables graves du vaccin) notamment.

13% Le patient hardi

Développement

Développer plutôt des vaccins contre des maladies graves où la durée de protection serait

importante

Marketing-mix

Adopter une démarche qui ne soit pas trop paternaliste. Ce type de patients à besoin

d'être informé mais il ne doit pas être pris par la main (contrôle perçu et faible

sensibilité aux incitations).

Mettre en avant lors de communication le caractère grave de la maladie et la longue

durée de protection. Comme une maladie grave n'est pas fréquente, le patient doit

pouvoir s'imaginer que durant 10 ans il peut peut-être avoir le risque de contracter

cette maladie grave (mettre en avant une information de probabilité temporelle : Au

cours de ces 10 prochaines années vous avez 1 chance sur 5 de contracter cette maladie par

exemple).


64

18% Le patient

discipliné

Développement

Développer plutôt des vaccins contre des maladies qui touchent toutes classes de population

(politique de santé publique qui couvrira plus de monde)

Marketing-mix

Forte campagne auprès des médecins pour qu’ils puissent remplir leur rôle de

prescripteur > mettre en avant l'information sur l'inscription au calendrier vaccinal si

obtenue

Mettre en avant la caractéristique remboursement de la vaccination (si possible) car

inscrit au CV ou par les mutuelles

D'un point de vue global, l'administration du vaccin ne semble pas être un élément important dans la décision

de se faire vacciner pour les patients. Il est donc préférable de privilégier une meilleure efficacité ou une

meilleure protection en dépit d'une administration en dose unique. Ce critère peut cependant avoir un rôle

plus important pour le médecin et par conséquent influencer sa recommandation ou son information du vaccin

à sa patientèle ce qui peut être préjudiciable pour les patients disciplinés particulièrement, et même pour

d'autres vis-à-vis du relais de l'information.


65

Limites

Représentativité de l'échantillon

La première limite importante à cette recherche est la représentativité de l'échantillon. Cette limite était

prévisible étant donné le choix de diffusion du questionnaire (via les réseaux sociaux principalement). Ceci

pose bien entendu des problèmes de généralisation des résultats à la population française. Quoi qu'il en soit

cette étude peut servir d'éclaircissement sur des tendances existantes dans la population française au sujet du

processus de décision concernant la vaccination.

Validité externe

Le manque d'éléments existants dans la Littérature concernant le sujet de cette recherche ne permet pas de

dire si la validité externe de celle-ci est forte ou bien modérée. Pour ce faire, une solution serait de mesurer la

probabilité du choix pour un vaccin existant et par conséquent la couverture vaccinale estimée par le modèle

et la comparer à la couverture vaccinale réelle. Cependant, grand nombre de maladies existantes n'ont plus la

même prévalence qu'avant la vaccination, et beaucoup de vaccins sont désormais combinés pour ces maladies

(DTPolio par exemple) ce qui rend compliqué le choix du nombre de doses à prendre en compte par

exemple. L'une des questions de cette recherche était de savoir quels vaccins avaient été administrés aux

répondants depuis leur 18 ans, mais le parti a été pris de se servir de cette question plus comme préparation à

l'exercice de choix plutôt qu'une véritable information à prendre. En effet, on peut supposer que les réponses

n'ont pas été nécessairement données de manière sérieuse (avec vérification dans le carnet de santé) pour

l'ensemble des répondants (notamment les plus jeunes qui ont peut-être signifiés s'être fait vacciner contre

telle maladie mais il s'avère que c'était avant leur 18 ans).

Outils informatiques utilisés

Définition du plan d'expérience

Comme démontré précédemment, le plan d'expérience affichait une D-efficacité de 68%, ce qui reste une

bonne valeur mais il est probable qu'avec un outil plus adapté que Microsoft Excel pour ce type de travail,

permettant de faire tourner des procédures itératives comme la méthode de Street et Burgess [97], l'efficacité


66

du plan d'expérience soit meilleure. Ceci n'est qu'une hypothèse car peut être que la D-Optimalité (D-

efficacité de 100%) théorique ne peut être atteinte avec les caractéristiques de cette recherche et que 68% est

déjà dans la limite haute (certaines méthodes testées n'offraient qu'une D-efficacité de 27%).

Administration du questionnaire

L'utilisation de Google Forms pour l'administration, bien qu'offrant la gratuité du questionnaire et d'autres

qualités, n'offre naturellement pas toutes les possibilités souhaitées pour réaliser un terrain parfait. L'une d'elle

est notamment la rotation aléatoire des expériences de choix. Dans cette recherche la décision prise a été de se

limiter à 3 chemins possibles uniquement. De plus le faible choix de mise en page et d'applications dans cet

outil ne permet pas de rendre plus ludique/attractif la réalisation du questionnaire et par conséquent limiter

un potentiel effet de mortalité (perte d'un répondant en cours de questionnaire) ou un hypothétique effet de

lassitude suite à un épuisement cognitif par la répétition de la même tâche avec une présentation sommaire.

Enfin cet outil ne permet pas l'utilisation d'une analyse conjointe hybride (plus précisément l'Adaptive Choice

Based Conjoint) qui aurait permis de rendre la tâche des répondants plus agréable, de traiter plus d'attributs

(une analyse des facteurs déterminants plus large) et une analyse plus en profondeur de tous les attributs (pour

plus de détails sur cette méthode se reporter aux Voies de recherche).

