Adoption Des Services Financiers Mobiles

Adoption des services financiers mobiles : une application
à la ville de Yaoundé
Steve Douanla Meli, Benjamin Fomba Kamga
Dans Revue d'économie du développement 2020/4 (Vol. 28), pages 83 à 140
Éditions De Boeck Supérieur
ISSN 1245-4060
ISBN 9782807393646
DOI 10.3917/edd.344.0083
© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)
Article disponible en ligne à l’adresse

https://www.cairn.info/revue-d-economie-du-developpement-2020-4-page-83.htm
Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.
Distribution électronique Cairn.info pour De Boeck Supérieur.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
Adoption des services
financiers mobiles :
une application à la ville de Yaoundé
Adoption of Mobile Financial Services:
Evidence from the City of Yaoundé
Steve Douanla Meli*
Benjamin Fomba Kamga**
Cette étude se propose d’analyser aussi bien l’adoption des services financiers mobiles (SFM)

que l’intensité de cette adoption dans la ville de Yaoundé. Plus précisément, sur la base des
données recueillies auprès de 1200 individus, elle tente, premièrement, de dresser le profil
des adoptants des SFM selon leurs différents modes d’adoption; deuxièmement, d’identifier
les facteurs explicatifs de l’intensité d’adoption. Ainsi, à l’aide d’une régression logistique
multinomiale, elle compare les probabilités d’adoption partielle et d’adoption passive versus
l’alternative de base retenue, à savoir l’adoption complète. Ensuite, à travers un modèle de
Poisson, elle identifie les déterminants de l’intensité d’adoption des SFM. Enfin, une ap-
proche par la fonction de contrôle est utilisée pour corriger l’hétérogénéité inobservée. Les
résultats de cette étude révèlent que les facteurs socio-économiques tels que l’âge, le statut
socioprofessionnel, le niveau d’éducation et les facteurs fonctionnels et extra-fonctionnels,
notamment la facilité d’utilisation perçue, la sécurité perçue et l’utilité perçue, affectent de
manière différenciée aussi bien les différents modes d’adoption des SFM que l’intensité de
leur adoption dans la ville de Yaoundé.
Mots-clés : Adoption, services financiers mobiles, Yaoundé.
*
PhD, Faculté des Sciences Économiques et de Gestion, Université de Yaoundé
II-Soa, B.P. 1365, Yaoundé – Cameroun. Courriel: douanlasteve@yahoo.fr
**
Professeur, Faculté des Sciences Économiques et de Gestion, Université de
Yaoundé II-Soa, B.P. 1365, Yaoundé – Cameroun. Courriel: fomba1@yahoo.fr
DOI: 10.3917/edd.344.0083 83
84 Steve Douanla Meli, Benjamin Fomba Kamga
This study proposes to analyze both the adoption of mobile financial services (MFS) and the
intensity of this adoption in the city of Yaoundé. More precisely, based on data collected from
1,200 individuals, it first attempts to profile MFS adopters according to their different modes
of adoption, and then to identify the explanatory factors of adoption intensity. Thus, using
a multinomial logistic regression model, it compares the probabilities of partial adoption
and passive adoption versus the basic alternative chosen: complete adoption. Then, using
a Poisson model, it identifies the determinants of MFS adoption intensity. Finally, a control
function approach is used to correct unobserved heterogeneity. The results of this study re-
veal that socio-economic factors such as age, socio-professional status, level of education, and
functional and extra-functional factors such as perceived ease of use, perceived safety, and
perceived usefulness differentially affect both the different modes of MFS adoption and the
adoption intensity of these services in Yaoundé.
Keywords: Adoption, mobile financial services, Yaoundé.

Codes JEL: O16, O32, G20.

Adoption des services financiers mobiles : une application à la ville de Yaoundé 85
1 INTRODUCTION
La forte pénétration du téléphone mobile et le potentiel des plateformes

mobiles suscitent, depuis quelques années déjà, un enthousiasme grandis-
sant dans les pays en développement. Portés par l’adoption rapide de la
téléphonie mobile, ces pays bénéficient de nombreuses applications sans
fil, présentant des intérêts particuliers pour les utilisateurs. Accès à inter-
net, services de localisation, services bancaires, etc. sont autant de services
associés à cet instrument de communication qui, désormais, fait partie du
quotidien des individus. Cependant, de toutes ces fonctionnalités, l’offre
des services bancaires et financiers par le canal de la téléphonie portable
constitue l’une des applications les plus représentatives de cette tendance.
En effet, celle-ci représente un marché qui ne cesse de croître. En 2015,
on comptait déjà près de 203 millions de clients des services financiers
mobiles (SFM) enregistrés dans le monde (rapport de la GSMA 1(2015) sur
l’état des SFM). Soit 98 millions en Afrique subsaharienne, avec une forte
concentration de ces derniers en Afrique de l’Est (34 % des clients). De
même, près de 36 des 54 pays du continent africain offrent des services
bancaires et financiers par le biais de téléphones portables.
De nombreuses expériences, principalement celle du M-PESA au
Kenya, amorcée en 2007 et généralisée dans de nombreux pays d’Afrique 2,

mais aussi plusieurs travaux empiriques s’accordent sur le potentiel des
SFM à réduire l’exclusion financière des personnes en marge du système
bancaire et financier formel. En effet, ces services sont perçus comme un
moyen efficace de fourniture de services financiers, car ils se révèlent moins
coûteux et sécurisés (Must et Ludewig, 2010), et procurent également des
avantages en termes de mobilité, compte tenu de la réduction des coûts de
transactions liés aux contraintes géographiques : à travers les opérations
bancaires mobiles, les services financiers atteignent aujourd’hui les régions
les plus reculées, où les banques et institutions financières conventionnelles
ont toujours été physiquement absentes (Mago et Chitokwindo, 2014). Les
SFM donnent ainsi aux usagers la possibilité d’ouvrir des comptes ou de
vérifier leurs soldes (banque mobile), de payer des factures ou d’acheter des
1
GSMA (Global System for Mobile Communications Association). The Mandatory
Registration of Prepaid SIM Card Users. White Paper. London.
2
D’après la CGAP-GSMA, 30% de la population au Kenya utilise les services de
M-PESA. Plus de 320 millions de dollars sont quotidiennement échangés dans
le cadre des transferts pair-à-pair (P2P).
biens essentiels de consommation courante (mobile paiement), ou encore

de transférer de l’argent en toute sécurité (mobile transfert). Au travers
des différents usages ci-dessus cités, les SFM sont perçus comme des outils
puissants d’inclusion financière, particulièrement dans un contexte mar-
qué par une forte exclusion financière des populations. En effet, environ
2,5 milliards de personnes adultes dans le monde n’ont pas accès à des
services financiers formels (Klapper, 2015), soit près de 63 % d’adultes
dans les pays en développement (McKinsey Quarterly, 2010a ; 2010b). Au
Cameroun, moins de 20 % d’adultes disposent d’un compte dans une insti-
tution financière formelle (COBAC, 2014). De nombreuses barrières (coût
élevé des services, exigences documentaires, manque de revenus, insuffi-
sance ou concentration des agences, etc.) sont largement renseignées pour
justifier cette faible participation au système bancaire et financier.
En raison non seulement de la forte pénétration du téléphone mobile
(environ 71 %) 3constatée au Cameroun, mais également des nombreux
avantages en termes de coûts, de sécurité, ou de mobilité attribués à l’uti-
lisation des SFM, ces services représentent de nos jours un fort potentiel
d’inclusion financière pour les populations. Cependant, comme dans la plu-
part des pays en développement, l’adoption des SFM connaît encore un très
faible engouement au sein des populations camerounaises où la préférence
pour la liquidité dans le cadre des transactions financières reste encore de

mise. D’après l’enquête FinScope (2017), seulement 29 % des adultes sont
enregistrés comme des usagers des SFM au Cameroun. Toutefois, les SFM
s’adressant à des usagers différents (ce qui implique des modes d’adoption
différents) et répondant également à des attentes diversifiées, il devient
intéressant de s’interroger, non seulement sur les caractéristiques de ces
derniers, mais également sur leurs attentes. Cette étude s’inscrit donc
dans la lignée des travaux empiriques traitant des facteurs d’adoption des
SFM. Elle se fixe donc un double objectif : elle se propose, dans un premier
temps, de dresser le profil des adoptants des SFM suivant leurs
différents modes d’adoption et, dans un second temps, d’analyser
l’ampleur de l’adoption des SFM. Pour y parvenir, il apparaît logique
d’examiner les explications théoriques et empiriques qui fondent l’adop-
tion des SFM (section 2), avant d’effectuer une analyse empirique des dé-
terminants de son adoption dans la ville de Yaoundé (section 3) et enfin de
discuter les résultats (section 4).
3
Statistique du 1er trimestre 2014 de l’Agence de Régulation des Télé
communications (ART) du Cameroun.
2 REVUE DE LA LITTERATURE
SUR LES FACTEURS EXPLICATIFS
DE L’ADOPTION DES SFM
Dans cette partie, nous présentons premièrement le cadre théorique de

l’analyse de l’adoption des SFM, ensuite la présentation des résultats de
quelques travaux empiriques sur les facteurs explicatifs de l’adoption de
ces services.
2.1 Fondements théoriques

Un examen de la littérature permet de constater que, dans l’essentiel des
travaux, une théorie sert le plus souvent de cadre conceptuel pour appor-
ter des explications à la décision des individus d’adopter ou de rejeter une
innovation technologique : il s’agit de la théorie de l’acceptation techno-
logique ou modèle d’acceptation de la technologie (MAT) développée par
Davis (1989). Cette théorie comportementale basée sur les intentions des
individus occupe encore aujourd’hui une place de choix parmi les modèles
théoriques (la théorie de la diffusion de l’innovation (TDI) de Rogers (1995),
la théorie de l’action raisonnée (TAR) de Fishbein et Ajzen (1975), ou en-

core la théorie unifiée d’acceptation et d’usage des technologies (UTAUT)
de Venkatesh et al. (2003)), les plus répandus pour l’étude de l’adoption
des innovations technologiques (Williams et al., 2015). Elle fait également
l’objet de plusieurs applications dans différents contextes d’adoption des
technologies de l’information et pour différents types de technologies, no-
tamment l’adoption de la banque mobile (Zhou, Lu et Wang, 2010), du
paiement mobile (Chen, 2008), ou d’une manière plus générale des tran-
sactions électroniques (Schierz et al., 2010). Les résultats de ces différents
travaux témoignent non seulement de sa parcimonie (Agarwal et Prasad,
1999) et de sa robustesse (Venkatesh et Morris, 2000), mais également de
sa validité (Hernandez et Mazzon, 2007) et de son adaptation à différents
contextes technologiques. Cette théorie sert également de théorie de base
dans le cadre de cette étude.
Selon Davis (1989), l’adoption d’une innovation technologique est le
résultat de la perception qu’ont les individus de son utilité et de sa fa-
cilité d’utilisation. Ce dernier pose ainsi le principe que les perceptions
qu’ont les utilisateurs de l’utilité et de la facilité d’utilisation déterminent
des attitudes et, consécutivement, des comportements d’utilisation ou
d’adoption de la technologie. Ainsi, pour le MAT, deux principaux facteurs

à savoir : l’utilité perçue (comprise comme le degré auquel un individu
croit que l’utilisation d’un système particulier pourrait augmenter son
rendement au travail) et la facilité d’utilisation perçue (comprise comme
le degré auquel un individu pense que l’utilisation d’un système spécifique
ne nécessiterait pas trop d’efforts) permettent d’expliquer l’intention des
individus d’accepter ou d’adopter une nouvelle technologie. D’après ce
modèle, la facilité d’utilisation perçue exerce une influence positive sur
l’utilité perçue. L’utilité perçue et la facilité d’utilisation perçue ont un
effet positif sur l’attitude des individus. Et enfin, l’utilité perçue et l’atti-
tude des individus ont un impact positif sur le comportement d’accepta-
tion ou d’adoption d’une innovation technologique. Cependant, même si le
modèle théorique de Davis (1989) est validé par de nombreux travaux, et
représente l’un des modèles d’acceptabilité les plus admis et répandus, il
n’en demeure pas moins très rationnel et déterministe. En effet, il pour-
rait même être considéré comme le modèle le moins social des modèles
comportementaux. C’est d’ailleurs à ce titre qu’il a fait l’objet de plusieurs
critiques (Brangier et al., 2009), qui vont être à l’origine de son enrichis-
sement au cours des années. C’est ainsi que, dans le but d’accroître sa
puissance prédictive, Davis (1993) va prendre en compte dans la seconde
version du MAT les normes subjectives (des pressions sociales exercées sur
l’individu pour réaliser ou pas le comportement attendu) dans l’explica-

tion du comportement d’adoption de la technologie. Dès lors, de nombreux
travaux vont s’atteler à compléter le MAT avec différents facteurs organi-
sationnels, technologiques et individuels. C’est fort de ce dernier constat
que cette étude postule que le comportement d’adoption d’une innovation
technologique (notamment les SFM dont il est question dans nos analyses)
dépend non seulement de la facilité d’utilisation perçue et de l’utilité per-
çue comme le préconise le MAT, mais également d’autres facteurs notam-
ment la sécurité perçue 4 et les caractéristiques sociodémographiques des
individus.
2.2 Revue empirique des facteurs d’adoption des SFM

En raison des difficultés à accéder et à utiliser les services financiers tra-
ditionnels dans les pays en développement, les SFM, du fait des multiples
4
Tan et al. (2010) et Hsu et Wang (2011) trouvent que la sécurité perçue est
l’une des variables les plus importantes dans la détermination de la décision
des consommateurs à utiliser les services bancaires à distance.
avantages qu’on leur attribue, sont de plus en plus perçus comme étant
le canal d’intégration des personnes exclues du secteur financier formel.
Ces nouveaux services font de ce fait l’objet d’un nombre croissant d’ana-
lyses depuis quelques années. Nous présentons ici quelques-unes de ces
analyses ainsi que leurs principaux résultats. Ces travaux peuvent être
regroupés selon trois principaux axes : le premier axe est relatif aux études
qui mettent en exergue l’effet révolutionnaire des SFM, notamment en
ce qui concerne l’offre des services financiers dans une optique de favo-
riser l’inclusion financière des personnes en marge du secteur bancaire
traditionnel (Hamdi, 2010 ; Assadi et Cudi, 2011 ; Chaix et Torre, 2015 ;
Lashitew et al., 2019) ; le second axe, majoritairement développé dans
les études concernant les pays en développement, analyse les facteurs
d’adoption des SFM par les ménages ou les individus (Jack et Suri, 2011 ;
Fall, Ky et Birba, 2015 ; Gosavi, 2018 ; Murendo, Wollni, De-Brauw et
Mugabi, 2018). Le troisième axe, enfin, concerne les travaux analysant
l’incidence de l’adoption des SFM sur la conduite de la politique moné-
taire (Goodhart, 2000 ; Mbiti et Weil, 2011 ; Ndirangu et Nyamongo, 2015 ;
Mvogo, 2016).
La présente analyse s’inscrit principalement dans le second axe, en
tentant toutefois de combler un manquement : celui de considérer les ca-
ractéristiques des individus comme les seuls déterminants de l’adoption

des SFM, négligeant de ce fait l’influence des caractéristiques propres
aux SFM ainsi que l’importance de l’effet psychologique dans la décision
d’adoption.
2.2.1 Influence des facteurs sociodémographiques

sur l’adoption des SFM
À partir des données collectées auprès des ménages résidant dans la ban-
lieue de Dakar, Fall et al. (2015) examinent les facteurs socio-économiques
qui expliquent l’adoption de la banque mobile au Sénégal. Ils s’appuient
sur l’hypothèse selon laquelle l’adoption d’une innovation passe par trois
étapes bien distinctes et à chaque étape les auteurs identifient les facteurs
qui expliquent l’adoption. À la première étape, notamment « la connais-
sance », l’individu doit connaître le produit et ses utilisations. À la seconde
étape qui concerne « la possession », l’individu doit tester le produit. Si ce
dernier est accessible et que ses avantages sont observables, il peut enfin
être adopté à la dernière étape du processus. Par conséquent, les étapes
« connaissance » et « possession » sont des passages obligatoires dans le
processus d’adoption. Par le biais d’un modèle Logit séquentiel, les au-
teurs montrent que l’âge de l’individu est le seul facteur déterminant à
la première étape de l’adoption. À la deuxième étape, ils trouvent que les
facteurs cognitifs à l’instar de l’alphabétisation, du niveau d’éducation,
ainsi que des caractéristiques financières, notamment l’appartenance à
un système rotatif d’épargne et de crédit, influencent « la possession » de
la banque mobile. Au stade final du processus d’adoption, les variables
niveau d’éducation, salaire et possession d’une affaire se révèlent comme
étant les facteurs explicatifs de l’adoption de la banque mobile. Dans le
même contexte, Fall et al. (2020) se basent sur les données recueillies
auprès de 1052 individus résidant dans la banlieue de Dakar pour analy-
ser l’adoption et l’utilisation des SFM chez les personnes à faible revenu.
L’utilisation du modèle de sélection de Heckman permet à ces derniers de
trouver que les caractéristiques individuelles telles que le niveau d’édu-
cation, la possession d’un compte bancaire et les effets du réseau fami-
lial sont les facteurs explicatifs de l’adoption. Tandis que l’âge, le sexe et
l’appartenance à une tontine expliquent l’utilisation des SFM. Un résul-
tat majeur de cette étude est la faible propension des femmes à adopter
les SFM. Cependant, l’étude révèle que, comparativement aux hommes,
les femmes ont une plus forte propension à les utiliser lorsqu’elles les
adoptent. Des conclusions similaires découlent des travaux de Fall et Birba
(2019), effectués dans le même contexte. En utilisant une méthodologie

similaire à celle des travaux de Fall et al. (2015), Douanla et Fomba (2020)
analysent l’adoption des SFM dans le contexte camerounais en s’appuyant
sur un échantillon de 1200 individus sélectionnés dans la ville de Yaoundé.
Les auteurs trouvent que l’âge de l’individu est un facteur explicatif de la
première et de la dernière étape du processus d’adoption (connaissance et
adoption, respectivement). Le niveau d’éducation, quant à lui, se présente
comme un facteur explicatif à tous les niveaux du processus (aussi bien à
la connaissance, la possession qu’à l’adoption). Cette analyse révèle que
le revenu explique les deux dernières étapes du processus (notamment la
possession et l’adoption proprement dite, respectivement). Toujours dans
le contexte camerounais, Avom et al. (2021) s’appuient sur une enquête
réalisée dans les villes de Douala et Yaoundé auprès de 1222 ménages pour
effectuer une analyse comparative des déterminants de l’adoption et de
l’usage des SFM. Les résultats obtenus à l’aide d’une régression logistique
montrent que, dans la ville de Douala, la décision d’adoption des SFM est
positivement influencée par l’âge et le revenu ; alors que cette décision
est positivement influencée par le niveau d’étude et l’effet de réseau dans
la ville de Yaoundé. En ce qui concerne l’utilisation, les auteurs trouvent
qu’elle dépend principalement du revenu, et de la taille du ménage à

