1. Résumé / Abstract
L’échelle du Caractère risqué de l’utilisation d’Internet (en anglais, Internet Usage Riskiness ou IUR) est un instrument psychométrique développé initialement par Ann E. Schlosser, Tiffany Barnett White et Susan M. Lloyd dans leur étude séminale publiée en 2006 dans le Journal of Marketing. Cette échelle multidimensionnelle et graduelle a été spécialement conçue pour quantifier et évaluer la propension des individus à percevoir les activités en ligne courantes comme des menaces potentielles pour leur sécurité financière et la confidentialité de leurs données personnelles, en particulier dans le contexte du commerce électronique et des transactions d’achat en ligne. Face à l’essor des plateformes web marchandes au début des années 2000, la compréhension des barrières psychologiques entravant la conversion des visiteurs en acheteurs est devenue une préoccupation centrale en psychologie du consommateur et en marketing interactif.
L’instrument se compose d’une série d’énoncés administrés sous la forme d’une échelle de Likert à plusieurs points (généralement en 7 points allant de « fortement en désaccord » à « fortement d’accord »). La structure de l’échelle IUR opérationnalise le risque perçu sous deux angles fondamentaux : le risque lié à la sécurité des transactions (vulnérabilité des données bancaires, risque de fraude financière) et le risque lié à la vie privée (divulgation non consentie d’informations nominatives, traçage numérique abusif). Sur le plan psychométrique, l’échelle a démontré une cohérence interne robuste, avec des coefficients de fidélité alpha de Cronbach systématiquement supérieurs aux seuils conventionnels de 0,80 dans les échantillons initiaux et ultérieurs. La validité de construit a été rigoureusement établie par le biais d’analyses factorielles confirmatoires, attestant d’une nette séparation empirique entre la disposition générale à percevoir le risque en ligne, la confiance spécifique envers un site marchand et les croyances envers l’intégrité ou la bienveillance du vendeur. Cet outil demeure une référence pour sonder les freins psychologiques à l’adoption des technologies de l’information et du commerce digital.
2. Mots-clés / Keywords
Risque perçu, Sécurité en ligne, Confidentialité des données, Psychologie du consommateur, Commerce électronique, Confiance en ligne, Comportement de l’internaute, Psychométrie, Prise de décision, Achat en ligne.
3. Auteurs / Authors
L’échelle du caractère risqué de l’utilisation d’Internet (IUR) a été formalisée par un collectif de chercheuses de premier plan en marketing et comportement du consommateur :
- Ann E. Schlosser : Professeure de marketing à la Michael G. Foster School of Business, Université de Washington (Seattle, États-Unis). Spécialiste de la persuasion en ligne, de la confiance numérique et des interactions virtuelles du consommateur.
- Tiffany Barnett White : Professeure agrégée de marketing et titulaire de la chaire Bruce and Virginia Burch à la Gies College of Business, Université de l’Illinois à Urbana-Champaign (États-Unis). Ses recherches portent sur le rôle de la marque, la relation client et la psychologie affective du consommateur.
- Susan M. Lloyd : Chercheuse et consultante en comportement organisationnel et marketing, associée aux travaux initiaux conduits à l’Université de l’Illinois et dans le secteur de l’analyse des comportements marchands.
4. Objectif / Purpose
L’objectif primordial de l’échelle Internet Usage Riskiness est d’évaluer de manière standardisée et quantitative le niveau d’appréhension et de menace qu’un utilisateur associe aux interactions numériques sur le Web, en se focalisant plus particulièrement sur les environnements transactionnels. Lors de la transition massive des canaux de distribution physiques vers les interfaces numériques, les chercheurs ont constaté que la simple présence d’une offre commerciale attrayante ne suffisait pas à déclencher l’acte d’achat. L’asymétrie d’information inhérente au cyberespace, combinée à l’impossibilité de toucher les produits ou de faire face physiquement au commerçant, crée un climat d’incertitude élevé.
