Memoire Online - Systeme mobile banking: analyse statistique des determinants du revenu des agents de proximite dans l'aire metropolitaine de Port-au-Prince

Système Mobile Banking: Analyse statistique des déterminants du revenu des
agents de proximité dans l'aire métropolitaine de Port-au-Prince.

Mémoire de Sortie réalisé par l'Etudiant Fato FENE de la promotion 2006-2010 en vue de
l'obtention du diplôme d'Etudes Supérieures en Economie Appliquée : Option Statistique

Système Mobile Banking: Analyse statistique des déterminants du revenu des agents de
proximité dans l'aire métropolitaine de Port-au-Prince.

CHAPITRE III : CAPITAL HUMAIN : UN APPORT CONSIDERABLE A L'ACCROISSEMENT

CHAPITRE V.- PHASE DE TRAITEMENT : ANALYSE/PRESENTATION ET

CHAPITRE VI.- ANALYSE STATISTIQUE DES CARACTERISTIQUES SOCIODEMOGRAPHIQUES ET ECONOMIQUES DES AGENTS DE PROXIMITE ET LES

VI.3.2.2.- Test de significativité individuelle des paramètres du modèle initial 81

VI.3.2.5.3.- Test de significativité individuelle des paramètres du modèle 83

VI.3.2.5.5.- Contribution des différentes variables dans l'explication du modèle 84

- A ma mère, Francine JEAN FRANCOIS et mon père, Pierre Emmanuel FENE qui ont donné leurs énergies, leur temps, leurs avoirs pour me permettre de franchir cette étape si précieuse de mon existence.

Au-delà de l'effort personnel, ce document est la conjugaison des apports de plusieurs autres personnes qui nous ont prodigué leurs conseils et encouragements. C'est alors l'opportunité de leur montrer toute notre gratitude.

En tout premier lieu, nous tenons à remercier notre directeur, le Professeur Nelson SYLVESTRE qui, malgré ses multiples occupations, nous a donné l'encadrement nécessaire pour mener à bien ce travail de recherche.

Nous remercions également les Professeurs Jean Baptiste ANTENORD, Roceny FENE, Emmanuel CHARLES qui nous ont aidé à partir de leurs critiques visant à déceler les failles du dit document.

Un remerciement spécial aux corps professoral et administratif du Centre de Techniques de Planification et d'Economie Appliquée (CTPEA) pour leur noble contribution dans la réussite de notre formation en Statistique et Economie.

Aux étudiants Wilgens ALFRED, Jean Ronick LOUIS JEUNE et Mackenson LOUIS JEAN, nous exprimons notre gratitude pour leur participation à la phase de collecte de données.

Aussi, saisissons-nous l'occasion pour adresser nos remerciements à tous nos camarades de la promotion 2006-2010 pour la solidarité dont ils font toujours montre.

Enfin, nos remerciements vont à l'endroit de nos parents, nos frères et soeurs et à tous nos amis, en particulier Wilbert TOUSSAINT, Jacob MICHEL, Stevens SIMPLUS, Houlio St PREUX, Marcus CADET, Sterlin SIMPLUS, Kendy PIERRE, Lemaus Jean BARTOLLY, Yvon ANTOINE, Bénisson ULYSSE pour leurs précieux conseils, leur encouragement nous servant de leitmotiv, leurs prières et leur soutien incommensurable.

Graphique 1 : Distribution des agents de proximité selon leur revenu moyen par jour Graphique 2 : Distribution des agents de proximité suivant la liquidité disponible

Graphique 3 : Distribution des agents de proximité suivant le nombre de transactions effectuées par jour

Graphique 4 : Distribution des agents de proximité suivant le type de transactions effectuées par

Graphique 5 : Distribution des agents de proximité suivant l'intensité économique de leur zone d'activités

Graphique 8 : Distribution des agents de proximité selon leur niveau d'instruction

Graphique 9 : Distribution des agents de proximité selon le nombre de personnes en charge

Graphique 10 : Distribution des agents de proximité selon leurs catégories socioprofessionnelles

Graphique 11 : Distribution des agents de proximité selon leur statut matrimonial

Graphique 12 : Distribution des agents de proximité suivant leur zone d'activités

Graphique 13 : Distribution des agents de proximité suivant le nombre d'années dans la pratique des affaires

Graphique 14 : Distribution des agents de proximité selon leur degré de satisfaction du service

Tableau 3 : Répartition des agents de proximité selon leur niveau d'instruction

Tableau 4 : Répartition des agents de proximité selon le nombre de personnes en charge

Tableau 5 : Répartition des agents de proximité selon leurs catégories socioprofessionnelles Tableau 6 : Répartition des agents de proximité suivant leur statut matrimonial Tableau 7 : Répartition des agents de proximité suivant leur zone d'activités

Tableau 8 : Répartition des agents de proximité selon le nombre d'années dans la pratique des affaires

Tableau 9 : Répartition des agents de proximité suivant leur degré de satisfaction

Tableau 10 : Répartition des agents de proximité suivant le nombre de transactions effectuées par jour

Tableau 11 : Répartition des agents de proximité selon leur liquidité disponible Tableau 12 : Répartition des agents de proximité suivant leur revenu moyen par jour

Tableau 13 : Revenu moyen journalier des agents de proximité de Mobile Banking selon leur groupe d'âge

Tableau 14 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et le groupe d'âge

Tableau 15 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leur niveau d'instruction

Tableau 16 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et le niveau d'instruction

Tableau 17 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leur nombre de personnes en charge

Tableau 18 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et le nombre de personnes en charge

Tableau 19 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leurs catégories socioprofessionnelles

Tableau 20 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et la catégorie socioprofessionnelle

Tableau 21 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leur statut matrimonial

Tableau 22 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et le statut matrimonial

Tableau 23 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leur nombre d'années dans la pratique des affaires

Tableau 24 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et le nombre d'années dans la pratique des affaires

Tableau 25 : Revenu moyen journalier des agents de proximité du Mobile Banking suivant leur satisfaction tirée du service

Tableau 26 : Relation de dépendance entre le revenu moyen journalier des agents de proximité et la satisfaction tirée du service

Tableau 27 : Revenu moyen journalier des agents de proximité suivant leur disponibilité en termes de liquidité

Tableau 28 : Relation de dépendance entre le revenu moyen journalier du Mobile Banking et la liquidité disponible

Chapitre I : Introduction

Notre choix du Mobile Banking comme thème de recherche est justifié par des raisons d'ordres personnel et général :

Il existe très peu d'études menées sur le M-Banking³ à travers le monde et particulièrement en Haïti alors que ce système connaît une grande expansion. En fait, aucune étude spécifique prenant en compte le mobile banking en tant qu'activité économique n'a encore été réalisée dans le pays, encore moins sur le potentiel économique que revêt un tel système à la réduction du chômage en Haïti. Une étude traitant d'un tel aspect pourrait aider l'Etat haïtien à travers le Ministère de l'Economie et des Finances et la Banque de la République d'Haïti à voir l'apport éventuel du Mobile Banking dans une politique globale de croissance économique. D'où la justification de notre travail visant à analyser à l'aide de données quantitatives l'importance de l'utilisation du Mobile Banking et les déterminants du revenu que gagnent les agents de Tchotcho Mobile en Haïti.

De plus, le phénomène étant nouveau en Haïti, il nous a donc paru nécessaire que des explications scientifiques soient données à son évolution et à ses limites.

Par ailleurs, dans le cadre de ce travail de recherche, nous avons mis emphase sur le Tchotcho mobile. Ce choix peut être expliqué pour deux raisons:

- Premièrement, à partir du pré-test réalisé dans l'aire métropolitaine de Port-au-Prince en Juin 2012, nous avons pu constater la quasi-absence de T-cash. Ceci peut s'expliquer par le fait que

² Compagnie de téléphonie mobile en Haïti offrant le service de T-cash (service permettant à une personne de faire des transactions bancaires à partir de son téléphone Voilà).

³ M-Banking : L'utilisation du téléphone portable pour fournir des services financiers qui peuvent être des transactions financières et des échanges d'informations entre le client et l'institution financière.

Merci Corps a cessé ses programmes de cash for work⁴ ainsi que d'autres programmes de dons en termes d'argent et de nourriture. Le mobile Banking en l'occurrence T-cash de Voilà était utilisé comme moyen de paiement lors de l'exécution de ces projets.

- Deuxièmement, l'achat de la compagnie Voilà par la Digicel a été un choc considérable ayant causé la fermeture de T-cash vu que la Digicel disposait déjà d'un réseau offrant le même service.

I.1.2.- Intérêt du sujet

Par ailleurs, ce travail portant sur le revenu des agents de proximité du mobile banking revêt d'une importance capitale du point de vue économique, sociale et scientifique :

- Sur le plan économique, ce travail de recherche peut aider les compagnies de téléphonie mobile oeuvrant dans le domaine du Mobile Banking de mieux orienter leurs politiques en ce qui a trait aux réseaux d'agents tant par la répartition géographique de ces derniers que par l'encadrement de ceux à faible revenu dans le but de les encourager à accroître leur rendement et à cultiver un amour pour l'activité de vente du service de Mobile Banking.

- Sur le plan social, l'impact de proximité joue un rôle important pour les consommateurs vu que le Mobile banking est comme une banque à la poche par rapport à la facilité qu'il procure pour faire une transaction contrairement au système bancaire où la file d'attente est interminable. De nombreux programmes du gouvernement Martelly-Lamorthe ont été implémentés à partir du mobile banking tels que Ti Manman Chérie⁵, en octroyant une allocation de 800 gourdes aux mamans vivant dans les quartiers défavorisés du pays en vue d'améliorer leurs conditions de vie et celles de leurs enfants. De ce fait, un dépôt est fait mensuellement sur leurs comptes Tchotcho mobile qu'elles peuvent transformer en cash auprès des agents de proximité.

- Sur le plan scientifique, les chercheurs de tout horizon pourraient puiser dans ce modeste travail en vue de comprendre l'activité de banques mobiles et de mesurer son apport au développement socio-économique d'un pays.

⁴ Programme lancé après le tremblement de terre du 12 Janvier` et financé par l'ONU de près de 41 millions de dollars qui consiste à donner 5 dollars par jour aux mains d'oeuvres non qualifiés dans le but de permettre le déblaiement des sites affectés mais aussi de faciliter la survie des sinistrés.

⁵ Programme lancé par le gouvernement Martelly-Lamothe en Mai 2012 en vue de soutenir les parents des quartiers défavorisés au moyen d'une allocation variant entre 400 et 800 gourdes déposée sur les comptes Tchotcho Mobile de leurs téléphones portables.

I.2.- Problématique : Réflexion sur le système mobile banking et les déterminants de revenu des agents de proximité.

Le mobile banking marque une ère de modernité dans le système bancaire mondial, surtout dans les pays en développement où le taux de bancarisation est très faible. Selon la base de données Global Findex de la Banque Mondiale, seulement 41% des adultes dans les pays en développement ont un compte bancaire. Parmi les plus pauvres, 23% des adultes vivant avec moins de 2 dollars par jour ont un compte⁶. A l'échelle mondiale, selon ce même rapport, 55% des hommes ont un compte contre 47% des femmes. Les raisons les plus courantes évoquées par les répondants lors de l'enquête réalisée par la Banque Mondiale et Gallup en 2011 pour expliquer l'absence de compte sont le manque d'argent, les coûts facturés par les banques ou l'éloignement des établissements et le manque de documentation nécessaire. Donc, le besoin d'un autre moyen permettant l'intégration financière des non-bancarisés se fait grandement sentir.

C'est ainsi que, suite aux avancées technologiques telles que l'internet et la téléphonie mobile que connaît le monde durant ces deux dernières décennies et le nombre faramineux des non-bancarisés⁷ à travers le monde, un nouveau service permettant aux gens surtout ceux vivant en milieu rural d'accéder aux services bancaires a vu le jour en Afrique avec l'apparition de M-PESA en 2009. En effet, Djamid ASSADI et Anais CUDI, dans l'article portant sur le potentiel d'inclusion du mobile banking, ont déjà fait remarquer que : « Face au nombre de non-bancarisés dans le monde et au nombre croissant de téléphones portables en usage, le mobile banking semble être la solution pour diffuser des services financiers et bancariser une nouvelle population»⁸. Ce système consiste à utiliser le portable comme une carte de paiement. Le détenteur d'une carte SIM peut, via un SMS, envoyer et recevoir de l'argent, payer une facture, détenir un compte, mais aussi accéder à des dispositifs d'émancipation économique, notamment via le microcrédit.

Bien que récentes, les expériences de mobile banking à travers le monde connaissent des résultats satisfaisants. Et tout particulièrement, certains systèmes initiés par des opérateurs téléphoniques proposent des services de transferts d'argent, à en croire la Direction de Microfinance de Horus Development Finance⁹.

6 Enquête de la Banque Mondiale et Gallup en 2011 présenté dans le Rapport Finances & Développement, Septembre 2012 titré «Accès aux services bancaires».

⁷ Non-bancarisation : situation où des consommateurs potentiels n'ont pas accès aux services financiers de base.

⁸ Citation tirée de l'étude intitulée « Le potentiel d'inclusion du Mobile Banking » : une étude exploratoire» réalisée

9 Etude de faisabilité Mobile Banking par la Direction de Microfinance d'Horus Developement Finance, Septembre 2009, Page13.

Les expériences les plus connues de mobile banking en microfinance dans le monde ont été à l'initiative d'opérateurs téléphoniques : on les nomme « telco-led ». Parmi ces expériences, il convient de citer en particulier:

- M-PESA au Kenya, dont l'opérateur est Safaricom (Vodafone). Le pilote fut lancé en Octobre 2005 avec une aide publique de DFID¹⁰. Le déploiement commercial démarra en mars 2007. En juin 2009 : 9000 agents de proximité, plus de 6 millions d'utilisateurs inscrits (1 adulte sur 4) qui utilisent M-PESA essentiellement pour effectuer des transferts d'argent domestiques et de l'épargne sur porte-monnaie électronique;

- SMART Money (Smart Communications, en partenariat avec Banco de Oro) et GCash (Globe Telecom) aux Philippines: 9 millions de clients inscrits (dont 3 millions actifs), 9000 agents¹¹ au total.

Le succès fulgurant de ces opérateurs téléphoniques s'explique principalement par le fait qu'ils répondent à un des besoins majeurs des populations non bancarisées : celui de pouvoir effectuer des transferts d'argent de manière sécurisée, à moindre coûts que par les moyens formels ou informels préexistants. Un autre facteur non négligeable au développement du mobile banking est la densification des points de services. Cela facilite les transactions de dépôt et de retrait d'argents à travers les agents de proximité. Un maillage dense du réseau d'agents est essentiel pour impulser et entretenir une dynamique permettant de développer un système pérenne. C'est ainsi qu'au Kenya, aux Philippines, en Afrique du Sud, en Amérique latine, les systèmes de mobile banking fonctionnent avec des milliers d'agents, y compris des boutiques villageoises, des pharmacies, des stations-services, des cybercafés, etc. Selon Paul Leishman et Neil Davidson¹², les agents sont la ligne de front, le visage humain des services d'argent mobile de l'opérateur. De fait, il va sans dire que ces agents tirent leur avantage de cette activité additionnelle que constitue le mobile banking car ce dernier concourt à l'amélioration de leur revenu.

Compte tenu de la nature nouvelle du service, la capacité des agents à vendre et promouvoir le M-banking est très importante car ils sont de plus en plus sollicités par les utilisateurs qui ne maîtrisent pas trop bien le service. Selon une étude réalisée par la direction de Microfinance de Horus Development Finance¹³ sur le mobile banking mutualisé, certains facteurs sont

11 Etude de faisabilité Mobile Banking par la Direction de Microfinance d'Horus Developement Finance, Septembre 2009, Page14.

¹² Etude faite par Neil Davidson et Paul Leishman sur les agents du service de Mobile intitulée : « Construire, motiver et gérer un réseau d'agents pour les services d'argent mobile : guide pratique pour les opérateurs de téléphonie mobile ».

13 « Projet Mobile Banking mutualisé », Direction de la Microfinance de Horus Development Finance, Mars 2010, Page 96.

déterminants dans la décision des petits entrepreneurs de devenir agents de proximité pour le Mobile. On distingue entre autres :

La rémunération doit nécessairement couvrir les frais supplémentaires occasionnés à l'agent par son activité MB. Elle vient en complément d'une activité commerciale existante, elle est considérée comme un revenu marginal qui ne doit pas financer les coûts fixes de l'agent mais peut contribuer à augmenter sa rentabilité en générant un revenu supplémentaire sans augmentation des coûts fixes.

En Haïti, les services de mobile banking, mis sur pied à la fin de l'année 2010 par la DIGICEL et VOILÀ¹⁵ sous l'appellation respective de Tchotcho mobile et de T-cash¹⁶, ont eu en peu de temps une ampleur considérable tant au nombre de clients inscrits qu'à la création de petites entreprises¹⁷ constituant les agences de Tchotcho mobile et de T-Cash si bien que Digicel a remporté le prix 2011 de Service Novateur des Consommateurs du magazine « Global Telecoms Business » pour son service Tchotcho Mobile¹⁸. Toutefois, il faut reconnaître que les services de T-cash et de Tchotcho Mobile tardent encore à atteindre la grande évolution qu'ont connue les opérateurs de téléphonie mobile africains oeuvrant dans le secteur du mobile banking. En effet, pas moins de trois Organisations non gouvernementales (ONG) utilisaient Tchotcho mobile ou T-Cash pour rémunérer leurs employés. Help Age et Mercy Corps le font en utilisant T-Cash et World Vision avec Tchotcho mobile dans le cadre de son programme « Cash for work ». Par ailleurs, le gouvernement haïtien a mis sur pied récemment un programme baptisé « ti manman chérie »¹⁹ ayant pour but d'aider certains parents à prendre soin de leurs enfants scolarisés en leur octroyant une allocation mensuelle de 800 gourdes qui est déposée sur leur compte Tchotcho Mobile créé à partir de leur téléphone portable. Donc, ils peuvent faire des retraits d'argents à partir de leur téléphone en contactant les agents de Tchotcho Mobile éparpillés dans les

¹⁵ Digicel possède 68% de part de marché et Comcel, 28.4%, Natcom, 2.33% et Haitel 1.27%, source, Comcel.

¹⁶ Digicel en collaboration de la Scotia Bank et Comcel en collaboration de la Unibank.

¹⁷ D'après le département marketing de Voilà, T-cash compte 230 000 clients et Tchotcho Mobile en compte 110 000 selon l'article paru en novembre 2010 intitulé : « Service bancaire par téléphone » sur le site www.digicelhaiti.com.

¹⁹ Programme visant à améliorer les conditions de vie des parents les plus défavorisés, ce dernier a vu le jour en Août 2012 à Cité Soleil.

différentes artères de l'aire métropolitaine de Port-au-Prince. Aussi convient-il de souligner l'ouverture d'un nouveau système par la Banque Nationale de Crédit (BNC) en Mai 2013 dénommé LajanCash permettant d'effectuer des achats online, payer des salaires et transférer de l'argent. Ce qui va avoir un impact considérable en termes d'augmentation du réseau d'agents.

