1

2
REMERCIEMENTS :

L'expression de la gratitude a trois stations : l'amour dans le cœur, la

louange sur la langue et la récompense par l'action."
(Albert Schweitzer, écrivain)

Avant d’entamer ce travail, nous tenons tout d’abord à exprimer notre

gratitude au corps professoral et administratif de l'École Nationale de
Commerce et de gestion de Settat, pour leur formation et leur
encadrement durant nos études.

Nous tenons à remercier chaleureusement Mme R.JAHIDI, qui en tant

que professeur et encadrant, a toujours été à notre écoute tout au long
de la réalisation de ce projet, son aide, conseils, remarques, informations
et encadrement étaient vitaux pour la réussite de ce travail.

Nous tenons également à remercier toute personne ayant contribuée de

près ou de loin dans ce travail.

Ce travail s’est déroulé dans un environnement collaboratif où les

responsabilités sont distribuées, la motivation est débordante et les
dimensions humaines sont omniprésentes. À tous ces intervenants, nous
présentons nos remerciements, notre respect, et notre gratitude.

3
Avant-propos :

Contribuer à ce travail académique au sein d'un groupe d’étudiants en

S5 dans le cadre du module outils d'aide à la décision et plus
précisément au niveau de l'analyse de données à l'École nationale de
commerce et de gestion de Settat, constitue un élément enrichissant
pour concrétiser nos acquis.

Ce travail est une opportunité qui nous permet de se pencher sur la

réalité du monde professionnel et ses enjeux, renforcer notre travail
d'équipe et concrétiser nos efforts pour un travail à la hauteur.

Tout au long de ce document, se dressera une idée générale sur le bien

être au niveau d'un échantillon représentatif des pays d'OCDE.

Enfin, un climat d'échange durant ce travail qui apportait énormément

tant sur le plan professionnel que personnel. En effet, nous avons vu
naitre en chacun d'entre nous l'appartenance, de la patience, de la
compétence consolidée ainsi qu'un sens de responsabilité.

4
INTRODUCTION ……………………………………………………………………………………………………………………………..1
PARTIE 1 : ANALYSE EN COMPOSANTE PRINCIPALE :…………………………………………………………………….3
Introduction générale de l’ACP ……………………………………………………………………………………………….4
Statistiques descriptive…………………………………………………………………………………………………………….5
Matrice de corrélation …………………………………………………………………………………………………………....5

Indice KMO et test de BARTLETT…………………………………………………………………………………………..….6

Variance totale expliquée…………………………………………………………………………………………………………6

Graphique de valeurs propres………………………………………………………………………………………………….7

Matrice des composantes ……………………………………………………………………………………………………...8

Qualité de représentation ………………………………………………………………………………………………………8

Diagramme de composantes ………………………………………………………………………………………………….9

Matrice des composantes après rotation ………………………………………………………………………………10

Variance totale expliquée ………………………………………………………………………………………………………12

Matrice des composantes ……………………………………………………………………………………………………..12

Matrice des composantes après rotation….……..…………………………………………………………………….13

PARTIE 2 : ANALYSE TYPOLOGIQUE :……………………………………………………………………………………...16

Introduction générale de l’AT ………………………………………………………………………………………………..17

La matrice de proximité ou de dissimilarité…………………………………………………………………………….18

Planning des agglomérations………………………………………………………………………………………………….18

Dendrogrammes…………………………………………………………………………………………………………………….19

Récapitulatif des observations ……………………………………………………………………………………………… 20

Test ANOVA……………………………………………………………………………………………………………………………22

Tracés des moyennes ( taux de chômage) :…………………………………………………………………………….23

Tracés des moyennes ( jeunesse sans emploi et sans formation)…………………………………………...23

CONCLUSION :………………………………………………………………..………………………………………………………..24

5
INTRODUCTION :

I- Le Bien Être

Définir le bien-être nous amène au cœur d'un rapport intime d'une part entre
l'individu et son corps et, d'autre part, dans un rapport entre l'individu, son esprit et
son rapport avec les autres. Communément défini comme un "état agréable résultant
de la satisfaction des besoins du corps et du calme de l'esprit", le bien-être touche
tant à la dimension biologique de la vie humaine qu'à sa dimension sociale.

