8.1 Analyse factorielle
L’analyse de données a été faite par analyse factorielle, analyse de fiabilité et analyse discriminante, en utilisant le « logiciel SPSS+ » (Statistical Package for Social Scientists - SPSS+/PC). Ces analyses ont été conduites pour examiner la dimensionnalité, l’homogénéité interne et la validité discriminante des différentes variables. L’analyse a suivi trois étapes majeures :
- factor-clustor analysis,
- analyse discriminante, et
- tests de ².
Une solution à six facteurs soumise à une oblimin rotation employant le procédé de SPSS+ Varimax a été déterminée. Les contributions des différents facteurs suggèrent un léger changement dans le regroupement des variables par rapport au regroupement antérieur, qui a également différé à travers les six catégories, sans compter la contribution significative de plusieurs variables sur plus d’un facteur. Ces différences ont été triées par une solution à quatre facteurs soumise à une rotation orthogonale (SPSS+ orthogonal), pour faciliter n'importe quelle corrélation possible parmi les catégories. Ce procédé a produit une structure remarquablement adaptée à l’échantillon combiné (touristes = 131(39%); communauté locale = (171)52% ; administrateurs = 30(9%)) et facile à interpréter, car c'était une solution relativement « pure », chaque variable contribuant fortement à un seul facteur (cf. tableau 8.1).
La solution de facteur résultant de l’analyse est la suivante : Ratio de répondants/variables = 332/20 = 16,6; 65% de variance total expliqué; KMO 120 = 0,8025; ‘Bartlett Test of Sphericity’ 121 = 1168,0083 (significance = 0,0000); Low anti-image (negative partial) correlation (seulement 7,5% > 0,2); MSA > 0,675; Reproduced Correlation Matrix: 39% of residuals with absolute values > 0,05 ; Correlation Matrix with 23,7% correlation > 0,3, et Communalités: tout > 0,5. Tous les facteurs ont au moins une variable avec une contribution supérieure à 0,683. Ces analyses préliminaires sont omises ici pour des raisons de place. En outre, l'analyse finale présente des coefficients Cronbach-alpha allant de 0,592 à 0,948 et une fiabilité générale de 0,869 qui excède le seuil de Nunnally (1978) de 0,7. En général, les quatre facteurs se sont tous avérés fortement fiables et valides. Ces valeurs de coefficient de fiabilité (coefficient alpha) présentent généralement une cohérence interne élevée parmi des variables testant le facteur correspondant dans la batterie utilisée.
Comme montré dans le tableau 8.1, les facteurs ont émergé d'une façon assez cohérente et facilement interprétable. Ainsi, il est aisé d'interpréter les quatre facteurs. Les facteurs mettent ainsi successivement en évidence : Les attitudes anthropocentriques, Les effets positifs du tourisme, Les attitudes écocentriques et Les effets négatifs du tourisme. Le tableau 8.1 montre que le facteur prédominant est le facteur 1 : Attitudes anthropocentriques. Il concerne l’utilisation de l’environnement ou des ressources naturelles pour les besoins humains. Le deuxième facteur : Effets positifs du tourisme, interprété comme la reconnaissance de bénéfices individuels et mutuels, repose sur les variables liées à l’importance du développement touristique dans la région d’Amboseli. Le troisième facteur : Attitudes écocentriques, concerne la conservation intégrale de l’environnement. Le dernier facteur : Effets négatifs du tourisme, concerne les effets négatifs du développement touristique dans la région d’Amboseli.
La validité discriminante de la présente batterie a été examinée en comparant le coefficient alpha et la corrélation d’une dimension à une autre (tableau 8.2).
Le tableau 8.2 montre que, pour les quatre facteurs, les valeurs du coefficient alpha de Cronbach () pour des variables standardisées sont systématiquement supérieures à la corrélation entre deux dimensions examinées quelconques. Ceci implique que la validité discriminante est bien présente (cf. Kaiser, 1974 ; Gaski, 1986 ; Hair et al, 1998). Cependant, les valeurs élevées de corrélation des échelles indiquent l’existence de quelques chevauchements parmi les cinq facteurs utilisés dans notre batterie de recherches. Ceci peut être attribué au petit nombre de variables mesurant un facteur.
L’évidence empirique des différences potentielles de cas dans cette étude, les travaux récents de plusieurs chercheurs ont souligné les limites de l’analyse factorielle réalisée sur l’ensemble d’un jeu de données lorsque des sous-groupes peuvent exprimer des réactions distinctes (Case & Graefe, 1996; Sheppard, 1996; Toth & Brun, 1997). Hair et ses collègues ont noté que « …‘toutes les fois que des sous-groupes existent au sein d’un échantillon, des analyses factorielles séparées devraient être exécutées, et les résultats devraient être comparés pour identifier des différences non traduites dans les résultats de l’échantillon combiné’ » (1998: 375).
A partir de l’observation ci-dessus, plusieurs analyses factorielles ont été réalisées, d'abord sur l'échantillon entier puis sur les échantillons séparés. Le pourcentage de la variation expliqué par chaque facteur est présenté dans le tableau 8.3. La différence de pourcentage expliquée par chaque facteur est importante pour interpréter l’analyse factorielle, pour deux raisons principales :
- le total de la variance dans les attitudes des répondants dû à un facteur particulier peut être mesuré par les pourcentages de désaccord expliqués par ce facteur, et
- plus les pourcentages de désaccord expliqués par un facteur sont élevés, moins ils expriment l'accord des répondants de l'échantillon sur la facette particulière du tourisme que le facteur représente.
Le tableau 8.3 indique que, bien que les quatre facteurs soient compatibles, l’importance du désaccord expliquée pour chacun d’eux est tout à fait différente pour l'échantillon combiné total, pour les touristes, la communauté locale et pour les administrateurs. Les facteurs pour l'échantillon total et les facteurs pour les touristes et les administrateurs sont sensiblement identiques dans la part de désaccord expliquée pour chaque facteur. Cependant, pour la communauté locale, la part de désaccord expliquée par chaque facteur est apparue sensiblement différente de l'échantillon global, des touristes et des administrateurs. Les touristes, avec 27,5% de la variance expliquée, sont plus en désaccord dans leurs attitudes envers l’utilisation de l’environnement ou des ressources naturelles pour les besoins humains que leurs homologues de la communauté locale pour qui seulement 9,3% du désaccord est expliqué ainsi. Les répondants appartenant à la communauté locale s’accordent moins que les touristes sur la conservation intégrale de l’environnement dans la région d’Amboseli (21,5% et 6,7% du désaccord expliqué respectivement). Il est important de noter que le quatrième facteur sur les Effets négatifs du tourisme est identique pour l'échantillon combiné (7,0%), pour la communauté locale (7,1%) et pour les adminstrateurs (7,1%). Toutefois, il diffère pour les touristes (10,0%). Ces pourcentages en général, indiquent un accord élevé sur les Effets négatifs du tourisme (Facteur 4) par rapport aux trois autres facteurs.
Ces résultats indiquent que les facteurs définis en utilisant l'échantillon combiné reflètent des différences scientifiquement significatives (P < 0,05) dans le désaccord expliqué par différents facteurs dans les échantillons des touristes, de la communauté locale et des adminstrateurs. Cependant, il convient de noter que cette variation des attitudes des répondants analysée par l'analyse factorielle est due à la force d’ensemble de l'opinion plutôt qu’à des opinions polarisées. En d'autres termes, les répondants sont généralement globalement d’accord sur le développement touristique dans cette région, mais certains résultats tiennent beaucoup plus à cœur que d’autres pour certains acteurs.