Douala ; tandis que le coût réduit est le principal facteur d’utilisation des
SFM à Yaoundé.
Abondant dans le même sens, les travaux de Jack et Suri (2011), por-
tant sur l’adoption et l’utilisation du M-Pesa au sein d’un échantillon de
3000 ménages, confirment l’influence de certaines caractéristiques socio-
démographiques comme le revenu, la richesse du ménage, la situation
de bancarisation des individus ou la zone de résidence du ménage. Si les
résultats de cette analyse révèlent qu’à la première phase de l’enquête,
l’adoption/l’utilisation du M-Pesa est exclusivement limitée aux ménages
les plus riches, ces résultats montrent que ce service va lentement (seconde
phase) être adopté par une part encore plus large des ménages enquêtés.
Les auteurs trouvent aussi que les pourcentages d’adoptants/d’utilisateurs
dans les ménages bancarisés et les ménages résidant en zones urbaines
augmentent considérablement entre les première et deuxième phases
de l’enquête. Cependant, le pourcentage d’adoptants/d’utilisateurs dans
les ménages non bancarisés augmente (de 25 % dans la première phase
à 50 % dans la seconde phase), tout comme le pourcentage d’adoptants/
d’utilisateurs dans les zones rurales (de 29 % à 41 %).Toutefois, si pour
ces auteurs la bancarisation affecte positivement l’adoption des SFM,
certaines études débouchent sur un effet négatif de la bancarisation sur

l’adoption des SFM. C’est le cas des travaux menés par Lashitew et al.
(2019) sur les facteurs expliquant les différences d’adoption des SFM entre
les pays en développement. Ceux-ci révèlent plutôt qu’une forte concen-
tration bancaire a un effet négatif sur l’adoption des SFM. Autrement dit,
des secteurs bancaires concentrés pourraient bloquer l’adoption des SFM
(Demirgüç-Kunt et Klapper, 2013).
D’autres études relèvent plutôt le rôle de la culture ou celui de l’infor-
mation sur l’adoption des SFM. Ainsi, si Bankole et Brown (2011), à partir
d’une estimation d’équations structurelles sur un échantillon de 231 indi-
vidus, montrent que la culture exerce une influence sur l’adoption des SFM
au Nigeria, les travaux de Laukkanen (2010) soulignent que le manque
d’information sur la fonctionnalité des SFM ou le fonctionnement du sys-
tème représente une véritable barrière à l’adoption.
Au-delà des facteurs socio-économiques mis en exergue dans ces diffé-
rentes études, la littérature empirique confirme également l’influence des
facteurs propres aux SFM sur la décision de les adopter. Il s’agit notam-
ment des facteurs fonctionnels, extra-fonctionnels ou encore contextuels.
2.2.2 Influence des facteurs fonctionnels, extra-fonctionnels

et contextuels sur l’adoption des SFM
Le MAT a été à la base d’un grand nombre de travaux empiriques sur

l’adoption des SFM. Ces travaux ont tenté de mettre en évidence le lien
pouvant exister entre différents facteurs (les caractéristiques fonction-
nelles comme la sécurité perçue, la commodité ou la facilité d’utilisation,
etc. ; les caractéristiques extra-fonctionnelles telles que l’utilité perçue, le
coût de transaction perçu ; ou encore les facteurs contextuels comme le
risque perçu) et la décision des individus d’adopter les SFM.
C’est l’exemple des travaux de Wessels et Drennan (2010), qui optent
pour le MAT étendu pour expliquer et prédire les intentions des consom-
mateurs d’utiliser la banque mobile en Australie. Les auteurs concluent
que l’utilité perçue, la compatibilité, le risque perçu, le coût perçu et l’atti-
tude sont les principaux déterminants de l’intention des consommateurs
à utiliser la banque mobile. Koenig-Lewis et al. (2010) combinent, quant
à eux, le MAT et la théorie de diffusion d’innovation TDI pour analyser
l’adoption des services bancaires mobiles au sein de la population des
jeunes consommateurs allemands. Les auteurs apportent la confirmation
de l’influence significative de l’utilité perçue, la compatibilité et le risque
perçu sur l’intention des consommateurs d’adopter des services de la

banque mobile. Cependant, cette étude débouche sur l’absence d’influence
des variables telles que le coût perçu, la confiance, la facilité d’utilisation
et la crédibilité, sur l’intention d’adopter. Riquelme et Rios (2010) se sont
appuyés sur le MAT et la TDI pour élaborer un modèle permettant d’expli-
quer l’adoption des services bancaires mobiles en Malaisie. Les auteurs
trouvent que l’utilité perçue, le risque perçu et la norme sociale (influence
sociale) ont une influence sur l’adoption de ces services. Ils trouvent éga-
lement que la facilité d’utilisation a une forte influence chez les femmes,
tout comme les normes sociales. Ils montrent enfin que l’utilité de la tech-
nologie, les normes sociales et le risque sont les principaux déterminants
de l’adoption.
Toujours dans le but d’identifier les facteurs explicatifs de l’adoption/
utilisation des SFM, la théorie UTAUT va aussi servir de cadre d’analyse
à de nombreux travaux, qui vont également conclure sur l’influence de di-
vers facteurs fonctionnels, extra-fonctionnels et contextuels. C’est le cas
des travaux de Samudra et Phadtare (2012) qui s’appuient sur la théorie
UTAUT pour analyser l’adoption de la banque mobile dans le contexte
indien. Cette étude révèle que la performance attendue, l’effort attendu,
l’influence sociale, la commodité, la compatibilité sont des déterminants

directs de l’intention d’adopter la banque mobile en Inde. S’appuyant
sur des données recueillies auprès de 638 répondants, Lai (2016) tente
d’identifier les caractéristiques des SFM qui peuvent influencer l’inten-
tion d’utiliser le paiement mobile au sein des ménages en Malaisie. À
partir d’une estimation des équations structurelles, l’auteur trouve que
la conception, le risque perçu, l’utilité perçue et la facilité d’utilisation
sont les facteurs qui influencent majoritairement l’intention d’utiliser le
paiement mobile au sein de ces ménages. Des résultats similaires sont
trouvés dans l’analyse de Lai et Zainal (2015) concernant un échantil-
lon de 450 utilisateurs ayant utilisé à la fois internet, une carte et un
téléphone pour effectuer des paiements en Asie. À partir des données
récoltées auprès de 361 clients des banques, Hanafizadeh et al. (2014)
identifient huit facteurs pouvant influencer l’intention des individus vis-
à-vis de l’utilisation de la banque mobile. Il s’agit de l’utilité perçue, la
facilité d’utilisation, la confiance, le coût d’utilisation, le risque perçu, le
besoin d’interaction personnelle, la crédibilité et la compatibilité avec les
modes de vie. Les travaux de Sayid et al. (2012) ou encore ceux de Lee
et al. (2011) mettent plutôt en exergue la qualité du système comme prin-
cipal facteur d’adoption et d’usage des SFM. Narteh et al. (2017) évaluent
l’influence de huit variables exogènes (utilité perçue, facilité d’utilisation
perçue, influence sociale, avantage relatif, complexité perçue, risque per-

çu, coût d’utilisation perçu et confiance perçue) sur les intentions com-
portementales des utilisateurs des SFM au Ghana. Ils constatent que
l’utilité perçue, la facilité d’utilisation perçue, la confiance perçue, le coût
d’utilisation perçu et l’influence sociale sont les facteurs qui conduisent
de manière significative à l’adoption des SFM.
Cette revue de la littérature non exhaustive permet de mettre en évi-
dence une certaine rareté des travaux analysant l’adoption des SFM dans
le contexte camerounais. Cette étude, qui tente de combler cette lacune,
se consacre principalement à l’une des plus grandes villes du Cameroun, à
savoir Yaoundé 5, et nous cherchons à dépasser la perception de l’adoption
des SFM telle que présentée dans la plupart de ces travaux. En effet, ceux-
ci s’attellent simplement à identifier les facteurs explicatifs de l’adoption
ou de la non-adoption des SFM. Tandis que notre travail, qui se concentre
5
Il s’agit de la capitale politique qui concentre au centre le CBD (central bu-
siness center). Autrement dit, les activités administratives, mais aussi les
activités commerciales, les écoles, universités, etc.
uniquement sur les adoptants, cherche à identifier les facteurs explicatifs

de ces derniers en tenant compte des différents modes d’adoption (basés
sur l’utilisation des SFM disponibles).
3 MÉTHODOLOGIE D’ANALYSE DE L’ADOPTION

DES SFM DANS LA VILLE DE YAOUNDÉ
Cette partie est consacrée à la présentation de la méthode adoptée dans

cette analyse. Ces éléments méthodologiques portent essentiellement sur
l’échantillonnage, la justification du choix du modèle et sa spécification, et
enfin sur la description des variables d’étude.
3.1 Échantillonnage
Nous utilisons dans cette analyse des données primaires provenant d’une
enquête sur l’accès, l’utilisation et la satisfaction des services bancaires
et financiers, menée en 2018 dans la ville de Yaoundé. Cette enquête vise
principalement à identifier les obstacles ou barrières à l’accès, l’utilisation
et la satisfaction des services financiers en se concentrant sur les percep-

tions des individus. Il s’agit d’un outil qui permet de mesurer et d’établir le
niveau de participation de la population au secteur financier, en se basant
sur les données socio-économiques et démographiques. Cette enquête re-
pose sur l’analyse que les différents répondants font des conditions d’accès
et d’utilisation des services offerts par les institutions financières. La di-
mension prise en compte ici étant l’individu, l’enquête vise donc à identi-
fier les limites et les capacités des individus, en ce qui concerne l’accès aux
services des institutions financières et des opérateurs des SFM, mais aussi
l’utilisation des différents types de services financiers disponibles. Il est
question ici de fournir des pistes, dans le but d’élaborer des politiques vi-
sant à promouvoir l’inclusion financière au Cameroun et particulièrement
dans la ville de Yaoundé. Ceci à travers les domaines tels que l’éducation
financière, la promotion de l’épargne, la promotion du financement des
activités des populations, ou encore l’accès des jeunes et des femmes aux
services financiers.
L’échantillon auquel notre questionnaire a été administré est en majo-
rité composé d’individus de sexe masculin, constituant 56,50 % de l’en-
semble des personnes enquêtées, soit 678 répondants, et de 522 individus
de sexe féminin, soit 43,50 % de l’ensemble de l’échantillon. Ces individus,

résidant tous dans la ville de Yaoundé, appartiennent pour la plupart à
la tranche des [15-35[ans, soit 71,42 % des répondants et sont en majo-
rité (766 répondants) célibataires. Le choix des individus a été basé sur la
méthode d’échantillonnage aléatoire, autrement dit, les répondants ont été
pris au hasard parmi la population des sept arrondissements que comporte
la ville de Yaoundé. En effet, nous avons considéré que tous les individus de
notre population cible ont la même probabilité d’appartenir à notre échan-
tillon. C’est ainsi que 1200 questionnaires ont été administrés et exploités
dans le cadre de cette analyse.
3.2 Justifications du choix des modèles et spécifications
3.2.1 Analyse du profil des adoptants des SFM
La méthodologie utilisée consiste à estimer un modèle Logit multinomial.

L’objectif ici étant de mettre en relation les différents modes d’adoption en
fixant une catégorie de référence sur laquelle nous nous intéressons un peu
plus. Plus précisément, nous voulons comparer la probabilité d’être adop-
tant passif ou d’être adoptant partiel versus l’alternative de base d’être

adoptant complet. L’adoption des SFM est une variable dépendante mul-
tinomiale, car l’individu a la possibilité de choisir entre plusieurs modes
d’adoption possibles : complète, partielle ou passive. Cette variable dépen-
dante représente donc les possibilités de choix d’un individu parmi N + 1
alternatives lui procurant N + 1 niveaux de satisfaction (dans le cadre de
cette analyse N = 2, donc l’individu a 2 + 1 = 3 alternatives possibles).
La variable endogène est donc discrète, bien qu’elle prenne ses valeurs
dans un ensemble fini de modalités. De plus, il n’existe pas de relation
d’ordre parmi les modalités des yij. Il est question ici d’expliquer pourquoi
l’individu i choisit le mode d’adoption j (avec j = 0, 1, 2). Chacune de ces
alternatives est en fait une variable dichotomique. Autrement dit, cha-
cune d’elles prend la valeur 1 si l’individu i fait le choix de l’alternative j ;
et 0 sinon. Les différentes modalités de j sont donc combinées dans la va-
riable “Adoption” qui représente l’adoption des SFM.
Crepon et Jacquemet (2010) rappellent que, dans ce type de régression
(Logit multinomial), le modèle latent est dérivé d’un modèle de maximi-
sation d’utilité. Pour ces auteurs, l’alternative choisie par un individu et
correspondant à la variable observée est celle qui procure une satisfaction
maximale. Cameron et Trivedi (2009) montrent que pour un individu i et

une alternative k, l’utilité Uik est la somme d’une partie déterministe Vik et
d’une partie d’effets aléatoires non observable eik (avec k = 0, 1, 2) :
Uik = Vik + e ik (1)
Pour ces auteurs, puisque la modalité choisie par l’individu est celle qui
lui procure un niveau maximal d’utilité, alors la décision yij = j est retenue
si :
Uij = Max (Uik ) = Max (Ui 0 ,Ui1 ,Ui 2 ) (2)
Le modèle de régression Logit multinomial peut être spécifié comme

suit :
yij = xi bij + e ij (3)
Où yij représente la variable dépendante du modèle : Adoption. C’est

l’utilité que tire l’individu i de l’alternative j.
0

Avec j = 1 les modalités de j étant mutuellement exclusives.

