L'utilisation des smartphones rend-elle plus impatient ?

L’utilisation intensive des smartphones influence-t-elle notre patience et notre capacité de concentration ?

Cette question a fait l’objet d’un projet de recherche exploratoire en économie comportementale, réalisé en 2017 à l’Université de Montpellier.

L’objectif était d’étudier les relations entre les usages numériques, les préférences temporelles et certains comportements individuels, à partir d’une enquête et de plusieurs méthodes économétriques.

L’étude repose sur 184 observations, analysées avec R, en combinant des expériences de choix intertemporels, une analyse factorielle et des modèles de régression logistique ordinale.

1. Présentation du projet

#

Les smartphones permettent un accès quasi instantané à l’information, aux communications et à de nombreux services.

Cette disponibilité permanente soulève une question en économie comportementale : l’habitude de satisfaire rapidement ses besoins peut-elle être associée à une préférence accrue pour les récompenses immédiates ?

L’hypothèse de recherche était qu’une utilisation plus intensive du smartphone pouvait être associée à une patience plus faible.

Pour l’étudier, plusieurs étapes ont été mises en œuvre :

1. Construction d’un questionnaire intégrant des mesures de préférences temporelles.
2. Collecte et préparation des données.
3. Analyse exploratoire des comportements.
4. Estimation de modèles économétriques.
5. Interprétation des résultats et discussion de leurs limites.

Technologies et méthodes

#

Chiffres clés

#

Les résultats mettent en évidence plusieurs associations négatives entre l’utilisation du smartphone, les préférences temporelles et la concentration déclarée.

Ces associations ne constituent cependant pas une démonstration de causalité.

2. Construction du protocole expérimental

#

L’impatience est un comportement difficile à mesurer directement.

En économie comportementale, elle est généralement approchée par les préférences temporelles, c’est-à-dire les arbitrages réalisés entre une récompense immédiate et une récompense future.

Deux méthodes issues de la littérature scientifique ont été adaptées au questionnaire :

• La Multiple Price List (MPL).
• Le Convex Time Budget (CTB).

Deux mesures subjectives ont également été intégrées : la concentration et l’impatience autodéclarées.

2.1. Multiple Price List (MPL)

#

La méthode Multiple Price List consiste à proposer une succession de choix entre deux récompenses monétaires :

• Recevoir une somme immédiatement.
• Recevoir une somme plus élevée à une date ultérieure.

Par exemple, un participant doit choisir entre 75 € aujourd’hui et 80 € dans un mois.

Au fil des choix, le montant immédiat diminue tandis que le montant futur reste constant.

L’objectif est d’identifier le point de bascule à partir duquel le participant préfère attendre.

Le rendement implicite associé à chaque proposition peut être calculé par :

\[ r = \frac{y}{x_i} - 1 \]

Avec :

• \(x_i\) : montant disponible immédiatement ;
• \(y\) : montant disponible ultérieurement ;
• \(r\) : rendement implicite de l’attente.

Par exemple, entre 60 € aujourd’hui et 80 € dans un mois :

\[ r = \frac{80}{60} - 1 \approx 0{,}33 \]

La préférence pour une récompense immédiate malgré un rendement futur important constitue un indicateur d’impatience.

Les réponses ont ensuite été transformées en une variable ordinale à cinq modalités, notée mpl, dans laquelle une valeur élevée correspond à une patience plus importante.

Cette approche présente néanmoins une limite : elle impose un choix exclusif entre deux dates, sans possibilité de répartir les gains.

2.2. Convex Time Budget (CTB)

#

La méthode Convex Time Budget, notamment développée par Andreoni et Sprenger (2012), permet de dépasser cette limitation.

Contrairement à la MPL, elle autorise une répartition des montants entre deux périodes.

Dans cette étude, une version simplifiée a été utilisée, avec cinq allocations possibles entre aujourd’hui et dans deux mois.

Les participants pouvaient notamment choisir entre :

Le choix d’une allocation privilégiant davantage la récompense future traduit une plus grande disposition à attendre.

Cette expérience a été transformée en une variable ordinale à cinq modalités, notée ctb.

Il s’agit toutefois d’une adaptation simplifiée du protocole CTB, et non d’une estimation complète des paramètres de préférences temporelles.

