CHAPITRE 4
ESTIMATION DU CONSENTEMENT A PAYER
Introduction
Dans l'objectif d'estimer le CAP, nous avons appliqué
la technique du référendum avec des questions discrètes
à choix dichotomique et fermées (Hanneman, 1984 ; Hanneman et
McConnell, 2003). Nous avons déterminer des variables
indépendantes qualitatives et quantitatives et qui ont une influence
significative sur la variable dépendante(CAP). Ce chapitre met en
exergue l'analyse statistique des résultats obtenus auprès de
notre échantillon à l'aide du logiciel LIMDEP en vue de
déterminer le consentement à payer moyen, médian,
d'établir sa distribution probabiliste et d'en tirer les conclusions.
4-1 Mise en contexte
Une variation de la qualité du saumon vaut pour
l'ensemble des consommateurs. Le but est d'identifier la valeur du saumon pour
un individu à l'utilité qu'il lui procure. L'utilité d'un
individu dépend de sa consommation de biens marchands mais
également de la qualité et de la quantité de saumon
(saumon génétiquement modifié et saumon naturel
d'élevage ou sauvage) et donc de l'usage qu'il en fait. Mais nous
partons du fait qu'un individu est appelé à choisir entre le
saumon génétiquement modifié et le saumon naturel par
rapport aux informations qu'il voudrait voir sur les étiquettes.
En premier lieu, on représente une fonction
d'utilité d'un individu i comme :
Ui(Xi, Z) (1)
où Xi est le vecteur de n biens
marchands et Z est le bien environnemental considéré qui
est ici représenté par les différents types de saumon.
Nous utiliserons le model binomial considérant que
l'individu a le choix entre le saumon génétiquement
modifié et le saumon naturel d'élevage ou sauvage, par
hypothèse nous considérons que lorsqu'un individu choisi le
saumon génétiquement modifié son utilité est de
 et lorsqu'il choisi le saumon naturel son utilité est de  (statu quo), si le répondant choisi le saumon
génétiquement modifié   (2)
La formule standard permettant de déterminer
l'utilité est la suivante :
 (3)
où vij est le déminant des
composants de l'utilité de l'individu et ij
représente les composants aléatoires qui caractérisent la
fonction d'utilité de l'individu et donc l'enquêteur ignore .
Comme dans la théorie classique du consommateur, on suppose que les
individus maximisent leur utilité en choisissant parmi les biens
marchands (les individus ne contrôlent pas le niveau de provision de
biens environnementaux). On ramène alors les choix d'un consommateur
i au programme d'optimisation suivant :
max Ui(Xi, Z,) sachant que PXi =
Yi (4)
où P est un vecteur de prix et Yi son
revenu. Le programme d'optimisation sous contrainte de revenu conduit à
définir les fonctions de demande classiques :
= (P, Z, Yi) k = 1, ..., K (5)
où l'exposant k indique le
k-ème bien marchand.
On peut alors définir la fonction d'utilité
indirecte d'un individu i comme :
Vi(P, Z, Yi,  ) = Ui[h(P, Z, Yi), Z,  ] (6)
Dans laquelle l'utilité est représentée
comme une fonction des prix, du revenu et également, dans le cas
envisagé ici, des biens environnementaux. En tant que bien
environnemental la population de saumon sauvage ou d'élevage peut
accroître ou décroître selon le rythme d'exploitation ou
bien d'autres aléas d'ordres climatiques ou environnementaux. Soit
Z0, le vecteur initial représentant la valeur quantitative et
qualitative initiale du saumon naturel. On considère un vecteur
Z1 pour lequel il y a eu un accroissement d'au moins un
élément et un seul. On peut alors écrire que Z1
> Z0 et :
= Vi (P, Z1, Yi,  ) Vi(P, Z0, Yi,  ) (7)
On peut alors déterminer une variation compensatrice
due a la modification de l'utilité du consommateur de la manière
suivante :
Vi( ,P, Z1, Yi - CAPi) Vi( ,P, Z0, Yi) (8)
où la variation compensatrice est la valeur
monétaire CAPi que les consommateurs sont prêts à
sacrifier après le changement intervenu dans la population du saumon
naturel de l'état Z0 à Z1, et qui le laissera
à un niveau de bien-être identique à celui qui
prévalait avant le changement. Ce consentement à payer correspond
donc à la diminution du revenu qui laisse le niveau initial
d'utilité inchangé après l'augmentation de la
quantité, ou de qualité de l'information sur le saumon.