Une population au niveau de vie élevé, telle est la préoccupation de toute politique de développement, car on ne saurait ni produire des biens pour des consommateurs dépourvus de pouvoir d'achat ni de bien gérer la richesse de la société alors que de l'autre côté persiste la misère. En tant qu'indicateur du développement humain, le niveau de revenu permet de situer les ménages sur une échelle ordonnée: d'une part les ménages à faible niveau de revenu ou pauvre et d'autre part ceux du niveau de revenu élevé. En effet, le savoir-faire, l'un des facteurs primordiaux à l'explication de la croissance du revenu, a été souligné par Adam Smith, Marshall (1920) et Schumpeter (1950). Une première formalisation du concept au sein de modèles économétriques provient de Lewis (1955) qui introduit le rôle joué par le capital humain (KH) dans le développement national quantifiable par le niveau d'éducation. De surcroît, des auteurs comme Glaeser et Shleifer (1995) montrent en effet que la croissance de revenu est positivement influencée par le niveau initial d'éducation.

Par ailleurs, les activités de téléphonie mobile représentent une source principale ou alternative de revenus pour la plupart des chômeurs haïtiens qui évoluent ou non dans le secteur informel. Nombreux sont ceux qui, à travers les rues, vendent les services de cartes de recharges électroniques en vue de percevoir un pourcentage de revenus par transactions évalués à 2% par transactions selon les informations fournies par ces derniers. Cette réalité n'est pas différente de celle de mobile banking où l'agent de proximité a pour mission d'assurer les transactions de retrait et de dépôt en vue d'avoir des ristournes sur le nombre de transactions effectuées; nous entendons par dépôt le fait que le client décide de mettre un certain montant sur son compte créé à partir de son téléphone; montant qu'il peut retirer à n'importe quel moment en utilisant bien sûr le service d'un agent de proximité. A la seule différence, l'agent de proximité doit disposer d'un fonds de roulement lui permettant d'assurer les transactions de retrait. Voilà pourquoi, la plupart des agents ont une activité parallèle qui leur facilite la gestion des transactions. Par ailleurs, l'enquête-pilote réalisée dans le cadre de cette étude révèle que certains agents de proximité tirent beaucoup plus de profit que d'autres. Vu que la pérennisation d'un réseau d'agents efficaces est essentielle à la survie de l'activité de Mobile Banking, notre curiosité intellectuelle nous pousse à nous questionner sur les facteurs expliquant ce déséquilibre ; donc, de déceler les déterminants du revenu des agents de proximité. Par ricochet, de mettre emphase sur les potentiels de l'activité et les retombées socio-économiques qu'elle peut engendrer.

Le profit des agents de proximité diffère l'un à l'autre dépendamment des stratégies adoptées pour rentabiliser ce service. Suivant le schéma structurel du Mobile Banking en Haïti, le revenu

des agents - principaux artisans du succès des banques mobiles - dépend dans la majorité des cas des frais de retraits effectués par les utilisateurs du service. Par conséquent, d'après l'étude de Neil Davidson et Paul Leishman²⁰, l'agent, pour pouvoir maintenir un float suffisant et augmenter sa rentabilité, doit effectuer un nombre important de transactions par jour. C'est pourquoi il convient pour les opérateurs de recruter un nombre raisonnable d'agents de proximité pour permettre à ce qu'ils aient chacun un flux de transactions élevé sinon l'agent risque de faire défection. En outre, n'existe-t-il pas d'autres facteurs pouvant influer sur le revenu des agents de proximité de Tchotcho mobile ?

Le phénomène MB en Haïti est récent, rappelons-nous. Les études le concernant sont assez rares si l'on exempte celle menée par la firme DAGMAR²¹ en janvier 2011 pour le compte de la DIGICEL. Quoiqu'il constitue une activité encore nouvelle permettant de générer des revenus substantiels, aucune étude sur le M-Banking visant à déterminer le mode de rémunération des agents impliqués n'a encore été menée en Haïti. De ce fait, il nous a paru important de jeter notre dévolu sur les agents de Tchotcho Mobile dans l'aire métropolitaine de Port-au-Prince afin de mettre en évidence, à partir d'une recension exhaustive, l'apport du MB²² dans l'amélioration du revenu de ces derniers. Ce travail qui se veut une aide à la compréhension du secteur de Mobile Banking apportera des éléments de réponse à l'interrogation qui suit : Quels sont les éléments susceptibles d'affecter le revenu des agents de proximité de Tchotcho Mobile dans l'activité Mobile Banking ?

I.3.- Objectifs du travail

L'objectif général que se fixe cette étude est évidemment d'identifier les facteurs pouvant expliquer le revenu des agents de proximité dans le secteur du Mobile Banking. Plus spécifiquement, cela revient à :

- Décrire les caractéristiques sociodémographiques et économiques des agents de proximité ;

- Etudier la relation entre le revenu et les caractéristiques sociodémographiques et économiques des agents de proximité.

²⁰ Etude réalisée par Neil Davidson et Paul Leishman intitulée « Construire, motiver et gérer un réseau d'agents pour les services d'argent mobile.

²¹ Etude de marché pour le lancement de Tchotcho mobile réalisé en Janvier 2011 par DAGMAR.

I.4.- Hypothèses

L'hypothèse générale que cette étude se propose de tester est que les facteurs sociodémographiques et économiques influencent le revenu des agents de proximité du M-Banking. Las hypothèses spécifiques sont:

H1 : Le niveau d'instruction a une incidence positive sur le revenu des agents de proximité ;

H2 : La catégorie socioprofessionnelle influence positivement le revenu des agents de proximité ;

H3 : La liquidité disponible explique positivement le revenu des agents de proximité.

I.6.- Méthodologie de recherche

Madeleine Grawitz définit la méthode comme étant l'ensemble des opérations intellectuelles par lesquelles une discipline cherche à atteindre les vérités qu'elle poursuit, les démontre et les vérifie²³. Ces méthodes empruntent généralement un cheminement ordonné qui part de l'observation à la discussion des conclusions scientifiques en passant respectivement par un problème de recherche, une question de recherche, une hypothèse, un objectif de recherche et une méthode de résolution. Ainsi, le processus de notre méthode de recherche se regroupe en trois grandes phases : la phase de conception/construction de l'objet d'étude, la phase de découverte et de collecte de données et la phase de traitement et d'analyse des données.

I.6.1.- Phase de conception / Construction de l'objet d'étude

À cette phase de l'étude, l'emphase a été portée sur la formulation du problème de recherche, l'énonciation des questions, des objectifs, les hypothèses de recherche et aussi sur la définition des variables. De ce fait, une recension des écrits en lien avec la question de départ a été réalisée dans l'objectif de choisir une approche théorique et de formuler une problématique de recherche. Voilà pourquoi, nous avons consulté pas mal d'ouvrages, de revues, d'articles, de rapport et des mémoires spécialisés traitant des NTIC, de la téléphonie mobile et plus particulièrement du Mobile Banking dans le Campus numérique de l'AUF²⁴ et aussi dans le centre de documentation du PNUD à Port-au-Prince ; ce qui nous a permis de mieux cerner la problématique avec des données chiffrées. Pour avoir des informations précises sur l'aire métropolitaine de Port-au-Prince, nous avons effectué une visite au département de Cartographie et à la bibliothèque de l'Institut Haïtien de Statistique et d'Informatique (IHSI).

²³ M.GRAWITZ ; Les méthodes en sciences sociales, 4^e éd, Dalloz, Paris, 1971, p317

²⁴ Agence Universitaire de la Francophonie (AUF) a procédé à la réouverture de son Campus Numérique Francophone de Port-au-Prince après avoir connu des endommagements subis lors du Séisme du 12 Janvier 2010.

I.6.2.- Définition de la population cible et unités statistiques

La population cible se réfère à la population que le chercheur désire étudier et à partir de laquelle il voudra faire des généralisations. Elle correspond ici à l'ensemble des agents de proximité évoluant dans l'aire métropolitaine de P-au-P. Ces derniers sont à la fois les unités d'analyse et les unités d'observation.

I.6.3.- Choix des méthodes et instruments de collecte

Pour apprécier la situation des agents en termes de retombées économiques et déterminer les facteurs explicatifs du revenu des agents de proximité, la démarche considérée pour la collecte de données est une enquête exhaustive englobant tous les agents de Tchotcho Mobile évoluant dans l'aire métropolitaine de Port-au-Prince. Cette dernière nous a révélé qu'il existe seulement 88 agences de Tchotcho Mobile qui fournissent le service de banque mobile alors qu'elles étaient à plus de 200 en décembre 2011.

Tableau 2 : Présentation par commune des agents de proximité de Tchotcho Mobile de l'aire métropolitaine de P-au-P avant l'enquête

Source : Liste des agents de Tchotcho Mobile publiée par la Digicel, Décembre 2011

Pour pouvoir effectuer l'enquête, nous avons obtenu des informations auprès de la DIGICEL concernant la répartition géographique des agents de proximité de Tchotcho Mobile avec leurs adresses respectives. Ce rapport nous a indiqué qu'il existait 237 agents de Tchotcho Mobile évoluant dans l'aire métropolitaine. Donc, en décembre 2011, les plus grands nombres d'agents de Tchotcho Mobile étaient concentrés dans les communes de Port-au-Prince et de Delmas qui comptaient respectivement 71 et 82 agents par contre Cité Soleil n'en avait que sept agents.

Tableau 3 : Répartition par Commune des agents de proximité de Tchotcho Mobile de l'aire métropolitaine de P-au-P après l'enquête

Source : Résultats de l'enquête réalisée dans l'aire métropolitaine de P-au-P, Août 2012

Après avoir mené une enquête exhaustive dans les six communes précitées, les résultats de l'enquête ont révélé que le nombre d'agents qui fournissent le service de M-Banking dans l'aire métropolitaine de P-au-P sont de 86 soulignant que quatre agents de proximité n'ont pas pu être considérés dans le cadre de cette étude en raison des erreurs commises par les enquêteurs. Les communes de Delmas et de Port-au-Prince ont respectivement 29 et 25 agents tandis que la commune de Cité soleil n'en compte que 5. Donc, 155 agents ont dû abandonner le service de M-Banking dans moins d'un an de service. Cette dégradation du réseau d'agents s'explique principalement par le fait qu'il y ait un manque de rationnement du réseau d'agents de Tchotcho Mobile. Donc, il y a un déséquilibre entre l'offre et la demande du service. L'autre facteur non négligeable à prendre en compte est le problème d'information car, à l'heure actuelle, nombreux sont les gens qui ne connaissent pas le potentiel du service de M-Banking en Haïti.

I.6.4.- Justification de la technique utilisée

Les raisons qui justifient le choix d'une enquête exhaustive dans le cadre de cette étude sont :

- Premièrement, le nombre d'agents vendant le service de Tchotcho Mobile n'est pas important. Dans ce cas, il n'est pas nécessaire de procéder à l'échantillonnage. Donc, nous avons jugé bon de questionner tous les agents de Tchotcho mobile dans l'aire métropolitaine de P-au-P.

- Deuxièmement, nous disposons déjà des données relatives aux agents de Tchotcho Mobile à savoir les noms et les adresses des entreprises. Donc, ces informations nous ont facilités dans le processus de collecte de données.

I.6.5.- Phase de collecte de données

Puisqu'il s'agit de démontrer ou de prouver le phénomène en question, nous avons utilisé comme mode d'investigation l'approche quantitative qui vise à recueillir des données observables et quantifiables. Ce type de recherche consiste à décrire, à expliquer, à contrôler et à prédire en se fondant sur l'observation des faits objectifs. Elle s'appuie sur des instruments ou techniques de recherche quantitatives de collecte de données dont en principe la fidélité et la validité sont assurées. Par conséquent, pour mener l'enquête, un questionnaire est administré auprès de la population de référence qui est constituée de l'ensemble des agents qui ont l'autorisation de vendre le service de Tchotcho Mobile dans les six communes composant l'aire métropolitaine de P-au-P. L'enquête a été déroulée durant la période allant de 1er Août 2012 au 15 Août 2012. Nous avons eu 6 agents enquêteurs qui sont répartis comme suit :

- 3 agents de collecte ayant pour responsabilité de collecter les informations dans les communes de Delmas, de Tabarre et de Cité soleil;

- 2 agents de collecte chargés de mener l'enquête dans les communes de Port-au-Prince et de Pétion-ville ;

Donc, les enquêteurs étaient munis de questionnaires, d'un appareil GPS pour prendre les coordonnées géo-spatiales des points de service et une liste détaillée des agents de proximité des différentes communes de l'aire métropolitaine de P-au-P munie de leurs adresses et de leurs numéros de téléphone.

I.6.6.- Des avantages et limites de terrain

Le travail de terrain s'est déroulé dans l'aire métropolitaine de Port-au-Prince ; une agglomération comprenant six communes. Lors de la visite réalisée à la Digicel, une liste exhaustive de toutes les agences offrant le service de Mobile Banking a été mise à notre disposition ; un avantage considérable vu qu'il était facile de retrouver et de respecter la méthode de collecte choisie pour trouver les 237 agents de Mobile Banking éparpillés dans l'aire métropolitaine de P-au-P. D'un autre côté, à cause de la non actualisation de la liste, nous avons fait face à d'énormes difficultés pour trouver tous les agents puisque bon nombre d'entre eux soit 64% se sont délocalisés ou sont inexistants. De surcroît, certains agents ont refusé catégoriquement de fournir des informations sur leurs activités malgré l'effort des enquêteurs pour les persuader. Il y en a d'autres qui fournissent le service mais ne se trouvent sur la liste donnée par la compagnie de téléphonie mobile Digicel. Cela a été un facteur de biais puisque certains agents pourraient ne pas être pris en compte du fait qu'il paraissait impossible pour les

enquêteurs de parcourir tous les quartiers de toutes les communes de l'aire métropolitaine de Pau-P.

I.6.7.- Représentation cartographique des points de service

L'enquête s'est portée sur tous les points de service de M-Banking existant dans l'aire métropolitaine de P-au-P. Donc, il est important de faire une représentation cartographique de ces derniers en vue de mettre en exergue l'inadéquation existante dans la répartition des agents de proximité dans l'aire métropolitaine.

? Présentation de la cartographie sociale des points de service de Tchotcho Mobile.

Au cours de l'étude, nous n'avons pris en compte que les agents de proximité évoluant dans les communes faisant partie de l'aire métropolitaine de Port-au-Prince à savoir Pétion-ville, Delmas, Tabarre, Cité-soleil, Port-au-Prince et Carrefour qui présentent des caractéristiques différentes en termes de potentialités socio-économiques. Au vu des résultats de la carte (Carte 1, Annexe 3), nous remarquons que les agents se trouvent concentrés dans la partie urbaine des différentes communes. Cela peut s'expliquer par le fait que les villes jouissent d'une haute intensité d'activités économiques comparativement au milieu rural où les infrastructures socioéconomiques sont très limitées.

Bien que le niveau de pénétration du système mobile Banking soit faible, il paraît toutefois un élément nécessaire pour répondre à certaines situations d'urgences surtout pour ceux qui n'ont pas accès au système bancaire traditionnel, ou qui éprouvent de la difficulté de fréquenter les banques commerciales par rapport à l'insécurité et aux files d'attente interminables.

I.7.- Délimitation du sujet

Tout sujet de recherche scientifique doit être limité dans le temps et dans l'espace. De ce fait, il convient de souligner que l'enquête a été déroulée durant la période allant du 1^er au 15 Août 2012. Par ailleurs, nous n'avons pris en compte que les six communes faisant partie de l'Aire métropolitaine de Port-au-Prince. Ce choix a été fait dans le but d'avoir une meilleure représentativité de la population sous-étude car Tchotcho Mobile n'a pas une grande couverture géographique en termes d'agences vendant le service de Mobile Banking.

La réalisation de ce travail n'a pas été aisée. Plusieurs sont les embûches qui ont émaillées notre parcours. La difficulté majeure est liée au manque d'ouvrages ou d'écrits des auteurs haïtiens et étrangers qui traitent directement du système mobile banking, encore moins de son potentiel économique. En outre, les contraintes financières et temporelles ont amenuisé la consistance de ce travail.

Chapitre II : Système Mobile Banking : un marché en pleine expansion

Ce chapitre présente les notions techniques essentielles à notre thème de recherche. En effet, ces concepts étant la base même de notre étude, nous trouvons la nécessité d'en exposer le contenu. Il s'agit principalement du système Mobile Banking et de son impact.

II.1.- Le système Mobile Banking

II.1.1.- Généralités

Le monde du capitalisme contemporain est la remontée du capital financier. L'importance du capital mise en valeur se manifeste par l'augmentation des opérations de mise en valeur de l'argent et le rôle déterminant les institutions financières²⁵.

La domination contemporaine du capitalisme financier résulte de la conjoncture d'une série des facteurs. Tout d'abord, on a l'hypothèse selon laquelle la détention d'un droit de propriété ou d'une créance confère à son détenteur un pouvoir d'appropriation de la richesse la plus indépendante de toutes les contingences. Ensuite, le capitalisme financier qui a surgi à la fin des années soixante-dix a été favorable à la finance. Le courant néo-libéraliste qui prêchait le capitalisme financier dans son idéologie a renforcé la liquidité du capital²⁶. Enfin, le changement de rapports de force qui est intervenu entre le capital et le travail au cours des années quarante-cinq a été un facteur favorable à la reconstruction par le marché boursier des capitaux importants. A côté des marchés boursiers, nous citons aussi les institutions financières ainsi que les banques qui effectuent des mouvements des capitaux importants. Ces mouvements de capitaux prennent différentes formes : transfert de banque à banque, maisons de transferts. Vers les années 2000, suite à la démocratisation de la téléphonie mobile, les institutions financières trouvent un moyen efficace et plus sécuritaire de permettre aux gens de faire des transactions financières. Il s'agit du Mobile Banking d'où l'appellation française Banque Mobile.

II.1.2.- Notions de mobile Banking

L'expression « mobile banking » ou service de banque mobile, est utilisée pour désigner un service qui permet aux clients qui y souscrivent d'accéder à un certain nombre de prestations bancaires ou financières à partir de simple téléphone mobile. Les clients peuvent ainsi gérer leur compte, effectuer des transferts de fonds, ou en recevoir, épargner ou même payer des factures (électricité, eau, gaz, etc.). Toutes ces opérations sont possibles à partir de leur téléphone cellulaire. Un simple SMS (Short Message Service) suffit à effectuer la plupart des transactions.

²⁵ VERCELONE, C., Sommes-nous sortis du capitalisme industriel ?, éd. La Dispute, Paris, 2003, P.147

La confidentialité des transactions étant assurée par l'utilisation d'un code PIN (Personal Identification Number), un code confidentiel connu du seul usager (exactement comme avec une carte bancaire). Les services de Mobile Banking peuvent être fournis soit : Par l'opérateur de téléphonie mobile (Bank-focused model), soit par l'opérateur en collaboration avec une ou plusieurs institutions financières (Bank-led model), soit par la banque elle-même (Non-Bank-led model).

En fonction des usages et de la cible à laquelle il s'adresse, on considère le Mobile Banking suivant deux aspects distincts : Transformationnel et Additif²⁷. On parle d'effet Transformationnel du Mobile Banking quand le produit ou le service financier qui est lié à l'utilisation d'un téléphone s'adresse à une clientèle qui ne détient pas de compte bancaire dans une institution financière conventionnelle (en opposition avec la finance informelle) ou qui est totalement exclue de tout circuit financier. Le Mobile Banking est dit additif lorsqu'il ne constitue qu'un nouveau moyen de paiement ou une nouvelle voie d'accès à un compte bancaire existant. Dans ce cas précis, ce n'est qu'une façon d'améliorer le confort ou d'élargir la gamme de service accordée à des clients qui ont déjà accès aux circuits financiers officiels.

