Navigation – Plan du site

AccueilNumérosNS-6L’apport de la méthode fsQCA à l’...

L’apport de la méthode fsQCA à l’étude de la complexité causale : une application à la stabilité des alliances

Contributions of fsQCA to the study of causal complexity : an application to the stability of alliances
Benjamin Lehiany et Paul Chiambaretto

Résumés

Cet article discute les apports de la méthode fsQCA (fuzzy-set Qualitative Comparative Analysis). En s’appuyant sur l’algèbre booléenne, cette méthode permet d’identifier différentes combinaisons causales expliquant un phénomène. A partir d’une étude sur la stabilité de 11 alliances ferroviaires européennes, nous montrons que les méthodes traditionnelles n’aboutissent qu’à des explications partielles du phénomène. A l’inverse, la méthode fsQCA permet d’identifier 4 « chemins causaux » expliquant la stabilité ou « profils d’alliances stables ». La méthode fsQCA permet ainsi de réconcilier les contradictions de la littérature sur des phénomènes sujets à la complexité causale tels que la stabilité des alliances.

Haut de page

Plan

Haut de page

Texte intégral

Les auteurs tiennent à remercier les évaluateurs ainsi que les éditeurs impliqués dans la coordination de ce numéro spécial – Lionel Garreau, Amaury Grimand, Thomas Roulet et Isabelle Royer – pour leurs commentaires et encouragements. Les auteurs remercient également les organisateurs et participants de l’atelier méthodologie AIMS du 16 novembre 2016. Enfin, les auteurs remercient les étudiants de l’école Polytechnique – Simon Charmette et Pierre Mengelle – pour leur aide précieuse dans cette recherche.

Introduction

1Cet article s’appuie sur l’analyse de la stabilité des alliances pour mettre en évidence les apports de la méthode fsQCA (fuzzy-set Qualitative Comparative Analysis, ou AQC en français, Ragin, 2000) par rapport aux méthodes traditionnelles telles que les études de cas ou les approches statistiques. L’existence de résultats contradictoires sur les causes de la stabilité des alliances (Chrysostome et al. 2005 ; Blanchot & Guillouzo, 2011 ; Prévot & Guallino, 2012) en fait un cas idéal pour illustrer les limites des méthodes traditionnelles tout en les dépassant grâce à l’AQC.

2La méthode fsQCA, développée en sciences politiques par Ragin (1987) puis démocratisée en management par Fiss (2007, 2009 et 2011), mobilise l’algèbre booléenne et la théorie des ensembles flous afin de mener une analyse systématique d’un nombre intermédiaire de cas (entre 10 et 50, Chanson et al. 2005 ; Curchod et al. 2004 ; Depeyre et Vergne, 2018). Elle permet à la fois de prendre en compte les spécificités des cas tout en adoptant une démarche holistique et rigoureuse, combinant ainsi les avantages des méthodes qualitatives et quantitatives. Le résultat obtenu permet alors de mettre en évidence plusieurs explications du phénomène étudié par l’identification de « combinaisons minimales de causes suffisantes ». La méthode fsQCA permet ainsi de mettre en évidence la complexité causale sous-jacente à de nombreux phénomènes en sciences sociales, c’est-à-dire les phénomènes soumis à trois sources de complexité (Depeyre & Vergne, 2018 ; Fiss, 2007 ; Ragin, 2000) : (1) la causalité conjoncturelle, selon laquelle ce sont des combinaisons (ou conjonctions) de causes qui permettent d’expliquer le phénomène étudié et non des causes indépendantes ; (2) l’équifinalité ou l’hétérogénéité causale (multiple conjectural causation, Ragin, 1987), qui consiste à envisager la possibilité de plusieurs scénarios (ou combinaisons de causes) pour expliquer un même phénomène (Harris, 2011) ; et (3) l’asymétrie de causes, de sorte que les causes qui permettent d’expliquer la présence d’un phénomène ne sont pas nécessairement celles qui expliquent son absence. En effet, la méthode permet d’une part d’identifier des conditions causales complexes en questionnant le caractère nécessaire et/ou suffisant de conditions permettant d’expliquer un phénomène ; d’autre part, la richesse qualitative des cas est conservée par la prise en compte du flou (fuzzy) relatif aux concepts étudiés au travers de la calibration des données qui peuvent prendre des valeurs comprises entre 0 et 1.

3Dans cette étude, nous cherchons donc à comprendre comment les résultats obtenus par la méthode fsQCA complètent et raffinent les conclusions des méthodes traditionnelles. Afin d’apporter des éléments de réponse à cette question de recherche, nous avons appliqué la méthode fsQCA à l’analyse de la stabilité des 11 alliances ferroviaires existantes en Europe sur le marché du transport international de passagers, avant sa libéralisation de 2010. Nous avons donc collecté des données primaires et secondaires sur ces alliances et leur contexte suivant un protocole particulier que nous détaillons plus bas. Nous avons ensuite comparé nos résultats avec ceux que nous aurions obtenus en mobilisant d’autres méthodes plus traditionnelles (étude de cas et analyse de corrélation) d’une part, puis avec les principales conclusions de la littérature existante sur ce sujet d’autre part, mettant ainsi en évidence les principaux apports de la méthode fsQCA.

4Le phénomène étudié, la stabilité des alliances internationales, nous semble idéal pour évaluer la pertinence de la méthode fsQCA au sens où cette question fait encore débat et les causes de la stabilité ne font pas encore consensus (Chung et Beamish, 2010 ; Prévot & Guallino, 2012). En effet, alors que près d’une alliance sur deux est considérée comme instable (Lunnan & Haugland, 2008), une très riche littérature a émergé au cours des deux dernières décennies pour identifier les facteurs de stabilité et d’instabilité des alliances (Prévot & Guallino, 2012). Cette littérature a permis de mettre en évidence le rôle de plusieurs facteurs internes à l’alliance comme le partage de ressources (Das & Teng, 2000 ; Pisano et al. 1988), l’équilibre des rapports de force (Killing, 1983 ; Yan & Gray, 1994) et de l’actionnariat (Blodgett, 1992 ; Dhanaraj & Beamish, 2004 ; Lowen & Pope, 2007) ou encore le nombre de partenaires (Blanchot & Guillouzo, 2011 ; Prevot & Guallino, 2012 ; Valdés-Llaneza & Garcia-Canal, 2006). Pour autant, d’autres facteurs externes à l’alliance ont aussi été identifiés, parmi lesquels le degré de concurrence sur le marché (Kogut, 1989), son attractivité (Inkpen & Beamish, 1997) ou la multiplication des points de contact entre les partenaires et leur expérience passée en tant que partenaires (Lehiany & Chiambaretto, 2014 ; Wassmer & Dussauge, 2012). En dépit de la richesse de la littérature sur la stabilité des alliances, les études empiriques aboutissent à des résultats contradictoires quant à l’effet de tel ou tel facteur, de sorte qu’il semble nécessaire d’étudier la stabilité des alliances par de nouvelles approches (Prévot & Guallino, 2012). La méthode fsQCA semble particulièrement adaptée pour deux raisons.

5D’une part, une des difficultés majeures dans l’étude de la stabilité des alliances réside dans le flou lié à sa définition ou à sa mesure (Blanchot, 2006). La prise en compte de ce flou au moyen de données qualitatives et de méthodes adaptées doit permettre de mieux comprendre le phénomène tout en conservant sa richesse. D’autre part, l’absence de consensus sur l’effet des facteurs liés à la stabilité peut s’expliquer, nous le verrons, par la complexité causale sous-jacente au phénomène (Britt, 1998 ; Chanson et al. 2005). Ces caractéristiques font donc de la stabilité des alliances une illustration idéale de l’apport de la méthode fsQCA, développée dans le but de répondre à ces deux difficultés.

