La détérioration du climat des affaires en RDC et son impact sur le niveau d'activités des opérateurs économiques. Cas des PME de la ville de Bukavu.

1.1.8. La validité des variables d'étude

Pour tester la validité de nos variables, nous nous sommes inspiré, comme la littérature récente l'explique, au test de vérification de la validité des variables prises en étude (alpha), comme recommandé par Cronbach (1946).

En effet, Cronbach recommande une analyse du coefficient alpha de toutes les variables d'étude. Ce coefficient est une valeur variant entre 0 et 1 qui ne doit pas être inférieur à 0,6. Une valeur supérieure à ce coefficient valide les variables alors que celle qui est inférieure à ce coefficient les éliminent directement.

Tableau n°3.2.2. : Test de validité : Coefficient Alpha de Cronbach.

Reliability Statistics
Cronbach's Alpha	N of Items
.689	9

Source: Notre confection dans SPSS 20.0

Dans une manière globale, l'analyse de validité des variables nous a montré que les items qui constituent les cinq composantes retenues présentent un coefficient Alpha de Cronbach de 0,689. Cette valeur est supérieure à 0,6 indiquant que notre échelle est assez fiable. Ceci montre que ces items sont validés comme caractéristiques de notre questionnaire. L'étude menée par Brownell (1983, 1988), a obtenu des coefficients Alpha respectivement de 0,86 et 0,71 comme caractéristiques de ses questionnaires. Par comparaison de notre résultat, nous trouvons que ces deux études corroborent ensemble.

1.1.9. Analyse factorielle

A l'issue de cette analyse, nous ne nous intéresserons qu'aux items relatifs à nos composantes principales retenues. Ainsi, l'analyse factorielle se prête à identifier des facteurs qui permettent d'expliquer des corrélations à l'intérieur des items.

Avant de la prendre en compte, il convient de mesurer l'adéquation d'échantillonnage par le coefficient de Kaizer-Meyer-Olkin (KMO) qui évalue l'étendue de la relation psychométrique des items.

Tableau n° 3.2.3. : Table de l'indice KMO et Test de Bartlett.

KMO and Bartlett's Test
Mesure de précision de l'échantillonnage de Kaiser-Meyer-Olkin		.593
Test de Sphérité de Bartlett	Khi-deux approxim.	301.255
	Ddl	36
	Signification de Bartlett.	.000

Source: Notre confection dans SPSS 20.0

La valeur de KMO de l'échelle trouvée est de 0,593 supérieure à 0,50. Les items peuvent être factorisables dès que la valeur du KMO dépasse 0,50 (Kaiser, 1974). Alors, comme cette valeur de notre échelle est supérieure à celle fixée par Kaiser pour être acceptable, on conclut donc que nos données se prêtent à une analyse factorielle. En plus, le test de sphérité de Bartlett est significatif (la valeur du test est égale à 301,255 à 36 degrés de libertés. P-value de 0,000< 0,05), et donc, nous constatons que la matrice des corrélations n'est pas égale à la matrice d'identité, indiquant aussi la pertinence d'une analyse factorielle. L'hypothèse d'égalité de ces deux matrices est rejetée.

Tableau n°3.2.4. : Table de variance totale expliquée issue de l'ACP.

Variance totale expliquée
Composantes	Valeurs propres initiales			Extraction Sommes des carrés des facteurs retenus
	Total	% de Variance	% cumulés	Total	% de Variance	% cumulés
1	1.802	20.021	20.021	1.802	20.021	20.021
2	1.481	16.457	36.478	1.481	16.457	36.478
3	1.193	13.255	49.733	1.193	13.255	49.733
4	1.108	12.316	62.049	1.108	12.316	62.049
5	.963	10.699	72.748
6	.813	9.032	81.779
7	.709	7.876	89.655
8	.495	5.505	95.160
9	.436	4.840	100.000

Méthode d'extraction: Analyse en Composantes Principales

Source : Notre confection dans SPSS 20.0

De ce tableau, il ressort de cette analyse que seuls 4 facteurs expliquent la variance totale de 62,049%. La formation de ces facteurs en items est donnée par la matrice des composantes principales ci-dessous :

Tableau n°3.2.5. : Table de matrice des composantes principales

Matrice des composantes
	Composantes
	1	2	3	4
APRO	.371	.400	.030	.653
RACEEL	.276	.463	.349	.525
IMPUN	.508	.472	-.035	.274
IMPTAX	-.625	-.205	.189	.231
TRACADIN	-.636	.519	-.088	-.073
ABUSP	.691	-.394	.219	.116
CONCUR	.015	.110	.513	-.495
CAPMAN	.091	.594	-.584	.066
AG	-.219	.402	.611	.103

Méthode d'extraction: Analyse en Composantes Principales

Source : Notre confection dans SPSS 20.0

Ce tableau nous permet de dégager quatre facteurs indépendants contenant respectivement trois, deux, deux et deux critères qui constituent des axes principaux. En effet, il s'observe que certains items se retrouvent dans plus d'une composante, notamment TRACADIN (1^ère et 2^ème composante) et CAPMAN (2^ème et 3^ème composante). La logique est de ne retenir ces items que dans une seule composante de sorte à garder l'équilibre entre les composantes et suivant la compatibilité d'idées qu'ils énoncent. Cependant, nous avons choisi de les classer, de nommer les axes et de les présenter dans le tableau suivant ci-dessous:

- Axe 1 : Impôts et taxes ;

- Axe 2 : Stratégie ;

- Axe 3 : Environnement économique ;

- Axe 4 : Fonctionnement.

Tableau n°3.2.6. : Tableau des axes principaux

Axes	Axe1 : Impôts et taxes	Axe2 : Stratégie	Axe3 : Environnement économique	Axe4 : Fonctionnement
Items	Impunité (IMPUN)	Tracasseries administratives et institutionnelles (TRACADIN)	Concurrence (CONCUR)	Accès à la propriété (APRO)
	Impôts et taxes (IMPTAX)	Capacité managériale (CAPMAN)	Age de l'entreprise (AG)	Raccordement en eau et en électricité (RACEEL)
	Abus du pouvoir (ABUSP)

Source : Notre confection dans SPSS 20.0

En effet, après l'analyse en composantes principales (ACP), nous remarquons que les variables qui ont fait l'objet de celle-ci étaient de 15 au départ. Après cette analyse, nous nous retrouvons désormais avec 4 variables « axes principaux ». Cependant ces 4 axes principaux seront complétés par quelques autres variables qui n'ont pas fait l'objet de l'ACP et qui se visualiseront dans les résultats du modèle.