De fait, la quête du bien-être a plusieurs facettes. La première concerne l'entretien de

notre "patrimoine corps" avec tout ce qui participe à la satisfaction de ses besoins, la
réalisation de notre aphonie et notre ataraxie. La seconde facette est liée à l'être
humain en tant qu'être social. En nous permettant de prendre soin de notre corps et
en renforçant la confiance et l'estime de soi, les parfums, les produits de soin, de
beauté, de toilette…participent pleinement à notre bien-être. Autrement dit, le bien-
être est un état lié à différents facteurs considérés de façon séparée ou conjointe : la
santé, la réussite sociale et économique, le plaisir, la réalisation de soi, ou encore
l'harmonie avec soi-même et les autres.

Comment va la vie ? La qualité de notre vie participe fortement à la réalisation de

notre bien-être. D'après l’ OCDE, les 8 dimensions du bien-être actuel sont liées aux
conditions matérielles qui façonnent les options économiques des personnes (revenu
et richesse, logement, travail et qualité de l'emploi) et aux facteurs de qualité de vie
qui englobent le bien-être des personnes (et leur sentiment d'être), ce qu'ils savent et
peuvent faire, et dans quelle mesure leurs lieux de vie sont sains et sûrs
( connaissances et compétences, qualité de l'environnement, et sécurité).
La qualité de vie englobe également à quel point les gens sont connectés et engagés,
et comment et avec qui ils passent leur temps (équilibre travail-vie, engagement
civique).
Les ressources systémiques qui sous-tendent le bien-être futur dans le temps sont
exprimées en termes de trois types de capital : économique, humain et social.

II- Objectifs de l'étude

En se basant sur la base de données fournie par l’OCDE , l’objet de notre étude est
de déceler une répartition entre une vingtaine des pays de l’OCDE tout en examinant
les écarts et les ressemblances entre ces pays, et cela à partir des critères d’analyse
bien précis.

1
Notre étude comporte 24 pays de L’OCDE à savoir : Autriche, Belgique, Danemark,
Estonie, Finlande, France, Allemagne, Grèce, Hongrie, Irlande, Italie, Lettonie,
Lituanie, Mexique, Pays-Bas, Norvège, Pologne, Portugal, République slovaque,
Slovénie, Espagne, Suède, Royaume-Uni, Canada.

Les critères d’analyses retenus pour établir notre étude sont : le taux d'emploi, le
taux de chômage de long-terme, les jeunes sans emploi et sans formation, les
heures longues de travail (rémunéré), le salaires, l’accessibilité financière du
logement, le soutien social et finalement le sentiment de sécurité durant la nuit.

L’étude de notre base de données a fait l’objet d’une ACP et d’une analyse
typologique AT via le logiciel SPSS.
Au niveau de l’ACP, nous avons abouti à 3 résultats majeurs :
• La matrice de corrélation (les variables sont fortement corrélées)
• L’Indice de Kaiser-Meyer-Olin (= 0.704)
• Le test de sphéricité de Bartlett (niveau de signification = 0)
D’où l’intérêt de notre analyse ACP.
Et un résultat majeur au niveau de l’AT :
• La chaîne des agglomérations
D’où la composition des pays selon X classes :
Classe A:
Classe B :
Classe C :

2
3
 Objectifs :
Condenser l'information contenu dans notre base de données par une analyse des
corrélations linéaires entre choisies a priori (Salaire, taux de chômage, taux d’emploi, …) et
une visualisation graphique des distances entre les pays d’OECD. Elle nous permettra de
dégager les liaisons entre variables et les ressemblances entre les pays.

Les 24 pays décrits par 8 variables peuvent être représentés comme un nuage de 24 points
dans un espace de 2 à 3 dimensions appelé espace des individus. Ce regroupement
suggère des caractéristiques similaires par rapport aux variables considérées entre les pays.

Pour un nombre de variables supérieures à 3, le nuage de point ne peut être visualisé.