6Les résultats des différentes méthodes que nous mobilisons convergent sur un point : le partage de ressources entre les partenaires d’une alliance est une condition nécessaire à sa stabilité, comme le prédit la littérature (Das & Teng, 2000). Ce n’est cependant pas une condition suffisante, puisqu’il existe dans notre échantillon des alliances instables au sein desquels les partenaires partagent pourtant des ressources. Ensuite, seule la méthode fsQCA nous a permis de mettre en évidence que la stabilité des alliances pouvait s’expliquer par quatre « chemins causaux » ou « profils d’alliances » différents qui combinent des conditions causales propres aux partenaires, à l’alliance et à leur environnement. Ces résultats, discutés dans l’article, confirment dans un premier temps la complexité causale sous-jacente à la stabilité des alliances, source de l’équifinalité de nos quatre combinaisons. Ensuite, ils montrent clairement que l’effet d’une condition causale dépend des autres conditions causales avec lesquelles elle est combinée, expliquant ainsi l’absence de consensus entre les approches qui analysent ces variables indépendamment. La méthode fsQCA permet donc de réconcilier les contradictions de la littérature sur la stabilité des alliances par la reconnaissance de la complexité causale.

7Plus généralement, notre étude montre comment la méthode fsQCA complète les approches qualitatives et quantitatives dans l’explication de phénomènes sujets à la complexité causale. Nos principales contributions résident dans la mise en perspective des résultats obtenus avec la méthode fsCQA par rapport aux conclusions des méthodes traditionnelles. De plus, notre étude apporte un éclairage nouveau et de futures pistes de recherche sur un sujet largement débattu dans la littérature mais souffrant de l’absence d’un consensus.

1. La méthode fs-QCA : une logique de configuration de causes

8Nous présentons dans cette première partie la méthode fsQCA et discutons de sa pertinence au regard des méthodes plus traditionnelles.

1.1. Complexité causale et flou conceptuel

9La méthode d’Analyse Qualitative Comparée (AQC - appelée aussi méthode « quali-quanti ») a été développée par Ragin (1987) en vue de répondre aux oppositions et limites des méthodes qualitatives et quantitatives (Rihoux, 2003). Les méthodes qualitatives (case-oriented) et quantitatives (variable-oriented) s’opposent et se complètent en premier lieu par les questions auxquelles elles tentent de répondre : « Quand on analyse un corps [en chimie], deux questions se posent en effet : quels sont les éléments qui le constituent, et en quelles proportions ? La première question est l’objet de l’analyse qualitative, et la seconde et celle de l’analyse quantitative ». (Dumez, 2013 p. 10). En effet, s’appuyant sur une approche inductive, les méthodes qualitatives sont particulièrement pertinentes en phases de recherche exploratoires visant à identifier des causes expliquant un phénomène ou des éléments constituant un système (Dumez, 2013). Elles ont vocation à analyser un phénomène ou un petit nombre de cas en les appréhendant dans leur contexte et dans toute leur complexité au risque de réduire la généralisation des résultats obtenus (Gibbert et al. 2008). A l’inverse, les méthodes quantitatives telles que les modèles de régression, reposent sur une logique déductive visant à mesurer des effets nets de variables et tester des hypothèses par l’analyse d’un grand nombre d’observations et par un fort degré d’abstraction des variables, au risque, selon Ragin (1987), d’écarter les cas « aberrants », pourtant riches d’enseignements. En particulier, les modèles de régression linéaire se concentrent sur les effets d’une variable indépendante tout en fixant la valeur des autres variables de l’équation et sont donc mal adaptées à l’étude d’effets combinés de variables (Fiss, 2007). Par ailleurs, comme l’expliquent Chanson et al. (2005, p. 41), « les méthodologies quantitatives traditionnelles n’aboutissent qu’à une explication unique d’un phénomène » et ne permettent pas de prendre en compte la diversité des causes envisagées pour un même résultat.

10Si la méthode QCA a été initialement conçue comme une approche de recherche « synthétique » ou « intermédiaire » entre les méthodes qualitatives (case-oriented) et quantitatives (variable-oriented) visant à combiner leurs avantages tout en dépassant leurs limites (Ragin, 1987), elle est davantage une démarche de recherche spécifique qui permet d’appréhender les objets d’étude avec la lentille des configurations de causes (Depeyre et Vergne, 2018). Elle s’inscrit donc dans le courant des approches par les configurations (Fiss et al. 2013 ; Meyer et al. 1993) qui adoptent une vue holistique et systémique des organisations et où un phénomène observé est le résultat de combinaisons de causes (ou patterns) plutôt que d’effets nets de variables indépendantes (Fiss, 2007 ; Fiss et al. 2013). Autrement dit, la méthode QCA n’a pas vocation à identifier des éléments expliquant un phénomène (objet des méthodes qualitatives), ni à mesurer des proportions ou des corrélations entre des variables explicatives et expliquées (objet des méthodes quantitatives), mais plutôt à identifier les combinaisons possibles de causes qui produisent un même résultat. Cette approche s’appuie pour cela sur une logique booléenne de comparaison de cas afin de questionner le caractère nécessaire et/ou suffisant de combinaisons de causes expliquant le phénomène étudié. Néanmoins et comme nous le verrons par la suite, le protocole de recherche nécessite une fine compréhension des cas, notamment pour la phase de calibration des données, de sorte que Ragin positionne davantage la méthode QCA dans les approches qualitatives (Chanson et al. 2005). D’ailleurs, ce changement d’approche amène aussi un changement de vocabulaire : il est question de conditions causales plutôt que de variables explicatives, de phénomène observé plutôt que de variable expliquée, de calibration plutôt que de mesure ou de codage, ou encore de lien de causalité plutôt que de corrélation (Depeyre & Vergne, 2018 ; Fiss, 2007). Nous discutons plus en détail ci-dessous les deux principaux avantages de la méthode QCA, à savoir la prise en compte de la complexité causale et, dans le cas particulier de la méthode fuzzy-set QCA (par opposition à la crisp-set QCA), la prise en compte du flou relatif à certains phénomènes.

1.1.1. De la complexité causale

11En sciences de gestion, de nombreux phénomènes sont le résultat d’une combinaison complexe de causes entrelacées, voire de combinaisons alternatives de causes, plutôt que de conditions purement nécessaires et suffisantes (Fiss, 2007, 2009 et 2011). C’est le cas par exemple de la performance des firmes (Delery & Doty, 1996), de la capacité d’adaptation des firmes face à des évènements imprévus (Vergne et Depeyre, 2016) ou encore, comme nous tenterons de le montrer, de la stabilité des alliances internationales. Cette complexité s’explique par l’existence de conditions causales dites « INUS », c’est-à-dire des conditions insuffisantes lorsqu’elles sont prises indépendamment, mais qui sont des éléments nécessaires d’une combinaison suffisante mais non nécessaire (Insufficient but Necessary parts of a condition which is itself Unnecessary but Sufficient, Mackie 1965). Cette complexité causale produit trois phénomènes particuliers (Depeyre & Vergne, 2018) : (1) la causalité conjoncturelle, selon laquelle ce sont des combinaisons (ou conjonctions) de causes qui permettent d’expliquer le phénomène étudié et non des causes indépendantes ; (2) l’équifinalité ou l’hétérogénéité causale (multiple conjectural causation, Ragin, 1987), qui consiste à envisager la possibilité de plusieurs scénarios (ou combinaisons de causes) pour expliquer un même phénomène (Harris, 2011) ; et (3) l’asymétrie de causes, de sorte que les causes qui permettent d’expliquer la présence d’un phénomène ne sont pas nécessairement celles qui expliquent son absence (Fiss, 2011 ; Ragin, 2008).