Voies de recherche

Une segmentation plus riche

Une des voies de recherche possible est d'enrichir cette première segmentation réalisée dans ce travail.

Maintenant qu'il a été démontré qu'il existait une segmentation possible des patients concernant leur décision

de vaccination, une classification a priori peut être réalisée. De plus d'autres informations peuvent être

obtenues afin de rendre cette segmentation plus palpable afin de mener des actions marketing. Par exemple le

groupe dits des patients confiants, qui ont une préférence sur les vaccins contre les maladies rares et qui

perçoivent mal d'être incités à la vaccination par leur médecin ou par la politique vaccinale menée par le

gouvernement, sont-ils des patients plus adeptes de l'automédication que les autres ? Cette information plus

facile à obtenir permettrait de mieux les distinguer des autres groupes d'individus, et par conséquent faciliter

l'optimisation de la couverture vaccinale parmi eux. De même ce groupe apparaît comme celui qui a la

connaissance déclarée en vaccination la plus élevée (test non significatif car p=0,139), est ce que ceci se

confirme sur un échantillon plus important ? Ou encore, bien que les tests ne soient pas significatifs (dû


67

probablement aux petits échantillons car p = 0,14), il s'avère que le groupe des patients dits disciplinés est le

groupe des patients les plus âgés. Est-ce que leur grande sensibilité à la recommandation de leur médecin, et à

l'inscription dans le calendrier vaccinal provient de leur âge ? Si ceci se confirme sur un échantillon plus grand,

est ce que cela pourrait être expliqué par un changement de point de vue sur la relation avec le médecin entre

la nouvelle génération et celle qui la précède.

Un outil de simulation avec un modèle complet patient-

prescripteur

Un objectif secondaire de cette recherche était de pouvoir apporter des bases à la construction d'un modèle de

simulation de couverture vaccinale dans le cas d'un lancement d'un nouveau vaccin [Méthode utilisée par

Lebeau & alii pour le lancement de nouveaux véhicules hybrides, 56]. Certains modèles ont été construits

pour simuler la couverture vaccinale (comme celui de Coudeville [18]), mais peu prennent en compte les

différentes dimensions du vaccin et de la maladie et leur possible impact sur celle-ci. Afin de remplir cet

objectif il serait intéressant de développer encore certaines caractéristiques.

Echantillon représentatif

Dans l'objectif de rendre ce modèle applicable à toute la population française, et par conséquent être utile à la

fois aux laboratoires pharmaceutiques mais aussi au ministère de la santé afin d'adapter leur politique de

vaccination pour optimiser la CV, il est nécessaire de travailler sur un échantillon représentatif de cette

population. Représentatif en termes de sexe, d'âge, de CSP, mais aussi compte-tenu de la spécificité de la

vaccination, s'approchait d'une représentativité en termes de conditions de santé (diabétiques,

immunodéprimés, etc.). D'un point de vue déontologique, il peut être difficile de réaliser des quotas sur ces

critères (en plus du refus de réponse), mais on peut supposer qu'avec un échantillon suffisamment conséquent

et le principe de la loi des grands nombres, les proportions soient proches de la réalité.

Plus d'attributs évalués

Pour cette recherche, il a été choisi d'occulter certains attributs comme l'impact média, ou d'en regrouper

plusieurs (prévalences de la maladie, sa gravité et fréquence d'effets indésirables du vaccin notamment). Mais

afin d'enrichir l'outil de simulation et de rendre plus de paramètres variables, certains peuvent être rajoutés.

Afin de permettre une analyse conjointe reposant sur plus d'attributs, une méthode d'analyse conjointe hybride

(l'Adaptive Choice Based Conjoint) serait à adopter. Cette méthode développée par Sawtooth Software repose

sur 3 étapes [47][80] :


68

1) Build your own (BYO) phase

Cette première phase consiste à demander aux répondants de choisir leur niveau préféré dans chacun des

attributs afin de construire leur "produit idéal".

2) Screening phase

Le produit construit lors de la phase précédente sert de base pour les produits présentés lors de cette phase. Ici

le répondant doit évaluer individuellement chacun des produits et dire si c'est un choix possible pour lui ou

non. En même temps que cette phase est réalisée par le répondant, le logiciel analyse les réponses pour

proposer à l'interrogé des niveaux d'attributs qui semblent être indispensables pour lui ("must haves") ou

d'autres qui semblent impossibles ("unacceptables"), l'individu se doit alors de confirmer la proposition ou

non.

3) Choice tasks phase

Lors de cette phase, les produits considérés comme acceptables suite à la screening phase sont présentés en

groupes et le répondant doit choisir son produit préféré. Il s'agit ici d'un exercice de choix classique mais sans

l'option zéro. Cette phase se poursuit jusqu'à ce que le meilleur produit soit déterminé.

Une 4e phase peut être ajoutée dans certains cas pour mesurer l'intention de payer pour ce produit, ou pour

conduire des calibrages.

Cette méthode a le mérite de pouvoir traiter plus d'attributs donc, mais aussi d'aller plus en profondeur sur les

attributs qui pourraient être occultés en cas de préférences lexicographiques. Cette tâche prend en moyenne

plus de temps au répondant, mais semble plus appréciée [47] (la personnalisation/l'adaptation offrant un

contact durant le questionnaire, les profils présentés sont pertinents pour le répondant).

