L'impact de la bancarisation des salaires des agents de l'état dans la diminution des dépenses publiques. Cas des forces armées congolaises, cas de la garnison de Bukavu de 2011 à 2013.

1.4. HYPOTHESES

1) Pour le cas de notre étude, nous estimons que la bancarisation des salaires des agents de l'Etat participerait à la performance des objectifs du gouvernement dans la maîtrise des dépenses du secteur de Forces Armées de la République Démocratique du Congo à travers la maîtrise des effectifs et la récupération du reliquat, initialement payé aux déserteurs et aux décédés.

2) Les soldes des militaires qui ne se présenteraient pas au guichet ne constitueraient un reliquat à reverser au compte du trésor public. Il proviendrait de non paiement des déserteurs et les veuves.

3) Le gain financier de la bancarisation aurait une influence sur l'augmentation des salaires et créerait un soulagement sur le panier de la ménagère militaire.

1.5. METHODOLOGIE DE RECHERCHE

Pour matérialiser notre étude nous utiliserons les méthodes descriptives et comparatives auxquelles nous ajoutons les techniques :

§ Documentaire ;

§ Interview libre ;

§ Observation directe.

1.5.1. Les méthodes

La méthode descriptive nous a permis de décrire la chaine de paiement des soldes des militaires avant la bancarisation et après la mise entrain des dispositifs de la bancarisation.

La méthode comparative est utilisée en vue de rapprocher par certaines grandeurs (masses financières) périodiques, les acquis issus de la mise en oeuvre de la nouvelle politique. A titre complémentaire le recours aux méthodes et techniques sus évoquées ont été dictés par une analyse que nous voulons minutieuse au regard de la complicité et de la délicatesse qui caractérise la vie sociale des militaires.

La méthode statistique

Par définition, la statistique est un ensemble de méthodes scientifiques à partir desquelles on requiert, on organise et on analyse un ensemble des données numériques, relatives à un problème aléatoire et qui permettent d'étudier des relations de causalité et de prendre des décisions judicieuses.

Les outils et tests statistiques suivants seront utilisés :

a) Le test de Student :

Les étapes du test de Student sont les suivantes :

La variable d'intérêt est X. Nous souhaitons comparer la moyenne de X dans 2 sous populations.

Le test d'hypothèses s'écrit :

H₀ : ì₁ = ì₂

H₁ : ì_{1 ?} ì₂

Le test peut être unilatéral à gauche ou à droite. Le schéma global reste le même, la statistique du test et les degrés de liberté sont identiques. Seule la région critique sera modifiée. Soient 2 échantillons Ù1 et Ù2 prélevés à partir de 2 sous populations. Nous formons les moyennes conditionnelles empiriques :

Le test de comparaison de 2 moyennes consiste à confronter les quantités estimées x₁ et x₂ en tenant compte de la dispersion (variance) des valeurs dans chaque sous-groupe. Les calculs diffèrent selon les hypothèses relatives aux variances conditionnelles.

· Cas des variances connues

Le cas où les variances sont connues dans les sous-groupes est purement théorique. Pourtant la très grande majorité des présentations du test de comparaison de moyennes commencent par cette configuration.

En effet, elle comporte tous les éléments de compréhension du test de comparaison de 2 moyennes.

Nous formons l'écart D = X₁ - X₂. L'espérance de D est

E(D) = ì₁ - ì₂

Les échantillons étant indépendants, sa variance est obtenue directement avec

Sous H0 : ì₁ = ì₂, la statistique du test de comparaison de moyenne devient :

Puisque X est distribuée normalement, Z l'est également. Pour un test bilatéral, la région critique du test (rejet de H₀) s'écrit :

Où est le quantile d'ordre de la loi normale centrée réduite.

· Cas des variances égales

Dans la pratique, nous ne connaissons pas les valeurs ó_k, il nous faut les obtenir à partir des données, nous utilisons les estimateurs non biaisés :

Si l'on fait l'hypothèse que les variances sont identiques dans les sous-groupes, nous pouvons produire un estimateur synthétique de la variance s² avec

La statistique du test devient :

Sous H0, elle suite une loi de Student , degrés de liberté.