2

Autrement dit, chacune est une variable dichotomique. 0 = n’utilise

aucun SFM, bien que disposant d’un compte mobile (adoption passive) ;
1 = utilise au moins un SFM (adoption partielle) et 2 = utilise la totalité des
SFM disponibles (adoption complète). xi est la matrice des variables expli-
catives ; bij, la matrice des coefficients associés aux variables explicatives,
et eij sont les termes d’erreur de la régression qui suivent une distribution
normale de moyenne nulle et de variance 1. Cependant, la validité d’un tel
modèle repose sur le respect d’un certain nombre d’exigences, notamment
la non-colinéarité des variables indépendantes, les termes d’erreurs indé-
pendants et identiquement distribués (i.i.d.) et enfin l’indépendance des
alternatives non pertinentes (IIA). La violation de ces hypothèses pour-
rait conduire à trois problèmes majeurs, à savoir les coefficients biaisés,
des estimations inefficientes et les inférences statistiques invalides du fait
d’un calcul incorrect de la significativité statistique (Menard, 2001). Dans
le cadre de cette étude, ces trois exigences sont parfaitement respectées
comme le montrent les tests statistiques consignés en annexe. En effet, le
tableau A de l’annexe qui présente les résultats du test de multicolinéarité

entre les variables indépendantes de cette analyse témoigne de la non-co-
linéarité de celles-ci. Car aucune valeur de FIV (facteurs d’inflation de la
variance) n’est supérieure à 10 et nous observons que la moyenne des FIV
est de 1,77. L’encadré A, quant à lui, témoigne du respect de la condition
(i.i.d.) par les modèles dichotomiques multinomiaux, notamment le modèle
Logit multinomial choisi pour cette analyse.
3.2.1.1 H
étérogénéité inobservée dans l’équation
d’adoption des SFM
Dans ce premier modèle d’analyse, nous soupçonnons que la variable me-

surant la facilité d’utilisation des SFM soit endogène, en raison principale-
ment de la présence de facteurs inobservables dans l’équation d’adoption
des SFM (équation (3)), qui sont corrélés avec la variable facilité d’uti-
lisation. En effet, définie dans le cadre de cette analyse comme étant le
degré auquel un individu croit que l’utilisation d’un SFM particulier ne
nécessiterait pas trop d’efforts, la facilité d’utilisation peut être forte-
ment corrélée à la qualité de la couverture réseau, qui est indispensable
à l’utilisation et à l’adoption des SFM. La qualité de la couverture réseau
peut donc apparaître ici comme inobservable dans l’équation de l’adoption

des SFM.
Pour tenter de corriger cette hétérogénéité inobservée, une approche
très souvent recommandée est celle de la fonction de contrôle (Awiti, 2014).
Il s’agit d’une méthode qui procède en deux principales étapes. Dans la pre-
mière étape, il s’agit d’estimer une équation de sélection à travers un mo-
dèle à choix discret, dans le but de calculer à partir des valeurs prédites de
la variable de sélection un terme de corrélation du biais dénommé Inverse
du Ratio de Mills (IRM). Toutefois, il faut préciser que l’équation de sélec-
tion (et donc la variable de sélection) va dépendre de l’opérateur de SFM
choisi par l’individu i. Il s’agit précisément des opérateurs Orange et MTN
Cameroun. En effet, le rapport digital 2018 estime à environ 21,98 millions
le nombre d’abonnés mobiles au Cameroun, soit un taux de pénétration de
près de 90 %, avec comme leader du marché, le groupe Orange Cameroun
qui totalise un peu plus de 38 % des parts (rapport annuel du groupe
Orange du 21 février 2018), dépassant de peu son concurrent direct MTN
Cameroun, qui en possède 37 %. Dans cette analyse, le choix porté sur ces
deux opérateurs est non seulement dicté par la position dominante qu’ils
occupent sur le marché des SFM au Cameroun, mais également par le fait
que, contrairement au fournisseur minoritaire des SFM au Cameroun

(Express Union mobile money), ils sont des opérateurs de téléphonie mo-
bile et, par conséquent, bénéficient d’une couverture réseau sur l’étendue
du territoire : une couverture réseau indispensable pour l’utilisation des
SFM.
La formalisation de l’équation de sélection, en considérant chaque opé-
rateur des SFM, se présente sous la forme suivante :
AOi* = X i b + Qig + m1i (4)
AMTN i* = X i b + Qig + m2i (5)
Où AOi* et AMTN i* correspondent, respectivement, aux variables la-

tentes de l’adoption des SFM pour Orange et MTN Cameroun. On peut
alors écrire :
1 si l’individu i a choisi Orange comme opérateur

AOi* =  (6)
0 sinon
1 si l’individu i a choisi MTN comme opérateur

AMTNi* =  (7)
0 sinon

L’équation de la facilité d’utilisation est donnée par l’expression
suivante :
FUi = X i b + Qig + e i (8)
Xi est la matrice des autres déterminants (en dehors de la facilité d’uti-

lisation), FUi représente la facilité d’utilisation et Qi la matrice des ins-
truments supposés de la variable de sélection concernée 6. b et g sont les
vecteurs de paramètres associés à Xi et Qi respectivement. m1i, m2i et ei sont
les termes d’erreur.
Dans la deuxième étape, les IRM calculés dans les équations ci-dessus
sont ainsi rajoutés dans les équations de l’adoption comme une variable
6
Dans nos investigations empiriques, la variable connaissance des SFM est
utilisée comme variable supplémentaire des équations de sélection.
explicative supplémentaire. L’équation d’adoption intégrant les IRM se

présente comme suit :
ASM ji = X i b + reî + j ( eî × FUi ) + d IRM i + Jji (9)
Où ASMji représente le mode d’adoption des SFM j (j : 0=Passif ;

1=Partiel ; 2=Complet) par l’individu i. eî correspond aux résidus estimés
de l’équation de la facilité d’utilisation, variable potentiellement endogène
à l’adoption d’un SFM. Pour simplifier l’analyse, nous supposons que la
facilité d’utilisation est la seule variable endogène du modèle d’adoption.
eî × FUi est le produit entre les valeurs prédites de l’équation de la facilité
d’utilisation et les valeurs de cette même variable. IRM est l’Inverse du
Ratio de Mills calculé à la première étape. La significativité du paramètre
d permet ainsi de statuer sur l’existence des hétérogénéités inobservées.
Le contrôle du terme d’interaction eî × FUi dans l’équation de la forme
réduite (9) permet ainsi de corriger l’endogéneité de la facilité d’utilisation
due aux hétérogénéités inobservées, dans l’éventualité de leur existence.
eî , les résidus estimés de l’équation d’adoption des SFM, forment avec
eî × FUi et IRM les facteurs de la fonction de contrôle permettant de cap-
ter les hétérogénéités inobservées (Baye et Sitan, 2016).
3.2.1.2 E
ffet du traitement Orange money

sur les modes d’adoption des SFM
Il s’agit d’analyser l’impact du traitement Orange money sur les différents

modes d’adoption des individus. Le choix de cet opérateur de SFM dans
cette analyse est dicté par sa position de leader sur le marché des SFM au
Cameroun.
Posons :
Pr( Adoptionk ) = b1Orangei + b X i + e1i (10)


Pr(Orange ) = b X i + e 2i
(11)
Où Pr(Adoptionk) est la probabilité pour un individu de choisir le mode

d’adoption k (avec k = complète, partielle, ou passive), Pr(Orange) est la
probabilité d’adoption des services d’Orange money, Orangei représente le
choix de l’individu i pour les services Orange money, b le vecteur des para-
mètres associé au vecteur des caractéristiques Xi. e1i et e2i sont les termes
d’erreur.
L’individu peut choisir un mode d’adoption sachant qu’il a choisi les

services Orange money ou non. Ces différents choix peuvent se matériali-
ser par les équations ci-dessous :
Pr choix1 = Pr(Adoptionk = 1/Orange = 1) = P1,1 (12)


Pr choix2 = Pr(Adoptionk = 1/Orange = 0) = P1,0
(13)
Où Pr choix1 est la probabilité pour l’individu de choisir le mode d’adop-

tion k sachant qu’il a choisi Orange money, et Pr choix2 la probabilité
pour l’individu de choisir le mode d’adoption k sachant qu’il n’a pas fait le
choix Orange money. L’équation du traitement Orange money sur le mode
d’adoption k est donnée par l’équation (14) suivante :
Traitementk = Pr choix1 − Pr choix 2 = P1,1 − P1,0 (14)
3.2.2 Analyse de l’intensité d’adoption des SFM
La méthodologie consiste à estimer par la méthode du maximum de vrai-

semblance un modèle de Poisson afin d’identifier les facteurs explicatifs de
l’intensité d’adoption des SFM. Le test de sur-dispersion présenté dans le
tableau C en annexe permet de confirmer le choix de ce modèle (il permet

d’accepter l’hypothèse H0 qui traduit le fait que la variance et l’espérance
de la variable aléatoire ont statistiquement la même valeur). L’intensité
d’adoption est une variable de comptage, car elle correspond ici au nombre
de motifs d’adoption choisis par un individu. Ces motifs étant compris
entre 0 et 8 tels que : 0 traduit aucun motif ; 1 = un des 8 motifs ; 2 = deux
des 8 motifs ; 3 = trois des 8 motifs ; 4 = quatre des 8 motifs ; 5 = cinq des
8 motifs ; 6 = six des 8 motifs ; 7 = sept des 8 motifs et 8 = la totalité des
8 motifs. En se basant sur les travaux de Greene (2011), la forme fonction-
nelle du modèle de comptage est donnée par l’expression suivante :
e − li liyi
P ( H = k) = (15)
yi !
Où P est la probabilité de la distribution de la loi de Poisson supposant que
le nombre de motifs adoptés par l’individu i soit égal à un entier positif k
(k =1, 2, 3, 4, 5, 6, 7, 8). l est le paramètre de la loi de Poisson et y l’inten-
sité d’adoption des SFM (la variable de comptage).
La formalisation la plus appropriée de li est celle du modèle log-linéaire
dont la formalisation est la suivante :
log li = X i b (16)
Avec X la matrice des variables explicatives de l’intensité d’adoption des

SFM. Ces variables sont supposées linéairement indépendantes et obser-
vées pour l’individu i. b est le vecteur des paramètres. D’un point de vue
théorique, la moyenne et la variance de la distribution de Poisson sont
exprimées comme suit :
E ( H i / X i ) = Var( H i / X i ) = l (17)
3.2.2.1 H
étérogénéité inobservée dans l’équation
de l’intensité d’adoption des SFM
Comme dans le cadre de l’analyse précédente, nous soupçonnons une endo-

généité de la variable facilité d’utilisation en raison des facteurs non ob-
servés dans l’équation de l’intensité d’adoption, qui sont corrélés avec la
variable facilité d’utilisation. Nous appliquons ici la méthode similaire à
celle de l’analyse précédente pour la correction de cette hétérogénéité inob-
servée, et donc le même procédé. Toutefois, dans cette analyse, les variables
latentes (de l’équation de sélection) désignant l’intensité d’adoption des
SFM Orange et MTN sont respectivement définies comme suit :

1 si rapport d’un motif d’adoption pour Orange
ISOi* =  (18)
0 sinon
1 si rapport d’un motif d’adoption pour MTN

ISMTN i* =  (19)
0 sinon
3.2.2.2 E
ffet du traitement Orange money sur l’intensité
d’adoption des SFM
Nous analysons ici les effets du traitement Orange money sur l’intensité
d’adoption des SFM. Cette influence est déterminée à partir de la régres-
sion de l’équation suivante :
yi = dTraitementk + b X i + e i (20)
Où yi représente la variable dépendante du modèle (Intensité d’adoption);

Traitementk est le traitement Orange money sur le mode d’adoption k; bi,
le vecteur des paramètres associés aux caractéristiques des individus, aux
caractéristiques fonctionnelles et extra-fonctionnelles; Xi la matrice des

variables explicatives ; et ei le terme d’erreur.
3.3 Description des variables d’étude

Nous présentons ici les différentes variables utilisées dans cette analyse.
Il est toutefois important de rappeler que cette étude cherche, d’une part,
à expliquer les variables dépendantes yij (notamment l’adoption complète,
partielle et passive des SFM) par un ensemble de variables explicatives xi ;
et, d’autre part, d’expliquer la variable dépendante yi (l’intensité d’adop-
tion des SFM) par un ensemble de variables explicatives Xi.
3.3.1 Variables dépendantes
En s’appuyant sur les données d’enquête, notamment celles concernant

les réponses des individus sur l’utilisation des différents SFM, nous avons
construit la variable dépendante Adoption qui est une variable catégorielle
regroupant les différentes modalités d’adoption des SFM. Elle est codée
de la manière suivante : 0 = Adoption passive ; 1 = Adoption partielle et
2 = Adoption complète. La seconde variable dépendante (intensité d’adop-
tion) est une variable de comptage telle que définie dans la section 3.2.2 et

qui correspond au nombre de motifs d’adoption choisis par un individu.
3.3.2 Variables indépendantes
On peut distinguer deux catégories de variables explicatives: d’une part, les

variables socio-économiques et démographiques telles que le sexe, l’âge, le
niveau d’éducation, le revenu, le statut socioprofessionnel, le statut matri-
monial, la religion. Et d’autre part, les variables de contrôle qui peuvent éga-
lement affecter l’adoption des SFM, à savoir les connaissances financières,
la vulnérabilité, et l’accès aux services bancaires. La variable femme est une
variable binaire qui prend la valeur 1 si la répondante est une femme et
0 sinon. Elle permet de prendre en considération le fait que certains groupes
d’individus ont tendance à adopter majoritairement les SFM contraire-
ment à d’autres. Laforet et Li (2005) montrent que le taux d’adoption de
la banque mobile est beaucoup plus élevé chez les individus de sexe mascu-
lin comparativement à ceux de sexe féminin. Âge est une variable catégo-
rielle qui représente l’âge du répondant. Subdivisée en trois tranches d’âge
([15-35[ ; [35-55[ ; [55-75]), elle permet de prendre en compte la possibilité
d’une corrélation entre l’âge de l’individu et sa décision d’adopter ou non les

SFM. Les variables non scolarisé, primaire, secondaire et supérieur sont des
variables relatives au dernier niveau d’éducation complété par le répondant.
Elles sont toutes binaires et prennent la valeur 1 si le répondant a le ni-
veau scolaire désigné et 0 sinon. Les travaux menés par Mbiti et Weil (2011)
portant sur les déterminants de l’adoption du M-Pesa au Kenya concluent
sur l’existence d’une corrélation forte entre l’âge des individus, leur niveau
d’éducation et l’adoption de ce SFM. Sans emploi, apprenti, employé, retraité
sont les variables désignant le statut socioprofessionnel du répondant. Elles
nous renseignent sur la source du revenu de l’individu et permettent d’iden-
tifier si l’individu est salarié (ou si son travail est rémunéré) ou non. Dans
le premier cas, cette rémunération pourrait faciliter son accès aux services
financiers et par conséquent l’adoption des SFM. Ces variables sont toutes
binaires et prennent la valeur 1 si le répondant appartient à la catégorie
socioprofessionnelle désignée et 0 sinon. Le statut matrimonial des indivi-
dus est identifié par les variables célibataire, couple et divorcé. La situation
matrimoniale de l’individu peut, dans une certaine mesure, justifier l’utili-
sation des services financiers. À titre d’illustration, être marié ou en couple
pourrait justifier la nécessité d’épargner et d’utiliser les services d’épargne
par mobile. Ces variables sont binaires et prennent toutes la valeur 1 si le
répondant s’identifie à la variable désignée et 0 sinon. Il en est de même

pour les variables sans religion, chrétien et musulman qui désignent l’appar-
tenance religieuse des répondants.
Les variables fonctionnelles sécurité et facilité d’utilisation permettent
d’apprécier respectivement la sécurité (non seulement la sécurité que pro-
cure l’utilisation du service, mais également la protection des données per-
sonnelles qui constitue un élément fondamental pour les clients qui re-
cherchent très souvent la confidentialité de leurs données (Agarwal et al.,
2009)) et la facilité d’utilisation des SFM perçue par le répondant. La faci-
lité d’utilisation, tirée du MAT (Davis, 1989), peut être comprise comme le
degré auquel les individus pensent que l’utilisation d’un système est libre
d’efforts. Ainsi, une nouvelle technologie à l’exemple des SFM serait plus
facilement adoptée si elle se révèle facile d’utilisation. Les travaux de Luarn
et Lin (2005) témoignent de la validité de cette variable dans l’explication
de l’adoption des SFM. Ces variables sont binaires, car elles prennent la
valeur 1 si l’individu perçoit les SFM comme sécurisés/faciles d’utilisation
et 0 sinon. Il en est de même pour la variable extra-fonctionnelle utilité
perçue qui représente la croyance que l’individu a de l’utilité des SFM (le
MAT de Davis, 1989). L’utilité peut être comprise comme le degré auquel
un individu pense que l’usage d’un système particulier peut améliorer son
rendement. Pour Schierz et al. (2010), la non-compréhension des bénéfices
engendrés par l’utilisation des SFM peut expliquer sa faible adoption.
Concernant les variables de contrôle, nous retenons dans cette ana-
lyse la variable connaissances financières du répondant. Elle est binaire et
prend la valeur 1 si l’individu a des connaissances sur les services financiers
et 0 sinon. De nombreux travaux montrent que l’absence de connaissances
financières peut entraîner une méfiance envers les services financiers ou
encore une limitation de leur utilisation. Diniz et al. (2011) montrent que
les connaissances financières, notamment en ce qui concerne les SFM, sont
un préalable à leur utilisation et par conséquent à leur adoption. Ainsi,
avoir de bonnes connaissances financières augmenterait la probabilité
d’adoption des SFM. Les variables vulnérabilité et accès aux services ban-
caires sont également binaires. Elles désignent respectivement l’état de
vulnérabilité du répondant et l’accès de ce dernier aux services bancaires.
Les personnes vulnérables sont en général en marge du secteur financier
traditionnel. Selon Johnson et Nino-Zarazua (2009), les personnes qui
manquent de nourriture n’ont pas accès aux services financiers formels
et semi-formels. Au-delà du manque de nourriture, le manque de soins de
santé/médicaments, d’accès à l’éducation, d’eau/services publics, de loge-
ment traduisent également la vulnérabilité de l’individu. Must et Ludewig

(2010) soulignent que les SFM représentent un moyen moins coûteux et
plus sécurisé pour les opérations des personnes pauvres exclues du secteur
financier formel du fait des différentes contraintes de ce secteur. De ce
qui précède, nous nous attendons donc à ce que les personnes vulnérables
aient plus de chances d’adopter les SFM. Pour ce qui est de l’accès aux ser-
vices bancaires, certains SFM étant offerts par les banques commerciales
en partenariat avec les opérateurs de téléphonie mobile, être client d’une
banque pourrait influencer significativement l’adoption des SFM.
4 RESULTATS DE L’ANALYSE DE L’ADOPTION