II.1.3.- Impact du Mobile Banking

Plus de 2,5 milliards d'adultes dans le monde ne possèdent pas de compte bancaire classique, essentiellement dans les économies en développement. Or, un faible niveau d'inclusion financière constitue un obstacle au développement socioéconomique. Le transfert d'argent sur mobile ou «argent mobile« offre une solution susceptible de changer la donne pour de nombreuses personnes vivant dans la pauvreté.

Dans les pays en développement, 41% des adultes seulement possèdent un compte bancaire classique. Cela est dû principalement au fait que les gens n'ont pas d'argents ou ne remplissent les conditions de base pour avoir un compte bancaire. Voilà pourquoi, un nombre croissant de personnes évoluant dans des régions reculées ont recours à des solutions novatrices autres que les services bancaires traditionnels, solutions rendues possibles par la multiplication rapide des téléphones mobiles. Le boom récent de l'argent mobile a déjà permis à des millions de personnes exclues du système financier formel de transférer des fonds de façon sécurisée et fiable et pour un coût modique.

C'est en Afrique subsaharienne que l'argent mobile rencontre le plus grand succès, avec 16% des adultes qui déclarent avoir utilisé un téléphone mobile dans les 12 derniers mois pour payer des factures ou envoyer ou recevoir de l'argent. Par ailleurs, le Kenya affiche la plus grande réussite en termes de transactions effectuées via le service bancaire mobile «M-PESA» : elles dépassent

²⁷ The Enabling Environment for Mobile Banking in Africa, Porteous D, DFID, Londres, 2006

375 millions USD chaque mois et les usagers économisent jusqu'à 3 USD en frais de service sur chaque transaction. Les usagers utilisent le service M-PESA pour envoyer et recevoir de l'argent, pour les paiements à distance mais aussi parce qu'il leur permet de faire des économies.

Outre les aspects techniques, il est essentiel, pour développer des services d'argent mobile à grande échelle, de disposer d'un vaste réseau d'agents. Leur rôle est de proposer des services de dépôt et de retrait, mais aussi de gagner la confiance des nouveaux utilisateurs de ce type de services financiers formels. Ils reçoivent une commission pour leur travail, qui, concrètement, consiste à convertir des espèces en argent électronique et inversement.

Les pouvoirs publics ont commencé à utiliser les services de transfert d'argent sur mobile pour verser les salaires et les pensions de leurs administrés et pour encaisser les recettes, notamment fiscales. En Afghanistan, les agents de police et d'autres fonctionnaires reçoivent ainsi leurs salaires via le service d'argent mobile «M-PAISA«. La Tanzanie accepte le paiement des impôts au moyen de ce type de service. Dans d'autres pays, en Inde par exemple, cette technologie est utilisée pour verser les allocations sociales.

L'argent mobile facilite aussi les interventions d'urgence. En Haïti par exemple, à la suite du tremblement de terre de 2010, l'opérateur Voilà s'est associé à l'agence d'aide internationale Mercy Corps pour fournir des coupons virtuels aux victimes, au moyen d'un téléphone portable bon marché, rechargé avec un porte-monnaie électronique et exploité par l'opérateur indonésien PT Telkomsel. Par ailleurs, des institutions telles que la Banque mondiale, GSMA et la Fondation Bill et Melinda Gates ont lancé et financent des programmes d'argent mobile en faveur des personnes exclues du système bancaire. L'argent mobile commence à prendre de l'expansion en Haïti avec l'apparition de T-Cash et de Tchotcho Mobile en 2010. Puis récemment en 2013, le lancement de Lajancash a permis d'élargir la gamme de services dont peuvent jouir les utilisateurs en termes de paiements de factures, d'achats dans les restaurants et les markets et de transferts d'argents²⁸.

Chapitre III : Capital humain : un apport considérable à l'accroissement du revenu

III.1.- Notions de capital humain

En usage depuis près de cinquante ans, la signification du terme KH a évolué au fil du temps. Si les textes fondateurs de Mincer (1958), Schultz (1961) et Becker (1962) définissent le KH comme l'ensemble des investissements susceptibles d'améliorer la productivité d'une personne, désigné sous l'appellation « capital humain ». Celui-ci, similaire au capital physique, nécessite un investissement, offre un taux de rendement variable, dispose d'une capacité de production, est substituable dans les fonctions de production et est mesurable sous la forme d'un stock ou de flux. Selon cette optique, une définition strictement économique du KH serait une « catégorie de savoirs et d'habiletés monnayables sur le marché d'emploi ». Le KH s'acquiert au niveau individuel²⁹ aussi bien par l'entremise de l'apprentissage que des externalités associées au capital social (Laroche et al 1997). Mais, dans la mesure où ce dernier représente l'ensemble des interactions propres aux individus et non les individus eux-mêmes (Coleman 1988; Putnam et al 1993), nous n'aborderons pas ici ce concept. Nous reconnaissons toutefois sa portée économique³⁰. Son sens s'est depuis élargi, allant de la maîtrise de différents savoirs à la somme des aptitudes et connaissances acquises au cours d'une vie (Lundvall et Johnson 1994). Certains, au contraire, limitent le KH aux savoirs nécessaires à la poursuite des activités économiques (OCDE 1998). Toutefois, la majorité des recherches sur la question concernent le système éducatif.

III.2.- Notions de revenu

Le revenu est une part de la production qui revient au sujet économique, individu ou collectivité comme rémunération de son travail et /ou fruit de son capital³¹.

Par ailleurs, le revenu est défini comme l'ensemble de biens qui entrent dans le patrimoine d'un individu ou d'une unité économique au cours d'une certaine période. Il est perçu comme une contrepartie de la valeur de la production que l'agent économique du ménage reçoit. Ce qui veut dire qu'il englobe tout ce qui peut être consommé sans toucher la valeur du patrimoine. Il est différent du patrimoine car le revenu est considéré comme un flux alors que le patrimoine est par contre un stock des biens que possède le ménage non seulement immeubles ou valeurs boursières mais encore tous les objets modestes dont on dispose.

29 Le KH est souvent associé au capital social puisqu'il s'acquiert au niveau individuel aussi bien par l'entremise de l'apprentissage que des externalités associées (Laroche et al 1997). Mais, dans la mesure où ce dernier représente l'ensemble des interactions propres aux individus et non les individus eux-mêmes (Coleman 1988; Putnam, et al1993), nous n'aborderons pas ici ce concept. Nous reconnaissons toutefois sa portée économique.

³⁰ Le capital social représenterait une forme spécifique de capital où il est possible d'investir pour en tirer des avantages économiques (OCDE 2001) tels que les niveaux de confiance (Fukuyama 1995; La Porta 1997) ou encore l'engagement civique (Putnam et al 1993; Putnam 2000).

31 SILEM et J. ALBERTINI : Lexique d'économie ; 7e éd, Dalloz, paris cedex, 2OO2, P.585

Pour HICKS, le revenu d'une période est ce qu'une personne ou un pays pourrait consommer pendant une période sans s'appauvrir³². Au niveau macroéconomique, le revenu représente ce que reçoit un agent économique à l'occasion de sa participation au processus productif. C'est donc la rémunération d'un facteur de production. Alors qu'au niveau microéconomique, le revenu d'une collectivité donnée est constitué des différents revenus perçus par les agents lorsqu'ils participent directement au processus de production.

Quant à Christophe DECRYSE, le revenu est le montant qu'une personne ou un ménage aurait pu dépenser sans entamer la valeur de son patrimoine³³. Dans le dictionnaire économique Larousse, on définit le revenu comme étant une somme d'argent que reçoit un agent à l'occasion d'une activité de production, d'échange ou de redistribution³⁴.

III.2.1.- Typologie de revenus

³² HICKS cité par B. GUERIN ; Dictionnaire d'analyse économique, la découverte, paris, P.132

³³ C. DECRYSE ; L'économie en 100 et quelques mots d'actualité, 2^E éd, De Boeck et Larcier, B-1000, Bruxelles, 2002, p93.

³⁴ BEZBAKH et all ; Dictionnaire de l'économie, Larousse-Le monde, 2000, P.488.

- Le revenu brut et le revenu net ou disponible(le revenu net =revenu brut - impôt direct)

- Le revenu réel exprimé en monnaie aux prix courants, revenu nécessaire destiné à la satisfaction des besoins primaires et le revenu discutionnaire dont l'utilisation est libre.

- Le revenu national, qui est une autre manière d'évaluer la richesse d'un pays. Celle-ci consiste à additionner les revenus perçus par les ménages, par les entreprises et l'Etat. Le calcul du revenu national ne donne qu'une très faible idée du niveau du bien être d'une population³⁶.

On peut aussi distinguer trois principales catégories de revenus individuels³⁷ :

- Les revenus issus de la propriété, rémunération, possession du capital. On parle de profit quand le capital est investi, par exemple sous sa forme d'actions, on parle d'intérêt quand il est prêté ; par exemple sous sa forme d'obligation, on parle de rente foncière quand la rémunération provient de la propriété de la terre ;

- Les transferts qui sont des prestations reçues, comme des retraites, dont on déduit les cotisations et les impôts payés, par exemple les cotisations sociales sur le revenu.

III.2.2.- Sources de revenu

Le revenu des ménages est constitué de trois éléments : les salaires, les transferts sociaux (allocations sociales, remboursements des soins de santé,..) et la rémunération du capital³⁸.

- Le revenu provenant de l'activité productrice ou à la détention d'un patrimoine ;

- Le revenu de transfert : ce sont des transferts accordés par l'Etat et les collectivités locales ;

- Le revenu domestique : c'est le revenu des deux premiers diminués des prélèvements obligatoires ;

- Le revenu de la propriété d'actifs financiers : ce sont des dividendes et des intérêts ;

- Le revenu disponible : c'est le revenu domestique diminué de l'impôt. C'est avec ce revenu que les ménages pourront faire face à leurs dépenses constitue l'épargne.

III.3.- Capital humain et croissance économique

Le rôle primordial du savoir-faire dans l'augmentation de la productivité et, par conséquent, la croissance des revenus a été souligné dès le XVIII^e siècle par Adam Smith, Marshall (1920) et Schumpeter (1950). Une première formalisation du concept au sein de modèles économétriques provient de Lewis (1955) qui introduit le rôle joué par le capital humain (KIT) dans le développement national. Parallèlement, Solow conclut (1956, 1957), par son approche des fonctions de production et en dépit des variations de qualité et de composition des facteurs de production, qu'une part significative des augmentations du rendement per capita (productivité) demeurent non expliquées. Il explique cette différence par un « résiduel » attribué aux progrès de la connaissance et de la technologie qui, à la différence du capital et du travail, ne peut être directement mesuré. La notion de KIT dans le modèle dit néoclassique de Solow est ensuite précisée par Becker (1962) avec son concept du stock de savoir.

Les analyses empiriques de Denison (1962) démontrent, pour leur part, l'importance de la qualité des intrants dans la génération de croissance à long terme, notamment en ce qui a trait à la qualification de la main d'oeuvre, quantifiable par le niveau d'éducation. Regroupées sous l'appellation théorie de la croissance endogène (ou modern growth theory), de nouvelles approches ont prolongé le modèle néoclassique de croissance en intégrant l'idée des rendements croissants grâce entres autres aux progrès technologiques et à la diffusion du savoir. Les modèles de Lucas (1988) et Romer (1986, 1990) considèrent le KIT comme un facteur sans rendement décroissant et non-rival, et dont l'ampleur des stocks déterminent grandement le niveau de vie des populations³⁹. Ces modèles attribuent également une influence aux politiques publiques par l'entremise des investissements dans le système d'éducation. Si certaines recherches établissent un lien entre les niveaux d'éducation et la croissance économique (Mankiw et al 1992; Barro et Salai-Martin 1995; Gemmell 1996; Temple 2000), d'autres n'ont pu établir de lien significatif (Islam 1995; Kruger et Lindahl 2000). Plusieurs chercheurs traitent également du lien entre KIT et plusieurs indicateurs de croissance économique à une échelle métropolitaine ou régionale. Parmi eux, mentionnons Moretti (2003) qui souligne les conséquences bénéfiques des externalités sociales, Glaeser et Shleifer (1995) qui expliquent comment la croissance de population et de revenu sont positivement influencés par le niveau initial d'éducation. Simon et Nardinelli (2002) soulignent quant à eux la présence d'une corrélation forte entre les stocks initiaux de KH et la croissance d'emploi. L'étude des villes états-uniennes entre 1940 et 1990 par

³⁹ Certains chercheurs ont toutefois fait état de défis soulevés par la qualité des données lors de comparaisons internationales (Krueger et Lindahl, 2000; de la Fuente et Doménech, 2000).

Glaeser et Saiz (2003) indique à son tour que le niveau de KH représente un indicateur valable de la croissance future de productivité.

Ces résultats sont toutefois nuancés par d'autres recherches. Moretti (2004) soutient que l'accroissement du nombre de gradués pour une agglomération donnée favorise les gains de revenus des populations ne détenant qu'un diplôme secondaire ou moins. Acemoglu et Angrist (2000) n'identifient que peu d'indices prouvant la présence d'externalités des niveaux d'éducation sur la productivité locale. Une revue de la littérature scientifique de Siegfried et al (2006) conclut que les externalités de l'accumulation du KH local sur la productivité et la croissance demeurent difficiles à quantifier à l'échelle régionale. Au sujet des régions métropolitaines canadiennes, Coffey et Shearmur (1996) discernent une corrélation positive mais faible du KH sur la progression de l'emploi alors que Shearmur (1998) souligne également l'apport positif mais faible de l'éducation au modèle RSC (région-taille-centralité), à l'exception des secteurs manufacturiers (dans les années 1980) et du commerce de détail (pendant la récession de 1991 1994). Les résultats sont également mitigés chez Coulombe et al (2004) et Coulombe et Tremblay (2006) pour qui l'indicateur de réussite universitaire représente une meilleure variable prédictive de la croissance du revenu que les niveaux d'alphabétisation. Une diversité de résultats de recherche quant au capital humain au sein des milieux académiques qui permet de comprendre les différentes théories élaborées sur le capital humain et son incidence dans l'accroissement économique d'un pays.

Comme l'explique clairement Jean-Claude Eicher (1990), la théorie du capital humain a deux composantes : c'est une théorie de la répartition des revenus, et une théorie de la demande d'éducation. Au coeur de la théorie se trouve la corrélation entre niveau d'éducation et salaire. Il est possible de lire cette corrélation dans les deux sens. On peut considérer que les différences d'éducation expliquent les différences de salaires, et élaborer une théorie de la distribution des revenus. Si l'on considère au contraire que les différences de salaires expliquent et motivent les différences de niveaux d'éducation, on obtient alors une théorie de la demande d'éducation. C'est ce second aspect qui sera développé dans la suite de cette étude. Comme on l'a déjà laissé entendre, c'est la productivité qui fournit le lien théorique entre éducation et salaire. L'éducation augmente la productivité du salarié, et donc sa rémunération. La théorie s'inscrit ainsi dans le cadre général de la théorie néo-classique, qui affirme que les facteurs de production sont rémunérés à leur productivité marginale. Elle « remonte un cran » supplémentaire dans l'explication des salaires, en reliant en amont les différences de productivité à des différences de niveaux d'éducation.

III.3.1.- Les critiques

Comme toute théorie, celle du capital humain suscite des controverses qu'il convient de mettre en évidence. La théorie du capital humain se résume finalement à un enchaînement logique que l'on pourrait schématiser comme suit :

Les deux maillons centraux fournissent une « explication » de la corrélation observée entre éducation et salaires. Le problème est qu'il s'agit de termes théoriques, sans contrepartie directement observable. On ne peut mesurer sans ambiguïté ni le capital humain, ni la productivité. Pour ce qui est du capital humain, on a tenté diverses mesures, qui passent en général par la quantité ou la qualité de l'éducation reçue par l'individu. Une autre piste de recherche consiste à tenter une mesure directe des compétences (cf. Paul, 2002).

Les économistes ont rarement mené une réflexion approfondie sur la notion même de capital humain. Trop souvent, on se contente d'utiliser ce terme à propos de toute dépense de formation qui semble avoir comme conséquence une augmentation des salaires, sans s'interroger réellement sur les mécanismes sous-jacents, ou sur la signification précise du concept. Pour Bernard Gazier, « on peut définir le capital humain comme l'ensemble des capacités productives d'un individu (ou d'un groupe), incluant ses aptitudes opératoires au sens le plus large : connaissances générales ou spécifiques, savoir-faire, expérience... » (Gazier, 1992, p.193). Cette définition insiste donc sur le contenu du capital humain, en passant sous silence les conditions de son acquisition et de sa valorisation. Pourtant, l'auteur précise plus loin que « le capital humain n'existe [...] que s'il est valorisé sur le marché du travail » (p. 200). La notion de capital humain apparaît donc d'emblée comme complexe : il s'agit d'un contenu (des aptitudes productives), mais ce contenu n'existe réellement comme capital humain que s'il est reconnu, sanctionné, par l'attribution d'une valeur (le salaire) sur le marché du travail.

Selon Jean-Claude Eicher, l'hypothèse centrale de la théorie du capital humain est que « l'éducation augmente la productivité de celui qui la reçoit » (Eicher, 1990, p. 1309). Et de préciser : « en fait, l'hypothèse est un peu différente au départ car le « capital humain » peut être en effet défini comme toute mobilisation volontaire de ressources rares dans le but d'augmenter la capacité productive d'un individu. Certaines dépenses de santé et d'information - en particulier sur la situation du marché du travail - constituent donc des investissements en capital humain, mais la formation est toujours considérée comme la forme principale de cet

investissement. » (p. 1332). Le capital humain est caractérisé avant tout par un effet sur la productivité ; il s'agissait à priori d'expliquer une augmentation de la production qui ne pouvait être reliée aux traditionnels facteurs travail et capital. Or, parler de « mobilisation volontaire de ressources rares » nous ramène directement au coeur de la théorie économique qui est souvent définie comme l'étude des choix en situation de rareté.

La productivité marginale d'un individu est définie théoriquement comme la quantité supplémentaire de produit qui résulte de sa participation au processus de production. Mais si l'on peut imaginer de la mesurer avec une certaine précision dans quelques cas concrets, il existe en revanche de nombreux exemples de cas où la production n'est pas individualisable, où le « produit » lui-même n'est pas mesurable, etc. La théorie est donc ambiguë « parce que tout repose sur l'idée d'une productivité individuelle accrue supposée mesurable, et isolable des équipements comme de l'insertion dans tel ou tel collectif de travail. » (Gazier, 1992, p.202). Ce qui n'est pas évident. On propose souvent de mesurer indirectement la productivité par les salaires, mais on tombe alors dans une circularité parfaite (la productivité explique le salaire, mais ne peut être mesurée que par son intermédiaire...).

Ainsi, l'explication apparaît fragile et contestable dans la mesure où les deux termes intermédiaires n'ont pas de contrepartie empirique bien définie. La théorie du capital humain permet d'analyser la relation entre éducation et salaires dans un cadre théorique conforme à la tradition néo-classique, en ayant recours à des choix individuels rationnels. Mais la pertinence empirique de l'explication proposée est loin d'être évidente.