12C’est précisément en vue de mettre en évidence des conditions « INUS » à l’apparition d’un résultat donné que la méthode QCA a été développée (Amenta et Poulsen, 1996 ; Romme, 1995). Elle s’inscrit donc clairement dans les approches « configurationnelles » (Fiss et al. 2013 ; Meyer et al. 1993) qui tentent d’appréhender la complexité causale par l’analyse du caractère nécessaire et suffisant de configurations de causes. Elle diffère ainsi des modèles économétriques cherchant à mesurer des interactions entre variables explicatives au sens où elle ne cherche pas à désagréger les cas en variables analytiquement indépendantes, mais au contraire, traite chaque cas comme une configuration particulière d’éléments interdépendants. Fiss (2007) montre également comment cette approche permet de dépasser les limites de méthodes quantitatives telles que les clustering algorithms ou deviation scores dans l’analyse des configurations. En particulier, l’auteur défend que ces méthodes reposent sur l’idée de relations linéaires et de causalité simple entre les éléments d’un système, idée théoriquement et empiriquement incompatible avec l’approche « configurationnelle » qui sous-tend la complexité causale : « Rather than implying singular causation and linear relationships, a configurational approach assumes complex causality and nonlinear relationships where “variables found to be causally related in one configuration may be unrelated or even inversely related in another” (Meyer et al. 1993 : 1178). » (Fiss, 2007, p. 1181).

13Dans sa version initiale, la méthode s’appuie sur un processus de minimisation booléenne consistant à identifier les combinaisons minimales de causes d’un phénomène observé à partir de données binarisées (Rihoux, 2006). On parle alors de la méthode crisp-set QCA pour laquelle les conditions causales ainsi que le phénomène observé prennent la valeur 0 ou 1 selon leur présence ou leur absence dans l’échantillon. Dans le prolongement de l’approche binaire, Ragin a développé l’extension fuzzy-set QCA qui s’appuie sur la théorie des ensembles flous afin d’attribuer aux phénomènes étudiés différents degrés d’appartenance à des ensembles, et ainsi, d’analyser des éléments qui ne répondent pas facilement à la démarche de binarisation.

1.1.2. Du flou conceptuel

14Si la méthode cs-QCA a de très nombreux champs d’application (Chanson et al. 2005 ; Rihoux & De Meur, 2009), il peut parfois s’avérer difficile ou inapproprié de traduire la richesse d’un phénomène par une variable binaire. Lorsque la présence ou l’absence d’un phénomène est aisément observable, par exemple l’existence ou non d’une ressource spécifique comme une marque ou un brevet, le raisonnement binaire, de type oui/non, prend tout son sens. Néanmoins, les sciences de gestion manipulent de nombreux objets intrinsèquement flous qui ne répondent pas à ce raisonnement binaire et pour lesquelles une logique dichotomique serait mal adaptée (Fiss, 2007 ; Ragin, 2000). C’est le cas par exemple des frontières organisationnelles (Dumez & Jeunemaître, 2010), de la stabilité des relations inter-organisationnelles (Blanchot, 2006) ou encore des groupes stratégiques (Reger & Huff, 1993). La difficulté d’appréhension des contours de ces concepts « poreux » tient à leur nature fortement qualitative de sorte que leur opérationnalisation se heurte naturellement à des difficultés de mesure : ils ne répondent pas à une logique binaire, par nature discontinue, mais plutôt à une logique « floue » basée sur différents degrés d’appartenance à un ensemble (Fiss, 2007 ; Ragin, 2000). En effet, comme l’expliquent Depeyre et Vergne (à paraître, p. 6) « la « logique floue » développée par Zadeh (1965) [et] consiste, pour chaque cas analysé, à déterminer s’il se situe plutôt à l’intérieur ou à l’extérieur d’un ensemble préalablement défini, pour chacune des conditions. Cela signifie qu’on ne raisonne pas simplement en termes binaires (oui/non), mais qu’on s’autorise à distinguer les cas à la fois qualitativement (condition plutôt présente vs. plutôt absente) et quantitativement (90 % vs. 60 %) ». La méthode fsQCA vient donc compléter la version cs-QCA par cette « logique floue » qui permet la calibration des données selon différents degrés d’appartenance aux ensembles étudiés selon une approche ordinale et continue. Elle se distingue des techniques mobilisant les échelles de valeurs ou de type « indices », qui supposent une progression linéaire, en ce sens qu’elle introduit un saut qualitatif déterminant autour de la valeur 0,5 (Vergne et Depeyre, 2016) de sorte qu’au-delà de 0,5, l’observation est « plutôt à l’intérieur de l’ensemble », alors qu’en-deçà de 0,5, l’observation est « plutôt à l’extérieur de l’ensemble ». Nous détaillons ci-dessous plus en détails le protocole de recherche mobilisant la méthode fsQCA.

1.2. Protocole de la méthode fsQCA

15Nous revenons ci-dessous sur les différentes étapes du protocole de la méthode fsQCA, depuis la sélection des cas jusqu’à l’interprétation des résultats obtenus.

1.2.1. Sélection des cas

16Cette première étape est abductive (Curchod et al. 2004). Ce sont les allers-retours entre la théorie et le terrain de recherche qui vont permettre de constituer la base de cas et de conditions causales pertinents pour l’analyse. Cette approche exhaustive permet d’accorder de l’importance à l’ensemble des cas, et en particulier aux cas non-concordants qui seraient normalement sous-estimés par les méthodes quantitatives. La méthode est jugée adaptée à l’analyse d’un nombre de cas compris entre 10 et 50 (Chanson et al. 2005 ; Curchod et al. 2004 ; Ragin, 2008) bien que certaines recherches mobilisent des échantillons de plus de 2000 cas (voir par exemple Greckhamer et al. 2008) pour gagner en robustesse au détriment de la richesse qualitative d’un échantillon plus modeste (Vergne & Depeyre, 2016). En dessous de la dizaine de cas, une méthode de type Small-N case study (Abbott, 2001) est plus adaptée car la comparaison des cas peut être réalisée rigoureusement sans perdre la richesse du matériau qualitatif. Néanmoins, au-delà de la dizaine de cas, l’analyse qualitative devient très longue et complexe. Enfin, au-delà d’une cinquantaine de cas, les méthodes quantitatives comme les régressions ou les analyses de variances semblent plus adaptées du fait du degré d’abstraction nécessaire à l’analyse.

17Ensuite, les cas retenus doivent satisfaire un critère de cohérence (sectorielle, ou géographique, ou autre) afin d’être aisément comparables. Il est préférable de retenir en majorité des cas pour lesquels le phénomène étudié est effectivement observé, mais également des cas qui a priori seraient de bons candidats pour produire le phénomène mais qui ne le font pas (Ragin, 1987).