Etapes de l’analyse :

- Il faut que notre l’ACP fait ces trois objectifs (Chi-2 du Bartlett’s Test est suffisamment
grand avec une signification quasi nulle; le KMO est supérieur à 0,7
- Déterminer le nombre d’axes à retenir pour avoir plus de 75 % de variance expliquée
et les repérer dans le Scree plot, le « coude » des valeurs propres; ce qui doit
correspondre au nombre d’axes déterminés précédemment.
- Repérer les groupes de variables et interpréter leurs regroupements. Les variables
proches des axes permettent de donner un sens aux axes, en mettant
éventuellement en valeur des oppositions.
- La mise en valeur des groupements des pays dans le nuage des points (les pays
avec une bonne qualité de vie vs les pays avec une mauvaise qualité de vie) ; la
position relative des groupes des pays par rapport aux axes ( facilité et difficulté
d'accès au logement).

Interprétations des groupes :

- La description des pays basée sur leur position relative par rapport aux axes (qualité de vie
/ Accès au logement).

4
Statistiques descriptives :

Interprétation :
D’après ce tableau on peut constater l’existence d’une homogénéité au niveau de
notre échantillon, à l’exception du salaire qui affiche une dispersion assez élevée de
12299 ,86. Cette dispersion est due d’une part à l’effet de taille, vu que la moyenne
des salaires s’élève à 40908 ,83 et d’autre part l’hétérogénéité au niveau des pays
inclus dans notre ACP. A titre d’illustration les pays d’Europe ont en moyenne un
salaire plus élevé que les pays d’Amérique latine tel le cas pour le Mexique.

Matrice de corrélation :

5
Interprétation :
La matrice de corrélation donne un aperçu global sur la nature de liaison entre les
variables étudiées.
Ainsi au niveau de notre ACP nous ne retiendrons que les variables fortement
corrélées, ce qui implique la pertinence d’une analyse en composante principale.
Ainsi plus les variables présentent de forte corrélation plus elles peuvent être
regroupées en dimension homogène.
Pour notre cas, on peut constater des fortes corrélations notamment entre :
Une forte corrélation négative, entre le taux d’emploi et le taux de chômage qui
se chiffrent à ( -0,728), ce qui reflète effectivement la réalité. En effet quand le taux
d’employabilité augmente le taux de chômage diminue et vice versa.
Une forte corrélation positive entre les variables salaire et sécurité qui a atteint
(0,632), en effet ces deux variables se comportent d’une manière identique de telle
sorte que quand une variable augmente l’autre suit la même tendance. Autrement dit,
quand le niveau de salaires augmente cela se répercute sur le sentiment de
sécurité.
Toutefois cette corrélation reste à confirmer par le test de Bartlett.

Indice KMO et test de Bartlett :

Interprétation :
Le test vient pour confirmer la corrélation entre nos variables, ainsi le khi-deux
approximé atteint une valeur assez significative statistiquement parlant le khi-deux
est grand puisque la signification est quasiment nulle, ce qui nous permet de rejeter
l’hypothèse de l’indépendance entre les variables, de plus le KMO se stabilise à
une valeur de 0,704 qui est bonne pour un ACP. Ce qui affirme une autre fois la
corrélation entre les variables en absence des corrélations partielles.

6
Variance totale expliquée :

Interprétation :
En premier lieu, en appliquant la règle de Kaiser qui stipule la rétention unique des
valeurs propres supérieurs à 1, on retient les deux premières composantes qui
forment le premier plan principal permettant ainsi de récupérer 65,963%
d’information soit une perte d’inertie maintenue à 34,04%.
La première composante a une variance de 46,75%, alors que la deuxième a une
variance de 19,213%.
Cette variance est obtenue par le rapport entre la valeur propre de la composante et
le nombre de la composante. A titre d’illustration la variance de la première
composante est calculée comme suit :
Λ=3,740 ; P=8
Donc la variance est : (3,740/8) *100 = 46,750%

Graphique de valeurs propres :

7
Interprétation :
Ce graphique vient pour confirmer le résultat précèdent à savoir le choix de deux
axes pour notre ACP. Ils nous ont permis de repérer dans le Scree Plot, le cout des
valeurs propres, ainsi nous ne retiendrons que les valeurs propres supérieures à 1.
Cela correspond à l’intersection entre le point de changement de convexité de la
courbe avec l’axe des abscisses, soit deux composantes.