DES SFM ET DISCUSSION
4.1 Statistiques descriptives

L’analyse descriptive de l’adoption globale des SFM dans la ville de Yaoundé
révèle un important taux d’adoption au sein de notre échantillon. En effet,
si 21 % des personnes interrogées déclarent ne pas avoir un compte mobile,
près de 79 % déclarent avoir souscrit à un compte mobile ou avoir utilisé
les SFM au cours des quatre dernières semaines avant l’enquête. Cette
forte adoption peut trouver une explication dans l’expansion rapide qu’ont
connue les SFM au Cameroun au cours de ces dernières années.
Les données récoltées auprès des opérateurs mobiles Orange et MTN
Cameroun témoignent de cette expansion, au regard non seulement de
l’évolution du nombre de comptes mobiles créés (66,7 % en 2017), mais aussi
du taux d’activité de ces comptes (passés de 37,8 % en 2015 à près de 79 %
en 2017) et de l’évolution de la valeur des transactions mobiles (passées de
870 milliards en 2016 à 2 577,8 milliards en 2017). Comme l’indique le tableau
1, les adoptants des SFM peuvent être classés en trois principales catégories
suivant l’utilisation ou non des SFM disponibles. Ainsi, on peut constater
que plus de la moitié des adoptants ont opté pour une adoption complète des
SFM (51 % des adoptants déclarent avoir utilisé tous les SFM disponibles
au cours des quatre dernières semaines précédant l’enquête). L’adoption
partielle ou l’utilisation d’au moins un des SFM au cours de cette même
période concerne 44 % de la population des adoptants. Et seulement 5 %
déclarent n’avoir utilisé aucun SFM durant cette période (adoption passive).
Une analyse de l’adoption des SFM selon le sexe des répondants ré-
vèle que, quel que soit le statut d’adoption (adoptant ou non-adoptant) ou
le mode d’adoption (complète, partielle ou passive), les individus de sexe

masculin sont majoritairement représentés. Ainsi, comparativement aux
femmes, les hommes auraient tendance à plus adopter les SFM. Bien que
plusieurs travaux corroborent ce résultat, cette différence d’adoption selon
le sexe peut également trouver une justification logique dans la structure
de notre échantillon ; celui-ci étant principalement constitué d’individus
de sexe masculin, qui représentent 56,5 % de l’ensemble des personnes
interrogées. Toutefois, nous constatons que le pourcentage le plus élevé de
femmes se trouve dans la population des adoptants complets. Autrement
dit, les femmes seraient plus portées vers une adoption complète des SFM,
et moins intéressées par une adoption passive.
Une répartition des adoptants selon l’âge laisse clairement entrevoir,
d’une part, une forte adoption des SFM par les individus les plus jeunes
et, d’autre part, un fort rejet par les répondants les plus âgés. En effet,
quel que soit le mode d’adoption, les adoptants appartenant à la tranche
des [15-35[ ans sont largement majoritaires. Ils représentent 71 % de la
population des adoptions complètes, 69 % des adoptions partielles et 78 %
des adoptions passives. Il s’agit en réalité d’une tranche de la population
fortement pénétrée par les TIC et qui a une maîtrise parfaite des outils sur
lesquels s’appuient les SFM (téléphones, tablettes, etc.), contrairement aux

individus plus âgés, notamment les personnes appartenant à la tranche des
[55-75] ans, qui ne représentent que 11 % des adoptants partiels. Cette der-
nière population a encore du mal à être réceptive aux TIC, et les difficultés
d’utilisation des outils associés aux SFM sont la plupart du temps évoquées
comme la principale raison de ce rejet.
Le niveau d’éducation et le statut socioprofessionnel des individus se
présentent comme étant des facteurs d’adoption des SFM dans la ville de
Yaoundé : le tableau 1 révèle que l’adoption des SFM croit de manière dif-
férenciée avec le niveau d’éducation des répondants. Ainsi, quel que soit
le mode d’adoption des individus, les adoptants des SFM ont en grande
majorité un niveau d’étude supérieur (65 % pour l’adoption complète, 59 %
pour l’adoption partielle et 78 % pour l’adoption passive). Ces derniers
sont pour la plupart des employés (56 % pour l’adoption complète, 41 %
pour l’adoption partielle et 28 % pour l’adoption passive) ou des apprentis
(respectivement 33 %, 44 % et 53 %). Le premier résultat met en évidence
l’importance des facteurs cognitifs à l’instar de l’alphabétisation ou de
l’éducation, indispensables à l’adoption d’une innovation. Car, de manière
générale, les personnes ne sachant ni lire ni écrire éprouvent des difficul-
tés réelles à utiliser des instruments liés aux SFM et, par conséquent, ont
tendance à davantage rejeter ces services. Le second résultat interpelle sur

la nécessité de disposer d’un revenu, car les coûts des SFM peuvent consti-
tuer une véritable barrière à l’adoption, notamment chez les personnes
sans emploi ou n’ayant aucune source de revenus.
Lorsqu’on s’intéresse à l’analyse de l’adoption des SFM selon le sta-
tut matrimonial et l’appartenance religieuse des individus enquêtés, on
constate, d’une part, des taux d’adoption beaucoup plus élevés chez les
individus célibataires (59 % des adoptions complètes, 67 % des adoptions
partielles et 80 % des adoptions passives), suivis des répondants en couple
(respectivement 38 %, 30 % et 18 %) et, d’autre part, une forte adoption
chez les personnes de religion chrétienne comparativement à celles de reli-
gion musulmane ou encore celles n’appartenant à aucune religion.
L’analyse statistique des variables fonctionnelles (sécurité et facilité
d’utilisation perçue) et extra-fonctionnelles (utilité perçue) indique que
les adoptants complets ont une plus grande perception de la sécurité, de
l’utilité et de la facilité d’utilisation des SFM. Autrement dit, ces derniers
ont adopté l’ensemble des SFM parce qu’ils trouvent ces services dans un
premier temps faciles à utiliser (83 % des adoptants) et ensuite utiles (50 %
Tableau 1 : Le profil des répondants selon l’adoption ou non des SFM (en %)
Ensemble des adoptants
Non– Adoption Adoption Adoption

adoptant complète partielle passive
Echantillon 21 51 44 5
Homme 64 55 57 70
Femme 36 45 43 30
[15–35[ 59 71 69 78
[35–55[ 24 27 20 20
[55–75] 17 2 11 2
Non scolarisé 1 0 1 0
Primaire 8 4 8 2
Secondaire 36 31 32 20
Supérieur 55 65 59 78
Sans emploi 11 10 13 19
Apprenti 35 33 44 53
Employé 51 56 41 28
Retraité 3 1 2 0
Célibataire 53 59 67 80
Couple 44 38 30 18
Divorcé/veuf 3 3 3 2
Sans religion 8 3 8 5
Chrétien 77 88 80 87

Musulman 15 9 12 8
Vulnérabilité 32 39 40 48
Accès aux services bancaires 32 41 26 27
Connaissance des SFM 63 92 75 91
Sécurité perçue – 35 24 3
Utilité perçue – 50 28 4
Facilité d’utilisation perçue – 83 29 4
Epargner – 46 18 0
Recevoir des transferts – 51 12 0
Envoyer des transferts – 51 7 0
Paiement des factures – 26 9 0
Paiement d’achats divers – 31 9 0
Paiement des services rendus – 34 10 0
Remboursement des dettes – 34 12 0
Perception du salaire – 24 7 0
Source : à partir des données de l’enquête.

des adoptants). Ce résultat confirme celui des travaux de Bandura (1982),

qui montre que la perception qu’ont les individus de la facilité d’utilisation
et de l’utilité d’une innovation a un impact positif sur leur comportement
ou intention d’adoption. La sécurité, notamment en termes de protection
des données personnelles et des transactions, est évoquée comme raison
d’adoption par 35 % des adoptants.
Cependant, lorsqu’on s’intéresse aux adoptants passifs, on peut expli-
quer leur mode d’adoption par la faible perception qu’ils ont de la sécu-
rité des SFM, de l’utilité, mais également de la facilité d’utilisation de ces
services. En effet, si 4 % trouvent les SFM utiles et faciles à utiliser, 3 %
seulement les trouvent sécurisés. Il ressort de l’analyse de ces variables
que la facilité d’utilisation perçue se présente comme la principale raison
de l’adoption complète et de l’adoption passive des SFM dans la ville de
Yaoundé, suivie de l’utilité perçue par les adoptants.
L’analyse de l’utilisation des SFM permet de constater que, comme at-
tendu, les adoptants complets utilisent majoritairement l’ensemble des SFM
disponibles. Toutefois, leur usage est plus porté sur certains services de base,
notamment l’envoi et la réception de transferts (51 % des adoptions com-
plètes) ou encore l’épargne (46 %). En ce qui concerne l’adoption partielle,
l’usage du service d’épargne mobile se présente comme l’utilisation majori-
taire (pour 18 % des adoptants partiels), suivi de la réception des transferts

et du remboursement des dettes (12 %). Cependant, quel que soit le mode
d’adoption, la perception du salaire et le paiement des factures sont les SFM
les moins utilisés.
Le tableau B de l’annexe présente de manière plus détaillée les statis-
tiques descriptives de l’ensemble des variables retenues dans cette analyse.
Les statistiques de l’indice d’intensité d’adoption révèlent que les adop-
tants des SFM choisissent en moyenne 3 SFM. L’analyse de l’écart-type
(2,78) montre également que les variables qui constituent cet indice ne
sont pas dispersées.
4.2 Analyse économétrique
4.2.1 Profil des adoptants des SFM
Cette analyse consiste à comparer les différents modes d’adoption des

SFM avec une alternative principale encore appelée catégorie de base.
Le tableau 2 ci-dessous présente les résultats de la régression logistique
Tableau 2 : L’adoption des SFM : résultats de l’estimation

du modèle Logit multinomial
(Catégorie de référence : adoption complète)
Adoption partielle Adoption passive

Variable
Coef. (Err.type) Coef. (Err.type)
Femme 0,0690 (0,143) -0,691** (0,306)
Age 0,0143 (0,0107) 0,0326 (0,0207)
Non scolarisé 0,849 (0,899) -13,40 (1,333)
Primaire 0,568 (0,356) -1,160 (1,089)
Secondaire 0,132 (0,172) -0,502 (0,379)
Supérieur Réf Réf Réf Réf
Sans emploi 0,573** (0,261) 1,231** (0,538)
Apprenti 0,729*** (0,229) 1,077** (0,494)
Retraité 1,090* (0,613) -13,26 (1,130)
Employé Réf Réf Réf Réf
Couple -0,443** (0,208) -0,734 (0,485)
Divorcé/veuf -0,360 (0,476) -0,784 (1,125)
Célibataire Réf Réf Réf Réf
Sans religion 0,558 (0,393) 0,738 (0,811)

Chrétien 0,00664 (0,235) 0,595 (0,514)
Musulman Réf Réf Réf Réf
Revenu 0,108 (0,138) -0,0374 (0,295)
Connaissances financières -0,789** (0,327) -1,375*** (0,527)
Vulnérabilité 0,0788 (0,143) 0,177 (0,288)
Accès services bancaires -0,721*** (0,195) -0,191 (0,395)
Sécurité -0,608*** (0,143) -0,763*** (0,284)
Utilité perçue -2,530*** (0,428) -1,827** (0,762)
Facilité d’utilisation -1,184*** (0,404) -0,834 (0,747)
Constante 2,383 (1,647) 0,806 (3,519)
Nombre d’observation = 1200
LR chi2 (38) = 392,52
Prob > chi2 = 0,0000
Pseudo R2 = 0,1916
Source : à partir des données de l’enquête ;

*** significatif à 1 % ; ** significatif à 5 % ; *significatif à 10 %.
multinomiale sur les différents modes d’adoption des SFM dans la ville de
Yaoundé, par rapport à la catégorie de référence « adoption complète ». Les
coefficients sont interprétés comme des augmentations ou des diminutions
de la probabilité d’un certain mode d’adoption versus l’alternative d’adop-
tion complète.
Les résultats révèlent qu’être une femme plutôt qu’un homme dimi-
nue la probabilité d’adoption passive. Ainsi, les chances d’une adoption
complète des SFM sont plus élevées chez les individus de sexe féminin com-
parativement aux chances d’adoption passive. Autrement dit, les femmes
seraient plus portées pour l’adoption complète que pour l’adoption passive
des SFM. La variable sexe ne se révèle cependant pas significative dans le
cas de l’adoption partielle. Lorsqu’on s’intéresse au statut socioprofession-
nel des individus, on constate qu’être sans emploi ou apprenti, contraire-
ment à être employé, augmente la probabilité d’adoption partielle des SFM.
En effet, les coefficients associés aux variables sans emploi et apprenti sont
positifs (0,573 et 0,729 respectivement) et significatifs au seuil de 5 % et
1 % respectivement. En d’autres termes, les individus n’ayant pas d’emploi
tout comme les apprentis ont moins de chances d’être des adoptants com-
plets des SFM (utilisation de l’ensemble des SFM disponibles) que d’être
des adoptants partiels (utilisation exclusive de certains SFM). Un résultat
similaire est trouvé lorsqu’on s’intéresse à l’analyse de l’adoption passive :

en d’autres termes, les individus n’ayant pas d’emploi tout comme les ap-
prentis ont moins de chances d’être des adoptants complets. Il est donc plus
probable pour les individus ayant un emploi d’être des adoptants complets.
Ces résultats témoignent de l’importance d’une source de revenus ou tout
simplement du revenu dans l’adoption des SFM. En effet, l’utilisation de
ces services impliquant un coût pour les adoptants, il serait peu probable
pour des personnes n’ayant aucune source de revenus ou encore pour celles
ayant un faible revenu (notamment les sans-emploi et apprentis) d’utiliser
ces services ou du moins la totalité des SFM.
Les coefficients des variables relatives au niveau d’éducation sont non
significatifs aussi bien pour l’adoption partielle que passive. La non-signi-
ficativité de ces variables permet de conclure que le niveau d’éducation
des individus n’influence pas leur mode d’adoption. De même, l’âge de ces
derniers n’a aucune influence sur leur mode d’adoption des SFM.
En ce qui concerne le statut matrimonial, nous observons que le coeffi-
cient associé à la variable couple est négatif (-0,443) et significatif au seuil
de 5 % dans le cas de l’adoption partielle. Une interprétation de ce résultat
est que : être en couple plutôt que célibataire a pour effet de diminuer la
probabilité d’adoption partielle des SFM. Ainsi, les personnes en couple
ont plus de chances d’être des adoptants complets. Le statut matrimonial
de l’individu apparaît donc comme un facteur d’utilisation des SFM pour
des motifs aussi divers que variés. De manière générale, les personnes
en couple sont la plupart du temps confrontées à de nombreuses charges
(paiement des factures, loyer, frais médicaux, scolarité, etc.) engendrant
différents flux financiers et nécessitant différents services. Les multiples
SFM (transferts mobiles, paiements mobiles, etc.) représenteraient pour
ces dernières une opportunité au regard non seulement du gain de temps
qu’ils procurent, mais également des coûts de transactions jugés très abor-
dables. Cependant, la variable couple n’est pas significative dans le cas de
l’adoption passive.
Le tableau des résultats montre également que les connaissances fi-
nancières ont un impact négatif et significatif sur les probabilités d’adop-
tion partielle et passive des SFM (coefficients négatifs et significatifs au
seuil de 5 % et 1 % pour l’adoption partielle et passive, respectivement).
Autrement dit, avoir des connaissances financières réduit les probabilités
d’adoption partielle et passive. Ainsi les personnes ayant des connaissances
financières ont plus de chances d’être des adoptants complets.

L’analyse de la variable extra-fonctionnelle indique que l’utilité per-
çue exerce une influence négative et significative sur l’adoption partielle et
l’adoption passive. Autrement dit, la perception de l’utilité des SFM dimi-
nue non seulement la probabilité d’une adoption partielle, mais également
celle d’une adoption passive des SFM. Ainsi, les personnes qui perçoivent
les SFM comme utiles ont plus de chances d’être des adoptants complets.
Un résultat similaire est trouvé lorsqu’on s’intéresse au coefficient relatif
à la variable sécurité perçue. En d’autres termes, les individus qui per-
çoivent les SFM comme sécurisés ont plus de chances d’être des adoptants
complets. La facilité d’utilisation perçue, quant à elle, influence exclusive-
ment l’adoption partielle (le coefficient associé à cette variable se révèle
négatif et significatif à 1 %). Plus précisément, la facilité d’utilisation per-
çue diminue les chances d’une adoption partielle des SFM.
Il convient de souligner que la variable revenu (non significative)
est potentiellement endogène, car certains facteurs spécifiés dans cette
régression sont susceptibles d’influencer à la fois le niveau de revenu et
l’adoption des SFM (comme par exemple le niveau d’éducation qui est un
déterminant du revenu et de l’adoption des SFM). Nous avons procédé à
l’estimation en excluant la variable revenu (voir en annexe tableau D).

