Le commerce social: présentation des résultats de l’étude 

Le commerce social: présentation des résultats de l’étude

Partie 3 : Présentation des résultats

Dans cette partie, nous mettons en avant les résultats et leurs analyses. Nous avons réalisé des analyses factorielles et des tests d’hypothèses pour connaître les hypothèses valides du modèle de recherche.

Afin d’aller plus loin, nous avons également effectué des analyses complémentaires.

I. Étude préliminaire4,5

A. Analyses factorielles

À la suite des analyses descriptives (Partie 2 : Méthodologie), nous avons réalisés des analyses factorielles et des tests de fiabilité (Annexe 4).

L’objectif de cette analyse est de s’assurer de la validité des échelles de mesure utilisées dans le questionnaire, ainsi que de leur fiabilité.

Dans notre étude, 7 analyses factorielles du type ACP (Analyse en composante principale) ont été faites sur le logiciel SPSS Statistics pour connaître la qualité de nos items (Annexe 4) : FU, SECU, TRUST, AEA, SATIS, IREACHAT et IRECO.

Première ACP : Notre première ACP est “FU” et mesure la facilité d’utilisation. D’après le tableau ci-dessus, cette composante est composée de 5 items.

L’analyse factorielle nous a permis d’obtenir l’indice KMO (Kaiser-Meyer-Olkin) qui se situe à 0,843, ce qui est satisfaisant d’après le barème établi.

Tableaux n°1 : Le barème des indices KMO

De plus, nous avons analysé si chaque composante représente au moins 60% de la variance totale expliquée.

Ce pourcentage représente la proportion de données valides employées pour la factorisation effectuée. Pour cette première ACP, «FU» a un % de variance expliquée de 71,97%. Cela veut dire que 71,97% des données ont été factorises dans la composante.

Les résultats (enregistrés dans les variables) de notre factorisation utiliseront donc 80,57% des réponses données par les répondants sur les 5 items qui la compose. Les 19,43% restants ne seront pas exploités.

Par ailleurs, le tableau 2 ci-dessous indique que notre variable FU obtient de très bons résultats de rotation car les contributions factorielles de chaque item sont au-dessus de 0,5.

D’après ces résultats, nous pouvons conserver la totalité de nos items. Finalement, il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante.

Tableaux n°2 : Matrice des composantes FU

Deuxième ACP : Notre deuxième ACP est SECU et mesure la sécurité. Elle est composée de 3 items différents. D’après l’analyse factorielle, l’indice KMO se situe à 0,668, ce qui est médiocre d’après le barème établi.

Ici l’ACP «SECU» a un % de variance expliquée de 78,69%. Les résultats de notre factorisation utiliseront donc 78,69% des réponses données par les répondants sur les 3 items qui la compose.

Le tableau 3 ci-dessous indique de bons résultats, il n’y a pas de crossload, nous conservons donc les 3 items de cette échelle de mesure.

Une nouvelle fois, il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante. Tableaux n°3 : Matrice des composantes SECU

Troisième ACP : Notre troisième ACP est TRUST et mesure la confiance. Elle est composée de 4 items. L’indice KMO se situe à 0,784, ce qui est bien d’après le barème.

Ici l’ACP «TRUST» a un % de variance expliquée de 71,24%. Les résultats de notre factorisation utiliseront donc 71,24% des réponses données par les répondants sur les 4 items qui la compose.

Le tableau 4 ci-dessous montre qu’il n’y a pas de crossload, nous conservons donc les 4 items de cette échelle de mesure.

Il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante. Tableaux n°4 : Matrice des composantes TRUST

Quatrième ACP : Notre quatrième ACP est AEA et mesure l’attitude envers l’achat sur le réseau. Elle est composée de 4 items.

L’indice KMO se situe à 0,863 ce qui est satisfaisant d’après le barème établi.

Ici l’ACP «AEA» a un % de variance expliquée de 87,38%. Les résultats de notre factorisation utiliseront donc 87,38% des réponses données par les répondants sur les 4 items qui la compose.

Le tableau 5 ci-dessous montre qu’il n’y a pas de crossload, nous conservons donc les 4 items de cette échelle de mesure.

Il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante. Tableaux n°5 : Matrice des composantes AEA

Cinquième ACP : Notre cinquième ACP est SATIS, elle mesure la satisfaction. Elle est composée de 4 items.