1.2.2. Identification des conditions causales pertinentes

18Une fois les cas sélectionnés, le chercheur doit identifier les conditions causales pertinentes (Ragin, 1987) concernant le phénomène que l’on étudie au travers d’une étude de cas traditionnelle et toujours dans une approche abductive : « Concernant l’équilibre entre induction et déduction, […] le choix des conditions se fait au gré d’un dialogue entre faits et idées qui permet au chercheur d’établir progressivement des liens de causalité » (Depeyre et Vergne, 2018). En effet, Ragin (1987) rejette l’idée de causalité « permanente » rappelant que toute forme de causalité est fortement sensible au contexte des cas étudiés. Ainsi, des entretiens ouverts ou semi-directifs, croisés à de multiples sources de données secondaires doivent nécessairement accompagner la revue de la littérature académique sur le phénomène étudié afin de constituer un ensemble de conditions causales candidates relativement important. La rationalisation de ces « candidats » s’opère ensuite par des choix relatifs au terrain (on élimine les conditions non pertinentes ou non observables dans l’ensemble des cas retenus), et à la théorie (on regroupe les conditions causales par champs ou catégories théoriques) pour ne conserver que les ensembles de variables théoriquement compatibles et empiriquement observables.

19Le nombre de conditions causales retenues est également très important. Un équilibre entre le nombre de cas et le nombre de conditions causales doit être respecté notamment en regroupant les conditions causales substituables ou redondantes afin de conserver uniquement les conditions les plus pertinentes sur les plans empiriques et théoriques. Depeyre et Vergne (à paraître) proposent de respecter l’inéquation suivante, n ≥ ½ . 2cn représente le nombre de cas et c le nombre de conditions causales.

1.2.3. Calibration des données et construction de la table de vérité

20Puis, dans un troisième temps, le chercheur doit s’interroger sur les modalités de calibration du phénomène observé (l’outcome) et des conditions causales. Dans le cadre d’analyse des ensembles flous, les variables peuvent prendre des valeurs comprises entre 0 et 1 où le seuil de 0,5 représente un point d’inflexion qualitatif (Vergne et Depeyre, 2016). Il est également possible d’introduire différents « pas » correspondant à des sauts qualitatifs (par exemples, des pas de 0,2 ou de 0.33) ou alors de conserver un continuum de valeurs entre 0 et 1, mais le seuil de 0,5 doit nécessairement représenter un point de basculement en termes qualitatifs. Par exemple, en ce qui concerne le partage de ressources au sein d’une alliance ferroviaire, une simple communication sur la coopération par la création d’un logo sans réel partage de ressources stratégiques (achat de trains, locaux, personnels de bord en commun etc.) signifiera que les partenaires ne s’engagent pas dans une collaboration stratégique de long terme basée sur la confiance et l’échange de savoir-faire. Dans ce cas, la condition causale « Ressources communes » prendra une valeur inférieure à 0,5. Si au contraire, on observe un investissement réel des partenaires dans l’alliance au travers de ressources partagées, la condition causale prendra une valeur supérieure à 0,5. De même, des pas de 0,33 peuvent être introduits dans le but de différencier plusieurs niveaux de partages de ressources : 0 signifiant que les partenaires ne détiennent conjointement aucune ressource ; 0,33 correspondant à un partage partiel de ressources non stratégiques ; 0,66 pour un partage partiel de ressources stratégiques ; et 1 pour un partage total de ressources, signifiant que l’ensemble des ressources de l’alliance est conjointement détenu par les partenaires. Ce mécanisme permet donc d’introduire des nuances dans la dimension plus ou moins floue de certains concepts, tout en conservant la richesse des données qualitatives. La base de données obtenue après calibration est ensuite analysée par le logiciel fsQCA (Ragin & Davey, 2014, version 2.5) qui applique un algorithme de minimisation booléenne à une « table de vérité ». Cette dernière se présente sous un format standardisé en positionnant les cas en lignes et les conditions causales en colonnes. La table de vérité est composée de 2n équations, où n est le nombre de conditions causales, correspondant à l’ensemble des combinaisons possibles.

1.2.4. Recherche des conditions nécessaires

  • 1 Notons que le raisonnement s’inverse lorsqu’il est question des conditions suffisantes. On dira qu’ (...)

21Avant d’analyser la table de vérité, il convient de vérifier s’il existe des conditions nécessaires (mais non suffisantes). Une condition X est jugée nécessaire pour obtenir le phénomène Y s’il est indispensable que cette condition X soit présente pour observer le phénomène Y. Dans ce cas, le phénomène Y est un sous-ensemble de la condition X car cette dernière est indispensable au résultat recherché, mais peut aussi conduire à d’autres résultats. Par exemple, il est bien connu « qu’on ne fait pas d’omelette sans casser des œufs », ce qui implique que les œufs sont une condition nécessaire pour faire une omelette (phénomène étudié), mais les œufs peuvent produire beaucoup d’autres résultats (comme des crêpes, par exemple). D’autre part, les œufs ne sont pas une condition suffisante à l’obtention d’une omelette car il est également nécessaire de faire chauffer une poêle sur du feu. L’ensemble « omelette » est donc un sous-ensemble de l’ensemble « œufs »1. L’identification des conditions nécessaires s’opère en observant le degré de « cohérence » (consistency) de chaque condition causale. Cet indicateur mesure, pour l’ensemble des cas, le degré d’appartenance du phénomène observé dans l’ensemble de chaque condition causale. Le seuil standard de cohérence pour les conditions nécessaires est de 90 % (Ragin, 2008). En pratique, les conditions nécessaires « pures » sont rares et plus « évidentes » (George & Bennett, 2005).

1.2.5. Analyse de la table de vérité et recherche de combinaisons causales suffisantes

  • 2 A ce titre, rappelons qu’il est possible de conduire une seconde analyse visant à identifier les co (...)

22L’analyse de la table de vérité par minimisation booléenne est réalisée à l’aide du logiciel fsQCA (Ragin & Davey, 2014, version 2.5). Notons qu’afin d’identifier les conditions suffisantes, il n’est pas nécessaire d’analyser les cas pour lesquels le phénomène n’est pas observé (pour trouver les conditions suffisantes pour faire une omelette, il est inutile d’observer des crêpes)2. Dès lors, il est nécessaire de supprimer de la table de vérité les cas pour lesquels le phénomène n’est pas observé en s’appuyant sur l’indicateur de cohérence des cas (raw consistency). Ce dernier indique dans quelle mesure chaque configuration possible est un sous-ensemble du phénomène étudié. Le seuil standard de cohérence des cas (configurations observées) pour les conditions suffisantes est de 80 % (Ragin, 2008). Une fois éliminés les cas pour lesquels le phénomène n’est pas observé, le logiciel compare les cas similaires qui ne diffèrent que sur une condition causale, afin d’éliminer les conditions causales non pertinentes. Ce processus de minimisation prend fin lorsqu’il n’est plus possible d’éliminer de condition causale. Le logiciel propose alors la solution sous forme de combinaisons causales suffisantes pour produire le phénomène étudié.

23Les résultats ainsi obtenus peuvent s’interpréter comme les différents « chemins » qui aboutissent à un même résultat, mettant en évidence la complexité causale du phénomène étudié. Appliqué à un phénomène donné, ce type d’approche complète alors les analyses qualitatives d’une part, qui, en amont, auront permis d’identifier les éléments pertinents pour étudier ce phénomène ; et les analyses quantitatives d’autre part, qui auront permis de quantifier les proportions ou corrélations entre ces éléments et le dit phénomène. Notons toutefois qu’il ne serait pas pertinent d’appréhender la méthode QCA par la lentille des méthodes traditionnelles (Depeyre et Vergne, 2018). Au contraire, l’objectif de notre étude est d’identifier les complémentarités et différences entre les approches et les résultats qu’elles produisent. Dès lors, il nous semble pertinent de tenter de répondre à la question de recherche suivante : comment les résultats obtenus par la méthode fsQCA complètent-ils les conclusions des méthodes traditionnelles ? Afin de répondre à cette question, nous détaillons ci-dessous l’application de la méthode à la stabilité des alliances internationales, sujet longuement débattu mais toujours en quête de consensus.