III.3.2.- Les théories rivales

Dans la théorie du capital humain, l'école permet d'acquérir des compétences productives. La théorie du filtre (Taubman et Wales, Stiglitz, Thurow) propose quant à elle une autre interprétation de la corrélation entre éducation et salaires. Dans cette théorie, la fonction de l'école n'est pas de former mais de classer les individus. L'école n'apporte pas de compétences aux individus, elle se contente de sélectionner ceux qui étaient dès le départ les plus aptes. Dans un contexte d'incertitude sur les aptitudes productives des individus, l'école fournit aux entreprises un moyen de sélectionner leurs employés (cette idée a surtout été développée par Spence dans ses modèles de signalement). La longueur et la qualité de la formation suivie seront

autant de signaux permettant de repérer les bons candidats, même si le contenu lui-même de la formation importe peu.

Ces deux théories sont difficiles à départager, car elles ont beaucoup d'implications communes au niveau empirique. En particulier, elles ne se distinguent pas réellement au niveau de la demande d'éducation : dans les deux cas, les individus ont avantage à demander davantage d'éducation pour obtenir un salaire plus élevé. En revanche, au niveau macroéconomique, si la théorie du filtre se révélait exacte, il faudrait réfléchir à l'existence éventuelle d'un moyen de sélection moins coûteux. De manière plus générale, on peut dire avec Blaug que « si la différence entre les deux explications est bien de savoir si l'école produit ou seulement identifie les qualités valorisées par les employeurs, la réalité empirique qui permettrait de trancher entre les deux est probablement à chercher dans ce qui se passe effectivement dans les salles de classe. [...] Aucune vérification sur le marché n'est susceptible de trancher entre les explications de type capital humain ou de type crible, parce que la question n'est pas de savoir si les études rendent compte des rémunérations, mais pourquoi elles en rendent compte. » (Blaug, 1994, p.223).

Dans la réalité, théories du filtre et du capital humain sont sans doute complémentaires, et décrivent chacune une partie de la réalité. Il est clair que l'école n'apporte pas à chaque individu l'ensemble des compétences qui lui seront nécessaires dans son futur métier : de nombreux individus exercent d'ailleurs un métier auquel leur formation ne les destinait pas particulièrement. Mais elle peut apporter une aptitude à raisonner, elle peut « apprendre à apprendre ». Samuel Bowles et Herbert Gintis sont d'ailleurs dans une perspective proche, bien que plus critique, quand ils écrivent que la fonction essentielle du système scolaire est de former chacun à la place qui sera la sienne dans le système productif.

Les théories de la segmentation du marché du travail insistent sur le rôle de la demande de travail dans la détermination des gains. Il n'y a pas un marché du travail unifié, mais différents compartiments plus ou moins étanches qui n'offrent pas les mêmes perspectives de déroulement de carrière. Le fait de démarrer sur l'un ou l'autre de ces marchés peut entraîner des conséquences à long terme. Ainsi, la théorie du capital humain ne constitue pas, loin s'en faut, la seule approche possible de la relation entre formation et emploi. Le fait de ne pas préciser davantage le contenu du capital humain, ses conditions de formation, en somme d'en faire une « boîte noire », est sans doute en partie responsable de l'apparition de la théorie du filtre. Puisqu'on ne précise pas quel est le contenu du capital humain, rien n'empêche de faire l'hypothèse qu'il soit justement vide de contenu.

On remarquera de plus que la théorie du capital humain se distingue des autres par sa référence marquée à l'individualisme méthodologique. La théorie du filtre se situe davantage au niveau du système scolaire dans son ensemble. Quant aux théories de la segmentation du marché du travail, elles insistent sur le rôle structurant de la demande de travail. Le point de vue de l'entreprise y apparaît prédominant par rapport au point de vue de l'individu qui offre son travail. Ces théories remettent en cause l'hypothèse selon laquelle la productivité d'un individu ne dépend que de ses propres caractéristiques.

Donc, dans le cadre de ce travail de recherche, notre approche repose sur le capital humain au sens de Bernard Gazier qui définit le capital humain comme l'ensemble des capacités productives d'un individu (ou d'un groupe), incluant ses aptitudes opératoires au sens le plus large : connaissances générales ou spécifiques, savoir-faire, expérience... » Voilà pourquoi, un ensemble de variables découlant de la théorie du capital humain seront considérées comme facteurs susceptibles d'influencer le revenu des agents de proximité.

III.4.- Les déterminants du revenu émanant des théories

Eu égard aux différentes théories portant sur le capital humain, nous avons retenu certaines variables comme le niveau d'études, le nombre d'années dans la pratique des affaires donc l'expérience de l'agent, la catégorie socioprofessionnelle, l'âge et le sexe de l'agent qui sont susceptibles d'influer sur le revenu des agents de proximité. Par ailleurs, pour les besoins de l'étude, d'autres variables ont été prises en compte.

Dans cette partie du travail, l'agent de proximité est assimilé au travailleur indépendant⁴⁰ en fonction du type d'activités exercées. Par ailleurs, il existe bon nombre d'études portant sur la relation existante entre l'éducation et le salaire. Les théoriciens du capital humain ont essayé de démontrer l'impact de ce dernier sur la productivité qui, à son tour, influencera le salaire des agents de proximité dans ce cas-ci. En guise de justification, nous avons mis emphase sur une analyse empirique des déterminants du choix d'occupation en Colombie réalisée par les auteurs Guillaume DESTRE et Valentine HENRARD. Ces derniers ont considéré l'éducation comme un facteur déterminant dans l'explication du revenu des travailleurs indépendants donc des agents de proximité en faisant référence à notre travail de recherche. Aussi, cette variable a-t-elle été prise en compte par Rees et Shah (1986) qui affirme que l'éducation réduit la dispersion des

40 Un travailleur indépendant, ou travailleur autonome est à la fois entrepreneur, propriétaire (de ses moyens de production) et son propre employé. Il est maître de ses décisions concernant son travail mais doit toutefois s'adapter aux demandes de sa clientèle.

gains dans le travail indépendant pour les individus les plus éduqués en uniformisant leurs aptitudes et en développant leur capacité à évaluer de façon efficace les opportunités de création d'entreprise. On s'attend à ce que l'éducation influence positivement le revenu des agents de proximité au moyen de l'augmentation de la productivité.

Deux variables importantes utilisées par Destre et Henrard pour pouvoir expliquer le choix d'occupation sont l'expérience et l'âge. En ce qui concerne la première, les capacités et les aptitudes nécessaires au travail indépendant ne peuvent être acquises qu'après plusieurs années d'expérience sur le marché du travail (Lucas, 1978 ; Calvo et Wellisz, 1980). Par ailleurs, si les éventuels entrepreneurs ou travailleurs indépendants font face à une contrainte de liquidité, le capital financier accumulé par les individus au cours de leur vie active augmentera leur probabilité de s'installer à leur compte. Cette accumulation de capitaux réduit en outre les risques associés aux variations de gains du travail indépendant (Kidd, 1993).

En ce qui a trait à la seconde variable à savoir l'âge, la plupart des études empiriques trouvent que la probabilité pour le travailleur indépendant de s'installer à son compte est positivement corrélée avec l'âge (Van Praag et Van Ophen, 1995 ; Meyer, 1990), ou que la probabilité est indépendante de l'âge jusqu'à un certain âge (Quarante ans chez Evans et Leighton, 1989 ; Cinquante ans chez Evans et Jovanovic, 1989). Par ailleurs, si l'aversion au risque augmente avec l'âge, il est possible que les personnes âgées manifestent plu de réticences vis-à-vis des responsabilités qu'implique ce type d'emploi, l'activité de travail indépendant peut se révéler très éprouvante (à la fois physiquement et moralement).

Rees et Shah (1986) pensent que le soutien d'une famille rend le travail indépendant moins pénible et peut inciter les individus mariés à prendre davantage de risques que les autres.

Certains auteurs comme Dolton et Makepeace (1990) pensent au contraire que le fait d'avoir la responsabilité de famille accroît l'aversion au risque en augmentant le coût d'un éventuel échec lors d'une installation en tant que travailleur indépendant. Dans le cadre de notre étude, nous retenons la position de Dolton et Makepeace car nous pensons que la charge familiale peut constituer un handicap à l'investissement.

Les ressources financières d'un individu sont un élément déterminant dans sa décision de choisir le travail indépendant donc ont un impact plutôt positif sur le revenu du travailleur indépendant. En effet, les individus faisant face à des contraintes financières (Evans et Leighton, 1989 ; Evans et Jovanovic, 1989), il est en général nécessaire d'avoir un capital de départ pour créer une micro-entreprise. Une des principales barrières à l'entrée dans l'indépendance est liée à la difficulté d'obtenir des crédits. Par conséquent, plus la richesse d'un individu est importante, plus il aura de facilités à s'installer à son compte et moins il sera exposé au risque lié à la fluctuation de gains dans ce type d'emploi. C'est le même cas de figure pour les agents de proximité, vu qu'ils doivent disposer d'une autre activité génératrice de revenus pour pouvoir offrir le service de Mobile Banking. Donc, il est obligatoire de disposer d'un capital de départ pour pouvoir devenir un agent de proximité dans les services de Mobile Banking en Haïti. Dans notre étude, nous avons considéré plutôt la variable « autres activités génératrices de revenu ».

Toutes ces variables prises en compte par Destre et Henrard dans leurs études portant sur les déterminants du choix d'occupation ont été utilisées dans notre travail de recherche comme variable susceptible d'influencer le revenu des agents de proximité de l'aire métropolitaine de Port-au-Prince en ne considérant que les agents de Tchotcho Mobile de Digicel puisque le service de T-cash de Voilà est dysfonctionnel.

III.5.- Définitions de quelques concepts pertinents

La tendance qui est souvent dégagée par plus d'un présente le Mobile Banking comme une banque à la poche mais en réalité les agents de proximité représentent un élément incontournable dans la réussite du service de M-Banking. En effet, ce sont généralement les agents qui apprennent aux utilisateurs comment effectuer des opérations avec leur téléphone, y compris celles pouvant s'effectuer sans la présence d'un agent. En conséquence, la mise en place d'un réseau d'agents est une condition préliminaire essentielle au lancement réussi d'une plateforme de services d'argent mobile. Les agents assurent trois fonctions essentielles : l'enregistrement des clients, la formation de ceux-ci et le traitement des opérations de dépôts et retraits d'argent. Dans le modèle adopté par M-PESA au Kenya, les agents assurent l'ensemble de ces fonctions. Donc, l'une des principales caractéristiques du réseau d'agents M-PESA de Safaricom est son homogénéité. Tous les agents partagent les mêmes responsabilités et les mêmes pouvoirs dans un cadre de fonctionnement identique. Par contre, de nombreux prestataires de services d'argent mobile n'ont pourtant pas retenu l'idée d'un réseau d'agents uniformes et ont préféré assigner

des responsabilités et fonctions spécifiques à différentes catégories d'agents. C'est le cas de MTN Ouganda qui a deux catégories d'agents : des agents de terrain ayant pour mission d'inscrire les nouveaux clients et d'autres pour les opérations de retrait et dépôt d'argent. Le modèle choisi par Standard Bank Community en Afrique du Sud diffère également du modèle M-PESA, mais pas de la même manière⁴¹. Cette plateforme de réseau d'agents est composée de différentes catégories d'entreprises : petits commerces, agences bancaires, comptoirs de paiement de factures. Tous ces agents effectuent des opérations de dépôt et de retrait d'argent mais chaque catégorie dispose sa propre structure tarifaire. En effet, la banque mobile de Digicel à savoir Tchotcho Mobile pratique les mêmes stratégies que Standard Bank Community en termes de réseaux d'agents sauf que sa structure tarifaire est identique à toutes les catégories d'entreprises.

Les facteurs sociodémographiques sont des facteurs qui déterminent les caractéristiques sociodémographiques d'une population. L'opérationnalisation de ces derniers est faite à partir des variables comme le sexe, l'âge des agents de proximité, le niveau d'études, le nombre de personnes à charge, les catégories socioprofessionnelles, le statut matrimonial, les zones d'activités des agents du M-Banking, le nombre d'années dans la pratique des affaires et le degré de satisfaction du service.

Les facteurs socioéconomiques sont des facteurs qui déterminent les conditions économiques dans lesquelles évolue l'agent de proximité du M-Banking. Les variables opérationnelles des facteurs socioéconomiques sont : Liquidité disponible, nombre de transactions par jour, type de transactions, Intensité économique des zones d'activités, Formation des agents de proximité.

Tchotcho Mobile constitue l'un des premiers essais faits dans le domaine de banque mobile à travers le pays. Ce système se veut un élément important permettant à des gens qui n'ont pas accès au système bancaire traditionnel et vivant dans des zones rurales de pouvoir faire des transactions de dépôt et de retrait, de faire des transfert d'argent à partir de leurs téléphones

⁴¹ Etude de faisabilité Mobile Banking par la Direction de Microfinance d'Horus Developement Finance, Septembre 2009.

portables. Aussi, les clients peuvent-ils faire des achats dans des markets, restaurants, pharmacies, et autres entreprises accrédités par la Digicel pour recevoir l'argent électronique. D'autres systèmes comme LajanCash (Banque Nationale de Crédit) et SogeMobile (Sogebank) sont en pleine expérimentation à l'heure actuelle en vue d'offrir une autre alternative de disposer de l'argent. Ce qui va probablement avoir un impact positif sur le problème d'insécurité qui touche certains clients des banques commerciales après avoir fait leurs transactions à la Banque. Bien que ces types de système exigent des coûts d'utilisation allant de 6 à 120 gourdes dépendamment de la catégorie de transactions (25 à 1000 gourdes, jusqu'à 5001 à 10000 gourdes) et du type de transactions (Dépôt, retrait, paiement, transfert d'argent).

Chapitre IV.- Cadre opératoire

Pour mieux atteindre les objectifs que nous nous sommes fixés dans le cadre de notre recherche, la construction d'un cadre opératoire est nécessaire en ce sens qu'il permet de circonscrire et de justifier le choix des variables et des indicateurs en rapport avec les objectifs spécifiques et les résultats décrits ci-dessus. Le cadre opératoire est donc un outil de structuration de la recherche pour faciliter l'élaboration des variables et indicateurs nous donnant le moyen, au terme de nos investigations, de confirmer ou d'infirmer les hypothèses annoncées. Donc, les lignes qui suivent nous permettent de définir et d'opérationnaliser les deux catégories de variables qui font l'objet d'étude en l'occurrence les variables indépendantes et la variable dépendante. Ces dernières sont définies dans le tableau ci-dessous :

Eu égard au cadre théorique, nous avons choisi les variables indépendantes telles que le groupe d'âge, la commune d'intervention, les catégories socioprofessionnelles de l'agent, la satisfaction tirée du service, nombre de personnes en charge, nombre de transactions effectuées et Autres activités génératrices de revenu qui sont susceptibles d'influencer le revenu des agents de proximité à l'exception de certaines d'entre elles comme zones d'activités, satisfaction tirée du service et le nombre de transactions qui ont été considérées en fonction du besoin de l'étude. D'autres variables telles que le sexe, le statut matrimonial, le niveau d'instruction, l'expérience de l'agent ou le temps consacré au travail ont été prises en compte en vue de décrire les caractéristiques propres à l'agent de proximité.

IV.1.- Définition opérationnelles des variables IV.1.1.- Variables causales ou indépendantes

1.- Sexe

Elle est ciblée comme une variable susceptible d'influencer le revenu des agents de proximité car on pense que, en ce qui a trait au marketing ou à la qualité du service offert aux clients, les filles sont très enclines à attirer beaucoup plus de clients car elles sont dotées de capacités intrinsèques pouvant leur permettre d'accroître davantage leur revenu. Elle comporte deux modalités : 1-Homme ; 2- Femme.

Le niveau d'instruction noté NIV permet de se renseigner sur le niveau de formation des agents de proximité. Cette variable comprend quatre modalités :

- Primaire : Pour un agent de proximité qui a atteint un certain niveau entre la préscolaire et la 6ème année fondamentale.

- Secondaire : Pour un agent qui a franchi un certain niveau entre la 7ème année fondamentale et la classe Terminale.

- Professionnel : Pour désigner les agents qui n'ont pas pu atteindre le niveau universitaire mais qui ont appris un métier dans un centre professionnel.

- Universitaire : Pour prendre en compte ceux qui fréquentent un centre d'études supérieures ou qui ont déjà franchi l'étape universitaire.

La nomenclature de « Catégories socioprofessionnelles » a été utilisée lors des recensements réalisés par INSEE. L'objectif était de classer les individus selon leur situation professionnelle en tenant compte de plusieurs critères : métier proprement dit, activité économique, qualification, position hiérarchique et statut. Cette nomenclature était remplacée par celle des « professions et catégories socioprofessionnelles dans les recensements de 1982, 1990 et 1999. Nous avons pris en compte cette variable dans le cadre de cette étude dans le but de mettre en exergue les

caractéristiques sociales et professionnelles des agents de proximité du Mobile Banking. Cette variable comporte quatre modalités qui sont présentées comme suit :

- Entrepreneur : si l'agent de proximité s'investit dans l'entrepreunariat ; dans la création d'autres entreprises génératrices de revenus.

- Profession libérale : Si l'agent de proximité exerce une profession libérale comme le Droit, la Médecine, etc.

- Artisan/Commerçant/Agriculteur : Si l'agent de proximité est un artisan, un commerçant ou un agriculteur.

- Autres : Si l'agent de proximité a une activité différente de celles précitées.

Cette variable nous renseigne sur le flux de transactions effectuées par les agents quotidiennement. Dans les pays d'Afrique où les modèles de Banque mobile sont en pleine croissance, les agents tirent des commissions non seulement sur les transactions quotidiennes mais aussi lors des inscriptions de nouveaux clients. C'est le cas de MTN Ouganda qui compte

des agents pour l'inscription de nouveaux agents et ceux qui ne font que des opérations de dépôt et de retrait. Pourtant, en Haïti, les agents ne s'occupent que des transactions de dépôt et de retrait. Donc, les agents tirent leur avantage dans le volume de transactions journalières. Cette variable est codifiée de la manière suivante :

- 0 à 15 : si l'agent effectue moins de 15 transactions en moyenne par jour - 15 et 30 : si l'agent fait en moyenne entre 15 et 30 transactions par jour - Plus de 30 : Si l'agent fait en moyenne plus de 30 transactions par

Cette variable nous renseigne sur la disponibilité en termes de liquidité. Pour faire face aux opérations de retrait, l'agent doit avoir une quantité considérable d'argent à sa disposition. Voilà pourquoi, il est obligatoire que l'agent ait une autre activité lui permettant de générer un fonds de roulement pour assurer les transactions de retrait sauf s'il y a une sorte d'équilibre entre les transactions de dépôt et de retrait. Elle comprend deux modalités :

- Oui : Si l'agent dispose de la liquidité pour faire les transactions de retrait - Non : Sinon

IV.1.2.- La variable dépendante de l'étude

Pour mesurer la variable Revenu, nous avons pris en compte le revenu moyen perçu journalièrement par un agent de proximité. Etant la variable-clé de notre étude, il est constitué des commissions que les agents tirent des consommateurs lors des transactions de dépôt et de retrait. Le consommateur a pour devoir de verser des frais qui varient selon le type de transactions et la catégorie de transactions. Pour avoir des informations nous permettant de catégoriser cette variable, nous avons mené une visite d'exploration en Avril 2012 dans certaines agences à travers la ville de Saint-Marc connue comme une des villes pilotes du projet mobile banking en Haïti. D'après les renseignements recueillis auprès de quelques agents et d'autres personnes connaissant l'activité, un agent qui travaille normalement, sans tenir compte des facteurs externes, doit gagner une commission de 350 gourdes pour la journée. D'autre part, selon leurs dires, ils sont rares ceux qui réalisent 1500 gourdes ou plus. De là, nous pouvons définir les tranches de revenus des agents de mobile banking de la manière suivante:

- Moins de 350 gourdes : cette catégorie est définie pour prendre en compte les agents qui n'arrivent pas à atteindre le minimum qu'ils considèrent comme acceptable dans l'activité pour une journée de travail;

- Entre 350 à moins de 1500 gourdes : tranche considérée comme normale par les agents interrogés lors de la visite d'exploration;

- 1500 gourdes et plus : pour tenir compte de ceux qui ont un commissionnement élevé donc bien rémunérés.