Cependant, le statisticien ne connaît pas les
composantes aléatoires des préférences (ij ) et
peut seulement faire des hypothèses probabilistes sur les
réponses « oui » et « non ». On note Yj la
réponse à ces questions ; Yj = 1 correspond à la
réponse « oui ». La probabilité de répondre
« oui » est donc :
 (9)
Dans le modèle à utilité aléatoire
linéaire, la fonction d'utilité se présente sous une forme
additivement séparable. Elle se décompose ainsi en une partie
déterministe linéaire (vi) et une partie stochastique
(ij ) :
Pr(Yj=1)=Pr(v1(vj-tj.zj)+e1j=vo(yj,zj)+
eoj(10)
Une fois que la fonction d'utilité indirecte est
spécifiée comme la somme d'une composante déterministe et
d'une composante aléatoire, la différence des deux composantes
aléatoires ne peut plus être identifiée de sorte que l'on
considère un unique terme d'erreur : j =1 j - 0 j
. (11)
Le changement dans la partie déterministe de la fonction
d'utilité indirecte est :
v1j-voj=zj(á1-
áo )+(yj-tj)â1 -yjâo (12)
Une hypothèse raisonnable est que l'utilité
marginale du revenu est constante entre les deux états. Il en
résulte que ß1 = ß0 = ß de sorte que, en notant a = a1
-a0, la dernière équation s'écrit :
V1j-voj=zj a-tj ß (13)
La probabilité de répondre « oui »
à la question « Seriez-vous prêt à payer tj
dollars ? » est alors donnée par l'équation suivante
:
Pr(Y=1)=Pr(zj á-tj â+åj (14)
On suppose que les ij sont indépendants et
identiquement distribués selon la même loi, avec une
espérance nulle. Deux lois sont possibles pour les j :
- Loi normale, ce qui donne lieu au modèle Probit ;
- Loi logistique, ce qui donne lieu au modèle Logit.
Si å?j suit une loi normale N(0,
ó²), alors  (15)suit une loi normale centrée réduite. On a alors :
 (16)
Si j suit une loi logistique de moyenne nulle et de
variance  (17) alors la probabilité pour que j réponde
« oui » est :
 (18)
(Haab and McConnell, 2002), ont donné trois
critères permettant de déterminer le CAP : selon ces auteurs
le CAP ne doit pas avoir des valeurs inférieures à zéro
et la valeur la plus élevée ne doit pas être
supérieure au revenu, c'est également ce que pense Hanemann et
Kanninen qui ajoutent qu'il n'existe pas d'utilité
négative :
 (19)
Où  est le revenu de l'individu, 0 est la valeur minimale du CAP. Lequel
devient négatif si cette valeur minimale est supérieure au revenu
!
Pour chacun des répondants j le CAP
dépend de son revenu yi et du vecteur des variables
liées z, ce qui signifie en bref que le CAP de chaque individu
varie de 0 à son maximum qu'est son revenu. La valeur
espérée du CAP par chaque individu sera aussi comprise entre 0 et
le revenu yi
 (20 )
on pourra ensuite déterminer le CAP médian de la
moyenne de l'échantillon :
 (21)
,où  est la moyenne des revenus de l'échantillon de la taille
d'échantillon notée T.
Ensuite il est indispensable que les estimations ne soient
pas des troncations arbitraires de plus il doit avoir uniformité entre
l'aspect aléatoire pour l'évaluation et l'aspect aléatoire
du calcul.