L’indice KMO se situe à 0,837 ce qui est satisfaisant d’après le barème établi.

Ici l’ACP «SATIS» a un % de variance expliquée de 83,08%. Les résultats de notre factorisation utiliseront donc 83,08% des réponses données par les répondants sur les 4 items qui la compose.

Le tableau 6 ci-dessous montre qu’il n’y a pas de crossload, nous conservons donc les 4 items de cette échelle de mesure.

Il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante.

Tableaux n°6 : Matrice des composantes SATIS

Sixième ACP : Les premiers résultats de l’analyse factorielle de la variable Intention de réachat ont fait apparaitre deux composantes :

Tableaux n°7 : Rotation de la matrice des composantes (composante à supprimer)

Cependant, une composante ne peut contenir qu’un seul item. Nous avons donc supprimé IREACHAT 3 et effectué une nouvelle analyse factorielle.

Finalement, notre sixième ACP est IREACHAT, elle mesure l’intention de réachat. Elle est composée de 3 items.

L’indice KMO se situe à 0,712 ce qui est bien d’après le barème établi.

Ici l’ACP «IREACHAT» a un % de variance expliquée de 77,98%. Les résultats de notre factorisation utiliseront donc 77,98% des réponses données par les répondants sur les 3 items qui la compose.

Il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante. Elle est composée des items IREACHAT1, IREACHAT2 et IREACHAT4.

Tableaux n°8 : Matrice des composantes IREACHAT

Septième ACP : Notre septième ACP est IRECO, elle mesure l’intention de recommandation. Elle est composée de 4 items.

L’indice KMO se situe à 0,801 ce qui est satisfaisant d’après le barème établi.

Ici l’ACP «IRECO» a un % de variance expliquée de 87,33%. Les résultats de notre factorisation utiliseront donc 87,33% des réponses données par les répondants sur les 4 items qui la compose.

Le tableau 8 ci-dessous montre qu’il n’y a pas de crossload, nous conservons donc les 4 items de cette échelle de mesure.

Il s’agit d’une variable unidimensionnelle, il n’y a qu’une seule composante.

Tableaux n°9 : Matrice des composantes IRECO

B. Tests de fiabilité

Nous avons calculé́ l’alpha de Cronbach pour vérifier la fiabilité́ de chaque composante obtenue précédemment.

Chacune des variables de l’étude ne possède qu’une seule composante. Il faut que l’alpha de Cronbach soit supérieur à 0,60 (source : cours de Mme Saintives) pour que la dimension soit considérée comme questionnable et supérieur à 0,70 pour que la dimension soit acceptable.

Dans notre étude, une seule dimension est questionnable au niveau de sa fiabilité : l’intention de réachat bénéficie d’un alpha de Cronbach de 0,672 ce qui nous amène à nous questionner sur sa fiabilité.

En outre toutes les autres dimensions de l’étude sont acceptables et par conséquent fiables.

Voici les résultats obtenus par l’alpha de Cronbach sur chaque dimension : Tableaux n°10 : Alpha de Cronbach sur chaque dimension

L’analyse SPSS du questionnaire nous a permis de valider l’ensemble de nos items par l’intermédiaire des analyses en composantes principales (ACP).

Puis nous avons pu calculer les alphas de Cronbach correspondants à chacune des dimensions de l’étude.

Ces coefficients une fois calculés, nous ont permis d’établir que celui correspondant à l’intention de réachat était questionnable car plutôt faible, cependant il reste acceptable (à préciser pour les limites, préconisations et études futures).

Nous pouvons maintenant procéder à des analyses complémentaires sur nos hypothèses annoncées au départ.

II. Étude principale6

Dans cette partie nous vous présentons les résultats des régressions ainsi que les conclusions concernant la validité des hypothèses, une à une.

Pour l’ensemble des relations, nous voulions alors tester l’influence d’une variable quantitative sur une autre variable quantitative, c’est pourquoi un test de régression était le plus adéquat.

Pour un test de régression, il s’agit de calculer les coefficients de régression (beta) et les coefficients de signification (sig doit être < 0.05) pour valider ou infirmer les hypothèses.

Hypothèse 1 : Dans un premier temps, nous analysons le lien entre la facilité d’utilisation du réseau social et la satisfaction du consommateur. Rappelons l’hypothèse formulée (H1) :

“Dans un contexte de s-commerce, la perception de facilité d’utilisation d’un réseau a une influence positive sur la satisfaction des consommateurs”.