2. Application : l’analyse de la stabilité des alliances internationales par la méthode fsQCA

24L’identification des combinaisons causales conduisant à la stabilité des alliances internationales nous semble être une application idéale de la méthode fsQCA. En effet, si la question de la stabilité des alliances est depuis longtemps au centre de nombreuses recherches, elle reste ouverte et fait encore débat (Blanchot & Guillouzo, 2011 ; Chung et Beamish, 2010 ; Prévot & Guallino, 2012). Nous discutons ci-dessous la pertinence de ce choix d’objet d’étude pour discuter des apports et limites de la méthode fsQCA.

2.1. La stabilité des alliances internationales : un candidat idéal

25Il existe de très nombreuses définitions des alliances, et dans un esprit de consensus, nous nous appuyons sur la plus citée, à savoir celle de Gulati (1998, p. 293) : « des accords volontaires entre entreprises impliquant l’échange, le partage ou le co-développement de produits, technologies ou services. Elles peuvent survenir pour de nombreux motifs et objectifs, prennent différentes formes, et se déploient au-delà des frontières verticales et horizontales ». De nombreux facteurs, souvent imbriqués, permettent de justifier le recours à une stratégie d’alliance (voir par exemple Kogut, 1988).

26Une fois l’alliance formée, sa gestion au quotidien peut s’avérer être un véritable défi. Il s’agit en effet de concilier les objectifs spécifiques de chaque partenaire avec les objectifs communs de l’alliance (Dussauge & Garrette, 2009). L’enjeu est d’autant plus important que le taux d’échec des alliances dépasse les 50 % (Lunnan et Haugland, 2008) alors qu’une part croissante des actifs des entreprises sont partagés dans ces alliances (Greve et al. 2014). Cette fragilité peut être analysée selon plusieurs approches, telles que la théorie des jeux, les coûts de transaction et la gouvernance (Gulati & Singh, 1998 ; Parkhe, 1993), les ressources (Pfeffer & Salancik, 1978), les rapports de force (Yan & Gray, 1994 ; Huxham & Beech, 2008, Chiambaretto, 2015) ou encore des différences culturelles entre les partenaires (Meschi & Riccio, 2008). Mais la question de la stabilité des alliances est délicate et ne renvoie pas nécessairement à celle de leur succès ou de leur bonnes performances (Gulati, 1998 ; Yan, 1998 ; Blanchot, 2006). En effet, l’arrêt d’une alliance peut simplement signifier que le projet coopératif a été mené à bien et que ses objectifs ont été remplis (Makino et al. 2007 ; Chiambaretto & Wassmer, 2019). A l’inverse, Doz (1996) s’appuie sur l’approche par l’apprentissage organisationnel et montre que la coopétition interne inhérente à toute forme d’alliance conduit à l’instabilité « naturelle » de ce type de relation, mettant en évidence la complexité du phénomène étudié. Différents auteurs ont donc essayé de recenser les meilleures pratiques pour gérer au mieux une alliance : la flexibilité dans sa gestion, la création d’une relation de confiance associée à des échanges fréquents d’information, une véritable gestion des conflits, l’intégration des attentes du partenaire dans les choix, etc. (Kale & Singh, 2009 ; Kanter, 1994).

2.1.1. La complexité causale de la stabilité des alliances

27En dépit d’une riche littérature visant à identifier les facteurs de stabilité et d’instabilité des alliances, de nombreuses contradictions et indéterminations ont émergé au cours de ces deux dernières décennies de sorte que la question de recherche demeure ouverte (Chrysostome et al. 2005 ; Chung & Beamish, 2010 ; Blanchot & Guillouzo, 2011 ; Prévot & Guallino, 2012). L’absence de consensus est imputable d’une part, à la difficulté de définir et d’opérationnaliser clairement le concept de stabilité (Blanchot, 2006 ; Blanchot & Guillouzo, 2011), et d’autre part, aux limites des méthodes traditionnelles qui consistent le plus souvent en l’observation d’effets nets de variables prises indépendamment plutôt que combinées entre elles (Valdés-Llaneza et Garcia-Canal, 2006 ; Prévot & Guallino, 2012).

28En ce qui concerne la définition et l’opérationnalisation du concept, la littérature offre plusieurs dispositifs d’observation de la stabilité des alliances. Blanchot (2006) fait référence à l’ « issue », opérationnalisée soit par la survie de l’alliance à un instant donné (Kogut, 1989) ; soit par l’évolution des conditions initiales de l’accord (Geringer, 1991) - telles que l’actionnariat (Gomes-Casseres, 1987 ; Blodgett, 1992) ou la gouvernance (Gulati & Singh, 1998 ; Yan, 1998). Une troisième mesure plus objective de la stabilité – la longévité (Geringer & Hebert, 1989 ; Makino et al. 2007) – est aussi souvent retenue, seule ou combinée aux précédentes. Nous retiendrons dans notre étude une définition consensuelle de la stabilité des alliances, par opposition à celle de l’instabilité proposée par Inkpen & Beamish, (1997) et reprise par Das & Teng (2000) : la stabilité d’une alliance correspond à l’absence de changements structurels majeurs (forte évolution de l’actionnariat ou du nombre de partenaires) ou l’absence d’arrêt non planifié de la coopération par un ou plusieurs partenaires. Ici, le concept de stabilité s’interprète comme l’absence de tensions internes pouvant remettre en cause la coopération. Néanmoins, comme le montre cette définition, le concept de stabilité demeure flou et catégoriser de manière binaire les alliances comme stables ou instables nous semble être un exercice difficile et peu convaincant. Si la dissolution d’une alliance est facile à catégoriser, qu’en est-il d’une simple reconfiguration de l’actionnariat ? Est-elle forcément signe de tension entre les partenaires ou au contraire, comme le suggère Yan (1998), synonyme d’adaptation aux évolutions internes et externes ? La répétition de ces ajustements est-elle la preuve de la flexibilité de la structure ou comme le proposent Chung et Beamish (2010) le « piège du changement continuel » ? Il semble donc important de ne pas penser la stabilité des alliances de manière binaire mais plutôt comme un continuum permettant de prendre en compte la richesse qualitative et la compréhension empirique de la stabilité. C’est d’ailleurs le principal avantage de la méthode fsQCA par rapport à la méthode csQCA.

