Opérationnalisation des variables de l’étude (à mettre à la méthodologie)

Variable dépendante : l’efficacité de l’audit interne

La variable dépendante indique le phénomène que le chercheur tente d’expliquer. Dans cette
étude, la variable dépendante ou expliquée est l’efficacité de l’audit interne. Cette variable est
une variable multi critères. Pour la mesurée, nous avons sélectionné les dix indicateurs les
plus utilisés dans les recherches antérieures (il faut citer les auteurs). Ces items ont été
mesurées à travers une échelle de Likert à cinq points allant de « fortement en désaccord » à
« fortement d’accord ». Puis, nous avons contrôlé leur unidimensionnalité et leur fiabilité à
travers l’Alpha de Cronbach dont la valeur était de 0,634. La méthode utilisée pour le calcul
de l’indice efficacité de l’audit interne est l’Analyse en Composantes Principales (ACP).
L’ACP a pour objet de réduire l’ensemble des critères de mesure de la performance en un
minimum de facteurs non redondants (Nagar et Basu, 2002). Nous avons tour à tour éliminé
cinq items qui faussaient les résultats de l’analyse. Apres cette mesure de purification, les
résultats obtenus ont été jugé satisfaisant car, l’indice de KMO est de 0,602 supérieur au seuil
de 0.6. De plus, le test de Bartlett est significatif à 1%. Des résultats de l’analyse factorielle
(annexe 1), il ressort que deux facteurs peuvent être retenu et restitue 64,50% de la variance
totale des valeurs propres. Correia et al. (2009) et Djoutsa et al. (2018) soulignent que les
indices dérivés de l’ACP les plus utilisés sont issus soit du premier facteur soit de la moyenne
proportionnelle de tous les facteurs obtenus avec les poids représentés par les variances
proportionnelles de chacune (les valeurs propres). Dans la présente étude, nous avons effectué
la moyenne proportionnelle des deux facteurs, qui est ensuite standardisée sur une échelle
allant de 0 à 1. 0 indiquant le niveau le plus faible de l’indice construit et 1 le niveau le plus
élevé.

Variables indépendantes

L’intelligence artificielle

L’IA est une variable composite à critères multiples, mesurée à partir de quatre indicateurs
fréquemment mobilisés dans la littérature antérieure. Ces indicateurs ont été évalués à l’aide
d’une échelle de Likert à cinq points, allant de « fortement en désaccord » à « fortement
d’accord ». Afin de vérifier la cohérence interne de ces items, nous avons procédé au calcul
de l’alpha de Cronbach, dont la valeur s’élève à 0,602, ce qui indique une fiabilité acceptable
pour des recherches exploratoires. Par ailleurs, l’indice KMO est de 0,606, dépassant le seuil
minimal recommandé de 0,6, tandis que le test de Bartlett est significatif au seuil de 1%,
confirmant la corrélation suffisante entre les variables. L’analyse factorielle (annexe 2) a
permis de retenir deux facteurs principaux, lesquels expliquent 71.87% de la variance totale.
Une moyenne est ensuite calculée sur la base de ces deux facteurs.

Block chaine

La block chaine, en tant que variable composite à critères multiples, a été mesurée à partir de
quatre indicateurs issus de la littérature, évalués sur une échelle de Likert à cinq points. La
fiabilité interne des items est jugée acceptable avec un alpha de Cronbach de 0,612. La qualité
de l’analyse factorielle est confirmée par un indice KMO de 0,600 et un test de Bartlett
significatif à 5%, attestant de la validité des corrélations. Un facteur a été extrait, expliquant
63.67% de la variance totale.

Cloud computing

Le cloud computing, en tant que variable composite à critères multiples, a été évalué à partir
de quatre indicateurs identifiés dans la littérature, mesurés à l’aide d’une échelle de Likert à
cinq points. La cohérence interne de ces items est jugée acceptable, avec un alpha de
Cronbach de 0,612. L’adéquation de l’analyse factorielle est confirmée par un indice KMO de
0,50 et un test de Bartlett significatif au seuil de 10%, indiquant des corrélations suffisantes
entre les variables. L’analyse a permis d’extraire un facteur unique, expliquant 61.91% de la
variance totale, utilisé our construire un indice synthétique du niveau d’adoption du cloud
computing.