Matrice des composantes :

Interprétation :
La matrice des composantes nous permet de repérer les variables ayant des fortes
contributions négatives ou positives sur chaque axe, afin de donner un sens à ces
axes et effectuer des oppositions intéressantes.
Pour notre cas, la première composante est expliquée d’une part positivement par
le taux d’emploi, salaire, soutien social, sécurité durant la nuit. Et d’autre part
négativement par heure longue de travail, le taux de chômage et les jeunes
sans emploi ni formation. De ce fait on peut qualifier cet axe comme étant une
représentation de la qualité de vie, ainsi on peut constater une opposition
intéressante, entre la bonne et la mauvaise qualité de vie.
Au niveau de la deuxième composante, la variable accessibilité financière au
logement contribue le plus à son explication. De même on peut opposer entre la
difficulté et la facilité d’accès au logement.
Toutefois, pour la variable taux de chômage à long terme contribue à l’explication
des deux axes donc une rotation s’avère intéressante dans la mesure où elle va nous
permettre non seulement de redistribuer l’information mais aussi permettre à une
variable d’être expliqué par une seule composante.

8
 Qualité de représentation :

Interprétation :
La qualité de représentation d’une variable est obtenue grâce à la somme au carré
de corrélation par rapport au composantes retenues, à titre d’illustration le taux
d’emploi qui sa qualité s’élève à 0,882
Soit :
(0,846) ²+(-0,369) ² = 0,882
Ainsi on peut affirmer que l’ensemble de nos variables sont très bien représentées
sur nos cartes, puisque leurs valeurs respectives d’extraction excèdent 0,5.
Afin de juger la qualité de représentation de nos variables, on prend en considération
leur proximité au cercle de corrélation de diamètre 1. Pour notre cas l’ensemble
de nos variables sont proches de ce dernier.

Diagramme de composantes :
De même on peut distinguer des variables fortement corrélées proches l’une de
l’autre, tel que le soutien social et salaire. Ainsi on peut relever quartes catégories de
regroupement possible des variables à savoir :

9
 • Le haut à droite : Une bonne qualité de vie et une difficulté d’accès au
logement.
• Le haut à gauche : Une mauvaise qualité vie et une difficulté d’accès au
logement.
• Le bas à droite : Une bonne qualité de vie et une facilité d’accès au logement.
• Le bas à gauche : Une mauvaise qualité de vie et une facilité d’accès au
logement.

Matrice des composantes après rotation :

Interprétation :
Apres la rotation on remarque que la variable taux de chômage à long terme est
expliqué par une seule composante à savoir la deuxième composante, certes la
rotation nous a aidé pour cette variable mais au détriment des autres variables à
savoir : jeunes sans emploi et taux d’emploi. Donc on a décidé de procéder par
une analyse en composante principale sans rotation.

10
Avant de procéder à l’interprétation de ce nuage, nous calculons en premier lieu la
qualité de représentation des individus au niveau de nos cartes afin de ne
prendre en considération que les pays bien représentés.
La qualité de représentation des individus est obtenue grâce à la somme des
fameux cosinus carrés.

Toutefois il faut centrer et réduire les valeurs :

Avec : Norme = z_variable_1**2+z_variable**2+ …

COS_1=(faci_1**2) * Λ/norme = faci_1**2*3.740/norme

Ainsi la qualité de représentation des individus est la somme des cosinus carrés
par rapport aux composantes retenues retenus :

11
Ainsi nous ne retiendrons au niveau de notre analyse que les individus bien
représentés dont la qualité est supérieure à 0.5 à savoir : (Autriche, Danemark,
Estonie, Finlande, Grèce, Italie, Mexique, Pays-Bas, Norvège, Slovénie,
Espagne, Suède, et Canada).
Pour conclure, ce nuage d’individus nous permet de regrouper les pays qui peuvent
être interprétés globalement du fait qu’ils sont regroupés en classes homogènes
représentant des caractéristiques similaires ainsi on peut repérer :
➢ Des pays qui ont une bonne qualité de vie et une difficulté d’accès au
logement (Autriche, Danemark, Finlande, pays bas, canada) : le point
commun entre ces pays est la cherté des logements et du niveau de vie
relativement plus important que les autres pays représentés dans notre
échantillon, de plus la sophistication de leurs systèmes de prévoyance et
de soutien sociale ;
➢ Des pays qui ont Une mauvaise qualité vie et une difficulté d’accès au
logement (Grèce, Italie, Espagne) : ce résultat est largement expliqué par les
répercussions néfastes de la crise économique en 2008 qui a touché
sévèrement ces pays, et continue à la dégradation du niveau de vie et
l’augmentation des tensions inflationnistes ;
➢ Des pays qui ont une bonne qualité de vie et une facilité d’accès au
logement (Norvège, Slovénie, Suède, Estonie) : ce groupe d’individus est
caractérisé par une forte présence des pays scandinaves, qui affichent des
performances économiques relativement plus importants que les autres
pays présentés ;
➢ Des pays qui ont une mauvaise qualité de vie et une facilité d’accès au
logement (Mexique) : c’est le cas pour le Mexique, un pays d’Amérique
centrale caractérisé par une richesse moins importante que les autres pays
avec une surexploitation de la classe ouvrière, toutefois avec un niveau de
vie moins chère.
Certes, l’analyse en deux composantes qui affiche des valeurs propres supérieur à 1
suivant la règle de KAIZER, nous a permis de tirer des conclusions intéressantes,
toutefois il faut utiliser ces règles empiriques avec modération.
Au niveau du deuxième ACP nous opterons pour 3 composantes qui récupèrent
77.233 d’information.