Chapitre V.- Phase de traitement : analyse/présentation et interprétation/discussion des résultats

La recherche ne se résume pas à la collecte d'une masse de données. Il convient toutefois de les traiter en vue d'isoler les unités signifiantes abstraites de leur contexte pour en opérer la comparaison terme à terme et faire une synthèse. En effet, la phase de traitement revêt d'une importance capitale dans le cadre de ce travail de recherche. Elle comprend trois grandes étapes :

L'approche descriptive consiste à déterminer la nature et les caractéristiques des phénomènes et à établir les associations entre eux. Ainsi, des tableaux croisés ont été construits entre chaque variable indépendante et la variable étudiée. Donc, le recours à la statistique de Khi-deux est de mise car cette dernière permet de tester la liaison entre deux variables catégorielles. On se fixe un seuil d'erreur qui peut être de 5% ou 10%. Dans cette étude, le seuil de 5% est retenu de façon arbitraire. On calcule également une probabilité dont la valeur est comparée au seuil fixé. Si cette valeur est inférieure au seuil, on conclut que les deux variables sont associées. Dans le cas échéant, on dit qu'il y a indépendance entre les deux variables.

V.4.- Analyse explicative

L'analyse explicative permet de prendre une décision quant à la confirmation ou à la réfutation de l'hypothèse de recherche. A cette phase, il importe de mettre en évidence les raisons qualitatives ou statistiques pour lesquelles nous devons retenir ou rejeter une hypothèse. Par conséquent, une analyse explicative a été mise en oeuvre.

Un modèle multinomial ordonné ou polytomique univarié ordonné est utilisé lorsqu'on a une variable qualitative ayant plusieurs modalités suivant un ordre hiérarchique naturel. Ce modèle permet d'obtenir la probabilité pour un individu « i » de se trouver dans l'une des catégories « j » de la variable dépendante en fonction de certaines caractéristiques. Ce modèle est utilisé lorsque l'on ne dispose que des données en classes sur la variable dépendante. Supposons que l'on note par cette variable, l'on a :

Dans le cadre de ce travail, il convient de modéliser la probabilité pour un agent « i », compte tenu de certaines caractéristiques économiques et sociodémographiques, de se trouver dans la tranche de revenus « j ». La variable d'intérêt de l'étude qui est le revenu moyen par jour est défini de la manière suivante :

- Niveau de revenu faible si l'intervenant gagne moins de 350 gourdes par jour ;

- Niveau de revenu normal si l'intervenant gagne entre 350 et 1500 gourdes par jour ; - Niveau de revenu élevé si l'intervenant gagne plus de 1500 gourdes.

Nous constatons qu'il existe effectivement un ordre naturel entre les modalités de cet indicateur allant du niveau de revenu le plus faible au plus élevé. Ainsi, un agent de proximité se trouvant dans la dernière catégorie a un niveau de revenu plus élevé que ceux se trouvant dans les autres.

correspond à la loi logistique, le modèle est un modèle logit. Si la fonction

correspond à la loi normale centrée réduite, le modèle est un modèle probit.

A partir de la définition précédente nous déduisons la fonction de la variable qualitative yi :

⁴² Une variable latente est une variable non observable mais on sait qu'elle existe.

individu i de se trouver dans la catégorie j. 1.- Fonction de vraisemblance

Dans les modèles Logit ou Probit multinomial ordonné, nous ne pouvons pas observer le ratio de chance; ce qui rend impossible l'utilisation d'un modèle MCO pour l'estimation des paramètres. Dans ce cas, nous avons recours à la méthode du maximum de vraisemblance, car elle est une méthode d'estimation alternative à la méthode des moindres carrés qui consiste à trouver la valeur des paramètres qui maximisent la vraisemblance des données.

La vraisemblance en économétrie est définie comme la probabilité jointe d'observer un échantillon, étant donné les paramètres du processus. Pour les modèles Logit et Probit Multinomial la vraisemblance associée à l'observation I s'écrit:

Où représente le nombre d'individus et le nombre de modalités de la variable qualitative

Ce test permettra de déterminer le degré de contribution de chaque variable dans l'explication du revenu des agents de proximité dans l'aire métropolitaine de P-au-P. La significativité des

coefficients est appréciée à l'aide des ratios appelés « z-Statistique » car la distribution des rapports du coefficient sur son écart-type ne suit pas une loi de student, comme dans le modèle linéaire général mais une loi normale. Cette statistique s'interprète de façon classique à partir des probabilités critiques. Si la probabilité critique est inférieure à la signification fixée, on rejette l'hypothèse nulle. Comme dans le cas de l'analyse bivariée, le seuil est fixé à 5%.

3.- Le test de signification globale du modèle

Il est effectué en utilisant le ratio du Log vraisemblance(LR). On a LR = 2 (Log L_R - Log L_U) avec L_R= valeur de la fonction du Log-vraisemblance contrainte sous l'hypothèse nulle et L_U = valeur de la fonction du Log-vraisemblance non contrainte. Sous l'hypothèse nulle, LR

suit une distribution d'un à k degrés de libertés. Si la statistique LR est supérieure au lu

dans la table pour un seuil de 5%, alors nous rejetons l'hypothèse nulle. 4.- Appréciation de la qualité du modèle

Il convient aussi d'apprécier la qualité du modèle. Pour ce faire, le Pseudo-R² sera utilisé. Il détermine le pouvoir prédictif du modèle, c'est-à-dire la contribution du modèle dans l'explication du revenu des agents de proximité.

V.5.- Interprétation et discussion des résultats

L'analyse et la présentation des données à l'aide de textes narratifs, de tableaux et de graphiques une fois terminées, il a été question, ici, de les expliquer dans le contexte de l'étude et à la lumière des travaux et des écrits antérieurs. Pour ce, on a procédé à la vérification de l'authenticité des résultats en revenant sur les hypothèses, en convoquant justement les théories et les auteurs qui ont abordé la question étudiée et enfin on pourra tirer des conclusions et faire des recommandations.

Chapitre VI.- Analyse statistique des caractéristiques sociodémographiques et économiques des agents de proximité et les déterminants de leurs revenus dans l'activité Mobile Banking.

VI.1.- Analyse descriptive ou univariée des données de l'enquête

Cette rubrique concernant l'analyse descriptive de données vise principalement à analyser les fréquences des différentes variables sous-études c'est-à-dire la proportion associée à chaque modalité de ces variables. Elle est divisée en deux catégories de variables :

VI.1.1.- Les variables dites économiques

VI.1.1.1.- Les agents de proximité et leur revenu moyen par jour

Concernant le revenu des agents, nous constatons que 62.2% des enquêtés gagnent entre 350 et 1500 gourdes par jour, 32.9% gagnent moins de 350 gourdes et seulement 4.9% gagnent plus de 1500 gourdes (Voir Tableau 12, Annexe I). Par ailleurs, le revenu moyen journalier que gagne un agent de proximité est de 667.68 gourdes. Le plus bas revenu d'un agent de proximité est 200 gourdes et son revenu maximal est de 2000 gourdes (Voir Tableau 14, Annexe I). Le graphique suivant illustre parfaitement les résultats.

^{Graphe 1} : ^{Distribution
des agents de proximité selon leur revenu moyen par
jour}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.1.2.- Les agents de proximité et la liquidité disponible

Sur les 82 enquêtés, 70.7% ont affirmé avoir toujours de la liquidité disponible pour opérer les transactions de retrait ; par contre, 29,3% ne disposent pas toujours de liquidité pour satisfaire les demandes de retrait des clients (Voir Tableau 11, Annexe I). Le graphe ci-dessous présente la situation des agents en termes de disponibilité de liquidité.

^{Graphe 2} : ^{Distribution
des agents de proximité suivant la liquidité
disponible}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.1.3.- Les agents de proximité et le nombre de transactions par jour

Parmi les 82 agents interrogés, 43.9% déclarent enregistrer entre 15 et 30 transactions par jour. Cependant, seuls 22% font plus de 30 transactions par jour (Voir Tableau 10, Annexe I). En moyenne, un agent de proximité peut réaliser 12 transactions par jour. Le nombre de transactions minimal qu'un agent peut effectuer quotidiennement est de 3 et le nombre maximal est de 50

^{Graphe 3} : ^{Distribution
des agents de proximité suivant le nombre de transactions
effectuées par jour}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.1.4.- Le type de transaction effectué par jour par les agents

Selon les résultats, la majorité des agents (76.8%) enregistre le plus souvent des transactions de type « Retrait » et seulement 23.2% d'entre eux effectue le plus souvent des transactions de type « Dépôt ». Ce qui sous-entend que les utilisateurs se servent du mobile banking le plus souvent pour retirer de l'argent sur leur compte.

^{Graphe 4} : ^{Distribution
des agents de proximité suivant le type de transactions
effectuées par jour}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.1.5.- Intensité économique des zones de fonctionnement des agents

Les agents semblent fonctionner dans des zones où l'activité économique est assez intense. En effet, dans 48.8% des cas, il y a plus de 5 entreprises dans l'environnement immédiat des agents, 35.4% d'entre eux évoluent dans un milieu où il y a entre 3 et 5 entreprises et les 15.9% restant ont moins de 3 entreprises dans leur entourage.

^{Graphe 5} : ^{Distribution
des agents de proximité suivant l'intensité économique de
leur zone d'activité}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.1.6.- Formation des agents

84.1% des agents affirment avoir reçu une formation pour pouvoir offrir avec efficacité le service de Mobile Banking, les 15.9% restants affirment le contraire. On peut donc supposer qu'ils ont appris à le faire sur le tas. Le tableau ci-dessous relate les résultats.

^{Tableau 1} : ^{Distribution
des agents selon qu'ils ont reçu ou non une formation}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.2.- Les variables sociodémographiques

VI.1.2.1.- Sexe des agents de proximité

L'analyse par sexe des enquêtés montre une prépondérance masculine au moment de l'enquête sur le marché du Mobile Banking (Voir Tableau 1, Annexe I). En effet, 68.3% des agents interrogés sont des hommes contre 31.7% de femmes. Le graphe ci-dessous illustre bien la situation au moment de l'enquête.

^{Graphe 6} : ^{Distribution
par sexe des agents de proximité du Mobile Banking}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.2.2- Age des agents de proximité

On remarque que, dans 53.7% des cas, les agents ont un âge compris entre 30 et 35 ans (Voir Tableau 2, Annexe I). Ce qui sous-entend que la population des agents est relativement jeune. Ce résultat est en adéquation à l'approche théorique développée par Evans et Leighton selon laquelle les personnes en âge avancé ont une réticence de s'installer pour leur propre-compte. Donc, les jeunes sont plus enclins à devenir agent de proximité. Il importe de souligner que l'âge moyen des agents de proximité est de 31 ans. L'agent de proximité le plus jeune est âgé de 19

ans et le plus vieux de 53 ans (voir Tableau 13, Annexe I). Le graphique ci-après présente la situation des agents de proximité en termes d'âge.

^{Graphe 7} : ^{Distribution
des agents de proximité suivant leur groupe
d'âge}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.2.3.- Les agents de proximité et le niveau d'instruction

S'agissant de la variable « Niveau d'éducation », 54.9% des répondants ont fréquenté une université quelconque qu'elle soit privée ou publique (Voir Tableau 3, Annexe I). Il est à noter que le plus bas niveau atteint est le secondaire avec un pourcentage de 17.1%. Ce qui laisse présager qu'il faut un certain niveau pour être agent de proximité sur le marché du Mobile Banking.

^{Graphe 8} : ^{Distribution
des agents de proximité selon leur niveau
d'instruction}

^Source :^{Elaboration propre de l'auteur à
partir de l'enquête portant sur les agents de Mobile Banking dans
l'aire}

VI.1.2.4.- Les agents de proximité et le nombre de personnes en charge

Parmi les agents concernés par l'étude, 46,34% ont sur leurs responsabilités entre 3 et 5 personnes, 45,12% ont moins de 2 personnes en charge (Tableau 4, Annexe I). Par contre, 8,54% comptent plus de 6 personnes comme charge familiale. Le graphe suivant présente la répartition des agents de proximité selon le nombre de personnes en charge.

^{Graphe 9} : ^{Distribution
des agents de proximité selon le nombre de personnes en
charge}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.2.5.- Les catégories socioprofessionnelles des agents de proximité interrogés

Les résultats de l'enquête ont révélé que 34.1% des agents appartiennent à la classe des employés, 25% pratiquent une profession libérale, 15.9% sont des entrepreneurs et 4.9% sont des étudiants (Voir Tableau 5, Annexe I). Le graphe qui suit présente la répartition des agents de proximité selon leurs catégories socioprofessionnelles.

^{Graphe 10} : ^{Distribution
des agents de proximité selon leurs catégories
socioprofessionnelles}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

VI.1.2.6.- Les agents de proximité et leur statut matrimonial

La plupart des agents sont, soit marié, soit célibataire. On remarque que sur un effectif de 82 agents, 46% sont mariés et 34% sont célibataires. Par contre, on n'a enregistré que 9% de ces derniers qui font partie de la catégorie Autre (regroupant les agents qui sont soit divorcés, séparés ou en situation de Vivre Avec (Voir Tableau 6, Annexe I). Le graphe ci-après donne la répartition des agents de proximité selon leur statut matrimonial.

^{Graphe 11} : ^{Distribution
des agents de proximité selon leur statut matrimonial}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-}

IV.1.2.7.- Les agents et leur zone d'activité43

Par rapport à la zone d'activité, les agents de Mobile Banking se concentrent surtout dans les communes de Delmas et de Port-au-Prince (Voir Tableau 7, Annexe I), ils regroupent à eux deux, 65.9% des agents enquêtés, en témoigne le graphe suivant:

⁴³ Zone d'activité est la zone dans laquelle l'agent de proximité offre le service de Mobile Banking.

VI.1.2.8.- Les agents de proximité et le nombre d'années dans la pratique des affaires

L'analyse de la variable « Nombre d'années dans la pratique des affaires » montre que beaucoup d'entre eux ont une expérience assez solide des affaires. En effet, pas moins de 47.6% d'entre eux ont entre 5 à 10 ans d'expérience, 37.8% ont plus de 10 ans et 14.6% ont moins 5 ans dans la conduite des affaires (Voir Tableau 8, Annexe I). Le tableau ci-contre résume les résultats trouvés.

VI.1.2.9.- Degré de satisfaction du service

La majorité des agents questionnés affirment être peu satisfait ou pas satisfait du service (62%) (Voir Tableau 9, Annexe I). Seulement 10% d'entre eux sont très satisfaits du service et 28% affirment en être satisfait. Le graphe ci-après donne la répartition des agents suivant leur degré de satisfaction.

Conclusion partielle

L'analyse descriptive univariée présente de facon détaillée les caractéristiques sociodémographiques et économiques des agents de proximité de l'aire métropolitaine de P-au-P. Cette analyse met en relief la prédominance de certaines caractéristiques des agents de proximité du Mobile Banking ayant un niveau de revenu élevé, moyen ou faible. C'est le cas des agents de proximité de sexe masculin, de statut marié, les agents qui ont un niveau de formation universitaire, et qui ont effectué entre 15 à 30 transactions par jour. Ainsi, il convient de faire une analyse beaucoup plus approfondie nous permettant de tester une éventuelle relation entre chacune des variables exogènes ou indépendantes et le revenu des agents des proximité du Mobile Banking. Donc, l'analyse bivariée qui, à travers la statistique du Khi-deux, nous fournira des informations nécessaires pour identifier ces relations, fera l'objet de la partie suivante.

L'activité de Mobile Banking exige que les agents de proximité aient une autre entreprise génératrice de revenus dans le but de pallier aux problèmes de liquidité éventuelle qui peuvent résulter lors des transactions de retrait. Par conséquent, il est logique de supposer que les moins jeunes parmi les agents de proximité sont plus susceptibles d'accroître leur revenu dans le M-Banking que les autres en ce sens que l'âge peut procurer aux agents de la maturité économique leur permettant de répondre aux exigences d'offre de service Mobile Banking. Les résultats du tableau de contingence construit avec le revenu journalier des agents de proximité et leur tranche d'âge ne confirment pas totalement cette réalité. En effet, ce tableau montre que parmi les 15 agents de proximité qui rentrent plus de 1500 gourdes en moyenne par jour, la plus grande tranche de revenus, les moins jeunes (les agents de proximité ayant plus de 35 ans) sont en plus petite proportion certes (soit 9.1%), mais il vient tout juste après les agents de proximité de moins de 30 ans qui représentent une petite proportion (soit 11.1%) aussi de ceux qui rentrent cette tranche de revenus (Voir Annexe 2, Tableau 1). Cela signifie que cette tendance à savoir les moins jeunes (les agents de plus de 35 ans) ont la plus grande chance d'avoir la plus grande tranche de revenus et les jeunes (les agents de moins de 30 ans) rentrent la plus faible tranche de revenus n'apparaît pas nettement dans le tableau de contingence.

Cependant, le test de significativité du Chi-carré (test d'indépendance entre deux variables) n'accepte pas l'existence d'une relation entre le revenu journalier des agents et leur âge (voir Annexe 2, Tableau 2). En effet, la statistique de Pearson trouvée pour ce test généré sur SPSS 19 est de 8.15. Le seuil de signification calculé est de 0.086. Donc, la relation entre les deux variables n'est pas significative au seuil de 5%. Nous devons alors accepter l'hypothèse nulle suivant laquelle il n'existe pas de relation entre les variables revenu moyen journalier des agents de proximité et leur groupe d'âge.

VI.2.2.- Niveau d'instruction

La pratique d'un métier requiert nécessairement un niveau de formation adéquat. Dans l'activité M-Banking, le niveau d'éducation procurerait aux agents de proximité une certaine maîtrise des procédures permettant de faire des transactions de dépôt et de retrait. Par ricochet, il engendrait un accroissement du volume de transactions. Ce qui pourrait avoir, à coup sûr, un impact positif sur le revenu moyen journalier. De la même veine, il est possible de présager une éventuelle relation entre le revenu moyen journalier et le niveau d'instruction. En effet, le tableau de contingence dressé avec ces deux variables montre cette relation apparente, car la plus haute proportion (soit 22,2%) d'agents de proximité qui ont le plus élevé niveau de revenus moyens journaliers (soit 1500 gourdes et plus) sont des universitaires (Voir Tableau 3, Annexe 2). Alors

que la plus haute proportion (soit 43,5%) de ceux qui gagnent le moins de revenus possède le niveau d'instruction le plus bas (Professionnel) parmi l'ensemble des agents de proximité recensés dans le cadre de cette étude.