Le RPA

La RPA (Robotic Process Automation), en tant que variable composite à critères multiples, a
été mesurée à partir de quatre indicateurs issus de la littérature, évalués à l’aide d’une échelle
de Likert à cinq points. La fiabilité interne des items est jugée acceptable, avec un alpha de
Cronbach de 0,66. La pertinence de l’analyse factorielle est confirmée par un indice KMO de
0,691 et un test de Bartlett significatif au seuil de 1%, attestant de la corrélation suffisante
entre les variables. L’analyse a permis d’extraire un facteur principal, expliquant 71.68% de la
variance totale, à partir duquel un indice synthétique du niveau d’adoption de la RPA a été
construit.
Le Big data

Dans le cadre de cette étude, le Big Data a été appréhendé comme une variable
multidimensionnelle, reposant sur quatre items clés identifiés dans la littérature. Chacun de
ces items a été mesuré à l’aide d’une échelle de Likert à cinq points, permettant de capter les
degrés d’adhésion des répondants. Pour évaluer la consistance interne de l’échelle, l’alpha de
Cronbach a été calculé et a donné une valeur de 0,689, jugée acceptable dans une perspective
exploratoire. L’adéquation des données à une analyse factorielle a été vérifiée à travers un
indice KMO de 0,709, dépassant le seuil minimal requis, ainsi qu’un test de Bartlett
significatif à 1%, confirmant l’existence de corrélations suffisantes entre les variables.
L’analyse factorielle réalisée a permis de dégager deux dimensions principales, qui à elles
seules expliquent 74,17% de la variance totale observée. À partir de ces résultats, un indice
synthétique a été élaboré en calculant la moyenne pondérée des deux facteurs extraits,
reflétant ainsi le niveau d’adoption du Big Data dans les organisations interrogées.
 CHAPITRE 4 : ANALYSE DE L’EFFET DE LA TRANSFORMATION DIGITALE
SUR L’EFFICACITE DE L’AUDIT INTERNE

Section 1 : Résultats des analyses descriptives

1.1 Profil de l’échantillon

Variables Modalités Effectif %

Niveau d’étude BAC 14 28.0
BTS 21 42.0
Licence 15 30.0
Total 50 100,0
Genre Féminin 18 36.0
Masculin 32 64.0
Total 50 100,0
Poste occupé Auditeur interne 11 22.0
Contrôleur interne 17 34.0
Manager 12 24.0
Auditeur financier 5 10.0
Responsable audit interne 5 10,0
Total 50 100,0
Effectif du personnel Moins de 50 14 28.0
Entre 50 et 249 15 30.0
Entre 250 et 999 12 24.0
Plus de 1000 9 18.0
Total 50 100
Secteur d’activité Industrie 6 12.0
Service 7 14.0
Technologie 5 10.0
Santé 13 26.0
Commerce 19 38.0
Total 50 100

L’échantillon étudié est composé de 50 répondants issus de divers profils académiques,

professionnels et sectoriels. Concernant le niveau d’étude, la majorité des participants possède
un diplôme de BTS (42%), suivis des détenteurs de licence (30%) et de baccalauréat (28%).
Cette répartition traduit une population globalement qualifiée, ce qui est cohérent avec les
exigences du domaine de l’audit interne. Du point de vue du genre, l’échantillon est
majoritairement masculin (64%), contre 36% de femmes, mettant en lumière une certaine
prédominance masculine dans les fonctions liées à l’audit, bien que la participation féminine
reste significative. En ce qui concerne le poste occupé, les contrôleurs internes (34%) et les
auditeurs internes (22%) représentent la majorité, suivis des managers (24 %). Les auditeurs
financiers et responsables de l’audit interne comptent chacun pour 10%. Cette diversité de
fonctions enrichit la représentativité de la perception de l’impact de la transformation digitale
à différents niveaux hiérarchiques.
S’agissant de la taille des entreprises, on observe une prédominance des structures de moins
de 250 employés (58% au total), dont 28% ont moins de 50 employés et 30 % entre 50 et 249
employés. Les entreprises de grande taille (250 à 999 et plus de 1000 employés) représentent
quant à elles 42% de l’échantillon, ce qui permet une analyse comparative intéressante selon
la taille organisationnelle. Enfin, le secteur d’activité le plus représenté est le commerce
(38%), suivi de la santé (26%), du service (14%), de l’industrie (12%) et de la technologie
(10%).