Cette méthode a déjà été utilisée à différentes reprises dans le domaine de la santé dans le monde professionnel

mais aussi dans des recherches académiques [Etat des lieux réalisé par Cunningham & alii en 2010, 21] qui

démontrent que bien qu'elle permette un plus grand nombre d'attributs il est préférable de rester inférieur à

12 avec moins de 7 niveaux par attributs. Au-delà il serait nécessaire de faire une phase de préparation au BYO

pour limiter le nombre d'attributs. De plus cette méthode ne supporte pas les combinaisons impossibles de

niveaux, mais il a été démontré dans la Littérature et rappelé dans ce travail qu'il était préférable de réaliser

des méta-attributs à bloquer certaines combinaisons. Quoiqu'il en soit les différentes recherches l'utilisant

s'accordent à dire que l'ACBC permet une meilleur expérience pour le répondant qui se traduit par des

données de meilleure qualité et donc de meilleures estimations et une meilleure validité prédictive [42].

Une possibilité supplémentaire afin d'enrichir les informations obtenues d'une enquête serait de coupler

l'exercice de choix avec d'autres outils, ainsi une recherche menée par Meissner et Decker en 2010 a prouvé

un gain sur les informations par l'apport de l'Eye-tracking lors de cette tâche [67].


69

Etude similaire auprès de médecins

Une autre caractéristique à développer pour permettre l'établissement d'un modèle complet serait de rendre

variable l'intervention du médecin selon les caractéristiques du vaccin et de la maladie concernée. En d'autres

termes réaliser une étude identique auprès de médecins où le résultat serait leur probabilité de recommander

le vaccin. Ainsi cette variable pourrait être implémentée dans le calcul de la probabilité d'accepter la

vaccination par le patient, ce qui rendrait le modèle complet avec la relation prescripteur-patient. La

résultante serait un modèle d'estimation de la couverture vaccinale plus réaliste. D'autant plus que l'on peut

imaginer qu'une segmentation existe aussi, parmi les médecins, sur les facteurs déterminants de leur décision

de recommander le vaccin.


70

Bibliographie

1 ACADEMIE DE MEDECINE. Dictionnaire médical de l'Académie de Médecine, version 2014, consulté le 15/08/2014

à l'adresse : http://dictionnaire.academie-medecine.fr/?q=vaccination

2 AMABLE, B. et ASKENAZY, P. Introduction à l’économie de la connaissance, contribution pour le rapport

Unesco. Construire des sociétés du savoir, 2005.

3 AMMI, Mehdi. Analyse économique de la prévention. Offre de prévention, incitations et préférences en médecine libérale.

2011. Thèse de doctorat. Université de Bourgogne.

4 ANGELMAR, Reinhard et MORGON, Pierre A. Vaccine Marketing. In : Innovation and Marketing in the

Pharmaceutical Industry. Springer New York, 2014. p. 365-423.

5 BACKHAUS, Klaus, HILLIG, Thomas, et WILKEN, Robert. Predicting purchase decisions with different

conjoint analysis methods-A Monte Carlo simulation. International Journal of Market Research, 2007, vol. 49, no 3,

p. 341-364.

6 BATHELOT, Bertrand. Définition Effet d'ordre, consulté le 28/07/2014 à l'adresse : http://www.definitions-

marketing.com/Definition-Effet-d-ordre

7 BAUDOT, Jean-Yves. Métriques des classifications, consulté le 22/07/2014 à l'adresse :

http://www.jybaudot.fr/Analdonnees/metriques.html

8 BETSCH, Cornelia, BREWER, Noel T., BROCARD, Pauline, et al. Opportunities and challenges of Web 2.0

for vaccination decisions. Vaccine, 2012, vol. 30, no 25, p. 3727-3733.

9 BLANDON, José, HENSON, Spencer, et ISLAM, Towhidul. The importance of assessing marketing

preferences of small-scale farmers: a latent segment approach. European Journal of Development Research, 2010,

vol. 22, no 4, p. 494-509.

10 BLOCH, Hervé. Gamification : l’expansion du jeu dans tous les domaines d’activité, consulté le 03/08/2014 à

l'adresse : http://www.tourmag.com/Gamification-l-expansion-du-jeu-dans-tous-les-domaines-d-activite_a64776.html

11 BOËLLE, Pierre-Yves. Efficacité vaccinale : définitions & estimation. Cours de la Faculté de Médecine Piette et Marie

Curie, 2010.

12 BORGHI, Carlo. Discrete choice models for marketing.

13 BOURNEMOUTH UNIVERSITY. The Kruskal-Wallis and Friedman tests for non-parametric data (plus various post hoc

tests), consulté le 19/08/2014 à l'adresse : http://media3.bmth.ac.uk/spss/focus_pages/focus_13a.htm

14 CHIB, Siddhartha et GREENBERG, Edward. Understanding the metropolis-hastings algorithm. The American

Statistician, 1995, vol. 49, no 4, p. 327-335.

15 CHRZAN, Keith et ORME, Bryan. An overview and comparison of design strategies for choice-based conjoint

analysis. Sawtooth software research paper series, 2000.