Ceci ne modifie pas l’interprétation des résultats.
Les tableaux 3 et 4 présentent les résultats de la correction non seu-
lement du biais potentiel de sélection de l’échantillon, mais également de
l’hétérogénéité non observée captée par l’interaction de la facilité d’utilisa-
tion avec son résidu, pour les adoptants des SFM Orange et MTN respec-
tivement. Lorsqu’on s’intéresse au groupe des adoptants des SFM Orange,
l’analyse de l’IRM permet de confirmer l’existence de l’hétérogénéité dans
les sous-groupes des adoptants complets et des adoptants partiels. En effet,
les coefficients associés à l’IRM dans ces deux sous-groupes (1,389 et -1,317
respectivement) se révèlent significatifs au seuil de 1 %.
Pour les adoptants complets, le statut socioprofessionnel et l’utilité
perçue des SFM exercent un effet discriminant négatif sur la probabilité
d’adoption des SFM. Une interprétation de ce résultat est que, les indivi-
dus n’ayant pas d’emploi, les retraités, et ceux percevant les SFM comme
utiles ont moins de chances d’adopter l’ensemble ou la totalité des SFM
(les coefficients associés à ces variables se révèlent négatifs et statistique-
ment significatifs au seuil de 5 %, 5 % et 1 %, respectivement). Si ces résul-
tats restent pratiquement similaires à ceux consignés dans le tableau 2, no-
tamment en ce qui concerne les variables socioprofessionnelles (l’analyse
des adoptions partielle et passive avec pour référence l’adoption complète

montre que les personnes sans emploi, les apprentis et les retraités ont
moins de chances d’adopter l’ensemble des SFM. L’absence d’une source
de revenus ou tout simplement de revenus pouvant représenter ici une
barrière évidente à l’adoption de la totalité des SFM ou du moins expliquer
une adoption sélective des SFM, notamment ceux les plus accessibles en
termes de coût ou tout simplement une adoption passive), ils révèlent une
influence contraire pour ce qui est de la variable utilité perçue.
Tout comme dans la régression logistique multinomiale, on relève
également une influence positive et significative (au seuil de 5 % et 1 %
respectivement) des variables, accès aux services bancaires et sécurité per-
çue, sur la probabilité d’adoption des SFM chez les adoptants complets. Au
Cameroun, les SFM étant également offerts par les banques en partenariat
avec les opérateurs de téléphonie mobile, être client d’une banque donne
la possibilité de disposer des informations sur une gamme plus large de
SFM disponibles ; ce qui pourrait expliquer l’adoption de plusieurs ser-
vices par les individus ayant accès aux banques. Pour ce qui est de la sécu-
rité perçue, celle-ci prend en compte deux dimensions à savoir : la sécurité
Tableau 3 : L’adoption des SFM : correction de l’hétérogénéité non observée

(cas des adoptants des SFM de l’opérateur Orange Cameroun)
Approche par la fonction de contrôle
Equation de Sélection Adoption complète Adoption partielle Adoption passive

Variable
Coef. (Err.type) Coef. (Err.type) Coef. (Err.type) Coef. (Err.type)
Constante 0,635 (0,982) -4,070*** (1,149) 2,884** (1,121) -0,432 (1,846)
Femme -0,115 (0,086) -0,099 (0,090) 0,184** (0,089) -0,336** (0,149)
Age 0,016*** (0,006) 0,011 (0,008) -0,012 (0,007) 0,007 (0,012)
Non scolarisé -0,041 (0,547) -0,451 (0,558) 0,662 (0,544) - -
Primaire 0,079 (0,218) -0,284 (0,218) 0,418** (0,215) -0,527 (0,428)
Secondaire 0,153 (0,101) 0,124 (0,113) -0,036 (0,110) -0,264 (0,183)
Sans emploi 0,037 (0,162) -0,361** (0,151) 0,229 (0,151) 0,471* (0,249)
Apprenti 0,120 (0,137) -0,155 (0,148) 0,106 (0,147) 0,292 (0,253)
Retraité -0,247 (0,356) -0,789** (0,362) 0,898** (0,358) - -
Couple -0,132 (0,122) 0,154 (0,127) -0,110 (0,127) -0,220 (0,224)
Divorcé/veuf -0,132 (0,274) 0,141 (0,271) -0,079 (0,273) -0,209 (0,482)
Sans religion 0,207 (0,237) -0,242 (0,243) 0,171 (0,236) 0,246 (0,387)
Chrétien 0,246** (0,146) 0,084 (0,165) -0,168 (0,160) 0,337 (0,260)
Revenu 0,020 (0,082) 0,034 (0,083) 0,007 (0,083) -0,067 (0,139)
Connaissances financières -0,113 (0,194) 0,260 (0,199) -0,124 (0,193) -0,373 (0,269)
Adoption des services financiers mobiles : une application à la ville de Yaoundé
Vulnérabilité 0,088 (0,086) -0,108 (0,104) 0,046 (0,103) 0,140 (0,167)

Accès services bancaires -0,049 (0,114) 0,266** (0,115) -0,321*** (0,115) 0,112 (0,190)
113


114

Variable
Sécurité -0,054 (0,086) 0,376*** (0,087) -0,299*** (0,086) -0,253* (0,140)

Utilité perçue -1,901*** (0,129) -4,846*** (1,541) 3,431** (1,487) 2,374 (2,732)
Connaissances mobiles -0,346*** (0,123)
Résidence 6,274*** (1,765) -4,306** (1,677) -3,610 (2,990)
Interaction 0,017 (0,289) -0,140 (0,290) 0,853 (0,921)
IRM 1,389*** (0,475) -1,317*** (0,462) -0,117 (0,762)
Nombre d’observations = 1200 1200 1200 1175
Prob > chi2 = 0,0000 0,0000 0,0000 0,0197
Pseudo R2 = 0,2336 0,2203 0,2021 0,0712


Tableau 4 : L’adoption des SFM : correction de l’hétérogénéité non observée (cas des adoptants des SFM MTN Cameroun)

Variable
Constante 0,705 (0,936) -4,535*** (1,171) 3,459*** (1,152) -0,402 (1,944)
Femme 0,042 (0,081) 0,054 (0,084) 0,039 (0,084) -0,348** (0,141)
Age 0,0009 (0,005) -0,002 (0,006) 0,000 (0,006) 0,008 (0,010)
Non scolarisé -0,994** (0,489) -1,536** (0,666) 1,729*** (0,650) - -
Primaire -0,145 (0,208) -0,510** (0,218) 0,639*** (0,216) -0,511 (0,429)
Secondaire -0,121 (0,096) -0,140 (0,104) 0,215** (0,103) -0,246 (0,174)
Sans emploi 0,373** (0,150) -0,029 (0,181) -0,103 (0,180) 0,448 (0,302)
Apprenti 0,350*** (0,127) 0,094 (0,178) -0,150 (0,177) 0,276 (0,306)
Retraité 0,182 (0,362) -0,348 (0,369) 0,492 (0,364) - -
Couple 0,138 (0,113) 0,430*** (0,127) -0,374*** (0,128) -0,239 (0,222)
Divorcé/veuf 0,253 (0,262) 0,512* (0,285) -0,435 (0,287) -0,233 (0,490)
Sans religion -0,412* (0,230) -0,806*** (0,256) 0,702*** (0,247) 0,281 (0,395)
Chrétien -0,325** (0,142) -0,436*** (0,165) 0,324* (0,160) 0,370 (0,274)
Revenu 0,116 (0,078) 0,131 (0,089) -0,090 (0,089) -0,073 (0,149)
Connaissances financières 0,096 (0,185) 0,453** (0,200) -0,304 (0,194) -0,385 (0,265)
Vulnérabilité -0,121 (0,081) -0,324*** (0,101) 0,255** (0,101) 0,156 (0,170)
Adoption des services financiers mobiles : une application à la ville de Yaoundé
Accès services bancaires -0,305*** (0,106) 0,011 (0,146) -0,064 (0,144) 0,127 (0,239)
Sécurité 0,118 (0,081) 0,550*** (0,093) -0,469*** (0,092) -0,266* (0,148)
115


116

Variable
Utilité perçue -1,351*** (0,153) -4,617*** (1,504) 3,302** (1,451) 2,351 (2,713)
Connaissances mobiles -0,502*** (0,130)
Résidence 6,688*** (1,768) -4,766*** (1,679) -3,664 (3,023)
Interaction 0,016 (0,289) -0,138 (0,290) 0,853 (0,921)
IRM 1,642*** (0,473) -1,628*** (0,460) -0,107 (0,768)
Nombre d’observations = 1200 1200 1200 1175
Prob > chi2 = 0,0000 0,0000 0,0000 0,0197
Pseudo R2 = 0,1234 0,2225 0,2048 0,0712


des informations (confidentialité des informations personnelles au cours

de l’utilisation des SFM) et la sécurité financière (absence de pertes finan-
cières dues à la fraude). Ainsi, plus les SFM sont sécurisés, plus les indivi-
dus ont tendance à les adopter dans un souci de garder non seulement leurs
informations confidentielles au cours des différentes transactions, mais
aussi de limiter les pertes financières. Lorsqu’on s’intéresse à l’analyse de
l’adoption partielle, l’on constate que ces deux variables (accès aux services
bancaires et sécurité) se présentent comme étant les facteurs réduisant sa
probabilité d’adoption. Autrement dit, les personnes ayant accès aux ser-
vices bancaires, ainsi que celles percevant les SFM comme sécurisés, ont
moins de chances d’être des adoptants partiels.
Concernant toujours le mode d’adoption partielle, l’approche par la
fonction de contrôle débouche sur une influence positive des variables
femme, éducation primaire et utilité perçue (0,184 , 0,418 et 3,431 respec-
tivement) sur la probabilité d’adoption des SFM de l’opérateur Orange, et
significative au seuil de 5 %. Une influence similaire est également trou-
vée chez les retraités. Autrement dit, les femmes auraient plus de chances
d’être des adoptantes partielles, tout comme les personnes de niveau
d’étude primaire et celles percevant les SFM comme utiles. Cette adoption
partielle des femmes peut trouver une explication dans les coûts des diffé-
rents services de l’opérateur Orange. Une analyse comparative des coûts

pratiqués par les deux opérateurs, effectuée par Mbouombouo (2017), per-
met de constater que les tarifs de l’opérateur Orange ne sont inégalés que
pour un seul type de service, à savoir notamment le transfert d’argent d’un
compte Orange vers un autre de même type. Ceci pourrait donc encourager
les femmes à n’adopter que ce service spécifique chez l’opérateur Orange,
afin de bénéficier de cet avantage concurrentiel (d’où l’adoption partielle
de ces dernières) et adopter ensuite les autres SFM chez le concurrent di-
rect. L’adoption partielle des individus ayant un niveau d’étude primaire,
pour sa part, peut s’expliquer par le manque d’aptitude de ces derniers à
utiliser des services nécessitant des aptitudes cognitives plus élevées. En
d’autres termes, ces individus se limiteraient exclusivement à adopter le ou
les services qu’ils peuvent aisément utiliser compte tenu de leur aptitude
cognitive. Ainsi, ils se contenteraient d’adopter un service qui ne requiert
pas une manipulation complexe. Il peut, par exemple, s’agir d’une adoption
exclusivement motivée par la réception d’argent, qui ne nécessite qu’un
code à quatre chiffres pour consulter le solde du compte mobile.
Nous nous abstenons cependant d’interpréter les résultats de cette es-
timation pour les individus ayant choisi le mode d’adoption passive (aussi
bien pour les services Orange que MTN), car on note une absence d’hétéro-
généité non observée dans ce sous-groupe (IRM non significatif). Toutefois,
il est important de noter que cette analyse révèle une proportion nulle pour
les adoptants passifs non scolarisés et retraités.
En considérant le groupe des adoptants des SFM offerts par l’opérateur
MTN, il est encore possible de confirmer l’existence de l’hétérogénéité dans
les sous-groupes des adoptants complets et des adoptants partiels (les coef-
ficients associés à l’IRM dans ces deux sous-groupes se révèlent tous signi-
ficatifs au seuil de 1 %). Une analyse comparative des facteurs explicatifs
de l’adoption dans les différents groupes permet de constater une influence
différenciée des variables explicatives sur l’adoption complète, selon que
les individus adoptent les services de l’opérateur Orange ou MTN. En ef-
fet, si le statut socioprofessionnel et l’utilité perçue se révèlent comme les
seules variables réduisant la probabilité d’adoption des SFM Orange chez
les adoptants complets, le tableau 4 montre que les chances pour ces der-
niers d’adopter les SFM de l’opérateur MTN sont réduites par beaucoup
plus de facteurs, notamment le niveau d’éducation, l’appartenance reli-
gieuse des individus, leur vulnérabilité et l’utilité perçue. Autrement dit,
les personnes non scolarisées, celles ayant un niveau d’étude primaire, tout
comme les individus sans religion et les personnes vulnérables ont moins
de chances d’adopter les SFM de l’opérateur MTN.

L’effet négatif des variables relatives au niveau d’éducation traduit
l’importance des facteurs cognitifs dans l’adoption complète des SFM de
l’opérateur MTN. Comparativement au résultat de l’adoption complète des
SFM de l’opérateur Orange, ce résultat pourrait signifier que les services
du premier opérateur (MTN) sont plus difficiles d’usage (nécessitant donc
une aptitude cognitive plus élevée) que ceux du second (Orange). Cette
tendance peut être confirmée lorsqu’on analyse l’adoption des SFM de ces
deux opérateurs en fonction de la perception de la facilité d’utilisation des
adoptants. En effet, une telle analyse permet de constater que si 64 % des
adoptants trouvent les SFM de l’opérateur Orange faciles à utiliser, ceux
de son concurrent sont perçus comme tels par seulement 36 % des adop-
tants des SFM. Cette perception de facilité d’utilisation pourrait d’ailleurs
expliquer la position dominante, notamment en termes de comptes de SFM
actifs 7, de l’opérateur Orange sur le marché des SFM au Cameroun.
7
Au quatrième trimestre de l’année 2018, l’Agence de Régulation des
Télécommunications (ART) estimait à 2 470 891 le nombre de comptes de SFM
En ce qui concerne les personnes ayant opté pour un mode d’adop-

tion partielle, l’on constate que l’adoption des SFM de l’opérateur MTN
est positivement et significativement influencée par plusieurs variables,
notamment le niveau de scolarisation des individus, leur religion, la vulné-
rabilité, tout comme l’utilité perçue des SFM. En effet, l’analyse du tableau
4 révèle que les adoptants partiels non scolarisés, ceux de niveau d’étude
primaire et secondaire, les personnes n’appartenant à aucune religion, les
chrétiens, les personnes vulnérables tout comme celles percevant l’utilité
des SFM ont plus de chances d’adopter les services de l’opérateur MTN.
Si cette adoption par les personnes ayant un niveau d’étude relativement
faible (notamment les individus non scolarisés) peut traduire une facilité
d’utilisation des services de l’opérateur MTN comparativement à ceux des
services de son concurrent (les services de l’opérateur MTN seraient moins
complexes et nécessiteraient par conséquent beaucoup moins d’aptitudes
cognitives), l’adoption des personnes vulnérables peut s’expliquer, non
seulement par le choix de ces dernières de n’adopter que le ou les services
qu’elles trouvent accessibles compte tenu de leur situation de vulnérabi-
lité (d’où l’adoption partielle), mais également au regard des avantages en
termes de coût des services de l’opérateur MTN.
Si l’influence négative des niveaux d’étude moins élevés (non scola-
risé, primaire) sur la probabilité d’adoption des SFM de l’opérateur MTN

peut trouver une explication logique dans l’importance des facteurs cogni-
tifs dans le processus d’adoption des innovations financières, les résultats
obtenus à partir des variables d’appartenance religieuse des individus ne
permettent cependant pas de se prononcer avec exactitude sur le compor-
tement d’adoption des SFM selon l’appartenance religieuse. En effet, vu
la composition de l’échantillon (majoritairement composé de personnes de
religion chrétienne), il serait un peu excessif de conclure, par exemple, en
ce qui concerne les adoptants partiels, que les chrétiens adoptent plus les
SFM comparativement aux musulmans.
Le tableau 5 présente les résultats de l’analyse de l’influence du trai-
tement sur les différentes modalités d’adoption des SFM. Cette analyse
souligne que, faire le choix des SFM Orange, augmente de 35 % les chances
d’adoption complète des SFM. Cependant, faire ce même choix contribue à
réduire la probabilité d’adoption partielle. En effet, le tableau des résultats
montre que les individus ayant fait le choix des SFM de l’opérateur Orange
actifs chez l’opérateur Orange contre 1 948 875 chez son concurrent MTN, soit
une différence de 522 016 en faveur d’Orange.
Tableau 5 : Traitement Orange : influence du traitement

sur les différents modes d’adoption des SFM
Variables Observations Moyenne Ecart-type Minimum Maximum

Adoption complète 1200 0,348 0,197 -0,096 0,742
Adoption partielle 1200 -0,081 0,318 -0,949 0,423
Adoption passive 1200 0,026 0,036 -0,149 0,179
ont 8 % moins de chances d’être des adoptants partiels. Enfin, faire le choix
des SFM Orange augmente de 3 % seulement les chances d’adoption pas-
sive. En somme, cette analyse permet de constater que les chances d’adop-
tion complète augmentent avec le choix des SFM de l’opérateur Orange (ce
même choix diminue bien évidemment les chances d’adoption partielle).
4.2.2 Indicateur de l’intensité d’adoption des SFM
Le tableau 6 présente les résultats de la régression de l’intensité d’adoption

des SFM. Le modèle de Poisson étant un modèle non linéaire, il en résulte
une certaine ambigüité en ce qui concerne l’interprétation des coefficients
obtenus après régression (quatrième colonne du tableau 6). Pour contour-

ner cette difficulté, on a généralement recours à l’interprétation des ratios
de taux d’incidence ou Incidence Rate Ratio (IRR) (sixième colonne du
tableau 6).
Ainsi, un ratio de taux d’incidence inférieur à 1 (IRR < 1) traduit chez
un adoptant une réduction des chances d’adopter plusieurs SFM, tandis
qu’un ratio de taux d’incidence supérieur ou égal à 1 (IRR ≥ 1) traduit chez
un adoptant une augmentation des chances d’adopter plusieurs SFM. La
régression du modèle linéaire présentée dans le tableau 6 (colonne 2) per-
met non seulement de conforter le choix du modèle de Poisson adopté dans
cette analyse, mais également de se prononcer sur sa robustesse. Ainsi, une
comparaison faite entre les coefficients associés aux différentes variables des
deux modèles permet dans un premier temps de constater que les coefficients
du modèle de régression linéaire sont beaucoup plus élevés comparativement
à ceux du modèle de Poisson. De ce fait, une prise en compte des résultats
du premier modèle pourrait donc entraîner une surestimation de l’effet de
ces variables. Ensuite, nous pouvons constater que les résultats obtenus des
deux analyses sont quasi identiques en termes de significativité et de signe
des coefficients, ce qui milite en faveur de la robustesse du modèle adopté.
Tableau 6 : L’intensité d’adoption des SFM : résultats de l’estimation

du modèle de régression linéaire et du modèle de Poisson
Régression linéaire Régression de Poisson