Les coefficients de régression et les coefficients de signification sont lisibles dans le tableau “coefficients” de H1 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si la facilité d’utilisation (FU : variable indépendante) influençait la satisfaction (SATIS : variable dépendante). Les résultats ont alors été les suivants :

Tableaux n°11 : Tableau de synthèse du test de régression linéaire sur H1

La droite de régression de ce premier test d’hypothèse est la suivante : SATIS = 0,480 FU – 1,041E-16

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif. Autrement dit il est vérifié que la perception de la facilité d’utilisation du réseau a une influence positive sur la satisfaction notamment dans le cadre du commerce social.

Pour aller plus loin on peut dire que la force du lien entre la variable facilitée d’utilisation et la variable satisfaction, qui est donné par le coefficient bêta (ici 0,480), est modérée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H1, a une valeur de 0,227, ce qui signifie que la variable explicative (FU : Facilité d’utilisation) explique 22,7% de la variable à expliquer (SATIS : satisfaction).

Hypothèse 2 : Dans un deuxième temps, nous analysons le lien entre la sécurité et la confiance. Rappelons l’hypothèse formulée (H2) : “Dans un contexte de s-commerce, un bon niveau de sécurité a une influence positive sur la confiance des utilisateurs.”

Les coefficients de régression et les coefficients de signification relatifs à cette hypothèse sont lisibles dans le tableau “coefficients” de H2 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si la sécurité (SECU : variable indépendante) influençait la confiance (TRUST : variable dépendante). Les résultats ont alors été les suivants :

Tableaux n°12 : Tableau de synthèse du test de régression linéaire sur H2

La droite de régression de ce premier test d’hypothèse est la suivante : TRUST = 0,821 SECU – 8,839E-17

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif. Autrement dit il est vérifié qu’un bon niveau de sécurité a une influence positive sur la confiance des utilisateurs notamment dans le cadre du commerce social.

Pour aller plus loin on peut dire que la force du lien entre la variable Sécurité et la variable Confiance, qui est donné par le coefficient bêta (ici 0,821) est élevée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H2, a une valeur de 0,673 ce qui signifie que la variable explicative (SECU : sécurité) explique 67,3% de la variable à expliquer (TRUST : confiance).

Hypothèse 3 : Ensuite nous avons analysé le lien entre la confiance envers le réseau social et l’attitude envers l’achat du consommateur.

Rappelons l’hypothèse formulée (H3) : “La confiance influence positivement l’attitude envers l’achat sur le réseau dans un contexte de s-commerce”.

Les coefficients de régression et les coefficients de signification relatifs à cette hypothèse sont lisibles dans le tableau “coefficients” de H3 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si la confiance (TRUST : variable indépendante) influençait l’attitude envers l’achat (AEA : variable dépendante). Les résultats ont alors été les suivants :

Tableaux n°13 : Tableau de synthèse du test de régression linéaire sur H3

La droite de régression de ce troisième test d’hypothèse est la suivante : AEA = 0,533 TRUST + 2,602E-17

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif. Autrement dit il est vérifié que la confiance ressentie envers le réseau a une influence positive sur l’attitude envers l’achat notamment dans le cadre du commerce social.

Pour aller plus loin on peut dire que la force du lien entre la variable Confiance et la variable Attitude envers l’achat, qui est donné par le coefficient bêta (ici 0,533), est modérée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H3, a une valeur de 0,281, ce qui signifie que la variable explicative (TRUST : Confiance) explique 28,1% de la variable à expliquer (AEA : Attitude envers l’achat).

Hypothèse 4 : Dans la suite de l’analyse nous avons observé le lien entre l’attitude envers l’achat et la satisfaction du consommateur. Rappelons l’hypothèse formulée (H4) : “L’attitude envers l’achat sur le réseau influence positivement sa satisfaction en s-commerce”.

Les coefficients de régression et les coefficients de signification relatifs à cette hypothèse sont lisibles dans le tableau “coefficients” de H4 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si l’attitude envers l’achat (AEA : variable indépendante) influençait la satisfaction (SATIS : variable dépendante). Les résultats ont alors été les suivants :

Tableaux n°14 : Tableau de synthèse du test de régression linéaire sur H4

La droite de régression de ce troisième test d’hypothèse est la suivante : SATIS = 0,556 AEA – 1,760E-16

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif. Autrement dit il est vérifié qu’une attitude positive envers l’achat sur le réseau a une influence positive sur la satisfaction du consommateur.