Variance total expliquée :

12
La troisième composante nous permet de récupérer un supplément d’information
de 11.27 par rapport au plan principale, soit un cumul de variance expliquée de
77.233 supérieurs à 75%.

Matrice de composantes :

Interprétation :
Plusieurs variables contribuent à l’explication des différentes composantes
retenues, notamment le taux de chômage à long terme et heures longues de
travail, donc une rotation s’avère intéressante afin d’améliorer notre ACP.

Matrice des composantes après rotation :

Interprétation :
La rotation a permis d’améliorer notre ACP et d’apporter des nouvelles informations,
ainsi nous pouvons déduire que :

13
La première composante est expliquée par le salaire, soutien sociale, et sécurité,
ces variables permettent de refléter le niveau de la qualité de vie.
La deuxième composante s’explique d’une part à travers le taux d’emploi et
l’accessibilité financière au logement, et d’autre part le taux de chômage long
terme et jeune sans emplois et sans formations, ces variables constituent des
indicateurs socio-économiques majeurs pour la croissance et la prospérité
d’un pays, ainsi nous pouvons donner un sens à cette composante comme étant la
prospérité économique.
Tandis que pour la troisième composante est expliqué majoritairement par la
variable heure longue de travail, nous pouvons la qualifier comme la
surexploitation de la classe ouvrière.
Ainsi au niveau de nos nuages, nous ne retiendrons pour l’interprétation que les
individus suffisamment loin de l’origine, et ils sont généralement bien représentés.
Pour notre premier nuage, nous prenons la première et la deuxième composante,
qui expliquent respectivement la bonne qualité de vie et la prospérité
économique.

Ainsi nous distinguons quatre blocs, à savoir :

• Des pays avec une bonne qualité de vie et une prospérité économique, on
remarque une forte présence des pays scandinaves notamment le Suède et la
Norvège, ce résultat est expliqué dans la mesure où ces deux pays sont caractérisés
par un taux de rémunération élevées et un système de sécurité et de soutien
sociale assez développé, en effet ces pays possèdent un modèle économique et
social qui conjugue L’Etat-providence et l’économie de marché, avec chacun
leurs spécificités.
• Des pays caractérisés par une mauvaise qualité de vie, mais avec une prospérité
économique, essentiellement les pays d’Europe orientale et le Mexique.
• Des pays caractérisés par une bonne qualité de vie, toutefois une récession
économique, notamment l’Espagne, sous l’égide de la crise économique de 2008.
• Des pays avec des conditions de vie assez médiocre, avec une récession
économique, notamment la Grèce, un pays sévèrement ravagé par la crise
économique de 2008.

14
Pour notre deuxième nuage, nous prenons la première et la troisième
composante, qui expliquent respectivement la bonne qualité de vie et la
surexploitation de la classe ouvrière.

Ainsi nous pouvons déduire globalement, que le problème de la surexploitation des

salariés existe en grande partie au Mexique, en effet avec un taux horaire de
travail assez élevées comparés aux autres pays de l’OCDE. Contrairement aux
autres pays européens caractérisés par la présence des lois et réglementations
qui encadrent le droit de travail en garantissant un ensemble d’avantage et des
privilèges aux salariés.
De même on peut classifier ces pays selon deux groupes distincts :

• Un pays avec une surexploitation de la classe ouvrière (le Mexique).