16 COE, Antoinette B., GATEWOOD, Sharon BS, MOCZYGEMBA, Leticia R., et al. The use of the health belief

model to assess predictors of intent to receive the novel (2009) H1N1 influenza vaccine. Innovations in pharmacy,

2012, vol. 3, no 2, p. 1.


71

17 CONROY, Kathleen, ROSENTHAL, Susan L., ZIMET, Gregory D., et al. Human papillomavirus vaccine

uptake, predictors of vaccination, and self-reported barriers to vaccination. Journal of Women's Health, 2009, vol.

18, no 10, p. 1679-1686.

18 COUDEVILLE, Laurent. Comportement individuel en matière de vaccination. Revue économique, 2004, vol. 55,

no 4, p. 745-765.

19 COUMAU, Cécile. Vaccin hépatite B : 2,4 millions d'indemnité pour une sclérose en plaque, consulté le 15/08/2014 à

l'adresse : http://www.pourquoidocteur.fr/Vaccin-hepatite-B---2-4-millions-d-indemnite-pour-une-sclerose-en-plaque-

7543.html

20 CRISTOFARI, Jean-Jacques. Vaccins, l'Europe mène le bal. Pharmaceutiques, 2007, Juin-Juillet, p. 54-71.

21 CUNNINGHAM, Charles E., DEAL, Ken, et CHEN, Yvonne. Adaptive Choice-Based Conjoint Analysis. The

Patient: Patient-Centered Outcomes Research, 2010, vol. 3, no 4, p. 257-273.

22 DEBACKER, Pauline. Facteurs déterminant les conseils de vaccination du nourrisson chez les médecins et chez les internes

en pédiatrie (étude en analyse conjointe). 2012. Thèse de doctorat.

23 DELLUS, Sylvie. Huit choses à savoir sur le Gardasil, le vaccin contre le cancer du col de l’utérus, consulté le

29/07/2014 à l'adresse : http://www.santemagazine.fr/actualite-huit-choses-a-savoir-sur-le-gardasil-le-vaccin-contre-

le-cancer-du-col-de-l-uterus-55493.html

24 DERRYBERRY, DeWayne R., SCHOU, Sue B., et CONOVER, W. J. Teaching rank-based tests by

emphasizing structural similarities to corresponding parametric tests. Journal of Statistics Education, 2010, vol. 18,

no 1, p. 1-19.

25 DIRECTION GENERALE DE LA SANTE. Guide des vaccinations, 2012.

26 D'SOUZA, Clare, ZYNGIER, Suzanne, ROBINSON, Priscilla, et al. Health belief model: Evaluating marketing

promotion in a public vaccination program. Journal of Nonprofit & Public Sector Marketing, 2011, vol. 23, no 2, p.

134-157.

27 EISEN-HECHT, Jonathan I., KRAMER, Randall A., et HUBER, Joel. A Hierarchical Bayes Approach to Modeling

Choice Data: A Study of Wetland Restoration Programs. 2005. Thèse de doctorat. Duke University.

28 FISHER, Jacob C. Fitting Bayesian hierarchical multinomial logit models in PROC MCMC, 2012.

29 FLORET, D. Le calendrier des vaccinations et les recommandations vaccinales 2012 selon l’avis du Haut Conseil

de la santé publique. Bull Epidémiol Hebd, 2012, vol. 10, p. 111-112.

30 FUTURA-SCIENCES. Couverture vaccinale, consulté le 22/06/2014 à l'adresse : http://www.futura-

sciences.com/magazines/sante/infos/dico/d/medecine-couverture-vaccinale-13088/

31 GAUDELUS, J., COHEN, R., LEPETIT, H., et al. Vaccinoscopie: de la perception des mères à la couverture

vaccinale. Médecine & enfance, 2009, vol. 29, no 8, p. 397-401.

32 GBI RESEARCH. Adult and Adolescent Vaccines Market to 2017 - Accelerated Development and Introduction

Plans (ADIP) by GAVI Alliance to Drive Growth., 2011.

33 GLAXOSMITHKLINE. Histoire de la vaccination, consulté le 15/08/2014 à l'adresse : http://www.vacciweb.be/fr-

BE/content/vaccins-pour-adolescents-et-adultes/la-vaccination-en-general/histoire/151/509/

34 GREEN, Paul E. et RAO, Vithala R. Conjoint measurement for quantifying judgmental data. Journal of Marketing

research, 1971, p. 355-363.


72

35 GREEN, Paul E. et SRINIVASAN, Venkataraman. Conjoint analysis in consumer research: issues and outlook.

Journal of consumer research, 1978, p. 103-123.

36 GREENE, William H. Discrete choice modeling. Cours de l'Université du Danemark du Sud, 2008.

37 GUTHMANN, J. P. et ABITEBOUL, D. Vaccinations chez les soignants des établissements de soins de France,

2009. Couverture Vaccinale, Connaissances et Perceptions vis-à-vis des Vaccinations, Rapport Final, 2011.

38 GUYON, Hervé. L’analyse conjointe discrète: une illustration pour le marché du pneu. Revue Française du

Marketing, 2009, no 225.

39 HANSLIK, Thomas et BOËLLE, Pierre Yves. L’évaluation du rapport risque/bénéfice des stratégies de

vaccination. Med Sci (Paris), 2007, vol. 23, p. 391-8.