2. Caractéristiques descriptive des variables de l’étude

2.1 Analyse des pratiques de l’audit interne

Variables Modalités Effectif %

Les missions d’audit respectent les délais Fortement en désaccord 12 24.0
impartis. Désaccord 11 22.0
Neutre 7 14.0
D’accord 10 20.0
Fortement en accord 10 20.0
Total 50 100,0
Les recommandations sont mises en Fortement en désaccord 12 24.0
œuvre par les entités auditées. Désaccord 8 16.0
Neutre 9 18.0
D’accord 10 20.0
Fortement en accord 11 22.0
Total 50 100,0
Les technologies améliorent la détection Fortement en désaccord 10 22.0
précoce des anomalies Désaccord 5 10.0
Neutre 11 22.0
D’accord 15 30.0
Fortement en accord 9 18.0
Total 50 100,0
L’audit contribue efficacement à la Fortement en désaccord 4 8.0
réduction des risques opérationnels Désaccord 12 24.0
Neutre 10 20.0
D’accord 10 20.0
Fortement en accord 14 28.0
Total 50 100
L’audit couvre toutes les fonctions Fortement en désaccord 8 16.0
critiques de l’organisation Désaccord 9 18.0
Neutre 13 26.0
D’accord 8 16.0
Fortement en accord 12 24.0
Total 50 100
L'audit interne (AI) fournit des Fortement en désaccord 12 24.0
informations sur les problèmes liés aux Désaccord 6 12.0
activités ou aux systèmes de contrôle de Neutre 8 16.0
l'organisation D’accord 11 22.0
Fortement en accord 13 26.0
Total 50 100
 Le travail et les activités de l'AI Fortement en désaccord 7 14.0
répondent à mes attentes vis-à-vis de ce Désaccord 10 20.0
service Neutre 11 22.0
D’accord 13 26.0
Fortement en accord 9 18.0
Total 50 100
Lors de l'examen des questions faisant Fortement en désaccord 11 22.0
l'objet d'un audit, l'AI couvre également Désaccord 11 22.0
les questions liées à l'efficacité, à la Neutre 7 14.0
performance et aux économies D’accord 13 26.0
Fortement en accord 8 16.0
Total 50 100
L'évaluation des rapports de l'AI par les Fortement en désaccord 9 18.0
personnes occupant des postes de Désaccord 12 24.0
direction qui ont été auditées est positive Neutre 11 22.0
D’accord 11 22.0
Fortement en accord 7 14.0
Total 50 100
L'évaluation des rapports de l'AI par les Fortement en désaccord 11 22.0
personnes occupant des postes Désaccord 11 22.0
opérationnels qui ont été auditées est Neutre 13 26.0
positive D’accord 7 14.0
Fortement en accord 8 16.0
Total 50 100

Les résultats révèlent une perception partagée de l’efficacité de l’audit interne parmi les
répondants. D’abord, seulement 40% des participants estiment que les missions d’audit
respectent les délais, contre 46% qui expriment un désaccord ou un fort désaccord. Cela
traduit des difficultés organisationnelles ou des retards récurrents dans la conduite des
missions. Concernant la mise en œuvre des recommandations, 42% se montrent favorables,
tandis que 40% sont en désaccord ou fortement en désaccord, montrant une exécution
partielle ou inefficace des suggestions issues des audits. S’agissant de l’apport des
technologies dans la détection des anomalies, les réponses sont plus positives, avec 48%
d’accords (dont 30% d’accord), contre 32% de désaccords, ce qui confirme une certaine
reconnaissance de la valeur ajoutée de la transformation digitale dans ce domaine. L’audit est
aussi perçu comme un levier de réduction des risques opérationnels par 48% des répondants,
même si 32% restent sceptiques. Cependant, des faiblesses apparaissent en ce qui concerne la
couverture de toutes les fonctions critiques, avec seulement 40% d’accord, contre 34% de
désaccord et 26% de réponses neutres, ce qui peut signaler un champ d’intervention limité.

