Memoire Online - Incidence de l'entrepreneuriat sur la réduction de la pauvreté à Kinshasa

Tout en insistant sur le fait que nous sommes en présence d'un échantillon réduit, nous allons recourir à la régression logistique pour tenter de comprendre pourquoi sur les trente récipiendaires, sept seulement, soit 23,3%, ont réussi à créer des AGR et vingt-trois, soit 76,7%, n'y sont pas arrivés.

Ce choix est inspiré par la nature qualitative des variables que nous souhaitons mettre en relation. Dans le cas présent, la création des activités génératrices de revenus a été saisie par la réponse par Oui ou par Non à la question : Avez-vous créé des activités génératrices de revenus ? Ainsi, la variable à expliquer est binaire (présence [1], absence [0] de la création des activités génératrices de revenus) ; la régression logistique utilisée est donc binomiale.

Pour ce qui est des variables indépendantes ou explicatives, nous avons relevé les quatre éléments ci-après, tirés des déclarations faites par l'un des organisateurs de la formation : manque d'argent, instabilité du courant électrique, manque de temps et manque d'emplacement.

Observations non pondérées(a)	N	Pourcentage
Observations Inclus dans l'analyse sélectionnées Observations manquantes	30 0	100,0 ,0
Total	30	100,0
Observations non sélectionnées	0	,0
Total	30	100,0

a Si le poids est l'effectif, reportez-vous au tableau de classification pour connaître le nombre total
d'observations.
Source : Enquête

Les deux premiers tableaux (18 et 19) de résultats présentent simplement une vision d'ensemble du nombre de cas valides dans l'échantillon analysé et du codage correspondant aux deux groupes à discriminer (0 et 1) sur la variable Creatagr (création d'AGR).

	Observé		Prévu
			CREATAGR		Pourcentage correct
			1,00	2,00
Etape 0	CREATAGR Pourcentage global	1,00 2,00	0 0	7 23	,0 100,0 76,7

a La constante est incluse dans le modèle.
b La valeur de césure est ,500
Source : Enquête

Le « Bloc 0 » donne des informations sur un modèle ne comportant que la constante et aucune variable explicative. C'est une sorte de point de référence. Le tableau de classement permet de voir comment le modèle reclasse les observations de la variable dépendante entre ses deux catégories. Sans variable explicative, on n'arrive à classer correctement que 76,7% des observations, ce qui est déjà bien car c'est trois quarts de personnes qui sont bien classées.

			Score	ddl	Signif.
Etape 0	Variables	MANQARGT	9,130	1	,003
		MANQTPS	1,014	1	,314
		MANQPLAC	1,014	1	,314
		INSTACOU	1,014	1	,314
	Statistiques globales		21,304	4	,000

Ces deux tableaux (21 et 22) donnent des informations sur respectivement le modèle (composé de la seule constante) et les variables explicatives, pas encore dans le modèle mais qui y seront introduites à l'étape suivante.

	Khi-deux	ddl	Signif.
Etape 1 Etape	23,062	4	,000
Bloc	23,062	4	,000
Modèle	23,062	4	,000

Le « Bloc 1 » donne les informations relatives au modèle calculé avec 4 variables explicatives (MANQARGT, MANQTPS, MANQPLAC ET INSTACOU). Globalement, le modèle est bon, mais pas parfait.

La vérification de la force d'association du modèle se fait en examinant le récapitulatif du modèle. Il s'agit du R² de Nagelkerke, qui représente la variance expliquée par le modèle. Cet indice mesure la proportion de variation de la variable dépendante qui est expliquée par le modèle d'explication. Dans notre cas, le R² s'élève à 0,810. Ainsi, le modèle explique 81,0% de la variance de la variable dépendante. Dans le cas d'espèce, il s'agit de la création des Activités Génératrices de Revenus. Autrement dit, les variables explicatives contribuent à expliquer 81,0 % de la variation dans la probabilité de création des Activités Génératrices de Revenus.

	Observé		Prévu
			CREATAGR		Pourcentage correct
			1,00	2,00
Etape 1	CREATAGR Pourcentage global	1,00 2,00	7 2	0 21	100,0 91,3 93,3

Le R² de Nagelkerke est élevé (0.810 pour un maximum de 1) et le modèle permet maintenant d'identifier correctement la catégorie de 93,3% des trente personnes de l'échantillon. Seules 2 personnes n'ayant pas créé d'activités ont été classifiées comme créatrices. Dans le tableau 25 (tableau de classification), vis-à-vis le «pourcentage correct» et le «pourcentage global», il est indiqué 93,3% ; ce qui signifie que le modèle est vrai dans 93,3% des cas. En d'autres mots, si un candidat présente les caractéristiques énumérées dans le modèle, il fera partie du groupe de créateurs dans 93,3% des cas. Ainsi, le modèle classe correctement les sujets dans 93,3 des cas.

	B	E.S.	Wald	ddl	Signif.	Exp(B)
Etape 1(a) MANQARGT						56541620
	22,456	10939,141	,000	1	,998	25,017
MANQTPS						56541620
	22,456	23205,422	,000	1	,999	25,030
MANQPLAC						56541620
	22,456	24764,534	,000	1	,999	25,441
INSTACOU	,000	25944,451	,000	1	1,000	1,000
Constante	-1,253	,802	2,441	1	,118	,286

a Variable(s) entrées à l'étape 1: MANQARGT, MANQTPS, MANQPLAC, INSTACOU.
Source : Enquête

Au niveau des 4 variables explicatives du modèle, on constate qu'elles ne sont pas significatives, étant donné que le seuil de signification prend des valeurs supérieures à 5%. Cela ouvre des perspectives de recherche pour non seulement réaliser des études sur un échantillon beaucoup plus grand mais aussi introduire d'autres variables explicatives.

La colonne Exp(B) donne les différents odd - ratio (risques/chances) attachés à chaque modalité. En d'autres termes, elle nous fournit le rapport de chance d'observer le phénomène, dans notre cas la création d'une activité génératrice de revenus en comparant la chance par rapport au groupe de référence. Les chiffres figurant dans cette colonne sont trop exagérés vu que le nombre de créateurs d'AGR est insignifiant.

Incidence de l'entrepreneuriat sur la réduction de la pauvreté à Kinshasa

3.2.4. LES FACTEURS EXPLICATIFS