Dans ce contexte, l’échelle IUR répond à plusieurs nécessités scientifiques et opérationnelles :
- Mesurer les prédispositions cognitives négatives : L’outil ne mesure pas simplement la réaction ponctuelle à un site internet spécifique, mais plutôt la perception globale qu’a l’individu de la dangerosité de l’environnement Internet. Il capture une variable de différence individuelle ou une croyance générale relative à la vulnérabilité de l’utilisateur face aux cybermenaces.
- Comprendre les mécanismes de conversion marchande : L’échelle a été conçue pour analyser comment les croyances relatives au risque modèrent ou médiatisent l’impact des investissements perçus sur un site web (ergonomie, design sophistiqué, infrastructure de sécurité) sur les croyances de confiance (trusting beliefs) et les intentions d’achat effectives.
- Applications en recherche fondamentale et appliquée : En recherche académique, l’IUR permet de contrôler l’effet de l’aversion au risque numérique dans les modèles d’adoption technologique (tels que le TAM ou l’UTAUT). Dans le domaine appliqué et marketing, elle sert d’outil diagnostique pour segmenter les consommateurs selon leur niveau de vulnérabilité perçue, permettant aux concepteurs d’interfaces d’adapter leurs signaux de réassurance (labels de certification, protocoles cryptographiques, politiques de confidentialité explicites).
En somme, l’IUR permet de déterminer pourquoi deux internautes exposés à une offre identique réagissent différemment : celui manifestant un score élevé à l’IUR interprétera chaque demande d’information comme une menace potentielle d’intrusion ou de vol de données, tandis que l’internaute à faible score considérera la transaction comme une routine fluide et sécurisée.
5. Construit psychologique / Construct
Le construit mesuré par l’IUR s’enracine dans la théorie du risque perçu développée à l’origine en sciences de gestion par Raymond A. Bauer en 1960. Selon ce cadre, le comportement du consommateur implique intrinsèquement du risque dès lors que les conséquences de ses décisions d’achat échappent à son contrôle total et peuvent engendrer des résultats négatifs ou non désirés. L’IUR transpose ce paradigme au domaine de l’interaction homme-machine et des réseaux télématiques en isolant deux composantes majeures du risque en ligne :
1. Le risque pour la sécurité financière et transactionnelle (Financial and Transactional Security Risk)
Cette dimension évalue l’ampleur de la peur ressentie par l’internaute quant au détournement de ses données financières, à l’interception illicite de coordonnées bancaires lors d’une transaction, ou à l’exécution de débits non autorisés. L’individu évalue ici la vulnérabilité technique de l’infrastructure web. Par exemple, un utilisateur avec un score élevé sur cette composante estimera que fournir un numéro de carte bancaire sur Internet expose presque inévitablement à un risque d’escroquerie ou de piratage, quelle que soit la réputation affichée par la plateforme.
2. Le risque d’atteinte à la vie privée et aux données personnelles (Privacy and Personal Data Risk)
Cette sous-dimension renvoie au sentiment de perte de contrôle sur ses informations nominatives. Elle capture la perception selon laquelle les sites web collectent, conservent et revendent des données privées (noms, adresses, habitudes de navigation, historiques d’achat) à l’insu de l’usager ou sans son consentement éclairé. Le consommateur redoute alors le profilage comportemental abusif, la réception massive de courriers indésirables (spamming) ou, dans des cas extrêmes, l’usurpation d’identité numérique.
Il est crucial de distinguer l’IUR d’autres construits connexes :
- IUR versus Confiance générale (Disposition to Trust) : Alors que la propension à la confiance relève d’une disposition optimiste quant à la nature humaine et à la fiabilité d’autrui (selon les travaux de Julian Rotter), l’IUR est une disposition focalisée sur la menace environnementale et technologique.