2.3. Mesures subjectives

#

Deux indicateurs complémentaires ont été construits à partir d’auto-évaluations.

Ces variables permettent de comparer les préférences révélées par les choix hypothétiques avec la perception que les participants ont de leur propre comportement.

La concentration n’est toutefois pas une mesure directe de la patience. Son utilisation comme indicateur complémentaire repose sur une hypothèse exploratoire.

3. Collecte et préparation des données

#

3.1. Questionnaire

#

Les données ont été collectées à partir d’un questionnaire Google Forms diffusé en ligne.

Après exclusion des réponses incomplètes ou contradictoires, 184 observations exploitables ont été conservées.

Le questionnaire comportait 19 variables couvrant plusieurs dimensions comportementales et sociodémographiques.

3.2. Variables explicatives

#

La variable centrale de l’étude est smartphone, correspondant au temps quotidien déclaré d’utilisation du téléphone.

Elle est représentée par cinq catégories ordinales :

D’autres variables ont été collectées pour caractériser les comportements individuels et compléter les analyses.

Ces dernières variables ont notamment été envisagées comme variables de contrôle.

Dans les modèles finaux présentés, les variables explicatives retenues étaient smartphone, tele, lecture, ordinateur, jeu et etude.

3.3. Caractéristiques de l’échantillon

#

L’échantillon présente plusieurs particularités importantes.

Sur les 184 participants :

• 158 personnes, soit environ 86 %, appartiennent à la tranche d’âge 16–25 ans.
• 131 personnes, soit environ 71 %, déclarent utiliser leur smartphone plus de 1 h 30 par jour.
• 142 personnes, soit environ 77 %, sont étudiantes.

Cette composition doit être prise en compte dans l’interprétation des résultats.

L’échantillon n’est pas représentatif de l’ensemble de la population et ne permet notamment pas d’étudier correctement les différences entre générations.

4. Analyse exploratoire des données

#

Une Analyse des Correspondances Multiples (ACM) a été réalisée avec R.

Cette méthode factorielle est adaptée à l’étude de relations entre plusieurs variables qualitatives.

Elle permet de projeter les individus et les modalités des variables dans un espace de dimension réduite, afin d’identifier d’éventuelles structures dans les données.

4.1. Répartition des individus

#

La projection des observations fait apparaître un ensemble relativement concentré autour de l’origine, avec quelques individus plus éloignés.

Aucune séparation nette entre plusieurs groupes ne ressort visuellement de cette représentation.

La structure des données ne permet donc pas d’identifier des profils comportementaux clairement distincts sur les deux premiers axes.

4.2. Répartition des modalités

#

La projection des modalités apporte des informations complémentaires.

Le premier axe factoriel oppose notamment :

• Des modalités correspondant à une utilisation faible ou inexistante du smartphone.
• Des modalités associées à une utilisation plus intensive et à certaines fréquences de consultation.

Des modalités liées à la patience apparaissent également dans cette structuration.

Ces observations suggèrent l’existence de relations entre les usages du smartphone et les indicateurs comportementaux étudiés.

Elles restent néanmoins exploratoires : la proximité entre deux modalités sur une projection factorielle ne démontre ni une relation causale ni une association statistique indépendante des autres variables.

4.3. Limites de l’ACM

#

Les deux premiers axes expliquent ensemble 10,72 % de l’inertie totale.

La projection bidimensionnelle ne restitue donc qu’une faible partie de la structure globale des données.

L’ACM constitue ici un outil descriptif utile, mais ses résultats ne suffisent pas à conclure sur la relation entre smartphones et impatience.

Une approche économétrique a donc été retenue pour approfondir l’analyse.

5. Modélisation économétrique

#

5.1. Choix du modèle

#

Les quatre variables dépendantes de l’étude sont ordinales : leurs modalités possèdent un ordre naturel, sans que les écarts entre catégories soient nécessairement identiques.

Une régression logistique ordinale a donc été privilégiée.

Contrairement à une régression linéaire classique, ce modèle tient compte de la nature ordonnée des réponses.

Dans sa formulation à cotes proportionnelles, le modèle peut s’écrire :

\[ \log \left(\frac{P(Y > j)}{P(Y \leq j)}\right) = \alpha_j + \beta X \]

Où :

• \(Y\) représente l’indicateur de patience ou de concentration ;
• \(j\) représente un seuil entre deux catégories ordinales ;
• \(X\) représente les variables explicatives ;
• \(\beta\) représente les coefficients estimés.