Pourtant, les résultats du test d'indépendance montrent, contrairement au tableau de contingence, qu'il n'existe pas de relations de dépendance entre le revenu moyen journalier et le niveau d'instruction. En effet, la probabilité pour que cette relation constatée soit simplement l'effet des fluctuations aléatoires est non nul. Le test de Chi-deux de Pearson montre cependant que, 65,2 fois sur 100, nous risquons de tirer des conclusions erronées en liant le revenu moyen journalier et le niveau d'éducation (Voir Tableau 4, Annexe 2).

VI.2.3.- Nombre de personnes en charge

L'analyse du tableau de contingence ne prouve pas clairement de relations entre le revenu moyen journalier des agents de proximité et leur nombre de personnes en charge. De fait, parmi les agents de proximité ayant un niveau de revenu élevé, 28,9% ont déclaré avoir entre 3 et 5 enfants. De la même veine, la plupart des agents (soit 39,5%) qui gagnent moins de 350 gourdes comme revenu ont entre 3 et 5 enfants (Voir Tableau 5, Annexe 2). Donc, ce résultat ne nous permet pas d'augurer d'éventuelles relations de dépendance entre ces deux variables précitées.

Pourtant, le test d'indépendance de Chi-deux de Pearson prouve grandement l'existence de relation de dépendance entre le revenu moyen journalier des agents de proximité et leur nombre de personnes en charge à un seuil de confiance de 1,8 pour cent (Voir Tableau 6, Annexe 2).

VI.2.4.- Catégories socioprofessionnelles

Sur l'ensemble des agents de proximité enquêtés, 31,7% gagnent moins de 350 gourdes en moyenne par jour au moment de l'enquête. C'est parmi les artisans, commerçants et les agriculteurs que la proportion des agents de proximité qui ont moins de 350 gourdes comme revenus (soit 34,6%) est la plus élevée (Voir Tableau 7, Annexe 2). Par ailleurs, les employés représentent la plus grande proportion d'agents de proximité qui rentrent plus de 1500 gourdes en moyenne par jour. Cela voudrait dire que les agents qui ont un niveau social et professionnel plus important sont plus susceptibles d'avoir un revenu beaucoup plus considérable. Par ricochet, l'analyse du tableau de contingence laisse augurer un éventuel lien entre le revenu moyen journalier des agents de proximité et leur catégorie socioprofessionnelle.

Le test de significativité du prouve l'existence d'une relation de dépendance entre le revenu

moyen journalier et la catégorie socioprofessionnelle, du même coup, corrobore, les résultats de l'analyse du tableau de contingence. En effet, la probabilité (Voir Tableau 8, Annexe 2) de commettre une erreur en admettant l'existence d'une telle relation est inférieure à 5%, seuil conventionnellement admis.

VI.2.5.- Statut matrimonial

La variable statut matrimonial permettant de situer socialement l'agent de proximité n'a apparemment aucune relation directe avec le revenu moyen journalier des agents de proximité. Le tableau de contingence créé à partir de ces deux variables n'indique pas en effet l'existence d'une relation apparente entre ces dernières (Voir Tableau 9, Annexe 2).

Les résultats du test de significativité du chi-deux sont en adéquation à l'analyse du tableau de contingence selon laquelle l'inexistence de relation de dépendance entre le revenu moyen journalier et le statut matrimonial a été prouvée. Ainsi la probabilité qu'un échantillon avec 10 degrés de liberté donne par hasard 5.894 est de 0.435, d'où elle dépasse 0.05, alors nous tombons sur un non rejet de l'hypothèse affirmant qu'il n'existe pas de relation entre le revenu moyen journalier et le statut matrimonial. (Voir Tableau 10, Annexe 2).

VI.2.6.- Nombre d'années dans la pratique des affaires

Dans toute activité génératrice de revenus, l'expérience nous permet généralement d'accroître notre efficacité. Ce qui laisse augurer une relation positive entre le revenu moyen journalier des agents de proximité et leur nombre d'années dans la pratique des affaires. Cela signifie que les agents qui ont plus de temps dans la pratique des affaires devraient gagner la tranche de revenus la plus élevée et ceux qui ont moins de temps devraient rentrer la plus faible tranche. Les résultats de notre enquête reflètent en quelque sorte cette réalité, car la catégorie d'agents de proximité ayant 10 ans et plus comme nombre d'années dans la pratique des affaires représente la plus forte proportion d'agents de proximité à avoir 1500 gourdes et plus comme tranche de revenus (soit 53.3%). Pourtant, la logique n'est pas respectée pour les agents de proximité qui ont le moins de temps dans l'activité (moins de 5 ans), ils sont en plus petite proportion (soit 11.5%) à avoir moins de 350 gourdes (Voir Tableau 11, Annexe 2).

Par ailleurs, les résultats trouvés, à partir du test d'indépendance de Chi-carré de Pearson, prouvent qu'il n'existe pas de relations entre le revenu moyen journalier des agents de proximité et leur nombre d'années dans la pratique des affaires. En effet, la probabilité de se tromper en rejetant l'hypothèse nulle selon laquelle il n'existe pas de relations entre les deux variables

précitées n'est de 21,6% (Voir Tableau 12, Annexe 2), ce qui dépasse largement le seuil de 5% conventionnellement admis. Donc, nous pouvons conclure à un non rejet de l'hypothèse nulle.

VI.2.7.- Satisfaction tirée du service

Il est important de savoir si les agents sont sortis satisfaits du service de Mobile Banking en ce sens qu'il les aide à augmenter de façon significative leurs revenus. Nous attendons à ce que les agents qui aient une entrée beaucoup plus élevée portent plus d'intérêt au service de MB. L'analyse du tableau de contingence montre au contraire que la grande majorité des agents les mieux lotis (soit 53,5%) sont peu satisfaits du service. Par ailleurs, ceux qui gagnent moins de 350 gourdes par jour (soit 46,2%) dans l'activité MB ne sont pas satisfaits du service de M-Banking (Voir Tableau 13, Annexe 2).

Cette relation apparente remarquée n'est pas rejetée par le test de significativité du ÷2 de Pearson. Il existe en effet une relation de dépendance très significative entre le revenu moyen journalier des agents de proximité et la satisfaction tirée du service, car la probabilité de commettre une erreur en acceptant l'existence d'une telle relation est largement inférieure à 2%

VI.2.8.- Temps consacré au travail

Sur l'ensemble des 82 agents de proximité concernés par l'enquête, 87.8% passent plus de 8 heures de temps dans l'activité Mobile Banking. Parmi ces derniers, la proportion des agents qui gagnent entre 350 et 1500 gourdes par jour est la plus élevée (soit 61.1%). Il en est de même pour ceux qui travaillent pendant moins de 8 heures par jour, la plupart d'entre eux (soit 70%) ont des revenus moyens journaliers se situant dans l'intervalle de 350 et 1500 gourdes (Voir Tableau 15, Annexe 2). Ce résultat ne montre pas vraiment l'incidence du temps consacré au travail sur le revenu moyen journalier des agents. En effet, l'analyse du tableau de contingence ne nous permet pas de présager d'éventuelles relations entre le revenu moyen journalier des agents de proximité et leur temps consacré au travail.

Les résultats du test d'indépendance corroborent l'analyse du tableau de contingence en ce sens qu'ils prouvent l'inexistence de relation entre ces deux variables au seuil de 5%. Ils montrent que nous avons une probabilité de 52,2% (Voir Tableau 16, Annexe 2) de nous tromper en associant le revenu moyen journalier des agents de proximité et leur temps consacré au travail.

VI.2.9.- Liquidité disponible

La proportion des agents de proximité qui, au moment de l'enquête, avaient gagné moins de 350 gourdes par jour s'élève à 37,9% chez ceux qui ont toujours de la liquidité disponible pour faire les opérations de retrait contre 20,8% qui n'ont pas toujours de liquidité pour effectuer les transactions. Par ailleurs, seulement 3,4% des agents qui ont un niveau de revenus de plus de 1500 gourdes disposent toujours de la liquidité pour pouvoir offrir le service de Mobile Banking (Voir Tableau 17, Annexe 2).

Ainsi, il paraît que le revenu des agents de proximité soit influencé par la disponibilité en termes de liquidité pour faire les opérations de retrait. En fait, les agents qui ont toujours de la liquidité sont plus enclins à accroître leurs revenus.

Pourtant, les résultats du test d'indépendance réalisé pour les deux variables montrent l'inexistence de relation de dépendance partiellement vérifiée entre les deux variables lors de l'analyse du tableau de contingence. Ils montrent, en effet, que la probabilité de nous tromper en liant le revenu moyen journalier et la liquidité disponible est de 25,4% dépassant largement le seuil de 5% conventionnellement admis (Voir Tableau 18, Annexe 2). Donc, au seuil minimal de 5% nous pouvons dire que les deux variables sont indépendantes. D'où, nous pouvons conclure qu'il n'existe pas de relation directe entre le revenu moyen journalier et la disponibilité de liquidité.

Conclusion partielle

Dans cette partie, nous venons d'analyser les résultats de notre enquête en étudiant les relations du revenu des agents de proximité avec leurs caractéristiques sociodémographiques et économiques. Ainsi, l'analyse bivariée a révélé que les variables sociodémographiques à savoir le « nombre de personnes en charge », « les caractéristiques socioprofessionnelles », et la « satisfaction tirée du service » sont liées au revenu des agents de proximité.

Somme toute, l'analyse bivariée des résultats de l'enquête avait pour objectif de mettre en évidence les variables qui ont une relation de dépendance avec le revenu des agents de proximité. Les liens décelés lors de la dite analyse seront approuvés ou non à l'aide d'une autre analyse plus poussée : analyse multivariée.

VI.3.- Analyse explicative

Dans cette partie du travail, nous sommes intéressés à déterminer les facteurs pouvant expliquer le revenu des agents de proximité du M-Banking à partir d'une analyse explicative. Cette approche, à savoir l'analyse explicative, consiste à vérifier l'association entre les variables afin de confirmer les tendances observées lors de l'analyse bivariée en utilisant un modèle économétrique approprié. Il est à noter que la variable « satisfaction tirée du service » ne sera pas considérée dans l'analyse multivariée.

VI.3.1.- Méthode explicative utilisée

Pour pouvoir mettre en exergue les variables pertinentes dans l'étude des déterminants du revenu qui constitue la toile de fond de ce travail, il convient de recourir à la modélisation. Vu que la variable dépendante de l'étude, le revenu, est catégorielle et de mesure ordinale, nous avons opté dans ce cas pour un modèle à variable expliquée qualitative multinomiale. Plus précisément, un modèle polytomique univarié ordonné qui peut être un logit ou un probit ordonné. C'est un modèle dans lequel on a une variable dépendante ayant plusieurs modalités et un ordre naturel sur ces modalités. Ces dernières proviennent d'un découpage en tranche d'une variable numérique en l'occurrence le revenu.

VI.3.1.1.- Principes d'application du modèle

L'application du modèle polytomique univarié ordonné répond au critère suivant :

- Premièrement, la variable expliquée doit être une variable qualitative polytomique ordonnée (ayant au moins trois modalités et de mesure ordinale) à l'instar de notre variable dépendante. Par conséquent, pour un agent évoluant dans l'aire métropolitaine de P-au-P, nous avons trois options possibles : soit il a un revenu journalier élevé (Revmoy=1), soit il a un revenu journalier moyen (Revmoy=2), soit il a un revenu journalier faible (Revmoy=3).

- Secondement, les variables indépendantes peuvent être quantitatives ou catégorielles, mais toutes les modalités de ces variables doivent être dichotomisées avant de les introduire dans le modèle. La modalité de référence ne doit pas être introduite dans le modèle.

Il n'existe pas de différences significatives entre les modèles logit et probit du fait de la proximité des fonctions de répartition des lois normales centrées réduites et des lois logistiques simples ou transformées. Par conséquent, les modèles probit et logit donnent généralement des résultats relativement similaires. Ainsi, à priori, la question du choix entre les deux modèles ne présente que peu d'importance bien que Amemiya (1981, cité dans Gujarati, 2004) affirme qu'il existe des différences entre eux. De ce fait, nous avons choisi, dans le cadre de ce travail, d'utiliser un modèle logit pour pouvoir identifier les déterminants du revenu des agents de proximité dans l'aire métropolitaine de P-au-P.

Cette étude concernant le mobile banking vise à modéliser la variable revenu des agents de proximité en fonction d'un certain nombre de caractéristiques sociodémographiques (variables) et économiques (variables). Etant donné la nature des données, le revenu de chaque agent est inobservable et seule son appartenance à l'une des trois catégories est observée :

Selon l'étude de David et Legg (1975) portant sur l'acquisition d'un bien immobilier, la variable polytomique yi=1, 2, 3 est modélisée selon l'appartenance d'une variable yi* à trois classes distinctes :

où la variable latente⁴⁴ yi* est distribuée selon une loi normale N (xif3, ó²), où le vecteur xi comporte l'ensemble des caractéristiques de l'agent de proximité. On suppose que le vecteur xi ne comporte pas de constante. Le problème consiste donc à estimer les paramètres structurels c1, c2, ó et les K paramètres du vecteur f3. Nous avons, dans ce cas, K+3 paramètres structurels à estimer. Les probabilités associées aux trois modalités sont définies de la façon suivante:

=> Prob (yi* < c1) = F (c1/ó - xif3/ó), avec F (.) la fonction de répartition de la loi logistique multinomiale et Prob (yi = j), (i?j), étant la probabilité pour un agent de proximité i de se trouver dans la catégorie de revenu j.

⁴⁴ Une variable latente est une variable non observable mais que l'on sait qu'elle existe.

- Prob (yi=2) =Prob (c1 = yi* < c2) =Prob (c1= Xf3 + åi < c2) = F (c2/a - xif3/a) - F (c1/a - xif3/a).

- Prob (yi=3) = Prob (yi* > c2)= Prob (Xf3+ åi > c2)=1- F (c2/a - xif3/a)=F (-c2/a + xif3/a)

Dans les modèles Logit ou Probit multinomial ordonné nous ne pouvons pas observer le ratio de chance; ce qui rend impossible l'utilisation d'un modèle MCO pour l'estimation des paramètres. Dans ce cas, nous avons recours à la méthode du maximum de vraisemblance car elle est une méthode d'estimation alternative à la méthode des moindres carrés qui consiste à trouver la valeur des paramètres qui maximisent la vraisemblance des données. La vraisemblance en économétrie est définie comme la probabilité jointe d'observer un échantillon, étant donné les paramètres du processus ayant généré les données. Pour le modèle en question, dans le cadre de ce travail, la vraisemblance associée à l'observation i s'écrit:

Où représente le nombre d'individus ou le nombre d'agents de proximité interrogés et 3 étant le nombre de modalités de la variable qualitative , F(.) est la fonction de répartition de la loi

La procédure du maximum de vraisemblance fournit alors une estimation pour les K + 2

paramètres , et . Dès lors, on ne peut pas dans ce cas identifier la variance a du fait de la

normalisation imposée par le choix de la distribution normale. Par conséquent, l'estimation de ce modèle ne permet pas d'identifier les paramètres de seuil c1, c2 et les paramètres f3, mais

Dans cette partie du travail, il convient de définir les variables qui rentrent dans l'estimation du modèle logit multinomial. Les variables sociodémographiques ont surtout été tirées de notre cadre théorique. Par contre, celles d'ordres économiques ont été prises en compte suite à une

visite exploratoire réalisée auprès de quelques agents de proximité évoluant dans l'aire métropolitaine de P-au-P. Toutes les variables considérées dans le cadre de cette étude sont catégorielles.

Ainsi, la variable sous-étude est le revenu journalier des agents de proximité notée REMOY et

Toutes les variables de l'étude ne seront pas considérées dans l'analyse multivariée. Nous n'avons pris en compte que les variables de l'analyse bivariée en vue de vérifier les résultats trouvés. Elles sont subdivisées en deux groupes :

Plusieurs études ont révélé qu'il existe une relation de dépendance entre l'âge et le revenu. En effet, l'étude menée par Amisial Ledix et Clermont Dieuconserve portant sur les déterminants de revenu des conducteurs de Moto-Taxis aux Gonaïves a montré que la tranche d'âge 20-24 ans a un impact négatif sur le revenu journalier net des conducteurs contrairement à celle de Rose Anne Dévlin (2001) qui, à partir de son modèle Probit, a pu faire ressortir l'incidence de la variable Age, prise quantitativement, sur le revenu. Elle comporte trois modalités : moins de 30 ans, entre 30 et 35 ans, plus de 35 ans. Donc, nous créons deux variables Dummy qui sont :

La catégorie de référence est donc le groupe d'âge « entre 30 et 35 ans ».

Dès que nous parlons de Niveau d'instruction, nous faisons référence à l'investissement au capital humain car ce dernier se définit, d'après Gary Becker⁴⁵, comme étant l'ensemble des connaissances et compétences dont on peut tirer un revenu par le travail. Par ailleurs, l'étude de

⁴⁵ Les fondements théoriques du Capital humain écrit en 1964 par Gary Becker, Prix Nobel d'économie 1992

Sébastien LAURENT⁴⁶ montre qu'il y a un lien étroit entre le niveau d'éducation et l'obtention d'un emploi. Donc, quant le niveau d'éducation augmente, l'agent de proximité a beaucoup plus de chance d'accroître son revenu. Par conséquent, nous nous attendons à un signe positif entre le revenu et le niveau d'instruction. Le niveau d'instruction comporte trois modalités: Universitaire, secondaire et professionnel. De ce fait, les dummy créés à partir de cette dernière sont:

Le niveau Universitaire est retenu comme modalité de référence d'après le processus de création des variables dichotomiques.

Il existe un lien naturel entre Catégories socioprofessionnelles et Niveau d'éducation. Donc, nous pouvons nous attendre à un signe positif entre le revenu et la catégorie socioprofessionnelle. Cette variable compte six modalités. De ce fait, nous avons défini cinq variables Dummy qui nous permettront de mesurer l'effet de chaque modalité sur la variable d'intérêt. Les Dummy sont :

- Catsar=1 si l'agent de proximité est soit un artisan, soit un commerçant ou un agriculteur et 0 sinon.

- Catsaut =1 si l'agent de proximité pratique une activité professionnelle autre que celles précitées et 0 sinon.

La modalité retenue comme catégorie de référence est « employé » car cette dernière à une plus grande représentativité en termes de nombre d'agents exerçant une profession.

A l'instar de l'étude de Sébastien LAURENT, le nombre d'enfants ou le nombre de personnes en charge semble jouer négativement sur le revenu des agents de proximité du M-Banking. A mesure que le nombre de personnes en charge augmente, les dépenses familiales vont croître. Ce qui aura, à coup sûr, une incidence négative sur le revenu des agents. Le nombre de personnes en charge noté « nper » est une variable qualitative ayant trois modalités. De ce fait, nous avons créé deux dummy permettant de mettre en évidence l'effet de chacune des modalités sur la variable expliquée. Ces dummy sont :

⁴⁶ Capital humain, emploi et salaire en Belgique et ses régions. Reflets et perspectives de la vie économique, 2001/1 Tome XL, p. 25-36. DOI : 10.3917/rpve.401.0025

La modalité 3 à 5 personnes est considérée comme catégorie de référence pour les mêmes raisons évoquées précédemment.