40 HAUTE AUTORITE DE SANTE. Définition du Service Médical Rendu (SMR), consulté le 18/07/2014 à l'adresse :

http://www.has-sante.fr/portail/upload/docs/application/pdf/definition_smr.pdf

41 HAUTE AUTORITE DE SANTE. Vaccination contre le virus de l’hépatite B et sclérose en plaques : état des

lieux. Rapport d'orientation de la commission d'audition, 2004.

42 HERRMANN, Andreas, SCHMIDT-GALLAS, Dirk, et HUBER, Frank. Adaptive conjoint analysis:

understanding the methodology and assessing reliability and validity. In : Conjoint Measurement. Springer Berlin

Heidelberg, 2003. p. 305-329.

43 HOOGERBRUGGE, Marco. Practical issues concerning the number-of-levels effect. In : Sawtooth Software

Conference. 2000.

44 HUANG, Yangxin, LIU, Dacheng, et WU, Hulin. Hierarchical Bayesian methods for estimation of parameters

in a longitudinal HIV dynamic system. Biometrics, 2006, vol. 62, no 2, p. 413-423.

45 INSEE. Population par âge, consulté le 01/08/2014 à l'adresse :

http://www.insee.fr/fr/mobile/etudes/document.asp?reg_id=0&id=4149

46 JAIN, Dipak, BASS, Frank M., et CHEN, Yu-Min. Estimation of latent class models with heterogeneous choice

probabilities: An application to market structuring. Journal of Marketing Research, 1990, p. 94-101.

47 JOHNSON, Richard et ORME, B. A perspective on adaptive CBC (what can we expect from respondents?).

Sawtooth Software, Research Paper Series, 2008.

48 JOHNSON, Richard M. et ORME, Bryan K. How many questions should you ask in choice-based conjoint

studies. Sawtooth software technical paper, 1996.

49 JOHNSON, Richard M. Understanding HB: an intuitive approach. Sawtooth Software Inc., Sequim, WA, 2000.

50 JOHNSON, Richard, HUBER, Joel, et BACON, Lynd. Adaptive choice-based conjoint. In : Proceedings of the

10th Sawtooth Software Conference. 2003.

51 KADDAR, Miloud. Global Vaccine Market Features and Trends. Diaporama de présentation à l'Organisation

Mondiale de la Santé.

52 KAMAKURA, Wagner A., KIM, Byung-Do, et LEE, Jonathan. Modeling preference and structural

heterogeneity in consumer choice. Marketing Science, 1996, vol. 15, no 2, p. 152-172.

53 KONTOLEON, Andreas et YABE, Mitsuyasu. Market segmentation analysis of preferences for GM derived

animal foods in the UK. Journal of Agricultural & Food Industrial Organization, 2006, vol. 4, no 1.


73

54 KUHFELD, Warren F. Efficient experimental designs using computerized searches. Research Paper Series, SAS

Institute, Inc, 1997.

55 LARSON, Daniel J. et WON, Doyeon. Road cycling event preferences for racing cyclists. International Journal of

Sports Marketing & Sponsorship, 2012, vol. 13, no 2, p. 116-131.

56 LE PEN, Claude. Vaccins : les enjeux économiques. Cours Université Paris-Dauphine.

57 LEBEAU, Kenneth, VAN MIERLO, Joeri, LEBEAU, Philippe, et al. The market potential for plug-in hybrid and

battery electric vehicles in Flanders: A choice-based conjoint analysis. Transportation Research Part D: Transport and

Environment, 2012, vol. 17, no 8, p. 592-597.

58 LEFÈVRE, H., PAVILLON, G., LE TOULLEC, A., et al. Mortalité par maladies infectieuses en France.

Situation actuelle et tendances évolutives. Surveillance nationale des maladies infectieuses, 2001, vol. 2003.

59 LES ENTREPRISES DU MEDICAMENT. Position des Entreprises du Médicament. Le vaccin, un médicament

comme les autres ?

60 LES ENTREPRISES DU MEDICAMENT. Quel est le poids de l'industrie du vaccin ? 100 questions que l'on nous

pose, 2012, Juin, p. 77.

61 Les Médias, un 4e pouvoir ?, consulté le 17/08/2014 à l'adresse : http://media-et-politique.e-monsite.com/pages/les-

medias-un-quatrieme-pouvoir.html#

62 Les modèles de choix discret et leur estimation. (Téléchargeable à partir de

http://temis.documentation.developpement-durable.gouv.fr/documents/Temis/0028/Temis-0028463/11993_2.pdf).

63 LIECHTY, John C., FONG, Duncan KH, et DESARBO, Wayne S. Dynamic models incorporating individual

heterogeneity: Utility evolution in conjoint analysis. Marketing Science, 2005, vol. 24, no 2, p. 285-293.

64 MA, K. K., SCHAFFNER, W., COLMENARES, C., et al. Influenza vaccinations of young children increased

with media coverage in 2003. Pediatrics, 2006, vol. 117, no 2, p. e157-e163.

65 MAGIDSON, J. et VERMUNT, J. K. A Nontechnical Introduction to Latent Class Models. Statistical

Innovations White Paper# 1. 2002.

66 MCFADDEN, Daniel, TYE, William B., et TRAIN, Kenneth. An application of diagnostic tests for the independence

from irrelevant alternatives property of the multinomial logit model. Institute of Transportation Studies, University of

California, 1977.