L’hypothèse des cotes proportionnelles suppose que l’effet d’une variable explicative reste identique pour les différents seuils de la variable dépendante.

5.2. Interprétation des odds ratios

#

Pour faciliter l’interprétation, les coefficients estimés sont transformés en odds ratios :

\[ OR = e^{\beta} \]

Dans la convention de codage retenue :

• Un odds ratio supérieur à 1 indique une association avec des cotes plus élevées d’appartenir à une catégorie supérieure.
• Un odds ratio inférieur à 1 indique une association avec des cotes plus faibles d’appartenir à une catégorie supérieure.
• Un odds ratio égal à 1 indique l’absence d’association estimée.

L’effet s’interprète pour une augmentation d’une unité de la variable explicative, toutes les autres variables du modèle étant maintenues constantes.

Dans cette étude, une unité supplémentaire de smartphone correspond au passage d’une catégorie d’utilisation à la suivante, et non à une heure supplémentaire.

L’interprétation suppose également que l’échelle ordinale du smartphone puisse être représentée par un effet linéaire sur les log-cotes.

5.3. Résultats des régressions

#

Quatre modèles ont été estimés, chacun utilisant un indicateur différent de patience ou de concentration.

Le tableau suivant présente les résultats associés à la variable smartphone, après ajustement sur les autres variables explicatives retenues.

Deux associations sont statistiquement significatives au seuil de 5 % : celles concernant le CTB et la concentration.

Les modèles MPL et d’impatience autodéclarée ne permettent pas de rejeter l’hypothèse d’absence d’association au même seuil.

Préférences temporelles : CTB

#

Le modèle CTB présente un coefficient négatif pour l’utilisation du smartphone :

\[ \beta = -0{,}313 \]

Soit :

\[ OR = e^{-0{,}313} \approx 0{,}730 \]

À variables explicatives constantes, le passage à une catégorie supérieure d’utilisation du smartphone est associé à des cotes environ 27 % plus faibles d’appartenir à une catégorie supérieure de patience mesurée par le CTB.

Cette association est statistiquement significative au seuil de 5 % :

\[ p = 0{,}044 \]

Le résultat est compatible avec l’hypothèse d’une relation négative entre l’intensité d’utilisation du smartphone et la disposition à différer une récompense.

Il reste cependant relativement proche du seuil conventionnel de significativité.

Concentration autodéclarée

#

Le résultat le plus marqué concerne la capacité de concentration déclarée.

Le modèle estime :

\[ \beta = -0{,}505 \]

Soit :

\[ OR = e^{-0{,}505} \approx 0{,}603 \]

Une augmentation d’une catégorie d’utilisation du smartphone est associée à des cotes environ 40 % plus faibles d’appartenir à une catégorie supérieure de concentration déclarée.

Le résultat est statistiquement significatif :

\[ p < 0{,}001 \]

Cette association apparaît plus nette que celle observée avec les préférences temporelles.

Il convient néanmoins de rappeler que la concentration est autodéclarée et qu’aucun test cognitif objectif n’a été réalisé.

Résultats non significatifs

#

Les deux autres indicateurs présentent également des coefficients négatifs :

• MPL : \(\beta = -0{,}170\), \(p = 0{,}216\).
• Impatience autodéclarée : \(\beta = -0{,}209\), \(p = 0{,}141\).

Ces résultats ne sont pas statistiquement significatifs au seuil de 5 %.

Ils ne permettent donc pas de conclure à l’existence d’une association pour ces deux indicateurs dans les modèles ajustés.

L’ensemble des résultats suggère ainsi une relation possible entre l’usage du smartphone et certaines dimensions comportementales, mais cette relation n’apparaît pas de manière homogène selon les mesures utilisées.

6. Discussion et limites

#

6.1. Corrélation et causalité

#

Plusieurs mécanismes peuvent expliquer les associations observées :

• Une utilisation intensive du smartphone pourrait influencer certains comportements.
• Les personnes initialement moins patientes pourraient avoir davantage tendance à utiliser leur smartphone.
• Des facteurs non observés pourraient simultanément influencer les usages numériques et la patience.