Les bénéfices associés sont obtenus par
l'agrégation des consentements à payer individuels qu'on
note :
Bénéfices =CAPi (22)
4-1-1 Choix du modèle
Le CAP pour l'étiquetage du saumon a été
évalué à l'aide d'un modèle logit en vue
d'identifier les déterminants des réponses de la question 18. Ce
modèle met en relation la variable-réponse 1 (oui) et 0 (non)
avec le niveau de l'enchère proposée à chaque individu
interrogé. Le modèle génère des coefficients et des
valeurs statistiques décrivant une courbe du consentement à payer
en fonction de leur probabilité d'apparition.
De façon théorique, le CAP est défini
comme la somme d'argent qui laisse la personne interrogée
indifférente entre le statu quo et la situation proposée.
Par conséquent, le CAP de l'individu j est
donc :
 (23)
4-1-2 Estimation du CAP
Le processus à quatre étapes :
Première étape : Elle
consiste à codifier les réponses du questionnaire sous forme
binaire : 0 pour les réponses négatives(Non) et 1 pour les
réponses positives (Oui). A cause de la sensibilité du
consentement à payer à la distribution des termes d'erreur, il
est utile de développer l'approche la moins restrictive possible pour
estimer le consentement à payer. L'approche non-paramétrique
s'appuie seulement sur l'idée suivante : quand une personne
répond « oui » à la question de valorisation, alors
nous savons que son consentement à payer est supérieur ou
égal au montant proposé (TERRA, 2005)
Tableau 4.1 Modèle de codification des
données
VARIABLE DEPENDANTE
|
|
Q182
|
C'est la différence l'offre des individus et lr prix du
kilogramme de saumon(7,99$).
|
|
VARIABLES ECONOMIQUES
|
|
Q1
|
1 si l'individu regarde régulièrement les
étiquettes, souvent et parfois et 0 si l'individu choisi pas du tout.
|
|
Q2
|
1 si l'individu les composants à base d'OGM sinon 0
|
|
Q4
|
1 si l'individu choisi très informé,
informé, peu informé et 0 si l'individu choisi pas du tout
informé.
|
|
Q71
|
1 si poisson et 0 si autres
|
|
S5
|
Noté Yi, nous considérons le revenu
mensuel net du ménage en logarithme naturel
|
|
CARACTERISTIQUES SOCIO-DEMOGRAPHIQUES
|
|
S1
|
L'âge réel du répondant.
|
|
S2
|
1 si femme et 0 si homme
|
|
S4
|
1 si études supérieures et 0 si autres
études inférieures
|
|
S3
|
1 pour les étudiants, cadres supérieurs et
professionnels et 0 pour autres
|
|
S6
|
1 le répondant est marié et 0 pour
célibataires
|
|
S7
|
1 si le répondant à un enfant à charge et 0