29En parallèle, l’absence de consensus sur la stabilité des alliances est également la conséquence des limites inhérentes aux différentes approches et méthodes employées pour en identifier les causes (Blanchot & Guillouzo, 2011 ; Prévot & Guallino, 2012). L’approche centrée sur un nombre réduit de déterminants (Blodgett, 1992 ; Meschi, 2009) produira des résultats différents de ceux issus d’une approche holistique, qui tente d’embrasser l’ensemble des facteurs de stabilité. De même, les études centrées sur les facteurs internes aux alliances aboutissent à des conclusions différentes des analyses qui intègrent des facteurs externes, tels que le degré de concurrence ou l’attractivité du marché (Kogut, 1989). En effet, la stabilité d’une alliance est intimement liée à ses conditions structurelles – telles que l’équilibre de l’actionnariat ou du rapport de force, le partage de ressources, le nombre de partenaires dans l’alliance, etc. (Geringer, 1991 ; Das & Teng, 2000). Toutefois, l’étude de la stabilité d’une alliance reste indissociable des évolutions de l’environnement concurrentiel et coopératif dans lequel évoluent les partenaires (Meschi, 2005 ; Blanchot & Guillouzo, 2011). En ce sens, Kogut (1989) distingue deux ensembles de variables jouant sur la décision de dissolution de l’alliance : les incitations à la coopération (interne) et le degré de concurrence de l’industrie (externe). En ce qui concerne les variables externes, l’auteur montre notamment que la probabilité de conflit augmente avec le potentiel de croissance de l’industrie ainsi qu’avec une modification du degré de concentration du marché. Par ailleurs, dans une perspective multi-marchés, la multiplication des points de contacts coopératifs et concurrentiels entre deux partenaires d’une alliance génère des situations de réciprocité et d’otages mutuels renforçant la coopération (Pisano et al. 1988 ; Lehiany & Chiambaretto, 2014). Valdés-Llaneza et Garcia-Canal (2006) étudient quant à eux l’effet du nombre de partenaires sur la longévité des alliances. Leur modèle d’interaction statistique montre en particulier que cet effet s’inverse selon que les partenaires sont concurrents ou non, soulignant ainsi la nécessité de s’interroger sur les effets combinés de variables. Néanmoins, leur étude porte uniquement sur les caractéristiques des alliances et des partenaires sans tenir compte de variables liées à l’environnement concurrentiel et coopératif dans lequel ils évoluent. Une analyse compréhensive de la stabilité des alliances nous semble devoir tenir compte de ces deux ensembles de variables, internes et externes, et de leurs combinaisons. Si Yan (1998) ou Blanchot et Guillouzo (2011) développent les cadres conceptuels adaptés à la prise en compte de ces deux ensembles de variables, ces études ne permettent pas d’identifier les différentes combinaisons de variables qui aboutissent à la stabilité.

30Dès lors, il nous semble nécessaire d’analyser la question de la stabilité des alliances sous l’angle de la complexité causale (Britt, 1998 ; Chanson et al. 2005), plutôt que par l’analyse de corrélations entre variables indépendantes. Dans cette optique, nous cherchons les combinaisons de causes internes et externes qui influencent la stabilité d’une alliance stratégique. Nous détaillons ci-dessous les spécificités du cadre empirique retenu pour cette étude.

2.1.2. Spécificités du secteur étudié et sélection des cas

31Comme l’expliquent Chanson et al. (2005), le recours à la méthode QCA nécessite d’étudier tous les cas observables au sein d’un secteur ou d’une zone donnée afin de respecter un critère d’exhaustivité et de cohérence entre les cas. Le secteur du transport ferroviaire de passagers comporte des spécificités qui en font un terrain d’étude riche et particulièrement adapté. En effet, les chemins de fers – historiquement conçus sur le plan national et organisés autour de puissants monopoles publics – connaissent depuis plus de vingt ans une phase de transition vers un système concurrentiel à l’échelle de l’Europe. Néanmoins, l’industrie ayant intrinsèquement une composante internationale, la réglementation européenne encadrait dès le début des années 1990 le transport international de passagers (voir directive 91/440/CE). A ce stade, le droit d’accès au réseau restait très encadré et ne concernait que les entreprises ferroviaires appartenant à un « groupement international » et sur des liaisons internationales. En d’autres termes, il était nécessaire pour une entreprise ferroviaire de s’allier avec son voisin (au travers de filiales communes ou d’autres formes d’alliance) si elle souhaitait pénétrer son marché dans le cadre de trajets internationaux. Une première vague d’alliances internationales structure alors le secteur tout au long des années 1990 – Eurostar, Thalys, Artesia, Lyria, etc. – créant ainsi un système bien plus coopératif que concurrentiel.

32Il faudra attendre 2007 et le troisième paquet ferroviaire pour que l’obligation d’alliance soit levée. Cet ensemble de règlements et directives européennes prévoit au plus tard le 1er janvier 2010, un droit d’accès aux réseaux de tous les Etats Membres (pour les entreprises ferroviaires européennes) sur le transport international de voyageurs (voir directive 2007/58/CE). On assiste alors à une seconde phase de structuration du secteur au travers de deux phénomènes : (1) la formation de nouvelles alliances stratégiques (i.e., non obligatoires) en vue de saturer un marché transfrontalier et d’anticiper la concurrence (comme pour l’alliance Alleo, crée en 2007 juste après l’annonce de libéralisation) ; et (2) des reconfigurations des partenariats existants d’autre part, annonçant la fin ou la remise en cause de plusieurs alliances historiques (Lehiany & Chiambaretto, 2014). Comme expliqué précédemment, nous cherchons donc à étudier les conditions de stabilité d’alliances internationales, initialement obligatoires pour opérer à l’international et qui deviennent ensuite facultatives.

33C’est donc à la suite de ces deux phases de structuration du secteur ferroviaire européen que nous avons choisi d’analyser la stabilité des alliances, sélectionnées selon trois critères : un critère géographique, selon lequel toutes les alliances sont ou ont été actives en Europe ; un critère temporel, selon lequel l’alliance devait exister avant la libéralisation du transport ferroviaire (avant 2010) ; et un critère économique, selon lequel toutes les alliances appartiennent au secteur du transport international de passagers (i.e., au sein du transport ferroviaire, le fret est exclus, ainsi que tout autre mode de transport). D’après nos recherches, 11 cas recouvrent l’ensemble des alliances sur le segment de marché considéré. Ces 11 alliances sont : Thalys, Fyra, Artésia, Cisalpino, Elipsos, Regiojet, Eurostar, Lyria, NTV, Alleo et Railteam. Les 11 cas sélectionnés nous ont parus pertinents pour cette étude, du fait de leur comparabilité et de leurs différentes évolutions au cours des dernières années. Le tableau ci-dessous présente leurs principales caractéristiques.

  • 3 Notre collecte de données s’arrête en juillet 2014.

Tableau 1. Profils des alliances étudiées3

Alliances

Partenaires

Date de création

Statut

CA

Nombre de passagers/an

Alleo

SNCF (50 %) ; DB (50 %)

2007

Filiale commune

500 000 € (2012)

~ 6 millions (2012)

Artesia

SNCF (50 %) ; Artesia (50 %)

1995

Société par actions simplifiée (dissoute en 2011)

3,8 millions € (2010)

~ 1 million (2010)

Cisalpino

CFF (50 %) ; Trenitalia (50 %)

1993

Société anonyme (dissoute en 2009)

200 millions € (2008)

~ 8 millions (2008)

Elipsos

SNCF (50 %) ; Renfe (50 %)

2001

Filiale commune

Inconnu

~ 300 000 (2012)

Eurostar

SNCF (69 %) ; LCR (26 %) ; SNCB (5 %)

1994

Société de droit européen

830 millions € (2010)

~ 10 millions (2010)

Fyra

SNCB (50 %) ; NS (50 %)

2009

Société commune (dissoute en 2013)

- 88 millions € (2012)

Inconnu

Lyria

SNCF (74 %) ; CFF (26 %)

1993

Société par actions simplifiée

280 millions € (2012)

~ 4,3 millions (2012)

NTV

SNCF (20 %) ; MDP Holding (33,5 %) ; IMI investimenti (20 %) ; Generali (15 %) ; divers (11,5 %)

2006

Société par actions simplifiée

38,4 millions (2012)

~ 2 millions (2012)

Regiojet

Student agency (50 %) ; Keolis (50 %)

2009

Filiale commune

9,4 millions € (2012)

~ 5 millions (2012)

Thalys

SNCF (62 %) ; DB (10 %) ; SNCB (28 %)

1996

Société coopérative à responsabilité de droit belge

487 millions € (2012)

~ 6,7 millions (2012)

Railteam

SNCF (25 %), DB (25 %), Eurostar (10 %), SNCB (10 %, NS (10 %), ÖB (10 %), CFF (10 %)

2007

Société de droit néerlandais

Inconnu

~ 25 millions (2010)

2.2. Collecte et calibration des données sur les alliances internationales

34Nous détaillons ci-dessous le protocole de collecte et de calibration des données sur les alliances retenues pour l’étude.