Variable
Coef. (Err.type) Coef. (Err.type) IRR (Err.type)
Femme 0,033 (0,139) 0,00098 (0,030) 1,00098 (0,030)
Age -0,014 (0,009) -0,0038* (0,0023) 0,996* (0,0023)
Non scolarisé 0,227 (0,832) 0,051 (0,183) 1,053 (0,193)
Primaire -0,844** (0,343) -0,253*** (0,087) 0,776*** (0,067)
Secondaire -0,202 (0,163) -0,049 (0,036) 0,951 (0,034)
Supérieur Réf Réf Réf Réf Réf Réf
Sans emploi -0,356 (0,256) -0,093* (0,056) 0,910* (0,051)
Apprenti -0,819*** (0,219) -0,213*** (0,048) 0,808*** (0,038)
Retraité -0,984* (0,588) -0,232 (0,151) 0,793 (0,119)
Employé Réf Réf Réf Réf Réf Réf
Couple 0,401** (0,195) 0,093** (0,041) 1,098** (0,045)
Divorcé/veuf 0,422 (0,446) 0,085 (0,095) 1,089 (0,104)
Célibataire Réf Réf Réf Réf Réf Réf
Sans religion -0,304 (0,369) -0,102 (0,088) 0,903 (0,079)
Chrétien -0,251 (0,225) -0,074 (0,051) 0,929 (0,047)

Musulman Réf Réf Réf Réf Réf Réf
Revenu -0,322** (0,131) -0,077*** (0,029) 0,926*** (0,027)
Connaissances
0,608** (0,307) 0,186** (0,077) 1,2043** (0,093)
financières
Vulnérabilité -0,0991 (0,141) -0,024 (0,031) 0,9763 (0,030)
Accès services
0,811*** (0,182) 0,200*** (0,039) 1,221*** (0,048)
bancaires
Sécurité 0,517*** (0,139) 0,133*** (0,031) 1,142*** (0,035)
Utilité perçue 2,270*** (0,348) 1,103*** (0,119) 3,013*** (0,359)
Facilité d’utilisation 1,619*** (0,352) 0,777*** (0,117) 2,174*** (0,254)
Constante 4,125*** (1,534) 0,452 (0,353) 1,571 (0,554)
Nbre obs : 1200 Nbre obs : 1200 Nbre obs: 1200
R-squared 0,3217 LR chi2 (19) : 1043 LR chi2 (19) : 1043
Adj R-squared 0,3107 Pseudo R2 : 0,164 Pseudo R2 : 0,164

Les résultats de la régression du modèle de Poisson révèlent que le

niveau d’éducation des individus, le statut professionnel et le revenu ont
un effet de réduction sur l’intensité d’adoption des SFM au sein de la popu-
lation étudiée. En effet, on constate que le ratio du taux d’incidence associé
à la variable primaire, qui désigne les individus ayant un niveau d’étude
primaire, est inférieur à un 1 (0,776 < 1) et statistiquement significatif
au seuil de 1 %. Autrement dit, l’intensité d’adoption des SFM chez ces
individus est 0,776 fois moins élevée que celle des personnes ayant un ni-
veau d’étude supérieur. Ce résultat témoigne de l’importance des facteurs
cognitifs dans l’adoption des innovations. Fall et al. (2015) trouvent que le
niveau d’éducation des individus influence le comportement d’adoption de
la banque mobile au Sénégal. Pour ces auteurs, plus les individus ont un
niveau d’étude élevé, plus ils adoptent la banque mobile. En effet, si l’uti-
lisation des SFM nécessite des aptitudes cognitives, il devient évident que
n’adopteront plus de SFM que les personnes ayant ces aptitudes.
De même, relativement aux personnes ayant un emploi, les individus
sans emploi et les apprentis ont une intensité d’adoption des SFM moins
élevée. En effet, le tableau de résultat montre, pour ces deux variables,
des ratios de taux d’incidence inférieurs à 1 (0,910 pour les sans-emploi et
0,808 pour les apprentis) et statistiquement significatifs au seuil de 10 %
et 1 % respectivement. Ainsi, si l’intensité d’adoption des SFM chez les

personnes sans emploi se révèle 0,910 fois moins élevée comparativement
à celle des personnes ayant un emploi, chez les apprentis cette intensité
d’adoption est 0,808 fois moins élevée. Ce résultat traduit la nécessité de
disposer d’une source de revenus pour adopter plusieurs services mobiles,
car ces services impliquent des coûts souvent très élevés, qui peuvent va-
rier selon le service utilisé. Autrement dit, comparativement aux personnes
sans emploi et aux apprentis, les personnes ayant un emploi (une source
de revenus) disposent d’un revenu leur permettant d’utiliser ou d’adopter
une gamme plus large de SFM. Tandis que les personnes sans emploi ou
les apprentis auront tendance à se contenter du minimum de SFM (gé-
néralement moins coûteux) compte tenu de leurs faibles revenus. Dans
la pratique, l’intensité d’adoption des personnes appartenant à ces deux
catégories socioprofessionnelles peut généralement se réduire à l’adoption
des services de base (réception de transferts ou envoi de transferts de très
petits montants) caractérisés par leurs très faibles coûts.
Cependant, l’analyse de l’intensité d’adoption des SFM en fonction
du revenu des individus indique qu’un revenu élevé implique une inten-
sité d’adoption plus faible. En effet, le ratio de taux d’incidence associé
à la variable revenu se montre inférieur à 1 (0,926 < 1) et significatif au

seuil de 1 %. Ainsi, l’intensité d’adoption des SFM est 0,926 fois moins
élevée chez les individus ayant un revenu élevé. En d’autres termes, plus
le revenu des individus est élevé, moins ces derniers adoptent les SFM.
Ce résultat, bien que contraire à celui attendu, peut trouver une explica-
tion dans le comportement financier des individus. En effet, les personnes
ayant un revenu élevé auraient un peu plus tendance à adopter les ser-
vices financiers traditionnels offerts par les banques et les microfinances,
dont les coûts ne représentent pas une barrière (du fait du revenu élevé
dont ils disposent). Tandis que pour les personnes à revenu modeste ou à
faible revenu, le coût des services financiers traditionnels peut constituer
un véritable obstacle à l’adoption et les contraindre à l’adoption des SFM
jugés nettement moins coûteux et plus accessibles. Par conséquent, ces
derniers utiliseraient plus de SFM comparativement aux personnes ayant
des revenus plus élevés, qui utiliseraient davantage des services financiers
traditionnels. Allant dans ce sens, les travaux de Must et Ludewig (2010)
présentent les SFM comme des moyens d’inclusion financière moins coû-
teux pour des personnes pauvres exclues du secteur formel du fait des dif-
férentes contraintes.
Le statut matrimonial des individus, les connaissances financières, l’ac-
cès aux services bancaires, la sécurité perçue des SFM, tout comme l’utilité

perçue et la facilité d’utilisation se révèlent également comme étant des dé-
terminants de l’intensité d’adoption des SFM. Cependant, contrairement
au premier groupe de variables, ces dernières ont pour effet d’augmenter
l’intensité d’adoption des services. Les résultats montrent que l’intensité
d’adoption des personnes en couple est 1,098 fois plus élevée que celle des
personnes célibataires. Le ratio de taux d’incidence associé à la variable
couple désignant les individus en couple est supérieur à 1 (1,098 > 1) et
significatif au seuil de 5 %. Tout comme le statut matrimonial, la sécurité
perçue influence à la hausse l’intensité d’adoption des SFM. Cette variable
présente également un ratio de taux d’incidence supérieur à 1 (1,142 > 1)
et significatif au seuil de 1 %. Une interprétation de ce résultat est que l’in-
tensité d’adoption des SFM est 1,142 fois plus élevée chez les individus qui
perçoivent les SFM comme sécurisés. En d’autres termes, plus les indivi-
dus perçoivent les SFM comme étant sécurisés, plus leur intensité d’adop-
tion de ces services est élevée. Ce résultat est conforme à celui des travaux
menés par Laforet et Li (2005) portant sur les déterminants de l’adoption
et de l’usage de la banque mobile dans le contexte chinois. Ces derniers
trouvent que la sécurité est le facteur le plus déterminant de l’adoption.
Ainsi, les personnes percevant les SFM comme sécurisés ont tendance à
adopter davantage ces services.
L’utilité perçue et la facilité d’utilisation perçue se révèlent également
comme étant des facteurs discriminants de l’intensité d’adoption des SFM.
Les ratios de taux d’incidence associés à ces deux variables se révèlent
supérieurs à 1 (3,013 et 2,174 respectivement) et significatifs au seuil de
1 %. Ainsi, si l’intensité d’adoption des SFM est 3,013 fois plus élevée chez
les individus qui perçoivent ces services comme utiles, l’analyse montre
que cette intensité est 2,174 plus élevée chez les individus qui perçoivent
les SFM comme faciles à utiliser. Dans cette même optique, l’étude de Yu
(2012) débouche sur l’importance de la facilité d’utilisation dans le com-
portement d’adoption des services de la banque mobile. Pour Riquelme et
Rios (2010), la facilité d’utilisation a une influence plus forte sur l’adoption
des SFM chez les individus de sexe féminin. Selon Shaikh et Karjaluoto
(2015), l’utilité perçue représente le facteur le plus important du compor-
tement d’adoption des SFM, aussi bien dans les pays développés que dans
les pays en développement. De même, l’étude menée par Dasgupta et al.
(2011) débouche sur la conclusion que l’utilité perçue augmente positive-
ment l’adoption des technologies et les SFM.
Dans les tableaux 7 et 8 sont consignés les résultats de la correction

du biais potentiel de sélection de l’échantillon et de l’hétérogénéité non
observée captée par l’interaction entre la facilité d’utilisation et son ré-
sidu, pour les adoptants des deux opérateurs des SFM (Orange et MTN
Cameroun respectivement) considérés dans cette étude. Ces deux tableaux
permettent de constater effectivement l’existence de l’hétérogénéité quel
que soit l’opérateur des SFM. En effet, tous les coefficients associés à l’IRM
(-4,162 pour l’estimation de l’intensité d’adoption des services financiers
Orange Cameroun et -1,689 pour celle des services financiers MTN) dans
les deux estimations se révèlent statistiquement significatifs au seuil de
1 %. Le signe négatif de ces coefficients permet de conclure que la facilité
d’utilisation aurait une incidence négative sur l’intensité d’utilisation des
SFM des deux opérateurs.
Une comparaison faite entre les résultats obtenus de la régression de
Poisson (tableau 6) et ceux consignés dans les tableaux 7 et 8 permet de
constater que les variables explicatives de l’intensité d’adoption des SFM
diffèrent selon les deux approches d’analyse. En effet, lorsqu’on considère
la correction de l’hétérogénéité non observée pour les adoptants des SFM de
l’opérateur Orange Cameroun (tableau 7), on constate que, contrairement
Tableau 7 : L’intensité d’adoption des SFM : correction de l’hétérogénéité

non observée (cas des adoptants des SFM Orange Cameroun)
Méthode par la fonction de contrôle
Equation de Sélection Intensité d’adoption

Variable
Constante -0,635 (0,982) 1,755** (0,765) 5,784** (4,426)

Femme 0,115 (0,086) -0,0599* (0,0331) 0,941* (0,031)
Age -0,016*** (0,006) 0,0093*** (0,00331) 1,009*** (0,003)
Non scolarisé 0,041 (0,547) 0,0280 (0,183) 1,028 (0,188)
Primaire -0,079 (0,218) -0,282*** (0,0905) 0,754*** (0,068)
Secondaire -0,153 (0,101) 0,0399 (0,0416) 1,040 (0,043)
Sans emploi -0,037 (0,162) -0,0639 (0,0563) 0,938 (0,052)
Apprenti -0,120 (0,137) 0,000968 (0,0568) 1,000 (0,056)
Retraité 0,247 (0,356) -0,416*** (0,153) 0,659*** (0,100)
Couple 0,132 (0,122) 0,0400 (0,0447) 1,040 (0,046)
Divorcé/veuf 0,132 (0,274) 0,0407 (0,0963) 1,041 (0,100)
Sans religion -0,207 (0,237) -0,0438 (0,0922) 0,957 (0,100)
Chrétien -0,246* (0,146) -0,0237 (0,0598) 0,976 (0,058)
Revenu -0,020 (0,082) -0,00806 (0,0312) 0,991 (0,030)

Connaissances
0,113 (0,194) -0,00697 (0,0826) 0,993 (0,082)
financières
Vulnérabilité -0,088 (0,086) -0,0807** (0,0396) 0,922** (0,036)
Accès services
0,049 (0,114) 0,101** (0,0416) 1,106** (0,045)
bancaires
Sécurité 0,054 (0,086) 0,157*** (0,0332) 1,169*** (0,038)
Utilité perçue 1,901*** (0,129) -4,221*** (0,791) 0,014*** (0,011)
Connaissances
0,346*** (0,123)
SFM
Résidence 5,334*** (0,875) 207,3*** (181,8)
Interaction 0,108 (0,113) 1,114 (0,125)
IRM -4,162*** (1,024) 0,015*** (0,015)
Nombre
1200 1200 1200
d’observations =
0,0000 0,0000 0,0000
Prob > chi2 =
0,2336 0,1646 0,1646
Pseudo R2 =

aux résultats consignés dans le tableau 6, les variables revenu, connais-

sance financière, couple et sans emploi n’ont aucun effet sur l’intensité
d’adoption des SFM. Cette analyse révèle plutôt l’influence des variables
femme, éducation primaire, retraité, vulnérabilité et utilité perçue sur l’in-
tensité d’adoption. Celles-ci ont pour effet de réduire l’intensité d’adoption
des SFM, car elles présentent toutes des ratios de taux d’incidence infé-
rieurs à 1 et significatifs.
Autrement dit, les femmes, les personnes de niveau d’étude primaire,
les retraités, les personnes vulnérables et celles percevant les SFM comme
utiles ont tendance à moins adopter les SFM Orange. Si l’intensité d’adop-
tion de ces services se révèle 0,941 fois moins élevée chez les femmes que
chez les hommes, elle est 0,754 fois moins élevée chez les personnes de
niveau d’étude primaire comparativement à celles de niveau supérieur,
0,659 fois moins élevée chez les personnes retraitées comparativement aux
employés et 0,922 fois moins élevée chez les personnes vulnérables.
Cependant, les variables âge, accès aux services bancaires, et sécurité
perçue augmentent plutôt l’intensité d’adoption des SFM de l’opérateur
Orange Cameroun (les ratios de taux d’incidence associés à ces différentes
variables sont tous supérieurs ou égaux à 1 et statistiquement significatifs).
En d’autres termes, les personnes âgées, celles ayant accès aux services

bancaires et celles percevant les SFM comme sécurisés ont tendance à da-
vantage utiliser les SFM de l’opérateur Orange. En effet, l’analyse montre
que, si l’intensité d’adoption des SFM est 1,009 fois plus élevée chez les
personnes âgées que chez les personnes jeunes, elle est 1,106 fois plus éle-
vée chez les individus ayant accès aux services bancaires et 1,169 fois plus
élevée chez ceux percevant les SFM comme sécurisés.
Lorsqu’on considère les résultats de l’analyse de la correction de l’hété-
rogénéité non observée chez les adoptants des SFM de l’opérateur MTN
(tableau 8), on peut également constater que les variables explicatives de
l’intensité d’adoption diffèrent quelque peu de celles consignées dans le
tableau 6. Cette analyse révèle une influence des variables relatives au
niveau d’éducation des individus (notamment les variables primaire et
secondaire), des variables désignant leur appartenance religieuse (à savoir
les variables sans religion et chrétien), la variable vulnérabilité et la va-
riable utilité perçue. Celles-ci réduisent l’intensité d’adoption des SFM. En
effet, les ratios de taux d’incidence associés à ces différentes variables se
révèlent tous inférieurs à 1 et significatifs. Ainsi, les personnes de niveau
d’étude primaire et secondaire, les personnes sans religion, les chrétiens
Tableau 8 : L’intensité d’adoption des SFM : correction de l’hétérogénéité

non observée (cas des adoptants des SFM
de l’opérateur MTN Cameroun)
Equation de
Intensité d’adoption
Variable Sélection

Constante -0,705 (0,936) 0,003 (0,500) 1,003 (0,502)
Femme -0,042 (0,081) 0,013 (0,030) 1,013 (0,031)
Age -0,0009 (0,005) 0,00048 (0,0024) 1,0004 (0,002)
Non scolarisé 0,994** (0,489) -0,227 (0,200) 0,796 (0,159)
Primaire 0,145 (0,208) -0,383*** (0,089) 0,681*** (0,061)
Secondaire 0,121 (0,096) -0,084** (0,037) 0,918** (0,034)
Sans emploi -0,373** (0,150) 0,040 (0,068) 1,040 (0,071)
Apprenti -0,350*** (0,127) 0,055 (0,067) 1,057 (0,071)
Retraité -0,182 (0,362) -0,235 (0,155) 0,790 (0,122)
Couple -0,138 (0,113) 0,156*** (0,043) 1,168*** (0,051)
Divorcé/veuf -0,253 (0,262) 0,191* (0,100) 1,211* (0,122)
Sans religion 0,412* (0,230) -0,273*** (0,097) 0,760*** (0,073)