si non
|
|
S8
|
1 pour pratique exercice physique si non 0
|
|
S9
|
1 si le répondant consulte le physicien et 0 si non
|
|
VARIABLES PSYCHOLOGIQUES
|
|
Q5
|
1 si le répondant craint les produits indiqués dans
les aliments(beaucoup, assez, moyen et peu et 0 si pas du tout
|
VARIABLES ENVIRONNMENTALES
|
|
Q3
|
1 si le répondant pense que l'arrivée du saumon OGM
peut compromettre la pérennité du saumon naturel (très,
assez bien et peu et 0 si non
|
|
Q42
|
|
|
Q11
|
1 Si le répondant est membre d'une coop. alimentaire et 0
si non
|
|
Q12
|
1 Si le répondant achète les produits biologiques
à l'épicerie et 0 si non
|
|
Q13
|
1 Si le répondant est membre d'une organisation
environnementale et 0 si non
|
|
Q14
|
1 Si le répondant est membre actif d'une organisation
environnementale et 0 si non
|
|
Q15
|
1 Si le répondant pratique de la pêche et 0 si
non
|
|
Q16
|
1 Si le répondant pratique de la chasse et 0 si non
|
|
Q17
|
1 Si le répondant fait lui-même sa cuisine et 0 si
non
|
CARACTERISTIQUES DU SAUMON
|
|
Q2
|
1 si l'individu choisi très important ou moyennement et 0
si non
|
|
Q66
|
1 si l'individu préfère consommer les produits
animal génétiquement modifié et 0 s'il
préfère consommer les produits génétiquement
modifiés végétaux
|
|
|
|
Q611
|
1 si l'individu choisi très, moyennement, assez, peu en
accord et 0 pas du tout en accord
|
|
Q612
|
1 si l'individu choisi très, moyennement, assez, peu en
accord et 0 pas du tout en accord
|
|
|
|
Q72
|
1 si saumon et 0 si autres types de poissons
|
|
Q8
|
1 si au moins une fois et 0 si l'individu ne consomme pas du
saumon
|
|
Q9
|
1 si au moins un livre et 0 si l'individu ne consomme pas du
saumon
|
|
Q10
|
1 si l'individu choisit l'un ou toutes les
caractéristiques suivantes : prix, emballage saveur, grosseur,
couleur, texture, et 0 si autres caractéristiques
|
|
Q181
|
1 si l'individu choisit le saumon génétiquement
modifié et 0 s'il choisit le saumon sauvage
|
CARACTERISTIQUES DE L'ETIQUETTE
|
|
Q64
|
1 si l'individu affirme que les informations sur le saumon sont
suffisantes et honnêtes et 0 s'il choisit pas du tout
|
|
Q28
|
1 si l'individu trouve que les informations concernant les
composants OGM sont importants sur l4étiquette du saumon et 0 s'il
choisit pas du tout pas du tout
|
|
Q35
|
1 si l'individu trouve le saumon génétiquement
modifié peut compromettre la pérennité du saumon naturel
et 0 s'il choisit pas du tout