67 MEISSNER, Martin et DECKER, Reinhold. Eye-tracking information processing in choice-based conjoint

analysis. International Journal of Market Research, 2010, vol. 52, no 5.

68 MELLES, Torsten, LAUMANN, Ralf, et HOLLING, Heinz. Validity and reliability of online conjoint analysis.

In : Proceedings of the Sawtooth Software Conference. Sawtooth Software Sequim, WA, 2000. p. 31-40.

69 MEYER-WAARDEN, Lars et ZEITOUN, Helen. Une comparaison empirique de la validité prédictive de la

méthode de composition, de l'analyse conjointe et de l'analyse conjointe hybride. Recherche et applications en

marketing, 2005, vol. 20, no 3, p. 39-58.

70 MILLS, Edward, JADAD, Alejandro R., ROSS, Cory, et al. Systematic review of qualitative studies exploring

parental beliefs and attitudes toward childhood vaccination identifies common barriers to vaccination. Journal of

clinical epidemiology, 2005, vol. 58, no 11, p. 1081-1088.


74

71 NACHE, Catalin M. et TRUDEAU, François. DETERMINANTS PSYCHOSOCIAUX DES

COMPORTEMENTS DE SANTE: APPROCHES THEORIQUES ET OPERATIONNALISATION EN

EDUCATION POUR LA SANTE. SPIRALE, 2000, no 25, p. 89-109.

72 NAIK-PANVELKAR, Ms Pradnya, ARMOUR, Carol, ROSE, John M., et al. Patient Preferences for

Community Pharmacy Asthma Services. PharmacoEconomics, 2012, vol. 30, no 10, p. 961-976.

73 NATTER, Martin et FEURSTEIN, Markus. Real world performance of choice-based conjoint models. European

Journal of Operational Research, 2002, vol. 137, no 2, p. 448-458.

74 NGUYEN, Florence, NORA, M., et al. Révélation des préférences individuelles pour un bien de santé: la

méthode des choix discrets appliquée au choix du Traitement Hormonal Substitutif de la ménopause. Journées de

l'AFSE. GRESAC, GATE and U, 2007.

75 OGDEN, Jane. Psychologie de la santé: A Textbook. De Boeck Supérieur, 2008.

76 OHANNESSIAN, Silva. L'option" zéro" en analyse conjointe: une nouvelle spécification de l'indécision et du refus. 2008.

Thèse de doctorat.

77 ORGANISATION MONDIALE DE LA SANTE. Principales causes de mortalité dans le monde, consulté le

16/08/2014 à l'adresse : http://www.who.int/mediacentre/factsheets/fs310/fr/

78 ORME, Bryan et BAKER, Gary. Comparing Hierarchical Bayes Draws and Randomized First Choice for

Conjoint Simulations. Sawtooth Software Research Paper Series, 2000.

79 ORME, Bryan K. Interpreting the Results of Conjoint-Analysis. Getting started with conjoint analysis: Strategies for

product design and pricing research. 2010, Chapitre 9.

80 ORME, Bryan. Fine-tuning CBC and adaptive CBC questionnaires. Notice disponible sur

www.sawtoothsoftware.com, 2009.

81 ORME, Bryan. Formulating attributes and levels in conjoint analysis. Sawtooth Software Research Paper. Sawtooth

Software Inc.(Téléchargeable à partir de http://www.sawtoothsoftware.com/download/techpap/formatt.pdf), 2002.

82 PAUL, Stéphane, AUTRAN, Brigitte, JEANNIN, Pascale, et LELIEVRE, Jean-Daniel. Mécanisme d'action des

vaccins, rôle des adjuvants. Association des Collèges des Enseignants d'Immunologie des Universités de langue

française.(Téléchargeable à partir de http://www.assim.refer.org/colleges/colleges/styled/files/page80-l3.10.vaccins.pdf).

83 PFIZER. Pfizer Presents Detailed Results From Landmark Community-Acquired Pneumonia Immunization Trial In Adults

(CAPiTA) Evaluating Efficacy Of Prevenar 13, consulté le 16/04/2014 à l'adresse : http://www.pfizer.com/news/press-

release/press-release-

detail/pfizer_presents_detailed_results_from_landmark_community_acquired_pneumonia_immunization_trial_in_adults_

capita_evaluating_efficacy_of_prevenar_13

84 REED JOHNSON, F., LANCSAR, Emily, MARSHALL, Deborah, et al. Constructing experimental designs for

discrete-choice experiments: report of the ISPOR conjoint analysis experimental design good research practices

task force. Value in Health, 2013, vol. 16, no 1, p. 3-13.

85 REITER, Paul L., BREWER, Noel T., GOTTLIEB, Sami L., et al. Parents' health beliefs and HPV vaccination of

their adolescent daughters. Social science & medicine, 2009, vol. 69, no 3, p. 475-480.

86 ROUSSEY, M. Les freins à la vaccination. Pôle de pédiatrie médico-chirurgicale et de génétique clinique.


75

87 RYAN, Mandy et GERARD, Karen. Using discrete choice experiments to value health care programmes:

current practice and future research reflections. Applied health economics and health policy, 2003, vol. 2, no 1, p.

55-64.

88 RYAN, Mandy, GERARD, Karen, et AMAYA-AMAYA, Mabel (ed.). Using discrete choice experiments to value

health and health care. Springer, 2007.