• Autres pays qui ne posent pas ce dilemme.

15
16
 Objectifs :

- Construire à partir des variables choisies a priori (Salaire, taux de chômage, taux
d’emploi, …) des groupes d’individus (Dans notre cas ce sont les pays d’OECD).
Donc chaque individu (Pays) constitue une classe.
- Constituer des groupes de façon que :

• Les individus appartenant à un même groupe se rassemblent le plus possible

(Variance intra classe minimum afin d’avoir une homogénéité)
• Les groupes soient les plus différents possibles les uns des autres (Variance
inter classe maximum afin d’avoir une dispersion)

Etapes de l’analyse :

✓ Choix des variables de classifications

L’objet de cette étude est de délimiter les pays qui ont une qualité de vie similaires
ainsi que les mêmes niveaux de difficultés par rapport à l’accessibilité au logement,
en bref les pays qui se comportent de la même manière par rapport à ces critères
déjà cités.
✓ La forte hétérogénéité entre individus
Les individus de notre étude son des pays qui sont différents par rapport aux
variables qu’on a choisi donc on peut estimer une hétérogénéité entre les individus.
✓ Les variables choisis
On a retenu toutes les variables puisqu’elles sont importantes par rapport à ce que
l’on cherche à montrer : « Le bien être dans les pays d’OECD ».

✓ Les Données :

On doit transformer les données brutes (individus x variables) en une matrice de

proximité des individus (Pays).

✓ Choix de l’algorithme :
• L’analyse hiérarchique ascendante
Chaque individu (pays) constitue une classe en soi. Dans la première étape, les deux
individus (pays) les plus proches sont fusionnés pour former une classe et ainsi de
suite, la fusion pouvant se faire soit entre les classes soit entre une classe et un
individu.
Puisque la première classe sera composée de deux individus (pays), il faudra
déterminer la méthode de sélection des individus.
Pour notre cas nous allons travailler sur SPPS donc la méthode la plus adaptée est
celle de Ward, le classement de cette méthode se fait en regroupant les individus
(pays) qui minimisent le mieux la perte d’information.

17
La matrice de proximité ou de dissimilarité
Utilité : C’est une matrice diagonale qui utilise la distance le carré de la distance
euclidienne et nous permet de visualiser les pays qui peuvent être facilement
agrégés dont la distance faible, à titre d’illustration :
CANADA DENMARK (1.417) ;
DENMARK FINLANDE (1.611).
Et des pays avec forte dissimilarités :
MEXIQUE et DENMARK (73.787)

Planning des agglomérations :

Cette matrice illustre les différentes étapes de l’algorithme de Ward au niveau de la
classification hiérarchique, le coefficient correspond à la somme des carrés intra-
classes de la typologie en K classes.

Planning des agglomerations

Etape de première apparition du
Cluster combiné cluster
Etape Cluster 1 Cluster 2 Coefficients Cluster 1 Cluster 2 Etape suivante
1 5 24 .313 0 0 4
2 1 10 .929 0 0 10
3 15 22 1.546 0 0 11
4 3 5 2.452 0 1 10
5 16 20 3.484 0 0 14
6 4 13 4.801 0 0 12
7 9 12 6.145 0 0 12
8 6 21 7.526 0 0 18
9 17 18 9.396 0 0 15
10 1 3 11.427 2 4 13
11 7 15 13.475 0 3 14
12 4 9 16.147 6 7 16
13 1 23 19.019 10 0 18
14 7 16 23.010 11 5 20
15 2 17 27.844 0 9 16
16 2 4 34.269 15 12 20
17 8 11 40.868 0 0 22
18 1 6 49.130 13 8 19
19 1 19 59.825 18 0 21
20 2 7 75.457 16 14 21
21 1 2 96.866 19 20 23
22 8 14 123.448 17 0 23
23 1 8 184.000 21 22 0

18
Pour notre cas que le saut le plus important se situe au niveau de la colonne des
coefficients et nous remarquons que ce dernier est présent au niveau de l’étape 19 :
(75,457- 59.825)
Ainsi nous optons pour une solution en 4 classes à travers le calcul effectué dans
l’étape 20 jusqu’à l’étape 23, en ajoutant « 1 ».
On calcule alors la qualité de la typologie en quatre classes soit (184 – 75,457) /184
~ 60% < 75%.