2.2.1. Collecte des données

35Afin d’obtenir des données sur chaque cas, plusieurs sources ont été recoupées. Nous avons tout d’abord réalisé une série de 26 entretiens semi-directifs avec des responsables de quatre des 11 alliances en question (Artesia, Cisalpino et Fyra étaient déjà dissoutes au moment de la recherche) ainsi qu’avec des membres de la direction du développement international et de la stratégie au sein de la SNCF, présente directement ou via des filiales dans 9 des 11 alliances retenues. Pour assurer une pluralité de points de vue, d’autres acteurs, à d’autres niveaux ont été interrogés : partenaires, concurrents, institutions (Commission Européenne), gestionnaire d’infrastructures (Réseau Ferré de France), ainsi que des spécialistes du secteur. Pour s’assurer de la validité de nos données, nous avons procédé par triangulation en multipliant les sources secondaires. Nous avons pour cela recensé et analysé les articles de presse concernant ces alliances dans les quotidiens nationaux tant français qu’internationaux (Le Monde, Le Figaro, El Pais, Il Corriere della Sera, Die Welt, etc.) ainsi que dans les journaux économiques (Les Echos, La Tribune, Il Sole 24 Ore, The Economist, etc.). Ces faits étant recoupés par l’étude de rapports d’activités annuels et rapports financier des sociétés parents, sources juridiques (Journal Officiel de l’UE, rapports de la Commission Européenne, du Sénat etc.) et livres spécialisés sur le sujet.

2.2.2. Calibration des données

36Comme évoqué plus haut, la méthode fsQCA implique la calibration des données entre 0 et 1, nécessitant donc la définition d’une règle ou d’une valeur seuil pour le phénomène observé (ici, la stabilité) ainsi que pour chaque condition causale.

37Calibration de la stabilité des alliances. Nous retenons dans notre étude la définition consensuelle de la stabilité des alliances (Das & Teng, 2000) : la stabilité d’une alliance correspond à l’absence de changements structurels majeurs (forte évolution de l’actionnariat ou du nombre de partenaires) et à l’absence de dissolution non planifiée par un ou plusieurs partenaires. La stabilité d’une alliance doit donc refléter l’absence de tensions majeures à l’origine de la remise en cause de la coopération entre les partenaires. Néanmoins, comme le montre cette définition, le concept de stabilité demeure flou de sorte qu’il semble nécessaire d’introduire plusieurs degrés de stabilité ou de non-stabilité. En nous appuyant sur la méthode des ensembles flous, nous proposons un seuil qualitatif à 0,5 tel qu’en-deçà de ce seuil, on observe le départ d’au moins un partenaire de l’alliance, reflétant des tensions internes à l’origine de la remise en question de la coopération (la valeur 0 équivaut à une dissolution) ; alors qu’au-delà de ce seuil, l’alliance n’a connu aucun départ de partenaire, reflétant l’absence de tensions majeures (la valeur 1 équivaut à l’absence de restructuration de l’actionnariat et d’évolution du nombre de partenaires). Dans ce dernier cas, les restructurations d’actionnariat pourront être interprétées comme une forme d’adaptation au cycle de vie de la coopération et aux évolutions de l’environnement, sans pour autant être assimilées à de l’instabilité. La stabilité peut donc prendre les quatre valeurs suivantes, [0 ; 0.33 ; 0.66 ; 1]. Par exemple, la stabilité d’une alliance comme Eurostar qui a connu de nombreuses restructurations d’actionnariat mais sans rupture de contrat sera calibrée 0,66. A l’inverse, la stabilité de l’alliance Thalys, qui a connu le départ non programmé de la Deutsch Bahn, sans pour autant que l’alliance ne soit dissoute, sera calibrée 0,33. Cette calibration nous permet d’introduire plus de nuance pour appréhender de manière plus précise le concept de stabilité. Au final, notre échantillon est composé de 7 alliances « plutôt stables » (stabilité > 0,5) et de 4 alliances « plutôt non-stables » (stabilité < 0,5).

38Calibrations des conditions causales. Le choix des conditions causales est issu des indéterminations mises en évidence dans la revue de littérature et de la compréhension empirique des cas par le chercheur. En effet, l’étude de cas multiple préliminaire conduit le chercheur, au cours des phases d’exploration, à concentrer l’analyse sur un nombre de variables de plus en plus réduit et jugé pertinent. Nous retenons pour cette étude les conditions causales suivantes : le nombre de partenaires dans l’alliance et la présence ou non de ressources communes pour les conditions propres à l’alliance ; l’attractivité du marché de l’alliance et l’existence de contacts multi-marchés comme conditions propres à l’environnement de l’alliance ; le rapport de force (mesuré en termes de chiffre d’affaire) comme seule condition relative aux partenaires de chaque alliance étudiée.

39Le rapport de force. La notion de rapport de force ne fait pas consensus lorsqu’elle est mesurée en termes de répartition de l’actionnariat (Prévot & Gualino, 2012) de sorte qu’il semble plus pertinent de l’appréhender en termes d’asymétrie (Cheriet et al. 2007). Nous choisissons de mesurer l’asymétrie en termes de taille des sociétés partenaires (Geringer et Hebert, 1989) en observant leur chiffre d’affaire (Park & Ungson, 1997 ; Valdés-Llaneza & Garcia- Canal, 2006). Pour cela, nous mesurons dans un premier temps le poids Pi de chaque partenaire i dans l’alliance par le ratio Pi = CAi / ∑CA. Pour les alliances composées de deux partenaires, le rapport de force prendra la valeur Pmin / Pmax. Si les poids Pmin et Pmax sont proches, le rapport de force sera proche de 1. Si au contraire ces poids sont éloignés, le rapport de force tendra vers 0. Pour les alliances composées de plus de deux partenaires, nous utilisons la distance euclidienne à l’équilibre. Par exemple, partant de l’hypothèse que l’équilibre des rapports de force d’une alliance composée de trois partenaires se caractérise par Pi = 1/3 pour tout i, le rapport de force d’une alliance à trois prendra la valeur égale à 1 - √[(P1 – 1/3)2 + (P2 – 1/3)2 + (P3 – 1/3)2]. De cette manière, plus les poids sont éloignés des valeurs théoriques d’équilibre (1/3, dans l’exemple), plus le rapport de force sera proche de 1. Afin de faciliter l’interprétation des résultats, nous avons arrondi la valeur ainsi obtenue au tiers le plus proche de sorte que la condition causale « rapport de force » puisse prendre les quatre valeurs suivantes [0 ; 0.33 ; 0.66 ; 1]. Le saut qualitatif au-delà de 0,5 nous indique l’absence d’acteur dominant en termes de taille, que ce soit dans le cas d’alliances dyadiques ou de triades et plus.