Pour aller plus loin on peut dire que la force du lien entre la variable Confiance et la variable Attitude envers l’achat, qui est donné par le coefficient bêta (ici 0,556), est modérée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H3, a une valeur de 0,306, ce qui signifie que la variable explicative (TRUST : Confiance) explique 30,6% de la variable à expliquer (AEA : Attitude envers l’achat).

Hypothèse 5 : Pour poursuivre, nous avons analysé le lien entre la satisfaction et l’intention de réachat.

Rappelons l’hypothèse formulée (H5) : “Dans un cadre de commerce social, la satisfaction a une influence positive sur l’intention de réachat.”

Les coefficients de régression et les coefficients de signification relatifs à cette hypothèse sont lisibles dans le tableau “coefficients” de H5 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si la satisfaction (SATIS : variable indépendante) influençait l’intention de réachat (IREACHAT : variable dépendante).

Les résultats ont alors été les suivants :

Tableaux n°15 : Tableau de synthèse du test de régression linéaire sur H5

La droite de régression de ce premier test d’hypothèse est la suivante : IREACHAT = 0,591 SATIS + 6,483E-17

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif. Autrement dit il est vérifié que la satisfaction a une influence positive sur l’intention de réachat notamment dans le cadre du commerce social.

Pour aller plus loin on peut dire que la force du lien entre la variable Satisfaction et la variable Intention de réachat, qui est donné par le coefficient bêta (ici 0,591) est modérée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H5, a une valeur de 0,347 ce qui signifie que la variable explicative (SATIS : satisfaction) explique 34,7% de la variable à expliquer (IREACHAT : intention de réachat).

Hypothèse 6 : Enfin, nous avons analysé le lien entre la satisfaction et l’intention de recommandation. Rappelons l’hypothèse formulée (H6) : “La satisfaction a une influence positive sur l’intention de recommandation d’un utilisateur”.

Les coefficients de régression et les coefficients de signification relatifs à cette hypothèse sont lisibles dans le tableau “coefficients” de H6 dans l’Annexe 4 de notre étude.

Dans notre modèle de recherche nous voulions donc savoir si la satisfaction (SATIS : variable indépendante) influençait l’intention de recommandation (IRECO : variable dépendante). Les résultats ont alors été les suivants :

Tableaux n°16 : Tableau de synthèse du test de régression linéaire sur H6

La droite de régression de ce premier test d’hypothèse est la suivante : IRECO = 0,756 SECU + 7,677E-17

Selon cette droite de régression linéaire, on observe que le sens de la relation est positif.

Autrement dit il est vérifié qu’un bon niveau de satisfaction a une influence positive sur l’intention de recommander des utilisateurs et ce, dans un contexte de commerce social.

Pour aller plus loin on peut dire que la force du lien entre la variable Satisfaction et la variable Intention de recommandation, qui est donné par le coefficient bêta (ici 0,756) est élevée.

En effet, le “R-deux ajusté” indiqué dans le tableau “Récapitulatif des modèles” de l’annexe 4 dans H6, a une valeur de 0,570 ce qui signifie que la variable explicative (SATIS : Satisfaction) explique 57% de la variable à expliquer (IRECO : Intention de recommandation).

III. Analyses complémentaires7

Nous avons réalisé deux analyses complémentaires.

La première comparaison de moyennes a été effectuée en fonction du SEXE. 3 résultats sont significatifs (coefficient de signification inférieur à 0,05) :

Les 3 graphiques montrent que les femmes ont des scores supérieurs aux hommes.

La seconde comparaison de moyennes a été réalisée en fonction de la TRANCHE d’ÂGE : 2 résultats sont significatifs :

Les graphiques montrent que le besoin de sécurité mais aussi l’intention de réachat obtiennent des moyennes supérieures chez les plus âgés (tranche 6).

IV. Synthèse des résultats de l’étude

__________________________________

4 Annexe 4 : Analyses factorielles et Alpha de Cronbach

5 Annexe 5 : Résumé ACP et Alphas

6 Annexe 6 : Résultats des régressions linéaires sur les hypothèses

7 Annexe 7 : Analyses complémentaires