Pour un test bilatéral, la région critique est analogue à la précédente :

Où est la quantile d'ordre de la loi de Student^1(*).

Il faut bien comprendre le mécanisme que recèle cette formulation. A écart égal entre les moyennes, plus la variabilité des valeurs sera faible, plus nous serons emmenés à rejeter l'hypothèse nulle : les distributions conditionnelles se démarquent plus fortement même si le paramètre de localisation (la moyenne) n'est pas modifié.

b) Le test F de Fisher :

Il nous permettra de savoir si la variance de l'offre est égale ou non à la variance de la demande, ou si l'offre et la demande varient de la même façon.

Le test de comparaison de Fisher compare les variances de 2 sous populations, il confronte les hypothèses suivantes :

A partir des résultats de la section précédente (section 2.1), la statistique du test calcule le rapport entre les variances estimées dans chaque sous échantillon.

Si F s'éloigne significativement de la valeur 1, on peut considérer que les variances conditionnelles sont différentes. Formellement, sous H₀, il a été établi que F suit une loi de Fisher à (í₁, í₂) degrés de liberté 2 avec í₁ = n₁ - 1 et í₂ = n₂ - 1. La région critique du test au risque á s'écrit alors :

Fa (n₁ - 1, n₂ - 1) est le quantile de d'ordre a de la loi de Fisher à (n₁ - 1, n₂ - 1) degrés de liberté.

c) Les paramètres de tendance centrale, de dispersion et de forme : ils vont nous permettre de connaître, de faire une analyse descriptive détaillée des caractéristiques de la production et des ventes au cours du temps. Ceux qui seront analysés sont la moyenne, le mode, la médiane, la variance, l'écart type, le coefficient d'asymétrie et d'aplatissement, etc.

d) Les tests de normalité

Les tests de normalités auxquels nous ferons recours dans ce travail sont ceux présentés par TANAGRA : le test de Shapiro-Wilk, d'Anderson Darling, de Lilliefors et d'Agostino. Pour les démarches de ce test, le lecteur pourra se référer à R. RAKOTOMALALA.^2(*)

Nous utiliserons le test de Kolmogorov Smirnov sous deux aspects :

1) Savoir si les deux échantillons (offre et demande) proviennent d'une même population ayant une même loi ;

2) Ajuster la quantité offerte et la quantité demandée à une loi théorique(en l'occurrence, la loi normale.

Pour ce faire, le logiciel XLSTAT ou STATISTIX nous servira d'outil privilégié.

Nous référant à MUGISHO G(2011), les démarches de ce test sont les suivantes :

Si F est la fonction de répartition de la variable normale centrée réduite,

Si X suit une loi normale de paramètres et , Z suivrait une loi normale centrée réduite, de densité de probabilité.

Sachant que et

Nous testerons donc :

Contre

Le tableau présentant les calculs nécessaires se présente de la manière suivante :

1) Calcul des valeurs centrées réduites

2) Détermination des à l'aide de la table de la loi normale centrée réduite 

3) Calcul des F_n(z_i), où z_i est la fonction empirique de Z déterminée à partir de n-échantillons ; dans ce test, on prend souvent pour F_n(z_i), la proportion des valeurs observées inférieures ou égales à z_i.

4) Calcul de

Et on note la plus grande valeur retrouvée.

5) Il suffira alors de faire une comparaison entre la valeur calculée D_n correspondant à la plus grande valeur trouvée et la comparer à la valeur tabulaire au seuil á

Cette valeur correspond à

6) On ne rejettera pas l'hypothèse nulle si la valeur calculée est inférieure est à la valeur tabulaire.

* ¹ R. RAKOTOMALALA, Tests paramétriques, Université Lumière Lyon2, 2010.

* ² R. RAKOTOMALALA, op. cit p.