Il existe donc un risque de causalité inverse et de confusion résiduelle.

L’ajout de variables de contrôle dans les régressions réduit certains risques de confusion, mais ne suffit pas à identifier un effet causal.

Une stratégie d’identification plus rigoureuse serait nécessaire pour répondre à cette question.

6.2. Limites méthodologiques

#

Plusieurs limites doivent être prises en compte.

Échantillon restreint et non représentatif

Les données reposent sur 184 réponses collectées en ligne. La population est très majoritairement jeune et étudiante, ce qui limite la généralisation des résultats.

Mesures déclaratives

Le temps passé sur le smartphone et la concentration reposent sur les estimations des participants. Ces réponses peuvent être affectées par des erreurs de mémoire ou de perception.

Expériences hypothétiques

Les choix monétaires proposés dans les expériences MPL et CTB n’impliquaient aucun gain financier réel. Les préférences déclarées peuvent donc différer des décisions effectivement prises en situation.

Simplification des préférences temporelles

Les protocoles MPL et CTB ont été adaptés aux contraintes du questionnaire. Ils permettent de construire des indicateurs ordinaux, mais pas d’estimer avec précision tous les paramètres économiques des préférences temporelles.

Hypothèses des modèles

Les régressions ordinales reposent sur plusieurs hypothèses, notamment celle des cotes proportionnelles. Le rapport initial ne documente pas systématiquement les résultats détaillés des tests diagnostiques.

Enfin, plusieurs indicateurs ont été analysés. Les p-values présentées correspondent aux tests individuels et ne tiennent pas compte d’une éventuelle correction pour comparaisons multiples.

6.3. Perspectives

#

Plusieurs améliorations permettraient de prolonger cette étude.

Une première piste consisterait à collecter un échantillon plus large et plus diversifié, notamment en âge et en situation professionnelle.

L’utilisation de données objectives, comme les temps d’écran enregistrés par les smartphones, permettrait également de limiter les biais déclaratifs.

Enfin, un protocole expérimental pourrait être envisagé, par exemple en comparant aléatoirement différents niveaux de restriction d’utilisation du smartphone, afin d’estimer plus rigoureusement les effets sur la concentration et les préférences temporelles.

Ces prolongements permettraient de passer d’une démarche principalement descriptive et associative à une véritable stratégie d’identification causale.

7. Conclusion

#

Cette étude exploratoire cherchait à déterminer si l’utilisation intensive des smartphones était associée à une diminution de la patience.

À partir de 184 observations, plusieurs indicateurs comportementaux ont été construits puis analysés avec des méthodes statistiques et économétriques sous R.

Les principaux résultats montrent :

• Une association négative statistiquement significative entre l’utilisation du smartphone et les préférences temporelles mesurées par le CTB.
• Une association négative plus marquée avec la concentration autodéclarée.
• L’absence de résultat statistiquement significatif pour les mesures MPL et d’impatience autodéclarée dans les modèles ajustés.

Ces résultats sont compatibles avec l’hypothèse d’un lien entre les usages numériques et certains comportements individuels, sans permettre d’en établir la causalité.

Au-delà de la problématique étudiée, ce projet illustre une démarche de recherche quantitative appliquée, depuis la définition d’indicateurs comportementaux jusqu’à l’estimation économétrique et à l’interprétation critique des résultats.

Rapport de recherche

#

L’ensemble du protocole, des tableaux de régression, des analyses complémentaires et des références est disponible dans le rapport original de 2017.

Références

#

• Andreoni, J., & Sprenger, C. (2012). Estimating Time Preferences from Convex Budgets. American Economic Review, 102(7), 3333–3356.
• Sutter, M., Kocher, M. G., Glätzle-Rützler, D., & Trautmann, S. T. (2013). Impatience and Uncertainty: Experimental Decisions Predict Adolescents’ Field Behavior. American Economic Review, 103(1), 510–531.
• Meier, S., & Sprenger, C. (2010). Present-Biased Preferences and Credit Card Borrowing. American Economic Journal: Applied Economics, 2(1), 193–210.
• Helsper, E. J., & Eynon, R. (2010). Digital Natives: Where Is the Evidence?. British Educational Research Journal, 36(3), 503–520.
• Baccini, A. (2010). Statistique descriptive multidimensionnelle. Université Toulouse III.