89 SAPÈDE, Claudine et GIROD, Isabelle. Willingness of adults in Europe to pay for a new vaccine: The

application of discrete choice-based conjoint analysis. International Journal of Market Research, 2002, vol. 44, no 4,

p. 463-476.

90 SAVOPOULOS, John. Strategic directions in vaccines. Journal of Medical Marketing: Device, Diagnostic and

Pharmaceutical Marketing, 2004, vol. 4, no 2, p. 105-109.

91 SAWTOOTH SOFTWARE. The CBC System for Choice-Based Conjoint Analysis. Sawtooth Software Technical

Paper. Sawtooth Software Inc. (Téléchargeable à partir de https://sawtoothsoftware.com/download/techpap/cbctech.pdf),

2013.

92 SMITH, Michael J., ELLENBERG, Susan S., BELL, Louis M., et al. Media coverage of the measles-mumps-

rubella vaccine and autism controversy and its relationship to MMR immunization rates in the United States.

Pediatrics, 2008, vol. 121, no 4, p. e836-e843.

93 SPSS INC. IBM SPSS Conjoint, 2012.

94 STATSDIRECT. Kruskal-Wallis Test, consulté le 19/08/2014 à l'adresse :

http://www.statsdirect.com/help/default.htm#nonparametric_methods/kruskal_wallis.htm

95 STATSOFT. Plans d'Expériences : Construire des plans D et A Optimaux, consulté le 25/06/2014 à l'adresse :

http://www.statsoft.fr/concepts-statistiques/plans-experiences/plans-d-et-a-optimaux.php#.U_dKIGPyJ3t

96 STEENHARD, David et CHOU, N. T. Designing information-service products: a Hierarchical Bayesian

approach, 2004.

97 STREET, Deborah J., BURGESS, Leonie, et LOUVIERE, Jordan J. Quick and easy choice sets: constructing

optimal and nearly optimal stated choice experiments. International Journal of Research in Marketing, 2005, vol. 22,

no 4, p. 459-470.

98 STREET, Deborah J., BURGESS, Leonie, VINEY, Rosalie, et al. Designing discrete choice experiments for health care.

Springer Netherlands, 2008.

99 UNIVERSITE DE GENEVE. Théorie de l'action raisonnée, consulté le 23/07/2014 à l'adresse :

http://edutechwiki.unige.ch/fr/Th%C3%A9orie_de_l%E2%80%99action_raisonn%C3%A9e

100 VAN DRIESSCHE, Luc. Le deal à 21 milliards de Novartis et GSK, consulté le 08/05/2014 à l'adresse :

http://www.lecho.be/actualite/entreprises_pharma/Le_deal_a_21_milliards_de_Novartis_et_GSK.9492904-

3002.art?ckc=1

101 VERGER, P., FLICOTEAUX, R., PAUVIF, L., et al. Attitudes et pratiques des médecins généralistes de ville

relatives à la vaccination en général et à celle contre la grippe A/H1N1 en 2009. Études et Résultats, 2011, vol.

770, p. 1-8.

102 VIRELLI, Giuseppina. Number of levels effect in adaptive and choice-based conjoint analysis. 2001. Thèse de doctorat.

Concordia University.

103 VISIONGAIN. The Global Vaccines Market, 2008-2023. 2008.


76

104 WALSH, Julia A. Les aspects économiques de la grippe - Maladie et vaccination. Cours de l'Ecole des Hautes Etudes

en Santé Publique, 2010.

105 WIKIPEDIA. Distance de Manhattan, consulté le 22/07/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Distance_de_Manhattan

106 WIKIPEDIA. Distance de Tchebychev, consulté le 22/07/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Distance_de_Tchebychev

107 WIKIPEDIA. Economie du savoir, consulté le 07/08/2014 à l'adresse :

http://fr.wikipedia.org/wiki/%C3%89conomie_du_savoir

108 WIKIPEDIA. Identifiability, consulté le 05/07/2014 à l'adresse : http://en.wikipedia.org/wiki/Identifiability

109 WIKIPEDIA. Loi de Gumbel, consulté le 23/05/2014 à l'adresse : http://fr.wikipedia.org/wiki/Loi_de_Gumbel

110 WIKIPEDIA. Loi de Wishart inverse, consulté le 15/06/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Loi_de_Wishart_inverse

111 WIKIPEDIA. Loi uniforme continue, consulté le 18/08/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Loi_uniforme_continue

112 WIKIPEDIA. Quatrième pouvoir, consulté le 17/08/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Quatri%C3%A8me_pouvoir

113 WIKIPEDIA. Test de Kolmogorov-Smirnov, consulté le 08/08/2014 à l'adresse :

http://fr.wikipedia.org/wiki/Test_de_Kolmogorov-Smirnov

114 WIKIPEDIA. Tukey range test, consulté le 19/08/2014 à l'adresse :

http://en.wikipedia.org/wiki/Tukey%27s_range_test

115 XLSTAT. Régression logistique pour réponses binaires et multinomiales (logit, probit, …), consulté le 14/08/2014 à

l'adresse : http://www.xlstat.com/fr/produits-solutions/fonctionnalite/regression-logistique-pour-reponse-binaires-et-

multinomiales-logit-probit.html

116 YU, Jie, GOOS, Peter, et VANDEBROEK, Martina. Efficient conjoint choice designs in the presence of

respondent heterogeneity. Marketing Science, 2009, vol. 28, no 1, p. 122-135.