En ce qui concerne la capacité de l’audit interne à fournir des informations utiles sur les
failles des activités ou des systèmes de contrôle, 48% des répondants se montrent satisfaits,
tandis que 36% restent critiques. La satisfaction globale vis-à-vis de l’audit interne reste
modérée : 44% des répondants déclarent que ce service répond à leurs attentes, alors que 34%
sont en désaccord. Sur le plan de l’évaluation de l’audit par les audités, les perceptions
divergent : les personnes occupant des postes de direction donnent une évaluation positive
dans 36% des cas, contre 42% d’insatisfaits. Chez les opérationnels, 30% partagent une
évaluation positive, tandis que 44% expriment un désaccord. Enfin, la prise en compte des
dimensions liées à l’efficacité, la performance et l’économie dans les missions d’audit interne
est reconnue par 42 % des répondants, mais reste encore limitée pour une part non négligeable
de l’échantillon (44 % en désaccord ou neutres).

2.2 Inventaires des technologies digitales

Variables Modalités Effectif %

L’IA est utilisée dans mon service pour Fortement en désaccord
l’analyse automatisée des données. Désaccord
Neutre
D’accord
Fortement en accord
Total
L’IA améliore la détection d’anomalies ou Fortement en désaccord
d’irrégularités Désaccord
Neutre
D’accord
Fortement en accord
Total
L’IA permet de gagner du temps dans les Fortement en désaccord
procédures d’audit. Désaccord
Neutre
D’accord
Fortement en accord
Total
L’IA améliore la précision et la pertinence Fortement en désaccord
des rapports d’audit. Désaccord
Neutre
D’accord
Fortement en accord
Total
La blockchain est intégrée dans nos systèmes Fortement en désaccord
de gestion comptable ou financière Désaccord
Neutre
D’accord
Fortement en accord
Total
Elle garantit la traçabilité des transactions Fortement en désaccord
vérifiées par l’audit. Désaccord
Neutre
D’accord
Fortement en accord
Total
L’audit interne est plus transparent et moins Fortement en désaccord
sujet à la fraude grâce à la blockchain. Désaccord
Neutre
 D’accord
Fortement en accord
Total
L’utilisation de la blockchain a simplifié les Fortement en désaccord
procédures de contrôle interne. Désaccord
Neutre
D’accord
Fortement en accord
Total
Le cloud facilite l’accès aux données Fortement en désaccord
nécessaires aux audits Désaccord
Neutre
D’accord
Fortement en accord
Total
Les audits à distance sont plus efficaces avec Fortement en désaccord
le cloud. Désaccord
Neutre
D’accord
Fortement en accord
Total
Le cloud améliore la collaboration entre les Fortement en désaccord
différents acteurs de l’audit. Désaccord
Neutre
D’accord
Fortement en accord
Total
Il permet une meilleure conservation et Fortement en désaccord
traçabilité des documents d’audit. Désaccord
Neutre
D’accord
Fortement en accord
Total
3. Appréciation du niveau d’efficacité de l’audit interne

N Minimum Maximum Moyenne Ecart type

AUDIT 50 ,00 1,00 ,520 ,504
IA 50 ,00 1,00 ,420 ,498
cloud 50 ,00 1,00 ,340 ,478
block 50 ,00 1,00 ,400 ,494
RAP 50 ,00 1,00 ,460 ,503
BIGDATA 50 ,00 1,00 ,540 ,503
N valide (liste) 50

Les statistiques descriptives présentées ci-dessus permettent d’avoir un aperçu global du

niveau d’adoption des technologies numériques au sein des organisations étudiées.
L’échantillon est composé de 50 observations valides pour chacune des variables. Toutes les
variables sont binaires, codées sur une échelle de 0 à 1, où 1 représente la présence ou
l’adoption de la technologie concernée. La moyenne de la variable AUDIT (0,520) indique
que 52% des répondants considèrent l’audit interne comme efficace, ce qui montre une légère
majorité positive. En ce qui concerne les technologies spécifiques, la plus adoptée est le Big
Data avec une moyenne de 0,540, suivi de la RPA (Robotic Process Automation) (0,460),
puis de l’IA (0,420) et de la blockchain (0,400). Le cloud computing enregistre la plus faible
moyenne (0,340), indiquant qu’il est la technologie la moins intégrée dans les structures
interrogées.