Cette variable tient compte de l'expérience de l'agent de proximité dans la pratique des affaires. Elle comporte trois modalités. A partir de ces dernières, nous allons créer deux variables dummy qui sont :

- Nbpa1=1 si l'agent de proximité a moins de 5 ans dans la pratique des affaires et 0 sinon

- Nbpa2=1 si l'agent de proximité a plus de 10 ans dans la pratique des affaires et 0 sinon La modalité « 5 à 10 ans » est prise comme référence du fait de sa plus grande représentativité en termes d'agents ayant une certaine expérience en affaires.

Pour un meilleur fonctionnement du service, l'agent doit toujours disposer de la liquidité pour faire face à la demande de retrait de cash. Un manque de liquidité peut en quelque sorte affaiblir la clientèle. Ce qui pourrait engendrer une incidence néfaste sur la rentabilité de l'entreprise donc sur le revenu des agents de proximité. Cette variable dite dichotomique a pour valeur 1 si l'agent de proximité a de l'argent disponible pour faciliter les transactions de retrait et 0 sinon. Son appellation dans le modèle est « Liquidis ».

L'Institut National de la Statistique et des Etudes Economiques(INSEE), dans un document titré « L'Econométrie et l'Etude des Comportements : Présentation et mise en oeuvre de modèles de régression qualitatifs »⁴⁷, traite de l'utilité et du choix de la catégorie de référence par le biais de D. LE BLANC, S. LOLLIVIER, M. MARPSAT et D. VERGER. Il est écrit dans le document qu'aucun critère mathématique ne dicte le choix de la situation de référence et qu'on se laissera guider par des impératifs « esthétiques » : il est plus simple de choisir comme situation de référence une situation courante. Ainsi, chaque lecteur acceptera comme naturel le choix qui lui est proposé et le commentaire sera facilité par le fait que l'on opposera des « minorités » bien caractérisées à la population plus « standard ». Le précepte conduira souvent à prendre comme référence la situation « modale » (modalité rassemblant le plus d'effectifs) mais il ne s'agit en

aucun cas d'une obligation. Rappelons toutefois qu'il est dangereux de choisir une modalité de référence ayant des effectifs trop faibles. Outre la perte de précision déjà mentionnée, cela peut entraîner un défaut de convergence. Ceci étant, une référence ainsi choisie pour chacun des critères peut conduire à une intersection des situations modales très minoritaire dans l'échantillon. Dans le cadre de cette étude, les catégories de référence ont été choisies en accordant priorité aux situations modales.

? Le pseudo R² détermine le pouvoir prédictif du modèle, c'est-à-dire la contribution du modèle dans l'explication du revenu des agents de proximité.

? Par ailleurs, le modèle logit multinomial fournit pour chaque variable introduite dans l'équation une probabilité qui indique le niveau de signification du paramètre qui lui est associé. Ainsi, nous allons vérifier la significativité individuelle des paramètres de chacune des variables du modèle à travers le test de Wald (Voir Annexe).

? La significativité globale du modèle va être mesurée à travers le test du rapport des maxima de vraisemblance (Voir Annexe). La statistique LRT (Likelihood Ratio Test) correspond alors tout simplement à l'écart des log-vraisemblance.

? L'écart de risque est calculé à partir du rapport de cote appelé en anglais Odds ratio ou OR. Lorsque le rapport de cote est inférieur à 1, les agents de proximité ayant la caractéristique de la modalité considérée de la variable explicative ont ((1 -OR)*100) % moins de risque (ou de chance) que leurs homologues de la modalité de référence de réaliser l'événement. Lorsque le rapport de risque est supérieur à 1, cela signifie que les agents appartenant à la modalité considérée de la variable explicative courent OR fois plus le risque de subir l'évènement ou ((OR - 1)*100) % fois moins le risque de subir cet évènement.

? En dernier lieu, nous analysons les effets marginaux qui peuvent être définis comme étant la sensibilité de la probabilité de la variable explicative yi=1 par rapport à la variation des variables indépendantes _xi. Donc, les effets marginaux s'écrivent mathématiquement de la manière suivante :

f3 étant les coefficients associés aux variables indépendantes xi qui indiquent le signe des relations estimées.

Cette équation dépend de xi et de la forme de la fonction. Donc, pour le modèle Logit, cette

Les résultats du modèle logit multinomial réalisé sur SAS sont présentés dans le tableau ci-dessous :

Parameter	DF	Estimate	Standard Error	Wald Chi-Square	Pr > ChiSq
Intercept 1	1	-6.3425	4.2559	2.221	0.1361
Intercept 2	1	2.7526	4.5901	0.3596	0.5487
Comcar	1	3.6008	2.691	1.7905	0.1809
Compet	1	-1.1223	3.3433	0.1127	0.7371
Comcit	1	1.2306	2.1947	0.3144	0.575
Comtar	1	3.3640	2.8862	1.3586	0.2438
Compaup	1	-2.2547	1.8473	1.4897	0.2223
Groupag1	1	-0.9737	2.9519	0.1088	0.7415
Groupeag2	1	1.7025	2.3827	0.5106	0.4749
Smcel	1	1.5061	1.7741	0.7207	0.3959
Smfi	1	-1.0213	2.4922	0.1679	0.682
Smautre	1	-7.7398	4.6583	2.7606	0.0966
Nivp	1	2.4308	1.6554	2.1562	0.142
Nivs	1	-1.3317	1.7497	0.5793	0.4466
Catspl	1	1.6343	1.8345	0.7937	0.373
Catsent	1	-0.1339	1.8728	0.0051	0.943
Catsaut	1	4.7629	3.1656	2.2638	0.1324
**Catsar	1	5.4027	2.6424	4.1803	0.0409
Nbpa1	1	-0.5238	1.3466	0.1513	0.6973
Nbpa2	1	-4.3184	2.4765	3.0406	0.0812
Nper1	1	2.5176	1.9221	1.7156	0.1903
Nper2	1	-1.8360	2.1994	0.6968	0.4038
**Liquidis	1	3.0885	1.5583	3.9281	0.0475

VI.3.2.- Validation des résultats du modèle VI.3.2.1.- Analyse du pseudo-R²

Le pseudo-R² est de 0.4402, ce qui est un résultat acceptable en termes de qualité d'ajustement du modèle. De ce fait, nous pouvons dire que les variables indépendantes sont assez pertinentes dans l'explication du revenu des agents de proximité.

VI.3.2.2.- Test de significativité individuelle des paramètres du modèle initial

Après avoir vérifié la validité du modèle, il incombe de mettre en évidence l'apport de chaque variable indépendante dans l'amélioration du modèle. Par conséquent, le test de Wald semble le mieux indiqué puisqu'il joue le même rôle que le test t de Student. La significativité des paramètres du modèle se mesure statistiquement à partir des probabilités associées à la statistique de Wald. Quand une probabilité est inférieure à 0.01 ou 0.05 cela signifie que le paramètre de la variable en question est statistiquement significatif à 1% ou 5%. Les résultats de l'estimation du dit modèle nous montrent que seulement quatre variables sont significatives (Catsar, Sats, Satts ainsi que Liquidis), toutes au seuil de moins de 5%.

VI.3.2.3.- Test de significativité globale du modèle initial

Pour pouvoir mesurer la significativité globale du modèle initial, nous avons recours au test du rapport des maxima de vraisemblance. Ce dernier nous donne la possibilité de tester la nullité de l'ensemble des coefficients du modèle. Les résultats nous permettent d'affirmer que le modèle initial est globalement significatif. En effet, la probabilité associée à la statistique calculée LRT est de 0.0003 et est largement inférieure à 1%, voire 5%. Donc, nous pouvons conclure que les paramètres du modèle sont globalement significatifs.

Somme toute, le modèle de départ est globalement significatif statistiquement et la valeur du pseudo-R² laisse augurer que les variables exogènes expliquent assez bien la variable d'intérêt malgré la non significativité de la plupart des variables du modèle. Ce dernier compte 21 variables non significatives sur les 25 susceptibles d'expliquer le phénomène en question. De ce fait, nous ne pouvons pas retenir un tel modèle dans l'explication du revenu des agents de proximité du M-Banking. Ainsi, nous allons procéder à l'amélioration du modèle initial en recourant à l'une des méthodes de sélection d'un modèle adéquat.

VI.3.2.4.- Sélection d'un modèle adéquat

Pour sélectionner le meilleur modèle, nous utilisons principalement le critère AIC (Akaike Information Criterion) et le critère BIC (Bayesian Information Criterion). Mais, étant donné que le nombre de variables explicatives est grand, il n'est pas raisonnable de penser explorer les 2p modèles possibles afin de trouver le meilleur modèle au sens de l'un des critères précités. Par conséquent, nous avons opté une procédure de sélection pas à pas des variables. On distingue trois procédures de ce genre : la procédure FORWARD qui entre les variables une à une dans le modèle, la procédure BACKWARD et la procédure STEPWISE. Vu que ces étapes conduisent au même résultat, la technique BACKWARD est choisie de façon arbitraire pour le choix du modèle optimal et est mise en oeuvre à partir de SAS.

VI.3.2.4.1.- Procédure automatique descendante (BACKWARD)

L'algorithme BACKWARD démarre du modèle complet. A chaque étape, la variable associée au plus grand prob-value est éliminée du modèle. La procédure s'arrête lorsque les variables restant dans le modèle ont des prob-value plus petites qu'un seuil fixé à 5% dans le cadre de cette étude.

VI.3.2.4.2.- Résultat de l'estimation du modèle optimal

Après la réalisation de la procédure BACKWARD, nous avons obtenu un modèle adéquat. Les résultats de l'estimation du dit modèle figurent dans le tableau ci-après :

		(Modèle adéquat)
Parameter	DF	Estimate	Standard Error	Wald Chi-Square	Pr > ChiSq
Intercept1	1	-2.8501	0.7600	14.0646	0.0002
Intercept2	1	2.5478	0.7668	11.0414	0.0009
*comcar	1	3.4598	0.9053	14.606	0.0001
*Nivp	1	1.9009	0.7264	6.8486	0.0089
*Catsar	1	2.8104	0.9313	9.1061	0.0025
**liquidis	1	1.4044	0.6503	4.6645	0.0308

Source : Enquête sur le revenu des agents de proximité dans l'aire métropolitaine de P-au-P, Août 2012

VI.3.2.5.- Interprétation et analyse des résultats du modèle retenu VI.3.2.5.1.- Validation du modèle retenu

Le modèle retenu dans le cadre de ce travail de recherche comporte six variables exogènes : La commune (COM) représentée par la variable indicatrice COMCAR, le niveau d'éducation (NIV) mesuré par la variable indicatrice NIVP, la catégorie socioprofessionnelle (CATS) représentée par la variable indicatrice CATSAR et la liquidité disponible représentée par la variable Dummy LIQUIDIS.

VI.3.2.5.2.- Analyse du Pseudo-R2

Le Pseudo-R² obtenu pour le modèle adéquat est de 0.687, ce qui n'indique pas une mauvaise qualité d'ajustement du modèle. De ce fait, nous pouvons conclure que les six variables indépendantes retenues (Comcar, Nivp, Catsar, Sats, Satts, Liquidis) expliquent bien le revenu des agents de proximité du Mobile Banking.

VI.3.2.5.3.- Test de significativité individuelle des paramètres du modèle

Toutes les variables du modèle retenu sont statistiquement significatives. En effet, les probabilités associées (respectivement 0.0259 et 0.0308) aux variables Sats et Liquidis sont inférieures à 5%, les autres variables à savoir Comcar, Nivp, Catsar et Satts sont toutes inférieures à 1%. Ceci nous conduit à rejeter l'hypothèse de nullité des coefficients associés à ces variables. Maintenant, il convient de tester la significativité globale des variables.

VI.3.2.5.4.- Test de significativité globale du modèle

Tenant compte des résultats trouvés à partir du modèle adéquat, la Statistique LRT s'élève à 41,484 et est associée à une probabilité 0.0001. Donc, le modèle est globalement significatif au seuil de 1%.

Somme toute, le modèle retenu est valide du point de vue statistique. Il nous faut maintenant analyser l'apport de chacune des variables exogènes dans l'explication de la variable endogène. Par conséquent, l'accent sera mis sur le signe des coefficients et l'analyse des effets marginaux.

Tableau 3 : Présentation des effets marginaux (voir le calcul en annexe V sur Stata)

VI.3.2.5.5.- Contribution des différentes variables dans l'explication du modèle

Parmi les variables sociodémographiques, quatre sont statistiquement associées au revenu des agents de proximité du M-Banking dans l'aire métropolitaine de P-au-P à savoir la commune d'enquête, le niveau d'éducation, la catégorie socioprofessionnelle et la satisfaction tirée du service représentés respectivement dans le modèle par Comcar, Nivp, Catsar, Sats et Satts.

Les résultats montrent que la commune d'enquête ou commune d'activités a un effet positif sur le revenu journalier des agents de proximité. En effet, le coefficient associé à la variable Dummy COMCAR (Commune de Carrefour) est affecté du signe positif (3.4598, p-value = 0.0001), ce qui traduit une relation dans ce même sens. Soulignons également que le fait pour un agent d'appartenir à la commune de Carrefour augmente de plus de 12% la probabilité de se situer dans la tranche de revenus la plus élevée par rapport aux agents de la commune de Delmas. Egalement, les agents de proximité de la commune de Carrefour ont près de 31,81 fois plus de chance d'avoir un revenu journalier élevé par rapport à ceux de la commune de Delmas.

Donc, la situation d'un agent se localisant dans la commune de Carrefour est meilleure par rapport aux autres. Cela peut être dû au fait que les gens se trouvant dans la commune de

Carrefour sont beaucoup plus informés de l'activité de Mobile Banking et utilisent de façon significative le service pour faire des transactions financières.

Tenant compte de la théorie du capital humain mise en exergue dans le cadre théorique de ce travail de recherche, on s'attend à ce que le niveau d'études influence positivement le revenu des agents de proximité. En effet, la lecture du tableau ci-dessus montre que la variable relative au niveau d'éducation (Nivp) a un effet significatif et positif sur le revenu moyen journalier des agents de proximité de Tchotcho Mobile. Donc, ce résultat prend le contre-pied de celui obtenu lors de l'analyse bivariee. Pour la variable Dummy Nivp, le coefficient associé (1.9009, p-value =0.0089) indique que le niveau d'études a un effet positif sur le revenu moyen journalier des agents de proximité. De plus, par rapport aux agents qui ont un niveau universitaire, le fait d'avoir une éducation professionnelle augmente de 47,31% la probabilité de se trouver dans la catégorie de revenus la plus élevée. Finalement, l'interprétation des odds ratio permet de conclure que le fait d'avoir une éducation professionnelle donne à un agent de proximité 6.692 fois plus de chances d'avoir un revenu moyen journalier élevé.

Ces résultats sont en adéquation avec ceux retrouvés dans plusieurs études comme Guillaume DESTRE et Valentine HENRARD (1990), Rees et Shah (1986). Plus le niveau d'éducation est élevé, plus l'agent de proximité sera en mesure d'augmenter son revenu dans l'activité de Mobile Banking en l'occurrence Tchotcho Mobile.

Dans le cadre de l'estimation du modèle logit multinomial, quatre variables indicatrices ont été créées à partir de la variable « Catégorie socioprofessionnelle ». Parmi ces dernières, une seule a été retenue dans le modèle adéquat après l'élimination progressive des variables non significatives. Donc, la variable indicatrice Catsar (Catégorie socioprofessionnelle Artisan/Commerçant/Agriculteur) est statistiquement significative et a un impact positif sur le revenu moyen journalier des agents de proximité de l'aire métropolitaine de Port-au-Prince vu que la probabilité associée à la variable indicatrice Catsar est inférieure à 1% dans le modèle adéquat et que le coefficient lié au Dummy Catsar est positif (2.8104, p-value = 0.0025). Par ailleurs, le fait pour un agent de proximité d'être un artisan, un commerçant ou un agriculteur augmente de 25.37% la probabilité de se situer dans l'intervalle de revenus le plus élevé par rapport à la modalité de référence « Employé ». De surcroît, les agents appartenant à cette catégorie ont 16.616 fois plus de chances de se situer dans l'intervalle de revenus que ceux qui sont des employés.

En effet, les résultats du modèle montrent que les artisans, les commerçants ou les agriculteurs sont plus enclins d'accroître leurs revenus dans l'activité Mobile Banking comparativement aux autres catégories socioprofessionnelles. En somme, la variable catégorie socioprofessionnelle est un facteur déterminant dans l'explication du revenu des agents de proximité. Ce qui corrobore les résultats trouvés dans l'analyse bivariée stipulant que la catégorie socioprofessionnelle a une incidence sur le revenu des agents de proximité.

Par conséquent, le premier aspect de notre hypothèse fondamentale stipulant que le revenu moyen journalier des agents de proximité est influencé par leurs caractéristiques sociodémographiques.

Parmi les variables qui reflètent la situation économique des agents de proximité, la liquidité disponible est la seule qui est significative dans le modèle adéquat.

La liquidité disponible n'est représentée dans le modèle final que par l'unique variable dummy créée. Il s'agit de la variable indicatrice « Liquidis » dont l'impact positif sur le revenu des agents de proximité est significatif à 5%, seuil conventionnellement admis.

Les résultats montrent que la variable Liquidis a une influence positive sur le revenu des agents de proximité, le coefficient qui lui est associé se chiffre à (1,4044, p = 0.0308). Par ailleurs, le fait pour un agent de disposer de la liquidité pour faire les transactions de retrait augmente de 30.03% la probabilité de se trouver dans la catégorie de revenus la plus élevée par rapport à un agent qui ne dispose pas de liquidité. Donc, autant que l'agent dispose de liquidité pour faire les transactions autant qu'il est plus probable d'accroître son revenu. De plus, les agents appartenant à cette catégorie ont 4.073 fois plus de chances de se trouver dans la tranche de revenus la plus élevée que ceux qui ne disposent pas de liquidité pour faire les transactions de retrait.

Ce résultat n'est pas en adéquation à celui obtenu au cours de l'analyse bivariée certes mais il permet de confirmer le dernier aspect de l'hypothèse fondamentale à savoir que le revenu moyen journalier des agents de proximité est influencé par leurs caractéristiques économiques.

Conclusion partielle

Somme toute, l'analyse multivariée met en évidence les principaux facteurs qui expliquent le revenu moyen journalier des agents de proximité de l'aire métropolitaine de Port-au-Prince. Au cours de cette phase, certaines tendances remarquées au niveau de l'analyse bivariée ont été confirmées. Par conséquent, la variable qui mesure «Les caractéristiques socioprofessionnelles » (Catsar) se révèle être très pertinente dans l'explication du revenu des agents de proximité par l'analyse bivariée et par l'analyse multivariée. Par ailleurs, d'autres variables mesurant la commune d'enquête (Comcar), le niveau d'éducation (Nivp) et la liquidité disponible (Liquidis) ont une incidence significative sur le revenu moyen journalier des agents de proximité lors de l'analyse multivariée pourtant ces dernières n'ont pas eu de relation de dépendance avec le revenu moyen journalier des agents à l'étape de l'analyse bivariée. De même, il y a des variables présentant des tendances dans l'analyse bivariée qui n'ont pas été retenues dans le modèle final. En déduction, le modèle présente le profil d'un agent de proximité qui est soit un artisan, commerçant ou agriculteur, d'un niveau de formation professionnelle, évoluant dans la commune de Carrefour et qui a de la liquidité disponible pour faire les transactions de retrait.