117 ZIMMERMAN, Richard Kent, SCHLESSELMAN, James J., MIECZKOWSKI, Tammy A., et al. Physician

concerns about vaccine adverse effects and potential litigation. Archives of pediatrics & adolescent medicine, 1998,

vol. 152, no 1, p. 12-19.


77

Annexes

Annexe 1 – Benchmark des tarifs de vaccination pour une seule

injection

Type de vaccination Prix en Euros

pour 1 injection (€) / pers.

DIPHTERIE - TETANOS - POLIOMYELITE - COQUELUCHE (Repevax / Boostrix) 40

DIPHTERIE - TETANOS - POLIOMYELITE - COQUELUCHE (Tétravac Acellulaire) 21

DIPHTERIE - TETANOS - POLIOMYELITE (Revaxis) 20

ENCEPHALITE A TIQUES (Ticovac) 55

ENCEPHALITE JAPONAISE (Ixiaro) 105

FIEVRE JAUNE (Stamaril multidose) 45

GRIPPE (Vaxigrip) 15

HEPATITE A (Avaxim / Havrix 1440 / Havrix 720) 43

HEPATITE B (Genhevac B / Engérix B) 26

HEPATITES A + B (Twinrix) 50

HUMAN PAPILLOMAVIRUS (Gardasil / Cervarix) 124

LEPTOSPIROSE (Spirolept) 80

MENINGITE A + C (Méningococcique A + C) 32

MENINGOCOCCIQUE A + C + Y + W 135 conjugué (Nimenrix / Menveo) 52

RAGE (Rabique Pasteur / Rabipur) 50

ROUGEOLE (Rouvax) 10

ROUGEOLE OREILLONS RUBEOLE (Priorix) 25

TEST TUBERCULINIQUE (Tubertest 5UI) 12

TETANOS (Vaccin tétanique Pasteur) 10

TYPHOIDE (Typhérix / Typhim) 50

Source : http://www.pasteur.fr/fr/sante/informations-pratiques/tarifs


78

Annexe 2 – Benchmark des efficacités de vaccins existants (liste

non exhaustive) [25]

Vaccin Efficacité

Choléra 85%

Coqueluche 90%

Diphtérie 95%

Encéphalite à tiques 90%

Encéphalite japonaise 95%

Grippe saisonnière 60-90%

Haemophilus Influenzae type b 100%

Hépatite A 97%

Hépatite B 90%

HPV 99%

Pneumocoque 50-70%

Poliomyélite 80-90%

Rotavirus 85%

Rougeole 95%

Rubéole 95%

Tétanos 95%

Typhoïde 60%

Zona 61%

A la lecture de ce tableau, 3 modalités d'efficacité semblent pertinentes pour les vaccins adultes : 60%, 75% et

90% (respect des équidistances entre modalités). Finalement dans l'objectif de réduire le nombre de scénarii,

la décision de réduire à 2 modalités a été prise. Par conséquent les modalités retenues sont 60% et 80% et

plus.


79

Annexe 3 – Ensemble des paires présentées au cours de l'exercice

de choix

design 1- Profil A comparé au profil C


80

design 10 - >Comparaison évidente (profil A > profil B)

design 12 - Profil A comparé au profil B


81

design 19 - Profil B comparé au profil C


82

43% 30% 27%

Connaissance déclarée de la vaccination

Mauvaise (note entre 1 et 5) Modérée (note de 6 ou 7) Très bonne (note supérieure à 8)

Annexe 4 – Graphiques des résultats des variables

sociodémographiques des 67 répondants retenus

72%

28%

Proportion de femmes et d'hommes

Femmes Hommes 76%

4%

15%

4%

0%

18-34

35-44

45-54

55-64

65 et plus

Proportion des classes d'âge

0%

1%

18%

6%

24%

3%

0%

45%

0%

1%

1%

Agriculteurs

Artisans, Commerçants, Chefs d'entreprises

Cadres et professions intellectuelles supérieures

Professions intermédiaires

Employés

Ouvriers

Retraités

Etudiants

Inactifs et chômeurs n'ayant jamais travaillé

Refus de répondre

Autres

Proportion des CSP


83

25%

69%

6%

Opinions à l'égard de la vaccination

Très favorable Favorable Peu favorable Pas du tout favorable

87% des interrogés ont déjà été

vacciné au moins une fois depuis leur

18 ans


84

Annexe 5 – Infographie réalisée pour partage des résultats auprès

des répondants

Le lien permettant d’accéder à la version dynamique de cette infographie est le suivant :

https://infogr.am/optimiser-les-prochaines-couvertures-vaccinales-aupres-des-adultes-francais

https://infogr.am/optimiser-les-prochaines-couvertures-vaccinales-aupres-des-adultes-francais


85

Mémoire de stage réalisé par Florian Jolivet, étudiant en M2 Marketing

spécialité Le Quanti, métiers des études en marketing à l’IAE de Grenoble

(2013/2014).

Profil LinkedIn :


86

our contact : [email protected]

Profil LinkedIn :

Comment améliorer les prochaines couvertures vaccinales auprès des adultes français ?

Healthcare

Transcript of Comment améliorer les prochaines couvertures vaccinales auprès des adultes français ?