Ce diagramme est une représentation graphique des résultats de

classification, il est mis en place pour but de démontrer le nombre de solutions
retrouvées auparavant.

L’intersection de la droite de 4 classes avec les stalactites, donne les résultats

suivants :
Groupe 1 : Mexique.
Groupe 2 : L’Italie et la Grèce.
Groupe 3 : Depuis la Slovénie jusqu’au Belgique.
Groupe 4 : Depuis la république Slovaque jusqu’à l’Autriche.

Dendrogrammes :
Ce dendrogramme affirme les résultats que nous avons obtenu au niveau de l’ACP :
on distingue 4 classes.
Il nous donne également la décomposition des différentes classes, ainsi que l’ordre
dans lequel elles ont été formées.

19
 Tableau récapitulatif :

Récapitulatif des observations

Tauxdechôm Jeunessanse Heureslongu Accessibilité Sesentirenséc
Tauxdemplo agedelongter mploietsansf esdetravailré financièredul Soutiensocia uritédurantla
Ward Method i me ormation munéré Salaires ogement l nuit
1 N 9 9 9 9 9 9 9 9
Moyenn 76.9089 2.0100 10.3809 5.2554 46484.000 77.4610 93.9836 78.2720
e 0
2 N 12 12 12 12 12 12 12 12
Moyenn 79.4240 1.5345 7.8637 2.8716 39934.500 80.6897 90.5064 74.4797
e 0
3 N 2 2 2 2 2 2 2 2
Moyenn 65.2272 9.0240 16.8653 4.4733 33324.000 77.8182 85.9224 62.4829
e 0
4 N 1 1 1 1 1 1 1 1
Moyenn 69.4604 .0635 18.2936 28.1511 17594.000 82.1781 84.5045 40.7270
e 0
Total N 24 24 24 24 24 24 24 24
Moyenn 76.8826 2.2756 9.9923 4.9523 40908.833 79.3017 91.1783 73.4957
e 3

20
Interprétation :
Ce tableau sert comme un récapitulatif des caractéristiques de chaque classe, en
utilisant la moyenne par rapport à chaque variable, et on constate :
• Le taux d’emploi : la classe dont elle dispose le maximum est la deuxième
classe avec 79,42% tandis que pour le minimum est retenu par la troisième
classe avec 65,23%.
• Taux de chômage à long terme : le maximum est retenu par la troisième
classe à 9,02%, alors que le minimum est retenu par la quatrième classe avec
0,06%.
• Jeunesse sans emploi et sans formation : le maximum se positionne à la
quatrième classe, alors que le minimum se présente au niveau de la deuxième
classe, soit en chiffre respectivement 18,29% et 7,86%.
• Heures longues de travail rémunéré : le minimum est détenu par la deuxième
classe et le maximum par la quatrième classe, avec respectivement 2,87 et
28,15.
• Salaire : le minimum est détenu par la quatrième classe et le maximum par la
première classe, avec respectivement 17594 $ et 46484 $.
• Accessibilité financière au logement : La classe dont elle dispose le maximum
est la quatrième classe avec 82,18% tandis que pour le minimum est retenu
par la première et la troisième classe avec approximativement 77%.
• Soutien sociale : le maximum figure au niveau de la première classe à 93,98
tandis que le minimum figure au niveau du quatrième classe avec 84,5%.
• Sécurité : le maximum figure au niveau de la première classe à 78,27 tandis
que le minimum figure au niveau du quatrième classe avec 40,73%.

On peut déduire d’après ce qui précède que :

• La première classe : Max : Salaire, soutien sociale, sécurité ; Min :
Accessibilité financière au logement, avec : Autriche, Danemark, Finlande,
Pays bas, et le Canada.
• La deuxième classe : Max : Taux d’emploi ; Min ; jeune sans emploi et sans
formation et heures longue de travail rémunéré avec : Norvège, Slovénie,
Suède, et Estonie.
• La troisième classe : Max : Taux de chômage ; Min : taux d’emploi,
accessibilité financière au logement. Avec Italie et la Grèce.
• La quatrième classe : Max : Jeunesse sans emploi et sans formation, heures
longues de travail rémunéré, Accessibilité financière au logement ; Min : taux
de chômage, salaire, soutien sociale et sécurité. Il s’agit uniquement du
Mexique.
Donc ces résultats se coïncident avec nos résultats dans l’analyse en composante
principale.