Section 2 : Résultats des analyses explicatives

2.1 Test de multi colinéarité

AUDIT IA CLOUD BLOCK RAP BIGDATA

EFFI_AUDI Corrélation de Pearson 1 -,075 ,352* ,212 -,077 ,157
Sig. (bilatérale) ,607 ,012 ,139 ,595 ,275
N 50 50 50 50 50 50
IA Corrélation de Pearson -,075 1 -,012 -,033 ,028 -,028
Sig. (bilatérale) ,607 ,934 ,820 ,849 ,849
N 50 50 50 50 50 50
CLOUD Corrélation de Pearson ,352* -,012 1 ,190 ,269 ,239
Sig. (bilatérale) ,012 ,934 ,187 ,059 ,095
N 50 50 50 50 50 50
BLOCK Corrélation de Pearson ,212 -,033 ,190 1 -,016 ,180
Sig. (bilatérale) ,139 ,820 ,187 ,910 ,210
N 50 50 50 50 50 50
RAP Corrélation de Pearson -,077 ,028 ,269 -,016 1 ,071
Sig. (bilatérale) ,595 ,849 ,059 ,910 ,000
N 50 50 50 50 50 50
BIGDATA Corrélation de Pearson ,157 -,028 ,239 ,180 ,071 1
 Sig. (bilatérale) ,275 ,849 ,095 ,210 ,000
N 50 50 50 50 50 50

L’analyse de la matrice de corrélation de Pearson permet d’examiner les relations linéaires

entre la variable dépendante et plusieurs variables explicatives liées à l’adoption des
technologies numériques : intelligence artificielle (IA), cloud computing, blockchain, RPA
(Robotic Process Automation) et Big Data. Parmi ces variables, seule l’utilisation du cloud
computing présente une corrélation significative et positive avec l’efficacité de l’audit (r =
0,352 ; p = 0,012), ce qui suggère que le recours au cloud pourrait avoir un effet favorable sur
les performances des dispositifs d’audit interne. Les autres technologies ne montrent pas de
corrélations statistiquement significatives avec la variable dépendante, ce qui reflète soit une
absence de lien direct perceptible dans l’échantillon.

Du point de vue de la multi colinéarité, les corrélations entre les variables explicatives restent
globalement faibles, ce qui indique une relative indépendance des technologies analysées.
l’absence de corrélations supérieures à 0,7 entre les variables indépendantes indique que le
risque de multi colinéarité est limité, et qu’un modèle de régression multiple peut être
envisagé sans incidence majeure sur la stabilité des coefficients.

2.2 Estimation des paramètres par les MCO

Coefficients non Coefficients Statistiques de

standardisés standardisés t Sig. colinéarité
Erreur Toléran
B standard Bêta ce VIF
(Constante) ,377 ,122 3,086 ,004
IA -,041 ,132 -,040 -,310 ,758 ,993 1,007
CLOUD ,396 ,145 ,375 2,733 ,009 ,889 1,124
BLOCK ,045 ,141 ,044 ,320 ,750 ,873 1,145
RAP -,548 ,215 -,547 -2,554 ,014 ,365 2,738
BIGDATA ,482 ,215 ,481 2,246 ,030 ,366 2,733
R Carré =0.262 R Carré ajusté=0.178 F=3.127 P=0.017

Les résultats du modèle de régression linéaire multiple permettent d’analyser l’effet combiné
de plusieurs technologies numériques (IA, Cloud Computing, Blockchain, RPA et Big Data)
sur l’efficacité de l’audit interne. Le modèle présente un R² de 0,262, ce qui signifie que
26,2% de la variance de la variable dépendante est expliquée par les variables indépendantes
incluses dans le modèle. Le R² ajusté, qui tient compte du nombre de prédicteurs, est de
0,178, indiquant une capacité explicative modérée. Le test global de la régression est
significatif (F = 3,127 ; p = 0,017), ce qui suggère que le modèle, dans son ensemble, est
statistiquement valide. En ce qui concerne la colinéarité, les valeurs de tolérance sont toutes
supérieures à 0,3 et les VIF sont inférieurs à 3, ce qui indique l’absence de multi colinéarité
problématique entre les variables indépendantes.