|
|
Q42
|
1 si l'individu est suffisamment informé sur les origines
des poissons et 0 s'il n'est pas du tout informé
|
Deuxième et troisième
étapes : Nous devons concevoir les
matrices des bases de données qui seront
exécutées qui nous permettrons d'élaborer le programme et
d'exécuter à l'aide du logiciel LIMDEP (TERRA, 2005), dans le
tableau suivant nous y mettrons uniquement les variables qui ont une influence
considérable sur le CAP. Nous considérons trois models : 1,
2 et 3 comme l'indique les tableaux 4.2, 4.3, 4.4
Tableau 4.2 Model 1
CAP=f(S2,Q5,S5,Q182,Q10,Q35,Q28,Q42)
|
S2
|
Q5
|
S5
|
Q182
|
Q10
|
Q35
|
Q28
|
Q42
|
|
25
|
1
|
55000
|
0,25
|
0
|
1
|
1
|
1
|
|
25
|
0
|
10000
|
1,25
|
1
|
0
|
0
|
1
|
|
32
|
1
|
10000
|
0,50
|
1
|
1
|
1
|
0
|
|
23
|
1
|
40000
|
1,50
|
1
|
1
|
1
|
1
|
|
20
|
1
|
40000
|
2,00
|
0
|
0
|
1
|
0
|
|
21
|
0
|
55000
|
2,00
|
1
|
0
|
0
|
1
|
|
18
|
1
|
45000
|
1,25
|
1
|
1
|
1
|
1
|
|
48
|
1
|
55000
|
0,25
|
1
|
1
|
1
|
1
|
|
29
|
1
|
55000
|
1,25
|
1
|
0
|
1
|
0
|
|
23
|
1
|
30000
|
2,50
|
1
|
0
|
1
|
1
|
|
54
|
1
|
55000
|
0,25
|
0
|
1
|
1
|
1
|
|
28
|
0
|
55000
|
2,50
|
0
|
0
|
0
|
1
|
|
49
|
1
|
55000
|
0,25
|
0
|
1
|
1
|
1
|
|
27
|
0
|
10000
|
1,50
|
1
|
1
|
0
|
1
|
|
24
|
1
|
10000
|
1,25
|
1
|
0
|
1
|
0
|
|
32
|
1
|
40000
|
1,75
|
1
|
0
|
1
|
1
|
|
28
|
1
|
40000
|
1,00
|
0
|
1
|
1
|
0
|
|
44
|
0
|
55000
|
0,50
|
1
|
1
|
0
|
1
|
|
21
|
1
|
45000
|
1,00
|
1
|
0
|
1
|
1
|
|
53
|
1
|
55000
|
1,00
|
1
|
0
|
1
|
1
|
|
31
|
1
|
55000
|
0,50
|
1
|
1
|
1
|
0
|
|
21
|
1
|
30000
|
1,00
|
1
|
0
|
1
|
1
|
|
47
|
1
|
55000
|
1,00
|
0
|
1
|
1
|
1
|
|
27
|
0
|
55000
|
1,00
|
0
|
1
|
0
|
1
|
|
24
|
0
|
50000
|
1,50
|
1
|
1
|
0
|
1
|
|
23
|
1
|
25000
|
0,50
|
1
|
0
|
1
|
0
|
|
27
|
1
|
45000
|
1,00
|
0
|
0
|
1
|
1
|
|
27
|
1
|
15000
|
1,75
|
1
|
1
|
1
|
1
|
|
24
|
1
|
55000
|
0,25
|
1
|
1
|
0
|
0
|
|
18
|
1
|
40000
|
1,50
|
0
|
0
|
1
|
1
|
|
25
|
1
|
40000
|
1,00
|
0
|
0
|
1
|
1
|
|
43
|
1
|
50000
|
0,50
|
1
|
1
|
1
|
1
|
|
22
|
1
|
55000
|
1,00
|
1
|
1
|
1
|
1
|
|
26
|
1
|
20000
|
0,50
|
1
|
1
|
1
|
0
|
|
19
|
1
|
55000
|
0,75
|
1
|
0
|
1
|
1
|
|
20
|
1
|
40000
|
0,25
|
1
|
1
|
1
|
1
|
|
22
|
0
|
15000
|
1,25
|
1
|
1
|
0
|
0
|
|
21
|
1
|
55000
|
2,50
|
1
|
1
|
1
|
1
|
|
22
|
1
|
10000
|
0,25
|
1
|
0
|
1
|
1
|
|
24
|
1
|
10000
|
0,75
|
1
|
0
|
1
|
1
|
|
20
|
0
|
40000
|
2,00
|
1
|
1
|
0
|
1
|
|
20
|
1
|
10000
|
1,00
|
1
|
1
|
1
|
0
|