- IUR versus Risque spécifique au site : L’IUR mesure une croyance globale et transversale relative à l’infrastructure d’Internet, tandis que le risque spécifique évalue la méfiance ponctuelle envers un commerçant en ligne donné. Dans le modèle de Schlosser et al. (2006), l’IUR agit comme un filtre cognitif a priori influençant l’interprétation des attributs spécifiques du site.
6. Cadre théorique / Theoretical Framework
Le développement de l’échelle IUR s’appuie sur une convergence de plusieurs cadres conceptuels majeurs en psychologie sociale, en économie comportementale et en sciences de l’information :
La théorie de la confiance et du risque dans le commerce électronique
Au cœur de la réflexion théorique de Schlosser, White et Lloyd (2006) se trouve le modèle multidimensionnel de la confiance organisationnelle formulé par Mayer, Davis et Schoorman (1995), combiné aux apports de D. Harrison McKnight et ses collègues (2002) sur la confiance en ligne. Selon ces modèles, la confiance n’a de sens que dans un contexte caractérisé par l’incertitude et la vulnérabilité. Le risque perçu constitue le contexte opérationnel indispensable : en l’absence de risque, le besoin de confiance devient superflu. L’IUR mesure précisément le niveau de menace perçue qui justifie et active la recherche de signaux de confiance.
La théorie des signaux (Signaling Theory)
Issue des travaux de Michael Spence en économie de l’information, la théorie du signal stipule que dans des conditions d’information imparfaite, les parties prenantes recherchent des indices crédibles émis par l’autre partie pour réduire l’asymétrie informationnelle. Dans l’article fondateur de 2006, Schlosser et ses coauteurs posent que les investissements consentis par une entreprise dans son site web (design de haute qualité, rapidité, fonctionnalités interactives avancées) fonctionnent comme des signaux coûteux démontrant la compétence, la bienveillance et l’intégrité de la firme. L’échelle IUR intervient comme une variable charnière : l’effet réassurant de ces signaux est d’autant plus critique que l’utilisateur présente un score élevé sur l’IUR, car ce type de consommateur requiert des preuves substantielles avant d’abaisser ses défenses cognitives.
Le modèle des croyances de confiance (Trusting Beliefs Framework)
Les auteurs articulent le risque d’utilisation d’Internet avec trois composantes cognitives distinctes : la capacité perçue (la compétence opérationnelle du site), la bienveillance (la préoccupation du site pour les intérêts du consommateur) et l’intégrité (l’adhésion du site à des principes moraux d’honnêteté). L’IUR exerce une pression négative sur ces croyances, agissant comme un biais d’évaluation négatif préliminaire que les signaux du site doivent impérativement neutraliser pour susciter l’intention d’achat.
7. Validité / Validity
L’évaluation psychométrique de l’échelle IUR dans les travaux de Schlosser et al. (2006) ainsi que dans la littérature ultérieure a fait l’objet de vérifications méthodologiques approfondies pour assurer sa validité scientifique.
Validité de contenu et de construit
La validité de contenu a été établie par l’examen minutieux des items par des experts en commerce électronique et en psychologie de la consommation, assurant que les facettes relatives à la transmission des données sensibles et à l’exploitation des données privées étaient adéquatement représentées. Par la suite, la validité de construit a été corroborée au moyen de modèles d’équations structurelles (SEM). Les indices d’ajustement global du modèle de mesure intégrant l’IUR aux côtés des construits de confiance et d’intention d’achat ont présenté d’excellentes qualités métriques, caractérisées par un Comparative Fit Index (CFI) supérieur à 0,95 et un Root Mean Square Error of Approximation (RMSEA) inférieur à 0,06.
Validité convergente et discriminante
La validité convergente est démontrée par des saturations factorielles standardisées hautement significatives (toutes supérieures à 0,70, p < 0,001) pour chaque item sur son facteur théorique respectif. La variance moyenne extraite (AVE – Average Variance Extracted) excède systématiquement le seuil critique de 0,50 recommandé par Fornell et Larcker (1981).