Chrétien 0,325** (0,142) -0,247*** (0,062) 0,781*** (0,048)
Revenu -0,116 (0,078) 0,022 (0,033) 1,022 (0,034)
Connaissances
-0,096 (0,185) 0,079 (0,082) 1,082 (0,089)
financières
Vulnérabilité 0,121 (0,081) -0,172*** (0,038) 0,841*** (0,032)
Accès services
0,305*** (0,106) 0,026 (0,053) 1,026 (0,054)
bancaires
Sécurité -0,118 (0,081) 0,226*** (0,035) 1,254*** (0,043)
Utilité perçue 1,351*** (0,153) -3,295*** (0,729) 0,037*** (0,027)
Connaissances
0,502*** (0,130)
SFM
Résidence 5,486*** (0,872) 241,3*** (210,6)
Interaction 0,109 (0,112) 1,115 (0,125)
IRM -1,689*** (0,530) 0,184*** (0,097)
Nombre
1200 1200 1200
d’observations =
0,0000 0,0000 0,0000
Prob > chi2 =
0,1234 0,1635 0,1635
Pseudo R2 =

et les personnes vulnérables auraient tendance à moins adopter les SFM

de l’opérateur MTN. Le tableau montre que l’intensité d’adoption est
0,681 fois moins élevée chez les individus de niveau primaire et 0,918 fois
moins élevée chez ceux du secondaire comparativement aux individus du
supérieur. Cette intensité d’adoption est 0,760 fois moins élevée chez les
individus n’appartenant à aucune religion et 0,781 fois moins élevée chez
les chrétiens comparativement aux musulmans. Et enfin elle est 0,841 fois
moins élevée chez les personnes vulnérables.
Toutefois, on observe des effets d’une augmentation de l’intensité
d’adoption des SFM expliqués par les variables couple, divorcé et sécurité
perçue. Ainsi, les personnes en couple, les personnes divorcées et celles per-
cevant les SFM comme sécurisés auraient tendance à davantage adopter
les services financiers de l’opérateur MTN. Le tableau des résultats montre
que les ratios de taux d’incidence associés à toutes ces variables sont tous
supérieurs ou égaux à 1 et statistiquement significatifs. Ainsi, si l’inten-
sité d’adoption est 1,168 fois plus élevée chez les personnes en couple et
1,211 fois plus élevée chez les divorcées comparativement aux célibataires,
elle est 1,254 fois plus élevée chez les individus percevant les SFM comme
sécurisés. Hsu et Wang (2011) trouvent également que la sécurité perçue
est l’un des facteurs les plus importants dans la prise de décision d’adop-
tion des SFM. Autrement dit, la sécurité des informations personnelles

introduites dans le système et celle des transactions financières effectuées
conditionnent fortement l’adoption des SFM.
Cette augmentation de l’intensité d’adoption peut s’expliquer par le
désir des adoptants de garder leurs données personnelles toujours confi-
dentielles et d’effectuer sans risque de pertes financières leurs différentes
transactions. Concernant l’augmentation de l’intensité d’adoption des
SFM chez les personnes en couple, une explication pourrait être apportée
au regard des charges familiales pouvant exister entre les célibataires et
les personnes en couple. En effet, contrairement aux célibataires, les per-
sonnes en couple sont très souvent confrontées à de nombreuses charges
familiales (factures diverses, loyer, frais médicaux scolarité, etc.) qui en-
gendrent, la plupart du temps, différents flux financiers et nécessitent
l’adoption de plusieurs services financiers.
Le tableau 9 permet d’analyser les effets du traitement Orange sur l’in-
tensité d’adoption des SFM. Ainsi, il permet de constater que le traitement
Orange a une influence positive et significative sur l’intensité d’adoption
des SFM. En effet, le coefficient associé à la variable traitement Orange se
Tableau 9 : Influence du traitement sur l’intensité d’adoption des SFM
Intensité d’adoption
Variable
Coef. (Err.type) IRR (Err.type)
Traitement Orange 1,549*** (0,236) 4,708*** (1,113)
Femme -0,0305 (0,0307) 0,969 (0,029)
Age 0,0044* (0,0025) 1,004* (0,002)
Non scolarisé 0,187 (0,184) 1,206 (0,222)
Primaire -0,112 (0,089) 0,893 (0,079)
Secondaire 0,051 (0,038) 1,052 (0,041)
Sans emploi -0,080 (0,055) 0,923 (0,051)
Apprenti -0,136*** (0,048) 0,872*** (0,042)
Retraité -0,278* (0,151) 0,756* (0,114)
Couple 0,033 (0,042) 1,033 (0,043)
Divorcé/veuf 0,041 (0,095) 1,042 (0,099)
Sans religion -0,017 (0,089) 0,982 (0,087)
Chrétien 0,030 (0,053) 1,030 (0,054)

Revenu -0,067** (0,029) 0,934** (0,027)
Connaissances financières 0,112 (0,078) 1,119 (0,087)
Vulnérabilité 0,016 (0,031) 1,016 (0,031)
Accès services bancaires 0,145*** (0,039) 1,156*** (0,045)
Sécurité 0,114*** (0,031) 1,121*** (0,035)
Utilité perçue 0,021 (0,202) 1,021 (0,206)
Facilité d’utilisation 0,679*** (0,116) 1,973*** (0,230)
Constante 0,155 (0,355) 1,168 (0,415)
Nombre d’observations = 1200 1200
Prob > chi2 = 0,0000 0,0000
Pseudo R2 = 0,1710 0,1710

montre positif (1,549) et statistiquement significatif au seuil de 1 %. En

d’autres termes, faire le choix des SFM de l’opérateur Orange augmente de
4,70 fois l’intensité d’adoption des SFM au sein de la population étudiée.
Si ce résultat conforte la position de leader de l’opérateur Orange sur le
marché des SFM au Cameroun, il traduit d’abord des différences en ma-
tière d’offre de ces services entre les deux opérateurs. Des différences qui,
dans la pratique, peuvent être observées en termes de couverture réseau
(une meilleure couverture du réseau, même dans les zones éloignées des
grands centres urbains) ou encore de nombre de comptes mobiles créés ou
de comptes mobiles actifs.
5 CONCLUSION
L’objet de cette étude a été de contribuer à la littérature empirique en ana-

lysant, premièrement, les facteurs explicatifs de l’adoption des SFM, et en-
suite, l’ampleur de cette adoption dans la ville de Yaoundé, en s’appuyant
sur des données recueillies auprès de 1 200 individus. C’est-à-dire, à l’aide
d’une régression logistique multinomiale, nous avons tenté, d’une part,
de dresser le profil des adoptants des SFM selon leurs différents modes

d’adoption, et d’autre part, sur la base d’un modèle de Poisson, d’identifier
les déterminants de l’intensité d’adoption de ces services.
Les résultats de l’analyse descriptive indiquent que l’adoption com-
plète est le mode d’adoption prédominant au sein de la population des
adoptants des SFM. Plus précisément, près de 51 % des adoptants ont choi-
si une adoption complète, 44 % l’adoption partielle, tandis que seulement
5 % ont opté pour une adoption passive. Lorsqu’on s’intéresse au sexe des
adoptants, on constate que, bien que les hommes soient majoritairement
représentés, quel que soit le mode d’adoption, les femmes sont plus portées
vers une adoption complète des SFM que vers une adoption partielle ou
encore passive. Les SFM sont majoritairement adoptés par les personnes
jeunes, notamment celles appartenant à la tranche des [15-35[ ans qui
représentent 71 % des adoptions complètes, 69 % des adoptions partielles
et 78 % des adoptions passives. À l’opposé, quel que soit le mode d’adop-
tion, les SFM sont très faiblement adoptés par les personnes les plus âgées
notamment les [55-75] ans. L’adoption de ces services croit également avec
le niveau d’éducation des répondants. Quel que soit le mode d’adoption, les
adoptants des SFM ont en grande majorité un niveau d’étude supérieur
(65 % pour l’adoption complète, 59 % pour l’adoption partielle et 78 %

pour l’adoption passive). Ces derniers sont pour la plupart des employés
(56 % pour l’adoption complète, 42 % pour l’adoption partielle et 28 % pour
l’adoption passive) ou des apprentis (respectivement, 33 %, 44 % et 53 %).
Enfin, il ressort de l’analyse des variables fonctionnelles et extra-fonction-
nelles que la facilité d’utilisation perçue est la principale raison qui justifie
l’adoption complète et passive des SFM dans la ville de Yaoundé, suivie de
l’utilité perçue par les adoptants.
Les résultats de la régression logistique multinomiale permettent de
constater que, comparativement aux hommes, les femmes ont plus de
chances d’être des adoptantes complètes. L’analyse de la relation entre les
variables relatives au statut socioprofessionnel des individus et l’adoption
des SFM montre qu’il est plus probable pour les individus ayant un emploi
d’être des adoptants complets que des adoptants partiels ou passifs. De
même, les personnes en couple ont plus de chances de choisir l’adoption
complète des SFM que l’adoption partielle. Enfin, avoir des connaissances
financières accroît la probabilité d’adoption complète. Les résultats de
l’analyse de l’intensité d’adoption des SFM prenant en compte la correc-
tion de l’hétérogénéité non observée chez les adoptants des SFM de l’opé-
rateur Orange montrent que les femmes, les personnes de niveau d’étude
primaire, les retraités, les personnes vulnérables et celles percevant les

SFM comme utiles ont tendance à moins adopter les SFM Orange. Tandis
que l’âge, l’accès aux services bancaires, et la sécurité perçue augmentent
l’intensité d’adoption de ces derniers. Pour ce qui est de l’analyse de l’in-
tensité d’adoption des SFM prenant en compte la correction de l’hétéro-
généité non observée chez les adoptants des SFM de l’opérateur MTN, le
tableau des résultats indique que les personnes en couple, les personnes
divorcées ainsi que celles percevant les SFM comme sécurisés les adoptent
davantage. Cette intensité d’adoption est cependant réduite chez les indi-
vidus de niveau d’étude primaire, secondaire, ceux n’appartenant à aucune
religion, les chrétiens et les personnes vulnérables.
Ces résultats sont particulièrement importants pour la conception des
stratégies visant à améliorer l’adoption et l’intensité d’adoption des SFM.
En effet, malgré les nombreux avantages indéniables des SFM, cette ana-
lyse permet de constater qu’il existe encore de nombreux obstacles liés
aussi bien aux caractéristiques des individus qu’à ceux des SFM, qui li-
mitent leur adoption. C’est le cas de l’absence ou de l’insuffisance d’apti-
tudes cognitives qui se traduit ici par la faible probabilité d’adoption et
intensité d’adoption chez les personnes non scolarisées ou celles ayant un
faible niveau d’éducation. Relativement à cet obstacle, une action de la

part des opérateurs des SFM pourrait être orientée vers une éducation
financière des groupes d’individus concernés, à travers une intensification
des campagnes visant non seulement à faire connaître ces services, mais
surtout à éduquer ces personnes sur les différentes utilisations (améliorer
leur compréhension du fonctionnement des SFM).
Un autre résultat de cette analyse met en évidence une plus forte pro-
babilité d’adoption des SFM chez les personnes ayant un accès aux services
bancaires. Une recommandation, qui découle de ce résultat, est la nécessité
pour les banques et les microfinances de développer davantage les SFM afin
d’accroître l’intensité d’adoption des personnes bancarisées. Il serait donc
opportun pour ces établissements financiers d’élargir la gamme des SFM.
Il pourrait s’agir, entre autres, de développer des services de paiements
des pensions aux fonctionnaires retraités, des microcrédits ou encore des
remboursements de prêts par mobile.
RÉFÉRENCES
AGARWAL, R., PRASAD, J. (1999). “Are Individual Differences Germane to the
Acceptance of New Information Technologies?”, Decision Sciences, no. 30,
361-391.

AGARWAL, S., DRISCOLL, J., GABAIX, X., LAIBSON, D. (2009). “The Age
of Reason: Financial Decisions over the Life Cycle with Implications for
Regulation”, Brookings Papers on Economic Activity, 39(2), 51-117.
ASSADI, D., CUDI, A. (2011). « Le potentiel d’inclusion financière du mobile
banking : une étude exploratoire », Revue de management et avenir, 46(6),
227-243.
AVOM, D., BIDIASSE, H., MVOGO, G. (2021). « Adoption et usage du mo-
bile money au Cameroun: Analyse comparative des déterminants entre
les villes de Douala et de Yaoundé », African Development Review, 33(1),
67-78.
AWITI, J. (2014). “A Multilevel Analysis of Prenatal Care and Birth Weight in
Kenya”, Health Economics Review, 2014.
BANDURA, A. (1982). “Self-efficacy Mechanism in Human Agency”, American
Psychologist, 37, 122-147.
BANKOLE, F.O., BANKOLE, O.O., BROWN, I. (2011). “Mobile Banking
Adoption in Nigeria”, The Electronic Journal on Information Systems in
Developing Countries, 47(2), 1-23.
BAYE, F., SITAN, D. (2016). “Causes and Child Health Consequences of Maternal
Fertility Choices in Cameroon,” Journal of Economic Development, Chung-
Ang University, Department of Economics, 41(4),79-100.
BRANGIER, E., DUFRESNE, A., HAMMES-ADELE, S. (2009). « Approche

symbiotique de la relation humain-technologie : perspectives pour l’ergo-
nomie informatique », Le Travail Humain, 72(4), 333-353.
CAMERON, A., TRIVEDI, K. (2009). Microeconometrics Using Stata, College
Station, Texas, Stata Press Publication, Stata Corp LP, 692 p.
CHAIX, L., TORRE, D. (2015). « Le double rôle du paiement mobile dans les
pays en développement”, Revue économique, 66(4), 703-727.
CHEN, L. (2008). “A Model of Consumer Acceptance of Mobile Payment”,
International Journal Mobile Communications, 6(1).
COBAC (Commission bancaire de l’Afrique centrale) (2014). Rapport annuel
2014.
CREPON, B., JACQUEMET, N. (2010). « Econométrie : Méthodes et
Applications », Université Paris1 Panthéon-Sorbonne (Post-Print and
Working Papers), halshs-00505203, HAL.
DASGUPTA, S., PAUL, R., FULORIA, S. (2011). “Factors Affecting Behavioral
Intentions towards Mobile Banking Usage: Empirical Evidence from
India”, Romanian Journal of Marketing, 3(1), 6-28.
DAVIS, F.D. (1989). “Perceived Usefulness, Perceived Ease of Use, and User
Acceptance of Information Technology”, MIS Quaterly, 13(3), 319-340.
DAVIS, F.D. (1993). “User Acceptance of Information Technology System
Characteristics, User Perceptions and Behavioral Impacts”, International
Journal of Man-Machine Studies, 38(3), 475-487.
DEMIRGÜÇ-KUNT, A., KLAPPER, L. (2013). “Measuring Financial Inclusion:
Explaining Variation in Use of Financial Services across and within

Countries”, Brookings Papers on Economic Activity, 2013, 1, 279-340.
DINIZ, E., BIROCHI, R., POZZEBON, M. (2011). “Triggers and Barriers
to Financial Inclusion: The Use of ICT-Based Branchless Banking in
an Amazon County”, Electronic Commerce Research and Applications,
pp. 1-11.
DOUANLA, S., FOMBA, B. (2020). « Adoption des services d’argent mobile
dans la ville de Yaoundé, Cameroun », Les Cahiers du Cedimes, 15(3),
63-106.
FALL, F.S., KY, Y., BIRBA, O. (2015). “Analyzing the Mobile-Banking Adoption
Process among Low-Income Populations: A Sequential Logit Model”,
Economics Bulletin, 35(4), 2085-2103. From the UTAUT Model, Journal of
Electronic Commerce Research, 13(2), 104 - 121.
FALL, F.S., BIRBA, O. (2019). « L’inclusion financière par le mobile banking au
Sénégal: l’analyse des facteurs socio-économiques d’adoption », Monde en
Développement, 185(1), 61-82.
FALL, F.S., LUIS OROZCO, L., AL-MOUKSIT, A. (2020). “Adoption and Use
of Mobile Banking by Low- Income Individuals in Senegal”, Review of
Development Economics, 24(2), 569-588.
FINSCOPE (2017). Enquête sur le niveau d’inclusion financière au Cameroun,
Institut National de la Statistique.
FISHBEIN, M.A., AJZEN, I. (1975). “Belief, Attitude, Intention and

Behavior: An Introduction to Theory and Research, Reading”, MA,
Addison Wesley.
GOODHART, C. (2000). “Can Central Banking Survive the IT Revolution?”,
International Finance, 3(2), 189-209.
GOSAVI, A. (2018). “Can Mobile Money Help Firms Mitigate the Problem
of Access to Finance in Eastern sub-Saharan Africa?”, Journal of Afrian
Business, 19(3), 343-360.
GREENE, W. (2011). Économétrie. Paris, Pearson Education, 7e édition.
GSMA INTELLIGENCE (2015). “Global Market Overview”, The Mobile
Economy 2015.
HAMDI, H. (2010). “Is there A Relationship between E-Payment and Economic
Growth?” Global Business and Economic Anthology, No. 2, pp. 113-122.
HANAFIZADEH, P., BEHBOUDI, M., KOSHKSARAY, A.A., TABAR, M.J.
(2014). “Mobile-Banking Adoption by Iranian Bank Clients.”, Telematics
and Informatics, 31(1), 62-78.
HERNANDEZ, J.M., MAZZON, J.A. (2007). “Adoption of Internet Banking:
Proposition and Implementation of an Integrated Methodology Approach”,
International Journal of Bank Marketing, 25(2), 72 -88.
HSU, C.L., WANG, C.F. (2011). “Investigating Customer Adoption Behaviors
in Mobile Financial Services”, International Journal of Mobile
Communications, pp. 477-494.
JACK, W., SURI, T. (2011). “Mobile Money: The Economics of M-PESA”,
National Bureau of Economic Research (No. w16721).