|
20
|
1
|
10000
|
1,00
|
1
|
0
|
1
|
1
|
|
20
|
1
|
50000
|
1,50
|
1
|
0
|
1
|
1
|
|
18
|
1
|
30000
|
2,00
|
1
|
1
|
1
|
1
|
|
20
|
1
|
10000
|
0,75
|
0
|
1
|
1
|
0
|
|
24
|
1
|
55000
|
2,25
|
1
|
1
|
1
|
1
|
|
18
|
1
|
30000
|
1,00
|
1
|
1
|
1
|
1
|
|
21
|
1
|
20000
|
2,50
|
0
|
1
|
1
|
1
|
|
26
|
0
|
50000
|
0,75
|
1
|
0
|
0
|
2
|
|
21
|
1
|
50000
|
2,25
|
1
|
0
|
1
|
0
|
|
29
|
1
|
30000
|
1,50
|
1
|
1
|
1
|
1
|
|
33
|
1
|
25000
|
2,25
|
1
|
1
|
1
|
1
|
|
32
|
0
|
50000
|
2,25
|
1
|
0
|
0
|
1
|
|
19
|
1
|
20000
|
0,75
|
1
|
0
|
1
|
0
|
|
23
|
1
|
36111
|
1,00
|
1
|
1
|
1
|
1
|
|
22
|
1
|
10000
|
0,50
|
1
|
0
|
1
|
1
|
|
18
|
1
|
50000
|
2,00
|
1
|
0
|
1
|
1
|
|
22
|
1
|
20000
|
1,00
|
1
|
1
|
1
|
0
|
|
18
|
0
|
15000
|
1,75
|
1
|
0
|
1
|
1
|
|
18
|
0
|
25000
|
2,00
|
1
|
1
|
0
|
1
|
|
23
|
1
|
50000
|
0,75
|
0
|
1
|
1
|
1
|
|
20
|
1
|
15000
|
2,00
|
1
|
0
|
1
|
0
|
|
28
|
1
|
15000
|
2,50
|
1
|
0
|
1
|
1
|
|
18
|
0
|
50000
|
1,00
|
1
|
1
|
0
|
1
|
|
18
|
1
|
5000
|
1,00
|
1
|
1
|
1
|
1
|
|
19
|
1
|
40000
|
1,00
|
1
|
0
|
1
|
1
|
|
20
|
1
|
55000
|
0,75
|
1
|
0
|
1
|
1
|
|
15
|
1
|
50000
|
1,00
|
1
|
1
|
1
|
0
|
|
19
|
1
|
50000
|
1,00
|
0
|
1
|
1
|
1
|
|
19
|
1
|
55000
|
2,25
|
1
|
0
|
1
|
1
|
|
20
|
1
|
25000
|
1,50
|
0
|
1
|
1
|
1
|
Résultat du Model 1
=======================================================================
Variable Mean Std.Dev. Minimum Maximum
Cases
=======================================================================
-----------------------------------------------------------------------
All observations in current sample
-----------------------------------------------------------------------
S2 25.2500000 8.68502029 15.00000 54.0000000
72
Q5 .805555556 .398549797 .0000000 1.00000000
72
S5 36612.6528 17193.5902 5000.000 55000.0000
72
Q182 .944444444 .729439084 .0000000 2.00000000
72
Q10 29.5138889 26.9736403 .0000000 75.0000000
72
Q35 .777777778 .418657217 .0000000 1.00000000
72
Q28 .555555556 .500391083 .0000000 1.00000000
72
Q42 .805555556 .398549797 .0000000 1.00000000
72
+---------------------------------------------+
| Multinomial Logit Model
|
| Maximum Likelihood Estimates
|
| Dependent variable Q182
|
| Weighting variable ONE
|
| Number of observations 72
|
| Iterations completed 29
|
| Log likelihood function -62.48818
|
| Restricted log likelihood -75.92410
|
| Chi-squared 26.87186
|
| Degrees of freedom 12
|
| Significance level .8062132E-02