VII.- Conclusions et pistes de réflexion

La présente étude avait pour objectif de déterminer et d'analyser les principaux facteurs qui influencent le revenu des agents de proximité du Mobile Banking. Cette étude a été réalisée sur l'ensemble des agents de Tchotcho Mobile de Digicel évoluant dans l'aire métropolitaine de Port-au-Prince. Trois types d'analyses ont été réalisés sur les données et ont permis de vérifier les hypothèses que nous avons énoncées.

L'analyse univariée a fait ressortir le profil sociodémographique des agents de proximité indépendamment du niveau de revenus perçus. L'analyse bivariée, à partir de l'utilisation de tableaux croisés, validée par le test du chi-deux de Karl PEARSON a permis d'établir une relation significative entre la plupart des variables retenues pour l'étude et le revenu moyen journalier des agents de proximité. Les variables qui ont été identifiées comme étant en relation avec le revenu moyen journalier des agents de proximité sont : le nombre de personnes en charge, la catégorie socioprofessionnelle et la satisfaction tirée du service. Les autres variables comme le groupe d'âge, le niveau d'éducation, le statut matrimonial, le nombre d'années dans la pratique des affaires, le temps consacré au travail et la liquidité disponible n'ont pas de relations de dépendance avec le revenu moyen journalier des agents de proximité.

Pour l'analyse des effets simultanés des différentes variables sur le revenu moyen journalier, nous avons estimé un modèle de régression logistique multinomial mettant en relation le revenu moyen journalier et les variables précédemment citées. Les résultats de cette régression ont permis de confirmer ceux de l'analyse bivariée et de renforcer l'interprétation sur la significativité, le sens et l'intensité des relations observées entre les variables.

Il a été retrouvé que le fait d'avoir une éducation professionnelle augmente la possibilité pour un agent de proximité de se situer dans la catégorie de revenus la plus élevée par rapport à un agent de niveau universitaire, soit 6.692 fois plus de chances. L'éducation est ainsi perçue comme un déterminant important mais non suffisant dans l'accroissement du revenu.

Les agents qui pratiquent un métier d'artisan, qui sont des commerçants ou des agriculteurs ont également plus de chances de se situer dans la tranche de revenus la plus élevée. En effet, la probabilité de percevoir un revenu élevé augmente de plus de 25,37% quand le sujet en question est soit un artisan, un commerçant ou un agriculteur au lieu d'être un employé. Une explication probable pourrait être que cette catégorie d'agents, en étant des travailleurs indépendants, ont beaucoup plus de temps pour offrir le service de Mobile Banking. De plus, l'activité génératrice de revenus journalière lui permet de disposer de la liquidité pour faire de façon efficace les transactions de retrait.

Il est également ressorti des résultats que les chances de se situer dans l'intervalle de revenus le plus élevé augmentent avec la disponibilité de liquidité. Les agents de proximité disposant de la

liquidité ont près de 4.073 fois plus de chance de se trouver dans la tranche de revenus la plus élevée.

Finalement, les résultats montrent que la propension à accroître le revenu augmente d'autant plus que l'agent de proximité évoluant dans la commune de carrefour. Le fait d'appartenir à la commune de Carrefour augmente de 12% la probabilité de se trouver dans l'intervalle de revenus le plus élevé et donne à un agent 31.81 fois plus de chance de percevoir un revenu élevé par rapport au fait d'appartenir à la commune de Carrefour.

Au vu de ces résultats, quelques recommandations autour de l'accroissement du revenu des agents de proximité peuvent être émises afin de bien cerner les éléments pouvant faciliter cet accroissement et, par ricochet, permettre l'émancipation du service de Mobile Banking en Haïti. Ainsi, parmi les mesures nécessaires, il faudrait :

e) Enfin, dans le but d'approfondir cette étude, il serait juste d'introduire des facteurs qui relèvent de l'appropriation du service par les gens vivant dans l'aire métropolitaine de Port-au-Prince en particulier et par la population haïtienne en général (qualité du service, compétitivité-prix par rapport aux transferts d'argent, fréquence d'utilisation du service).

Cette étude, bien qu'étant loin de pouvoir toucher tous les aspects expliquant l'accroissement du revenu des agents de proximié dans l'activité Mobile Banking, peut très bien être considérée comme une contribution non des moindres aux diverses réflexions sur la question. Elle peut également être considérée comme une piste ouvrant la voie à d'autres études abordant la question sous d'autres points de vue ou cherchant un moyen de l'optimiser en tant que moyen de parvenir à rendre efficace et efficient le système Mobile Banking à travers le pays et par conséquent une

opportunité économique non négligeable pour ceux qui sont dans l'incapacité de trouver un emploi, qui évoluent dans le secteur informel ou ceux qui, malgré leurs compétences, sont au chômage. Toutefois, il importe de souligner que ce travail ne peut pas être extrapolé à l'ensemble des agents évoluant dans le domaine du mobile banking par rapport au fait que cette étude ne porte que sur un groupe d'agents de Tchotcho Mobile. Au moment de l'enquête, il n'y avait eu que T-Cash et Tchotcho Mobile. En raison de la plus grande couverture de Tchotcho Mobile et de son émancipation sur le marché, nous avons opté de centrer le travail sur les agents de proximité du service Tchotcho Mobile.

Bibliographie

Annexes

Annexe I : Analyse univariée des résultats de l'étude

^Femme ^Homme ^{Groupe d'âge}	²⁶ ⁵⁶ ^Effectif	^31.7 ^68.3
^Total ^{Moins de 30 ans}	⁸²	^100.0
^{Entre 30 et 35 ans}	^Source : ^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012.}
^{Plus de 35 ans}
^{Tableau 2} : ^{Distribution des agents de proximité selon leur groupe d'âge}

^{Niveau d'instruction}	¹¹ ^Effectif	^13.4
^Total	⁸²	^100.0
	^Source : ^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012} ^Tableau 3 : ^{Distribution des agents de proximité selon leur niveau d'instruction}
^{Professionnel}
		^Pourcentage
^Aucun	⁰	^0.0
^Primaire	⁰	^0.0

^{Tableau 4} : ^{Distribution
des agents de proximité selon le nombre de personnes en
charge}

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-P, Août 2012}

^{Catégories socioprofessionnelles}	^Effectif
	²⁸
	¹³
^{Profession libérale}	²¹
^{Artisan/Commercant/Agriculteur}	¹⁵
	⁵
	⁸²

^{Tableau 5} : ^{Répartition des agents de proximité selon leurs
catégories socioprofessionnelles}

^Autres ^{Zone d'activité}	^Effectif	^8.54
^Total ^{Tableau 7} : ^{Répartition des agents de proximité selon leur zone d'activité}	⁵	^100.0
	^Source : ^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012.} ²⁹
	³	^Pourcentage
^{Pétion-ville}	²⁵	^6.1
^Delmas	⁵	^35.4
^Tabarre	¹⁵	^3.7
^{Port-au-Prince}	⁸²	^30.5

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-P, Août 2012.}

^{Tableau 8} : ^{Distribution
des agents selon le nombre d'années dans la pratique des
affaires}

^{0 à 5 ans} ^{Degré de satisfaction}	¹² ^Effectif	^14.6
^{5 à 10 ans}	³⁹ ⁸	^47.6
	³¹ ²³	^37.8
^Total	⁸² ²⁹	^100.0
^{Tableau 9} : ^{Distribution des agents de proximité suivant le degré de satisfaction}	^Source : ^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012} ²⁰
	²
	⁸²	^Pourcentage

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-P, Août 2012}

^{Tableau 11} : ^{Répartition des agents de proximité suivant la
liquidité disponible}

Tableau 13 : Présentation des statistiques descriptives du groupe d'âge des agents de proximité

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-P, Août 2012}

Source : Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012

Tableau 14 : Présentation des statistiques descriptives du revenu moyen par jour des agents de proximité

Source : Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012

Tableau 15 : Présentation des statistiques descriptives du nombre de transactions effectuées par les agents de proximité

Source : Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-P, Août 2012

Annexe 2 : Analyse bivariée des résultats de l'étude


	^{moins de 30 ans}	^{30 et 35 ans}	^{35 et plus}
	⁸ ^29.6%	¹¹ ^25.0%	⁷ ^63.6%
^{Tableau 1} : ^{Revenu moyen journalier des agents de proximité du Mobile Banking selon leur groupe d'âge} ^{Revenu Moins de 350 Effectif} % ^par	¹⁶ ^59.3%	^{Groupe d'âge} ²² ^50.0%	³ ^27.3%	^Total ²⁶
^{moyen rapport au groupe} ^d'âge ^Effectif % ^par ^{entre 350 et} ^{rapport au groupe} ^{1500 et plus}	³ ^11.1%	¹¹ ^25.0%	¹ ^9.1%	^31.7% ⁴¹
1500 d'âge	²⁷	⁴⁴	¹¹	^50.0%
^Effectif % ^par ^{rapport au groupe} ^d'âge	^100.0%	^100.0%	^100.0%	¹⁵

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-}

^{Tableau 5} : ^{Revenu
moyen journalier des agents de proximité du Mobile Banking suivant le
nombre de personnes}


		^personnes
^{en charge}	^{0 à 2} ¹⁰	^{Nombre de personnes en charge} ^{3 à 5} ¹⁵	¹
	^27.0%	^39.5%	^14.3%
^{Revenu Moins de 350 Effectif} % ^{par rapport au}	^personnes ²³	¹²	^{6 et plus} ⁶	^Total ²⁶
^{moyen nombre de personnes en} ^charge
	^62.2%	^31.6%	^85.7%
^{entre 350 et Effectif} % ^{par rapport au} ^{1500 nombre de personnes en} ^charge	⁴	¹¹	⁰	^31.7% ⁴¹
	^10.8%	^28.9%	^.0%
^{1500 et plus Effectif} % ^{par rapport au} ^{nombre de personnes en} ^charge	³⁷ ^100.0%	³⁸ ^100.0%	⁷ ^100.0%	^50.0% ¹⁵

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-}

^{Tableau 6} : ^{Relation de
dépendance entre le revenu moyen journalier des agents de
proximité et le nombre de}

^Statistique	^Valeur		^{Degré de liberté}
^{Chi-carré de Pearson}	^11.879
^{Nombre de cas valides}	⁸²
^{socioprofessionnelles}		^{Significativité (Bilatérale)}
		^Employé		⁴ ^{Tableau 7} : ^{Revenu moyen journalier des agents de proximité du Mobile Banking suivant leurs catégories} ^Entrepreneur		^.018 ^/Agriculteur
^{P, Août 2012.}		⁵		^Source :^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-} ⁴	^{Catégories Socioprofessionnelles} ^Professio ^{n libérale} ⁵	^Artisant/ ^Commercant ⁹	^Autres ³	^Total
^{Revenu Moins de Effectif} % ^par		^19.2%		^15Â%	^19.2%	^34.6%	^11.5%	²⁶
^{moyen 350 rapport aux}
^catégories ^{socioprofession} ^nelles		¹⁶		⁹	¹⁰	⁵	¹	^100.0 %
^{entre 350 Effectif} % ^par		^39.0%		^22.0%	^24.4%	^12.2%	^2.4%	⁴¹
^{et 1500 rapport aux}
^catégories ^{socioprofession} ^nelles		⁷		⁰	⁶	¹	¹	^100.0 %
^{1500 et Effectif} % ^par				^.0%	^40.0%	^6.7%	^6.7%	¹⁵
^{plus rapport aux}
^catégories ^nelles		^46.7% ²⁸		¹³	²¹	¹⁵	⁵	%
^{Total Effectif} % ^par		^34.1%		^15.9%	^25.6%	^18.3%	^6.1%	⁸²

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-}

^{Tableau 8} : ^{Relation de
dépendance entre le revenu moyen journalier des agents de
proximité et les}


	^Marié(e)	^Fiancé(e)	^Célibataire	^{Significativité (Bilatérale)} ^Autre
^{P, Août 2012.} ^{au statut matrimonial}	^Source :^{Elaboration propre à partir de l'enquête portant sur les agents de Mobile Banking dans l'aire métropolitaine de P-au-} ¹² ^31.6%	⁸ ¹ ^11.1%	⁹ ^32.1%	⁴ ^57.1%	^.049
	^{Tableau 9} : ^{Revenu moyen journalier des agents de proximité du Mobile Banking selon leur statut matrimonial} ¹⁷	⁶	¹⁶	²
	^44.7%	^66.7%	^57.1%	^28.6%
	⁹	^{Statut matrimonial} ²	³	¹
^{au statut matrimonial}	^23.7%	^22.2%	^10.7%	^14.3%	^Total
^{Reve Moins de 350 Effectif} % ^{par rapport}	³⁸	⁹	²⁸	⁷	²⁶
^nu ^{au statut matrimonial}	^100.0%	^100.0%	^100.0%	^100.0%	^31.7%

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-}


	^{0 à 5 ans}	^{5 à 10 ans}
^{Tableau 11} : ^{Revenu moyen journalier des agents de proximité selon le nombre d'années dans la pratique des}	³	¹²	¹¹
^affaires	^11.5%	^46.2%	^42.3%
	⁹	^{Nombre d'années dans la pratique} ²⁰	¹²
		^{des affaires}	^{10 ans et} ^plus	^Total
^{Revenu Moins de 350 Effectif} % ^{par rapport}	^22.0%	^48.8%	^29.3%	²⁶
^{moyen au nombre d'années} ^{dans la pratique des} ^affaires	⁰	⁷	⁸	^100.0%
	^.0%	^46.7%	^53.3%
^{entre 350 et Effectif} % ^par rapport ^{1500 au nombre d'années} ^{dans la pratique des} ^affaires	¹²	³⁹	³¹	⁴¹
	^14.6%	^47.6%	^37.8%	^100.0%

^{Total Effectif} % ^par
rapport
^{au nombre d'années} ^{dans la pratique
des} ^affaires

^Source : ^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-P, Août 2012.}


	^satisfait
^service	^{Tableau 13} : ^{Revenu moyen journalier des agents de proximité du M-Banking suivant la satisfaction tirée du} ¹ ^3.8%	³ ^11.5%	¹⁰ ^38.5%	¹² ^46.2%	⁰ ^.0%
	⁵	¹⁷	¹¹	⁶	²
	^très ^12.2%	^41.5%	^{satisfaction tirée du service} ^peu ^26.8%	^non ^14.6%	^{ne sais} ^4.9%
	²	^Satisfait ³	^satisfait ⁸	^satisfait ²	^pas ⁰	^Total
^{Revenu Moins de Count} ^{moyen 350}	^13.3%	^20.0%	^53.3%	^13.3%	^.0%	²⁶
%^{within revenu} ^moyen	⁸	²³	²⁹	²⁰	²	^100.0%
^{entre 350 et Count} 1500 % ^{within revenu}	^9.8%	^28.0%	^35.4%	^24.4%	^2.4%	⁴¹ ^100.0%

^{Tableau 14} : ^{Relation de
dépendance entre le revenu moyen journalier des agents de
proximité du M-}

^Source :^{Elaboration propre à partir de
l'enquête portant sur les agents de Mobile Banking dans l'aire
métropolitaine de P-au-}


			^Oui
	^{Moins de 350}		²²	⁵
			^37.9%	^20.8%
^disponible		^{Tableau 15} : ^{Revenu moyen journalier des agents de proximité du Mobile Banking suivant la liquidité}	³⁴	¹⁷
			^58.6%	^{liquidité disponible pour le} ^70.8%
	^{1500 et plus}		²	^service ^Non ²	^Total
^Revenu		^Effectif % ^{par rapport à la}	^3.4%	^8.3%	²⁷
^moyen		^{liquidité disponible}	⁵⁸	²⁴	^32.9%
	^{entre 350 et}	^Effectif % ^{par rapport à la}	^100.0%	^100.0%	⁵¹

^Source : ^{Résultat de l'enquête
portant sur les agents de Mobile Banking dans l'aire métropolitaine de
P-au-P, Août 2012}

Annexe 3 : Représentation cartographique

Représentation cartographique des points de service de Tchotcho Mobile dans l'aire métropolitaine de Port-au-Prince

Source : Traitement de l'auteur sur Google Map à partir des données de l'enquête portant sur les agents de proximité du M-Banking dans l'aire métropolitaine de P-au-P, Août 2012.

Annexe 4 : Présentation détaillée de quelques tests statistiques utilisés a) Test d'indépendance du Khi-deux

L'analyse de la dépendance entre 2 variables quantitatives peut être réalisée à l'aide du coefficient de corrélation linéaire. En revanche, dans l'hypothèse où les variables sont qualitatives (par exemple : analyse de la dépendance entre le type d'opération financière et la méthode de valorisation privilégiée), ce coefficient ne peut être calculé et le recours au test du khi-2 devient nécessaire.

Donc, si A et B représentent des variables aléatoires (respectivement X et Y), alors ces variables

Dans un premier temps, les données statistiques, recueillies à partir d'un échantillon, doivent être transformées en proportions.

Ainsi, chaque effectif observé est transformé en proportion où =
et N = effectif total = nombre total d'observations.

En outre, le khi-2 suit une loi du khi-2 de paramètre (s'appelle le nombre de degrés de
?2 ? ? 2 ? ₍₂ ? _{1). (2 ?1)?} ? _{?2 (1)}

= (nombre de lignes du tableau de contingence -1) x (nombre de lignes du tableau -1).

Or, la table de la loi du khi-2 permet de déterminer x tel que : = où est le risque

de rejeter à tort l'hypothèse d'indépendance entre les variables (risque généralement fixé à 10%, 5% ou 1%).

Par exemple, pour un tableau de contingence à 2 lignes et 2 colonnes, : le khi-2 suit une loi du khi-2 à 1 degré de liberté.

La table de la loi du khi-2 permet de déterminer tel que : = 5%. On lit x = 3,84.

Ainsi, si les variables sont indépendantes, alors il y a seulement 5% de chances pour que le khi-2 soit supérieur à 3,84.

Dès lors, si calculé dans l'échantillon est supérieur à 3,84, on rejette l'hypothèse

d'indépendance, avec un risque de 5% de le faire par erreur. En revanche, si est inférieur à

respectivement non contraint et contraint du vecteur complet â et r le nombre de restrictions imposées sur les paramètres (pour ce test, r= k + 1)

Rejeter l'hypothèse , c'est-à-dire le modèle est bien spécifié si : > , soit la valeur

critique du pour un risque á donné à r degré de liberté. (á = 10%). A partir du logiciel SAS, il

est possible également de tenir compte de la probabilité critique associée au et rejeter

Etude des déterminants du revenu des agents de proximité dans l'aire métropolitaine de

enquête sur les agents de Tchotcho Mobile dans le cadre de la préparation de mémoire de sortie d'un Etudiant du CTPEA. J'ai quelques petites questions à vous poser concernant votre expérience en termes d'utilisation et de rentabilisation du service de Mobile Banking. Les informations fournies resteront confidentielles et ne seront utilisées que pour les besoins de l'enquête. Merci de votre collaboration !

4- Statut Matrimonial : |__|

6- Catégories socioprofessionnelles : |__|

14- Y a-t-il des affiches, banderoles ou pancartes indiquant que le service est fourni en ce

15- Sinon, quelles stratégies utilisez-vous pour faire savoir l'existence de la banque mobile ?

20- Quel est votre degré de satisfaction en termes de rentabilité par rapport à cette

21- Etes-vous au courant de l'acquisition de la compagnie Voilà par la DIGICEL?

22- Pensez-vous que cette acquisition aura une retombée positive pour les agents de Tchotcho mobile ?