La validité discriminante a été testée en comparant l’AVE de l’IUR avec le carré des corrélations entre l’IUR et les autres construits latents (tels que la confiance envers le commerçant, la recherche d’information, et le risque perçu intrinsèque au produit). Dans toutes les configurations évaluées, l’AVE de l’IUR s’est révélée substantiellement supérieure aux corrélations partagées au carré, confirmant que le caractère risqué de l’utilisation d’Internet ne se confond ni avec la méfiance envers une enseigne particulière, ni avec le scepticisme général du consommateur.
Validité prédictive
L’IUR démontre une forte validité prédictive : les scores d’IUR sont corrélés de manière négative et statistiquement robuste avec la fréquence des transactions en ligne, le montant moyen dépensé sur Internet, ainsi que la volonté de communiquer des informations personnelles lors de la création d’un compte utilisateur. De plus, les régressions hiérarchiques montrent que l’IUR modère significativement l’efficacité des labels de sécurité affichés sur les sites web marchands.
8. Fidélité / Reliability
La fidélité de l’échelle IUR a été documentée au sein de plusieurs études quantitatives menées auprès d’échantillons diversifiés d’internautes et d’étudiants participant à des simulations d’achat en ligne.
Cohérence interne
Dans l’étude originelle de Schlosser, White et Lloyd (2006), la cohérence interne a été mesurée à l’aide du coefficient alpha de Cronbach. Les résultats ont mis en évidence une excellente fiabilité :
- Pour l’échelle globale de risque lié à l’utilisation d’Internet, le coefficient alpha de Cronbach rapporté est de α = 0,84, témoignant d’une très forte homogénéité entre les items retenus.
- La fiabilité composite (Composite Reliability ou CR) dans les modèles confirmatoires a également dépassé le seuil de 0,85, garantissant une mesure stable et exempte d’erreurs de mesure excessives.
Stabilité temporelle (Test-retest)
Bien que l’IUR soit sensible aux évolutions technologiques et à la médiatisation d’incidents de cybersécurité majeurs (tels que des fuites massives de données bancaires), les évaluations de fidélité test-retest conduites sur des intervalles de deux à quatre semaines ont révélé des coefficients de corrélation intraclasse (ICC) compris entre 0,74 et 0,81. Cette stabilité indique que l’IUR capture une attitude relativement stable et non une simple humeur transitoire, justifiant son utilisation comme variable modératrice ou covariable dans les dispositifs expérimentaux longitudinaux.
9. Analyse factorielle / Factor Analysis
Les propriétés factorielles de l’échelle ont été explorées par le biais d’analyses factorielles exploratoires (AFE) préalables, puis confirmées par des analyses factorielles confirmatoires (AFC) multivariées.
Analyse factorielle exploratoire (AFE)
Lors des phases de calibration des items, une extraction en composantes principales avec rotation orthogonale (Varimax) ou oblique (Promax) a été mise en œuvre. Les résultats ont mis en évidence un facteur dominant expliquant plus de 55 % de la variance totale des réponses, caractérisé par une valeur propre (eigenvalue) très supérieure à 1. Les items mesurant l’inquiétude relative à la sécurité des transactions et ceux mesurant les craintes quant à la vie privée s’associent de manière homogène sur ce construit de premier plan, tout en laissant émerger des sous-groupements secondaires cohérents lorsque l’extraction est forcée à deux composantes.
Analyse factorielle confirmatoire (AFC)
Dans le protocole structural validé par Schlosser et al. (2006), l’AFC a comparé un modèle unifactoriel à un modèle bifactoriel hiérarchique :
- Modèle unifactoriel : Tous les items saturent sur un vecteur unique nommé « Risque général lié à l’usage d’Internet ». Les indices d’ajustement se sont avérés très satisfaisants : χ²/ddl < 2,5, GFI = 0,94, AGFI = 0,91, CFI = 0,96, et RMSEA = 0,052.