|
+---------------------------------------------+
+---------+--------------+----------------+--------+---------+---------
|Variable | Coefficient | Standard Error
|b/St.Er.|P[|Z|>z] |Meanof X|
+---------+--------------+----------------+--------+---------+---------
Characteristics in numerator of Prob[Y = 1]
S2 -.2126499778E-01 .34332563E-01 -.619 .5357
25.250000
Q5 -57.84823243 2237941.4 .000 1.0000
.80555556
S5 .1631136971E-04 .18885491E-04 .864 .3878
36612.653
Q10 -.4385740471E-01 .13176395E-01 -3.328 .0009
29.513889
Q35 1.230159846 .66860945 1.840 .0658
.77777778
Q28 .4900331730 .66720586 .734 .4627
.55555556
Q42 58.54369519 2237941.4 .000 1.0000
.80555556
Characteristics in numerator of Prob[Y = 2]
S2 -.5370194609E-01 .41431465E-01 -1.296 .1949
25.250000
Q5 -29.69396333 1643167.6 .000 1.0000
.80555556
S5 .3837085950E-04 .21434809E-04 1.790 .0734
36612.653
Q10 -.3815734447E-01 .14808824E-01 -2.577 .0100
29.513889
Q35 1.579371652 .83002992 1.903 .0571
.77777778
Q28 -.3779845241 .75963032 -.498 .6188
.55555556
Q42 29.55625380 1643167.6 .000 1.0000
.80555556
+----------------------------------------+
| Fit Measures for Binomial Choice Model |
| Logit model for variable Q182 |
+----------------------------------------+
| Proportions P0= .194444 P1= .805556 |
| N = 72 N0= 14 N1= 58 |
| LogL = .00000 LogL0 = -35.4675 |
+----------------------------------------+
| Efron | McFadden | Ben./Lerman |
| 1.00000 | 1.00000 | 1.00000 |
| Cramer | Veall/Zim. | Rsqrd_ML |
| 1.00000 | 1.00000 | .62664 |
+----------------------------------------+
| Information Akaike I.C. Schwartz I.C. |
| Criteria .22222 34.21333 |
+----------------------------------------+
Tableau 4.3 Model 2
CAP= f(S2,Q5,S5,Q182,Q64,Q612,Q66 ,Q10)
|
S2
|
Q5
|
S5
|
Q182
|
Q64
|
Q612
|
Q66
|
Q10
|
|
25
|
1
|
55000
|
0,25
|
0
|
1
|
0
|
0
|
|
25
|
0
|
10000
|
1,25
|
1
|
0
|
1
|
1
|
|
32
|
1
|
10000
|
0,50
|
1
|
1
|
1
|
1
|
|
23
|
1
|
40000
|
1,50
|
1
|
1
|
1
|
1
|
|
20
|
1
|
40000
|
2,00
|
0
|
0
|
1
|
1
|
|
21
|
0
|
55000
|
2,00
|
1
|
0
|
1
|
1
|
|
18
|
1
|
45000
|
1,25
|
1
|
1
|
1
|
1
|
|
48
|
1
|
55000
|
0,25
|
1
|
1
|
1
|
1
|
|
29
|
1
|
55000
|
1,25
|
1
|
0
|
1
|
0
|
|
23
|
1
|
30000
|
2,50
|
1
|
0
|
1
|
1
|
|
54
|
1
|
55000
|
0,25
|
0
|
1
|
1
|
1
|
|
28
|
0
|
55000
|
2,50
|
0
|
0
|
1
|
0
|
|
49
|
1
|
55000
|
0,25
|
0
|
1
|
1
|
0
|
|
27
|
0
|
10000
|
1,50
|
1
|
1
|
1
|
0
|
|
24
|
1
|
10000
|
1,25
|
1
|