En examinant les coefficients individuels, on constate que trois variables ont un effet
significatif sur l’efficacité de l’audit interne. Le Cloud Computing exerce un effet positif
significatif (B = 0,396 ; p = 0,009), indiquant que son intégration est associée à une
amélioration de l’efficacité de l’audit. Ce résultat nous permet donc de valider cette hypothèse
(il faut faire la discussion)

De même, le Big Data a un effet positif et significatif (B = 0,482 ; p = 0,030), ce qui souligne
son rôle favorable dans le renforcement des dispositifs d’audit. En d’autres termes, l’audit
interne est d’autant plus efficace lorsque les entreprises utilisent le big data. Ce résultat nous
permet de supporter notre hypothèse……

En revanche, la RPA présente un effet négatif significatif (B = -0,548 ; p = 0,014). Ce résultat

signifie que l’utilisation de la RPA réduit l’efficacité de l’audit interne.

Les variables IA et Blockchain ne sont pas statistiquement significatives (p > 0,05), ce qui
indique qu’elles n’ont pas d’effet direct mesurable sur l’efficacité de l’audit dans ce modèle.
ANNEXES

Annexe 1 : ACP Efficacité audit interne

Indice KMO et test de Bartlett

Indice de Kaiser-Meyer-Olkin pour la mesure de la qualité ,2
d'échantillonnage.
Test de sphéricité de Bartlett Khi-carré approx. 30,024
ddl 10
Signification ,001

Qualités de représentation
Initiales Extraction
8. Les technologies améliorent 1,000 ,629
la détection précoce des
anomalies
9. L’audit contribue 1,000 ,736
efficacement à la réduction des
risques opérationnels
10. L’audit couvre toutes les 1,000 ,625
fonctions critiques de
l’organisation.
13. Lors de l'examen des 1,000 ,674
questions faisant l'objet d'un
audit, l'AI couvre également les
questions liées à l'efficacité, à
la performance et aux
économies.
14. L'AI est conscient et 1,000 ,561
sensible aux besoins de
l'organisation et fonctionne en
conséquence
Méthode d'extraction : Analyse en composantes principales.

Variance totale expliquée

Sommes extraites du carré des Sommes de rotation du
Valeurs propres initiales chargements carré des chargements
% de la % de la % % de la %
Composante Total variance % cumulé Total variance cumulé Total variance cumulé
1 1,791 35,810 35,810 1,791 35,810 35,810 1,695 33,890 33,890

2 1,435 28,696 64,506 1,435 28,696 64,506 1,531 30,616 64,506

3 ,649 12,973 77,479

4 ,612 12,232 89,711

5 ,514 10,289 100,000

Méthode d'extraction : Analyse en composantes principales.

 Annexe 2 : ACP IA

Indice KMO et test de Bartlett

Indice de Kaiser-Meyer-Olkin pour la mesure de la qualité ,606
d'échantillonnage.
Test de sphéricité de Bartlett Khi-carré approx. 24,871
ddl 6
Signification ,000

Qualités de représentation
Initiales Extraction
L’IA est utilisée dans mon 1,000 ,628
service pour l’analyse
automatisée des données.
49-L’IA améliore la détection 1,000 ,852
d’anomalies ou d’irrégularités
L’IA permet de gagner du 1,000 ,709
temps dans les procédures
d’audit.
51- L’IA améliore la précision et 1,000 ,686
la pertinence des rapports
d’audit
Méthode d'extraction : Analyse en composantes principales.

Variance totale expliquée

Sommes extraites du carré des Sommes de rotation du carré des
Valeurs propres initiales chargements chargements
Composant % de la % % de la % % de la
e Total variance cumulé Total variance cumulé Total variance % cumulé
1 1,857 46,434 46,434 1,857 46,434 46,434 1,506 37,643 37,643

2 1,018 25,439 71,873 1,018 25,439 71,873 1,369 34,230 71,873

3 ,636 15,891 87,764

4 ,489 12,236 100,000

Méthode d'extraction : Analyse en composantes principales.