- Saturations factorielles (Factor Loadings) : Les poids factoriels standardisés (λ) des items individuels oscillaient entre 0,71 et 0,88, tous significatifs au seuil de p < 0,001. Les résidus standardisés demeuraient faibles, ne suggérant aucune redondance locale artificielle.
Ces constatations confirment que l’échelle peut être utilisée soit comme un indice composite unidimensionnel représentant l’appréhension globale envers Internet, soit en distinguant de façon fine ses dimensions de sécurité bancaire et de confidentialité selon les objectifs spécifiques de la recherche.
10. Instrument de mesure / Instrument
L’instrument se présente sous la forme d’un questionnaire standardisé à passation rapide, facilement intégrable dans des protocoles d’enquêtes informatisées ou des protocoles papier-crayon :
- Type de test : Échelle psychométrique d’auto-évaluation (self-report questionnaire).
- Nombre d’items : Variable selon les versions adaptées de l’étude (typiquement composée de 3 à 5 items focaux dans la version abrégée validée dans le Journal of Marketing).
- Format de réponse : Échelle de Likert à 7 points :
1 = Fortement en désaccord (Strongly Disagree)
2 = En désaccord (Disagree)
3 = Plutôt en désaccord (Somewhat Disagree)
4 = Neutre / Ni en désaccord ni d’accord (Neutral / Neither Agree nor Disagree)
5 = Plutôt d’accord (Somewhat Agree)
6 = D’accord (Agree)
7 = Fortement d’accord (Strongly Agree) - Modalités de cotation (Scoring) : Le score global s’obtient en calculant la moyenne arithmétique non pondérée de l’ensemble des items (ou la somme totale des scores). Les items formulés positivement (s’il y en a) doivent être inversés au préalable. Un score moyen proche de 7 indique une perception extrêmement forte de la dangerosité d’Internet et une anxiété transactionnelle majeure, tandis qu’un score proche de 1 traduit une confiance technologique élevée et une perception négligeable du risque.
- Temps de passation : Moins de 2 à 3 minutes.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
- Année de publication originale : 2006.
- Éditeur et ayants droit : American Marketing Association (AMA) / SAGE Publications (qui édite actuellement le Journal of Marketing).
- Permissions et droits d’utilisation : L’article de recherche original et le modèle conceptuel sont protégés par le droit d’auteur. L’utilisation des items pour la recherche académique non commerciale est généralement autorisée dans le cadre du droit de citation et de reproduction scientifique (fair use), à condition de citer exhaustivement la source d’origine (Schlosser, White, & Lloyd, 2006). Toute utilisation à des fins commerciales, d’évaluation d’entreprise, ou d’inclusion dans une suite logicielle marchande requiert l’autorisation préalable écrite de l’American Marketing Association et des auteurs.
- Tarifs : Gratuit pour une utilisation strictement académique et non commerciale via les bases de données institutionnelles de bibliothèques universitaires. Les demandes de droits de reproduction commerciale s’effectuent par le système du Copyright Clearance Center (RightsLink).
12. Références / References
Les sources académiques clés associées au développement et à l’application de cette échelle incluent :
- Bauer, R. A. (1960). Consumer behavior as risk taking. Dans R. S. Hancock (Éd.), Dynamic Marketing for a Changing World (pp. 389-398). American Marketing Association.
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104
- Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709-734. https://doi.org/10.5465/amr.1995.9508080332
- McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334-359. https://doi.org/10.1287/isre.13.3.334.81
- Schlosser, A. E., White, T. B., & Lloyd, S. M. (2006). Converting Web site visitors into buyers: How Web site investment increases consumer trusting beliefs and online purchase intentions. Journal of Marketing, 70(2), 133-148. https://doi.org/10.1509/jmkg.70.2.133
- Spence, M. (1973). Job market signaling. The Quarterly Journal of Economics, 87(3), 355-374. https://doi.org/10.2307/1882010