0
|
1
|
0
|
|
32
|
1
|
40000
|
1,75
|
1
|
0
|
1
|
0
|
|
28
|
1
|
40000
|
1,00
|
0
|
1
|
1
|
0
|
|
44
|
0
|
55000
|
0,50
|
1
|
1
|
1
|
0
|
|
21
|
1
|
45000
|
1,00
|
1
|
0
|
1
|
0
|
|
53
|
1
|
55000
|
1,00
|
1
|
0
|
1
|
0
|
|
31
|
1
|
55000
|
0,50
|
1
|
1
|
1
|
0
|
|
21
|
1
|
30000
|
1,00
|
1
|
0
|
1
|
1
|
|
47
|
1
|
55000
|
1,00
|
0
|
1
|
1
|
1
|
|
27
|
0
|
55000
|
1,00
|
0
|
1
|
1
|
0
|
|
24
|
0
|
50000
|
1,50
|
1
|
1
|
0
|
0
|
|
23
|
1
|
25000
|
0,50
|
1
|
0
|
1
|
1
|
|
27
|
1
|
45000
|
1,00
|
0
|
0
|
1
|
1
|
|
27
|
1
|
15000
|
1,75
|
1
|
1
|
1
|
1
|
|
24
|
1
|
55000
|
0,25
|
1
|
1
|
1
|
0
|
|
18
|
1
|
40000
|
1,50
|
0
|
0
|
1
|
1
|
|
25
|
1
|
40000
|
1,00
|
0
|
0
|
1
|
1
|
|
43
|
1
|
50000
|
0,50
|
1
|
1
|
1
|
1
|
|
22
|
1
|
55000
|
1,00
|
1
|
1
|
1
|
1
|
|
26
|
1
|
20000
|
0,50
|
1
|
1
|
1
|
1
|
|
19
|
1
|
55000
|
0,75
|
1
|
0
|
1
|
1
|
|
20
|
1
|
40000
|
0,25
|
1
|
1
|
1
|
0
|
|
22
|
0
|
15000
|
1,25
|
1
|
1
|
1
|
0
|
|
21
|
1
|
55000
|
2,50
|
1
|
1
|
1
|
1
|
|
22
|
1
|
10000
|
0,25
|
1
|
0
|
1
|
1
|
|
24
|
1
|
10000
|
0,75
|
1
|
0
|
1
|
1
|
|
20
|
0
|
40000
|
2,00
|
1
|
1
|
1
|
1
|
|
20
|
1
|
10000
|
1,00
|
1
|
1
|
1
|
0
|
|
20
|
1
|
10000
|
1,00
|
1
|
0
|
1
|
0
|
|
20
|
1
|
50000
|
1,50
|
1
|
0
|
1
|
1
|
|
18
|
1
|
30000
|
2,00
|
1
|
1
|
1
|
0
|
|
20
|
1
|
10000
|
0,75
|
0
|
1
|
1
|
1
|
|
24
|
1
|
55000
|
2,25
|
1
|
1
|
1
|
1
|
|
18
|
1
|
30000
|
1,00
|
1
|
1
|
1
|
0
|
|
21
|
1
|
20000
|
2,50
|
0
|
1
|
1
|
1
|
|
26
|
0
|
50000
|
0,75
|
1
|
0
|
1
|
1
|
|
21
|
1
|
50000
|
2,25
|
1
|
0
|
1
|
0
|
|
29
|
1
|
30000
|
1,50
|
1
|
1
|
1
|
1
|
|
33
|
1
|
25000
|
2,25
|
1
|
1
|
1
|
1
|
|
32
|
0
|
50000
|
2,25
|
1
|
0
|
1
|
0
|
|
19
|
1
|
20000
|
0,75
|
1
|
0
|
0
|
0
|
|
23
|
1
|
36111
|
1,00
|
1
|
1
|
1
|
1
|
|
22
|
1
|
10000
|
0,50
|
1
|
0
|
1
|
1
|
|
18
|
1
|
50000
|
2,00
|
1
|
0
|
1
|
1
|
|
22
|
1
|
20000
|
1,00
|
1
|
1
|
1
|
1
|
|
18
|
0
|
15000
|
1,75
|
1
|
0
|
1
|
1
|
|
18
|
0
|
25000
|
2,00
|
1
|
1
|
1
|
1
|
|
23
|
1
|
50000
|
0,75
|
0
|
1
|
1
|
1
|
|
20
|
1
|
15000
|
2,00
|
1
|
0
|
1
|
0
|
|
28
|
1
|
15000
|
2,50
|
1
|
0
|
1
|
1
|
|
18
|
0
|
50000
|
1,00
|
1
|
1
|
1
|
1
|
|
18
|
1
|
5000
|
1,00
|
1
|
1
|
1
|
1
|
|
19
|
1
|
40000
|
1,00
|
1
|
0
|
1
|
1
|
|
20
|
1
|
55000
|
0,75
|
1
|
0
|
1
|
0
|
|
15
|
1
|
50000
|
1,00
|
1
|
1
|
1
|
1
|
|
19
|
1
|
50000
|
1,00
|
0
|
1
|
0
|
1
|
|
19
|
1
|
55000
|
2,25
|
1
|
0
|
1
|
1
|
|
20
|
1
|
25000
|
1,50
|
0
|
1
|
1
|
1
|
|
|