JOHNSON, S., NINO-ZARAZUA, M. (2009). “Financial Access and Exclusion
in Kenya and Uganda”. Center for Development Studies (CDS), University
of Bath, Bath Papers in International Development, document de travail
No.1, 34 p.
KLAPPER, L. (2015). “Measuring Financial Inclusion: The Global Findex
Database». Washington, D.C: The World Bank. http://datatopics.world-
bank.org/financialinclusion
KOENING-LEWIS, N., PALMER, A., MOLL, A. (2010). “Predicting Young
Consumers’ Take up of Mobile Banking Services”, International Journal of
Banking Marketing, l28(5), 410-432.
LAFORET, S., LI, X. (2005). “Consumers’ Attitudes towards Online and Mobile
Banking in China”, The International Journal of Bank Marketing, 23(5),
362-380.
LAI, P.C. (2016). “Design and Security Impact on Consumers’ Intention to Use
Single Platform E-payment”, Interdisciplinary Information Sciences, 22(1),
111-122.
LAI, P.C., ZAINAL, A.A. (2015). “Consumers’ Intention to Use a Single Platform
E-Payment System: A Study among Malaysian Internet and Mobile
Banking Users”, Journal of Internet Banking and Commerce, 20(1),
1-13.
LASHITEW, A.A., VAN TULDER, R., LIASSE, Y. (2019). “Mobile Phones

for Financial Inclusion: What Explains the Diffusion of Mobile Money
Innovations?” Research Policy, 48(5), 1201-1215.
LAUKKANEN, T. (2010). “The Role of Information in Mobile Banking
Resistance”, International Journal of Bank Marketing, No. 25, 372-388.
LEE, Y.H., HSIEH, Y.C., HSU, C.N. (2011). “Adding Innovation Diffusion Theory
to the Technology Acceptance Model: Supporting Employees’ Intentions
to Use E-learning Systems”, Educational Technology & Society, 14(4),
124-137.
LUARN, P., LIN, H.H. (2005). “Toward an Understanding of the Behavioral
Intention to Use Mobile Banking”, Computers in Human Behavior, vol. 21,
873-891.
MAGO, S., CHITOKWINDO, S. (2014). “The Impact of Mobile Banking
on Financial Inclusion In Zimbabwe: A Case for Masvingo Province”,
Mediterranean Journal of Social Sciences, 5(9), 221-230.
MBITI, I., WEIL, D.N. (2011). “Mobile Banking: the Impact of M-Pesa in
Kenya”, NBER Working Paper 17129.
MBOUOMBOUO, P. (2017). « Mobile money et fidélisation des consommateurs
au Cameroun: de la guerre des SMS à la guerre des prix », Working Papers,
hal-01903067, HAL.
McFADDEN, D. (1973). “Conditional Logit Analysis of Qualitative Choice Be”,
in P. Zarembka (Ed.), Frontiers in Econometrics, Academic Press, New
York, 105-142.
McKINSEY QUARTERLY (2010a). “Capturing the Promise of Mobile Banking

in Emerging Markets”, https://www.mckinseyquarterly.com/Capturing the
promise of mobile banking in emerging markets 2539.
McKINSEY QUARTERLY (2010b). “Counting the World’s Unbanked”.
MENARD, S. (2001). “Applied Logistic Regression Analysis”, in M.S. Lewis-
Beck (Ed.), Sage Publications Series on Quantitative Applications in the
Social Sciences, Thousand Oaks, No. 07-106, 111 p., 2e édition.
MURENDO, C., WOLLNI, M., DE-BRAUW, A., MUGABI, N. (2018). “Social
Network Effects on Mobile Money Adoption in Uganda”, The Journal of
Development Studies, 542, 327-342.
MUST, B., LUDEWIG, K. (2010). “Mobile Money: Cell Phone Banking in
Developing Countries”, Policy Matters Journal, pp. 27-33.
MVOGO, G. (2016). “Conduite de la politique monétaire dans un contexte d’in-
novation financière en Union monétaire : une application au Cameroun”,
Thèse de Doctorat Cameroun: Université de Dschang, 217 p.
NARTEH, B., MAHMOUD, M., AMOH, S. (2017). “Customer Behavioral
Intentions towards Mobile Money Services Adoption in Ghana”, The
Service Industries Journal.
NDIRANGU, L., NYAMONGO, M. (2015). “Financial Innovations and their
Implications for Monetary Policy in Kenya”, Journal of African Economies,
24(1), 45-71.
RIQUELME, H.E., RIOS, R.E. (2010). “The Moderating Effect of Gender in the
Adoption of Mobile Banking”, International Journal of Bank Marketing,
28(5), 328-341.
ROGERS, E.M. (1995). Diffusion of Innovations, New York, Free Press. 4e édi-
tion.
SAMUDRA, M.S., PHADTARE, M. (2012). “Factors Influencing the Adoption
of Mobile Banking with Special Reference to Pune City”, ASCI Journal of
Management, 42(1), 51- 65.
SAYID, O., ECHCHABI, A., AZIZ, H.A. (2012). “Investigating Mobile Money
Acceptance in Somalia: An Empirical Study”, Pakistan Journal of Commerce
& Social Sciences, 6(2), 269-281.
SCHIERZ, P.G., SCHILKE, O., WIRTZ, B.W. (2010). “Understanding Consumer
Acceptance of Mobile Payment Services: an Empirical Analysis”, Electronic
Commerce Research and Applications, 9, 209-216.
SHAIKH, A., KARJALUOTO, H. (2015). “Mobile Banking Adoption:
A Literature Review”, Telematics and Informatics, 32(1).
TAN, K.S., CHONG, S.C., LOH, P.L., LIN, B. (2010). “An Evaluation of e-Ban-
king and m-Banking Adoption Factors and Preference in Malaysia : A Case
Study”, International Journal of Mobile Communications, 8(5), 507-527.
TAPE, Y.B. (2007). “Analyse économétrique de l’itinéraire thérapeutique des
ménages de Côte d’Ivoire, Mémoire de maîtrise, Québec, Université Laval,
80 p.
VENKATESH, V., MORRIS, M.G. (2000). “Why Don’t Men ever Stop to Ask
for Directions: Gender, Social Influence and their Role in Technology

Acceptance and Usage Behavior”, MIS Quarterly, 24(1), 115-139.
VENKATESH, V., MORRIS, M.G., DAVIS, G.B., DAVIS, F.D. (2003). “User
Acceptance of Information Technology: Toward a Unified View”, MIS
Quarterly, 27(3), 425-478.
WESSELS, L., DRENNAN, J. (2010). “An Investigation of Consumer Acceptance
of M-banking”, International Journal of Bank Marketing, 28(7), 547-568.
WILLIAMS, M.D., RANA, N.P., DWIVEDI, Y.K. (2015). “The Unified Theory
of Acceptance and Use of Technology (UTAUT): A Literature Review”,
Journal of Enterprise Information Management, 28(3), 443-488.
YU, C.S. (2012). “Factors Affecting Individuals to Adopt Mobile Banking:
Empirical Evidence from the UTAUT Model”, Journal of Electronic
Commerce Research, 13(2), 104-121.
ZHOU, T., LU, Y., WANG, B. (2010). “Integrating TTF and UTAUT to Explain
Mobile Banking User Adoption”, Computers in Human Behavior, 26,
760-767.
ANNEXE
Encadré A : Les termes d’erreurs indépendants et identiquement distribués

(i.i.d.)
McFadden (1973) a montré que dans les modèles dichotomiques multi-
nomiaux, les termes d’erreurs {eik}k=1,…k sont indépendamment et identique-
ment distribués (i.i.d.) entre ]–∞, +∞[ avec la distribution de Weibull (Crépon
et Jacquemet, 2010) :
F(eik) = ee(-eij)
En d’autres termes, comme l’affirme Tape (2007), il ne doit pas y avoir un

lien entre les facteurs inobservés qui pourrait affecter l’utilité des différentes
alternatives.
Tableau A : Test de multicolinéarité entre les variables indépendantes
Variables FIV 1/FIV

Facilité d’utilisation 3,92 0,255034
Utilité percue 3,89 0,256906
Age 2,66 0,376387
Apprenti 2,53 0,395217

Revenu 2,35 0,425252
Couple 1,90 0,525217
Accès services bancaires 1,66 0,600985
Sans emploi 1,56 0,639630
Sans religion 1,51 0,660887
Chrétien 1,50 0,668422
Secondaire 1,28 0,781187
Primaire 1,27 0,785385
Divorcé 1,19 0,840953
Retaité 1,14 0,874007
Connaissances financières 1,08 0,923767
Vulnérabilité 1,07 0,933669
Femme 1,07 0,934799
Sécurite percue 1,03 0,972927
Non scolarisé 1,03 0,974584
Moyenne FIV 1,77

Tableau B : Statistiques descriptives des variables d’étude
Ecart-
Variables Observations Observations Moyenne Minimum Maximum
type
Adoption 1200 1,464167 0,590768 0,590768 0 2
Indice d’intensité
1200 3,856667 2,788237 2,788237 0 8
d’adoption
Femme 1200 0,435 0,4959637 0,4959637 0 1
Age 1200 29,96833 11,62863 11,62863 15 75
Non scolarisé 1200 0,0066667 0,081411 0,081411 0 1
Primaire 1200 0,0508333 0,2197488 0,2197488 0 1
Secondaire 1200 0,3108333 0,4630277 0,4630277 0 1
Supérieur 1200 0,6316667 0,4825536 0,4825536 0 1
Sans emploi 1200 0,1208333 0,3260694 0,3260694 0 1
Apprenti 1200 0,38 0,4855888 0,4855888 0 1
Retraité 1200 0,015 0,1216031 0,1216031 0 1
Employé 1200 0,4841667 0,4999576 0,4999576 0 1
Célibataire 1200 0,6383333 0,4806833 0,4806833 0 1
Couple 1200 0,3341667 0,471895 0,471895 0 1
Divorcé, veuf 1200 0,0275 0,1636033 0,1636033 0 1

Sans religion 1200 0,0525 0,2231261 0,2231261 0 1
Chrétien 1200 0,8433333 0,3636378 0,3636378 0 1
Musulman 1200 0,1041667 0,305604 0,305604 0 1
Connaissances
1200 0,9458333 0,2264407 0,2264407 0 1
financières
Vulnérabilité 1200 0,4033333 0,4907711 0,4907711 0 1
Accès services
1200 0,34 0,4739063 0,4739063 0 1
bancaires
Sécurité perçue 1200 0,6125 0,4873825 0,4873825 0 1
Utilité perçue 1200 0,8266667 0,378693 0,378693 0 1
Facilité
1200 0,83 0,3757894 0,3757894 0 1
d’utilisation

Tableau C : Test de dispersion
Nombre d’observations = 1200

Régression binomiale négative LR chi2 (19) = 591,88
Dispersion = moyenne Prob > chi2 = 0, 0000
Log-vraisemblance = -2612, 7827 Pseudo R2 = 0,1017
[95% Interval.
Intensité_adoption Coef. Err.type z P > |z|
Confian.]
Sexe 0,046145 0,0389389 0,12 0,906 -0,0717044 0,0809334
Age -0,004252 0,0029283 -1,45 0,146 -0,0099914 0,0014873
Non scolarisé 0,0202158 0,2383069 0,80 0,932 -0,4468572 0,4872888
Primaire -0,2772355 0,1065095 -2,60 0,009 -0,4859903 -0,0684806
Secondaire -0,0493065 0,0462798 -1,07 0,287 -0,1400163 0,0413973
Sans emploi -0,0942743 0,0716696 -1,32 0,188 -0,2347441 0,0461956
Apprenti -0,2111479 0,0611793 -3,45 0,001 -0,3310571 -0,0912386
Retraité -0,2531154 0,1860934 -1,36 0,174 -0,6178518 0,111621
Couple 0,767909 0,532563 1,44 0,149 -0,0275896 0,1811714
Divorcé, veuf 0,757379 0,1237698 0,61 0,541 -0,1668465 0,3183223
Sans religion -0,0718989 0,1115766 -0,64 0,519 -0,2905849 0,1467871
Chrétien -0,0699675 0,065423 -1,07 0,285 -0,1981943 0,0582592
Revenu -0,0722916 0,0372376 -1,94 0,052 -0,1452759 0,0006927

Conn_financière 0,1783631 0,951405 1,87 0,061 -0,0081088 0,3648351
Vulnérabilité -0,0223232 0,395534 -0,56 0,572 -0,0998464 0,0552
Accès_banque 0,2158897 0,0500744 4,31 0,000 0,1177457 0,3140336
Sécurité 0,1159309 0,398098 2,91 0,004 0,0379051 0,1939567
Utilité 1,093885 0,1216438 8,99 0,000 0,8554672 1,332302
Facilité 0,8309896 0,1207769 6,88 0,000 0,5942713 1,067708
Constante 0,3782525 0,4477335 0,84 0,398 -0,499289 1,255794
/lnalpha -1,910443 0,1400116 -2,184861 -1,636026

alpha 0,1480147 0,0207236 0,1124934 0,1947525
Test du rapport de vraisemblance de alpha = 0:

chibar2 (01) = 92, 30 Prob. > = chibar2 = 0,000.

Tableau D : Résultats de l’estimation du modèle Logit multinomial :

considération de l’endogénéité de la variable revenu
(Catégorie de référence : Adoption complète)
Adoption partielle Adoption passive

Variables
Coef. (Err.type) Coef. (Err.type)
Femme 0,0578 (0,143) -0,691** (0,305)
Age 0,0156 (0,0106) 0,0324 (0,0206)
Non scolarisé 0,880 (0,901) -13,39 (1,328)
Primaire 0,534 (0,354) -1,150 (1,084)
Secondaire 0,119 (0,171) -0,499 (0,377)
Sans emploi 0,515** (0,251) 1,265** (0,503)
Apprenti 0,673*** (0,217) 1,104** (0,464)
Retraité 1,091* (0,612) -13,24 (1,124)
Couple -0,431** (0,208) -0,748 (0,482)
Divorcé/veuf -0,353 (0,476) -0,791 (1,124)
Sans religion 0,571 (0,392) 0,743 (0,811)

Chrétien 0,00675 (0,235) 0,593 (0,514)
Connaissances financières -0,776** (0,327) -1,368*** (0,526)
Vulnérabilité 0,0731 (0,143) 0,175 (0,288)
Accès services bancaires -0,666*** (0,181) -0,208 (0,372)
Sécurité -0,599*** (0,143) -0,768*** (0,283)
Utilité perçue -2,534*** (0,428) -1,828** (0,761)
Facilité d’utilisation -1,200*** (0,403) -0,832 (0,745)
Constante 3,592*** (0,607) 0,379 (1,152)
Nombre d’observation = 1200
LR chi2 (36) = 391,80
Prob > chi2 = 0,0000
Pseudo R2 = 0,1912


Adoption Des Services Financiers Mobiles

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Adoption Des Services Financiers Mobiles

Transféré par

Droits d'auteur :

Formats disponibles

Adoption des services financiers mobiles : une application

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

Article disponible en ligne à l’adresse

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Distribution électronique Cairn.info pour De Boeck Supérieur.

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

Mots-clés : Adoption, services financiers mobiles, Yaoundé.

Keywords: Adoption, mobile financial services, Yaoundé.

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

La forte pénétration du téléphone mobile et le potentiel des plateformes

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

biens essentiels de consommation courante (mobile paiement), ou encore

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

Dans cette partie, nous présentons premièrement le cadre théorique de

2.1 Fondements théoriques

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

d’adoption de la technologie. Ainsi, pour le MAT, deux principaux facteurs

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

2.2 Revue empirique des facteurs d’adoption des SFM

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

2.2.1 Influence des facteurs sociodémographiques

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

qu’elle dépend principalement du revenu, et de la taille du ménage à

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

2.2.2 Influence des facteurs fonctionnels, extra-fonctionnels

Le MAT a été à la base d’un grand nombre de travaux empiriques sur

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

l’influence sociale, la commodité, la compatibilité sont des déterminants

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

uniquement sur les adoptants, cherche à identifier les facteurs explicatifs

3 MÉTHODOLOGIE D’ANALYSE DE L’ADOPTION

Cette partie est consacrée à la présentation de la méthode adoptée dans

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

de sexe féminin, soit 43,50 % de l’ensemble de l’échantillon. Ces individus,

3.2 Justifications du choix des modèles et spécifications

3.2.1 Analyse du profil des adoptants des SFM

La méthodologie utilisée consiste à estimer un modèle Logit multinomial.

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

maximale. Cameron et Trivedi (2009) montrent que pour un individu i et

Uik = Vik + e ik (1)

Uij = Max (Uik ) = Max (Ui 0 ,Ui1 ,Ui 2 ) (2)

Le modèle de régression Logit multinomial peut être spécifié comme

yij = xi bij + e ij (3)

Où yij représente la variable dépendante du modèle : Adoption. C’est

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

Autrement dit, chacune est une variable dichotomique. 0 = n’utilise

tableau A de l’annexe qui présente les résultats du test de multicolinéarité

Dans ce premier modèle d’analyse, nous soupçonnons que la variable me-

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

que, contrairement au fournisseur minoritaire des SFM au Cameroun

AOi* = X i b + Qig + m1i (4)

AMTN i* = X i b + Qig + m2i (5)

Où AOi* et AMTN i* correspondent, respectivement, aux variables la-

1 si l’individu i a choisi Orange comme opérateur

1 si l’individu i a choisi MTN comme opérateur

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

FUi = X i b + Qig + e i (8)

Xi est la matrice des autres déterminants (en dehors de la facilité d’uti-

explicative supplémentaire. L’équation d’adoption intégrant les IRM se

ASM ji = X i b + re^i + j ( e^i × FUi ) + d IRM i + Jji (9)

Où ASMji représente le mode d’adoption des SFM j (j : 0=Passif ;

© De Boeck Supérieur | Téléchargé le 25/12/2023 sur www.cairn.info (IP: 77.133.249.206)

Il s’agit d’analyser l’impact du traitement Orange money sur les différents

Pr( Adoptionk ) = b1Orangei + b X i + e1i (10)

Sécurité -0,054 (0,086) 0,376* (0,087) -0,299* (0,086) -0,253* (0,140)