21
Test ANOVA :

ANOVA

Somme des
carrés ddl Carré moyen F Sig.
Taux d’emploi Intergroupes 404.298 3 134.766 14.926 .000
Intragroupes 180.578 20 9.029

Total 584.877 23

Taux de chômage de long Intergroupes 103.202 3 34.401 14.426 .000

terme Intragroupes 47.693 20 2.385

Total 150.895 23

Jeunes sans emploi et Intergroupes 219.118 3 73.039 15.911 .000

sans formation. Intragroupes 91.807 20 4.590

Total 310.925 23

Heures longues de travail Intergroupes 591.421 3 197.140 31.980 .000

rémunéré Intragroupes 123.291 20 6.165

Total 714.712 23

Salaires Intergroupes 949775102.333 3 316591700.778 2.503 .089

Intragroupes 2529814693.000 20 126490734.650

Total 3479589795.333 23

Accessibilité financière du Intergroupes 66.286 3 22.095 8.497 .001

logement Intragroupes 52.005 20 2.600

Total 118.292 23

Soutien social Intergroupes 176.032 3 58.677 7.166 .002

Intragroupes 163.762 20 8.188

Total 339.793 23

Se sentir en sécurité durant la Intergroupes 1533.281 3 511.094 5.690 .006

nuit Intragroupes 1796.339 20 89.817

Total 3329.620 23

Ce test vient pour répondre aux questions suivantes :

➢ Est-ce que par rapport au classe retenu, les variables prennent les mêmes
variances ?
➢ Lorsqu’on a des moyennes qui se différent quels sont les classes ou on trouve
la différence ?

22
 La différence entre les classes se constate à travers la signification qui se
positionne à une faible valeur, ce qui nous permet de dire que les groupes sont
assez différents.

Tracés des moyennes (Taux de chômage) :

Les classes 1, 2, et 4 sont proches par rapport à cette variable.

La troisième est assez différente par rapport aux autres classes.

Tracés des moyennes (Jeunesse sans emploi et sans

formation) :

La première classe et la deuxième classe sont similaires, et la troisième et la

quatrième sont similaires deux à deux, alors que les classe 1 et 2 sont différents aux
classes 3 et 4 par rapport à cette variable.

23
Conclusion :

Pour traduire nos acquis en termes de la matière de l’analyse de données en travail

concret , il faut d’abord trouver une base de données qui est :

• Récente.
• Correcte et Vérifiée.
• Adaptée au sujet de notre étude.
Dans notre première tentative de création de ce projet, on a retrouvé peu de bases
de données qui correspondent à nos critères, parmi eux une qui s’intéresse aux
réactions des pays face à la pandémie du Covid-19. Vu que c’est un sujet qui est
surexploité, notre équipe a jugé qu’il serait intéressant de se focaliser sur les pays
africains, on a lancé alors notre étude, seulement pour faire face à un nouveau
problème : le manque de données au niveau du continent africain.

Ce problème nous a fait perdre beaucoup de temps, et il fallait lancer encore une fois
la recherche des bases de données vérifiant nos critères, mais cette fois-ci, après de
longues recherches, on a retrouvé la base parfaite, elle s’agit de celle des pays de
l’OCDE.

Après avoir retrouvé la bonne base de données, une nouvelle étape vient ensuite,
mais avant qu’on puisse l’entamer, il faut tout d’abord maitriser un logiciel qui est
nouveau, complexe, mais extrêmement performant : le fameux SPSS.

SPSS by IBM, constituait au début un immense obstacle pour notre équipe, vu la

difficulté de manipulation et navigation du logiciel, ce n’est qu’en suivant les conseils
et les consignes de notre professeur et cher encadrant Mr JAHIDI, ainsi qu’en faisant
d’énormes efforts, qu’on a pu avancer dans notre ambitieux projet.

Enfin, on souhaite exprimer notre immense joie et fierté d’avoir réalisé un travail
aussi détaillé et profond que celui-ci, dans une durée très limitée, et on espère que
ce projet sera à la hauteur des attentes.

24