Rotation de la matrice des composantesa

Composante
1 2
L’IA est utilisée dans mon ,774
service pour l’analyse
automatisée des données.
49-L’IA améliore la détection ,921
d’anomalies ou d’irrégularités
L’IA permet de gagner du ,701
temps dans les procédures
d’audit.
51- L’IA améliore la précision et ,828
la pertinence des rapports
d’audit
Méthode d'extraction : Analyse en composantes principales.
Méthode de rotation : Varimax avec normalisation Kaiser.
a. Convergence de la rotation dans 3 itérations.
 Statistiques de fiabilité
Alpha de Nombre
Cronbach d'éléments
,602 4

Statistiques de total des éléments

Alpha de
Moyenne de Variance de Corrélation Cronbach en
l'échelle en cas l'échelle en cas complète des cas de
de suppression de suppression éléments suppression de
d'un élément d'un élément corrigés l'élément
L’IA est utilisée dans mon 7,62 10,526 ,397 ,521
service pour l’analyse
automatisée des données.
49-L’IA améliore la détection 8,00 11,918 ,270 ,616
d’anomalies ou
d’irrégularités
L’IA permet de gagner du 7,84 10,056 ,547 ,406
temps dans les procédures
d’audit.
51- L’IA améliore la précision 7,68 11,691 ,338 ,564
et la pertinence des rapports
d’audit

Annexe 3 : ACP Block chaine

Indice KMO et test de Bartlett

Indice de Kaiser-Meyer-Olkin pour la mesure de la qualité ,600
d'échantillonnage.
Test de sphéricité de Bartlett Khi-carré approx. 3,694
ddl 1
Signification ,055

Qualités de représentation
Initiales Extraction
52- La blockchain est 1,000 ,637
intégrée dans nos systèmes
de gestion comptable ou
financière.
53- Elle garantit la traçabilité 1,000 ,637
des transactions vérifiées
par l’audit.
Méthode d'extraction : Analyse en composantes
principales.

Variance totale expliquée

Valeurs propres initiales Sommes extraites du carré des chargements
Composante Total % de la variance % cumulé Total % de la variance % cumulé
1 1,274 63,677 63,677 1,274 63,677 63,677
2 ,726 36,323 100,000
Méthode d'extraction : Analyse en composantes principales.
 Matrice des composantesa
Composante
1
52- La blockchain est ,798
intégrée dans nos systèmes
de gestion comptable ou
financière.
53- Elle garantit la traçabilité ,798
des transactions vérifiées
par l’audit.
Méthode d'extraction : Analyse en
composantes principales.
a. 1 composantes extraites.

Annexe 4 : ACP cloud

Indice KMO et test de Bartlett

Indice de Kaiser-Meyer-Olkin pour la mesure de la qualité ,500
d'échantillonnage.
Test de sphéricité de Bartlett Khi-carré approx. 2,774
ddl 1
Signification ,096

Qualités de représentation
Initiales Extraction
56- Le cloud facilite l’accès 1,000 ,619
aux données nécessaires
aux audits.
Il permet une meilleure 1,000 ,619
conservation et traçabilité
des documents d’audit.
Méthode d'extraction : Analyse en composantes
principales.

Variance totale expliquée

Valeurs propres initiales Sommes extraites du carré des chargements
Composante Total % de la variance % cumulé Total % de la variance % cumulé
1 1,238 61,910 61,910 1,238 61,910 61,910
2 ,762 38,090 100,000
Méthode d'extraction : Analyse en composantes principales.

Annexe 5 : Regression

Récapitulatif des modèles

Erreur standard
Modèle R R-deux R-deux ajusté de l'estimation
1 ,512a ,262 ,178 ,45745518
a. Prédicteurs : (Constante), BIGDATA, IA, block, cloud, RAP

ANOVAa
Somme des
Modèle carrés ddl Carré moyen F Sig.
1 Régression 3,272 5 ,654 3,127 ,017b
de Student 9,208 44 ,209
 Total 12,480 49
a. Variable dépendante : AUDIT
b. Prédicteurs : (Constante), BIGDATA, IA, block, cloud, RAP

Coefficientsa
Coefficients
Coefficients non standardisé Statistiques de
standardisés s t Sig. colinéarité
Erreur Toléranc
Modèle B standard Bêta e VIF
1 (Constante) ,377 ,122 3,086 ,004
IA -,041 ,132 -,040 -,310 ,758 ,993 1,007
cloud ,396 ,145 ,375 2,733 ,009 ,889 1,124
block ,045 ,141 ,044 ,320 ,750 ,873 1,145
RAP -,548 ,215 -,547 -2,554 ,014 ,365 2,738
BIGDATA ,482 ,215 ,481 2,246 ,030 ,366 2,733
a. Variable dépendante : AUDIT