40Le nombre de partenaires. L’effet du nombre de partenaires sur la stabilité de l’alliance n’est pas clair (Prévot & Gualino, 2012). Notamment, Prévot et Gualino (2012) montrent que la probabilité de survie de l’alliance baisse avec le nombre de partenaires, mais que ce résultat s’inverse si l’on tient compte de l’âge de l’alliance, réconciliant ainsi l’approche par les coûts de transactions avec l’approche relationnelle. D’autre part, Valdés-Llaneza & Garcia-Canal (2006) montrent que l’augmentation du nombre de partenaires a un effet positif sur la longévité de l’alliance uniquement lorsque ces derniers sont concurrents et en particulier lorsque l’alliance intègre une dimension marketing. Il semble donc que le nombre de partenaires soit typiquement une condition INUS, source de complexité causale, telle que son effet sur la stabilité dépende des autres causes avec lesquelles elle est combinée. Ici, nous reprenons la calibration proposée par Makino & Beamish (1998), Hennart & Zeng (2002) ou Delios & Beamish (2004), à savoir une variable binaire, prenant la valeur 1 si l’alliance est composée de plus de deux partenaires ; 0 sinon.

41Les ressources communes. Le partage de ressources détenues en propre par l’alliance reflète une forme d’alignement des intérêts (Pisano et al. 1988) et de réciprocité (Kogut, 1989) entre les partenaires. Il s’agit donc ici de prendre en compte uniquement les ressources stratégiques qui sous-tendent un investissement de long terme entre les partenaires. Dans nos cas, ces investissements prennent la forme d’achat de matériel roulant (par opposition à la location ou à l’utilisation des rames respectives des partenaires), de formation de personnel navigant bilingue, de locaux, et d’équipes de management dédiées. Selon la présence ou non de ce type de ressources, la condition causale « ressources communes » pourra prendre les quatre valeurs suivantes [0 ; 0.33 ; 0.66 ; 1]. Le saut qualitatif autour du seuil de 0,5 s’interprète ici comme la présence ou non de ressources stratégiques communes qui alignent les intérêts des partenaires et jouent le rôle de barrière à la sortie de l’alliance.

42L’attractivité du marché. D’autre part, nous considérons que l’attractivité du marché de l’alliance est susceptible d’expliquer des comportements stratégiques des partenaires (Kogut, 1989). Ainsi, nous avons pu dans un premier temps appréhender l’attractivité en appliquant au marché de chaque alliance le modèle des cinq forces de Porter (Porter, 1979) auquel nous ajoutons une sixième force déterminante dans le secteur étudié, à savoir la taille du marché mesurée en nombre de passagers annuel. Ce modèle nous a permis de tenir compte des principales forces qui caractérisent le secteur, comme la forte concurrence d’autres modes de transport comme l’aérien sur certains trajets (les substituts), le poids des fournisseurs (en observant leur concentration pour chaque marché), la taille du marché ou les différentes offres de fidélité qui modulent le pouvoir de négociation des clients. Pour chaque alliance, une première mesure de l’attractivité de son marché est obtenue par le calcul de la moyenne des six forces retenues, chacune prenant la valeur 0 ou 1. Afin de nous assurer de la pertinence de cette méthode de calibration de l’attractivité, nous avons ensuite comparé ces résultats aux retranscriptions de nos entretiens au cours desquels nos experts ont évalué le niveau d’attractivité de chaque marché selon quatre niveaux, très attractif, plutôt attractif, plutôt peu attractif, et très peu attractif. En croisant les résultats obtenus grâce aux forces de Porter à ceux obtenus par les entretiens, nous avons arrondi les valeurs au tiers le plus proche exprimé par les experts de sorte que l’attractivité puisse prendre les quatre valeurs suivantes [0 ; 0.33 ; 0.66 ; 1]. Ce croisement de données nous a notamment permis d’arbitrer les indéterminations (valeurs égales à 0,5 signifiant que le marché n’est ni attractif, ni non-attractif). Selon nos experts, le saut qualitatif autour du seuil de 0,5 s’interprète ici comme la saturation ou non d’un marché. Par exemple, compte-tenu de la concurrence aérienne et de la faible taille du marché, nos experts jugent que le marché de l’alliance Alleo est saturé (bien que rentable). Il est donc calibré à 0,33.

43La multiplication des points de contact. La notion de contacts multipoints nous semble également pertinente et novatrice compte tenu de l’imbrication de plusieurs entreprises ferroviaires européennes dans notre échantillon alliances. Par exemple, dans notre échantillon, la SNCF et la SNCB se rencontrent dans trois alliances, suggérant une situation de réciprocité et d’otages mutuels entre ces deux partenaires (Pisano et al. 1988 ; Lehiany & Chiambaretto, 2014). La prise en compte de la multiplication des points de contacts permet donc à la fois de capturer les effets de portefeuille d’alliance (Wassmer & Dussauge, 2011 ; Lehiany & Chiambaretto, 2014) tout en appréhendant les effets d’expérience (Kogut, 1989) ou d’otage mutuels (Pisano et al. 1988) entre les partenaires. Suivant l’approche de Kogut (1989), nous avons conféré un caractère binaire aux contacts multi-marchés afin de capturer si oui ou non les partenaires de chaque alliance se rencontraient au sein d’autres alliances. La condition prendra donc la valeur de 0 si les partenaires de l’alliance ne se rencontrent que dans l’alliance considérée (c’est le cas par exemple d’Artesia, unique point de rencontre entre la SNCF et Trenitalia), ou de 1 si au contraire, ils ont d’autres points de contacts (comme par exemple Eurostar et Thalys qui sont deux points de contact de la SNCF et de la SNCB). Le tableau ci-dessous résume les règles de calibration retenues.

Tableau 2. Règles de calibration booléenne

Conditions causales

Abréviation

Seuil qualitatif

Règle de calibration

Stabilité

Stab

[0,5 ; 1] si l’alliance est plutôt stable ; [0 ; 0,5] sinon.

Stab = [0 ; 0.33 ; 0.66 ; 1] avec 0 = dissolution ; 0,33 = départ non programmé d’un partenaire ; 0,66 = reconfigurations du partenariat ; 1 = stable.

Nombre de partenaires

NbPart

NbPart = 1 si l’alliance est composée de plus de deux partenaires ; 0 sinon

Variable binaire

Ressources communes

RessCom

[0,5 ; 1] si l’alliance détient des ressources en propres ; (rames, locaux, sites Internet, etc.) ; [0 ; 0,5] sinon.

RessCom = [0 ; 0.33 ; 0.66 ; 1] avec 0 = pas de ressources communes ; 0,33 = partage de ressources non stratégiques ; 0,66 = partage de ressources stratégiques ; 1 = partage total.

Attractivité du marché

AttractMkt

[0,5 ; 1] si le marché est attractif ; [0 ; 0,5] sinon.

AttractMarkt = [0 ; 0.33 ; 0.66 ; 1] avec 0 = très peu attractif ; 0,33 = peu attractif ; 0,66 = plutôt attractif ; 1 = très attractif.

Contacts multi-marché entre les partenaires

MultiMkt

MultiMkt = 1 si les partenaires ont d’autres relations concurrentielles ou coopératives sur d’autres marchés ; 0 sinon

Variable binaire

Rapport de force

RapFo

[0,5 ; 1] si les rapports de force sont équilibrés ; [0 ; 0,5] sinon.

RapFo = [0 ; 0.33 ; 0.66 ; 1] avec 0 = très déséquilibrés ; 0,33 = déséquilibrés ; 0,66 = plutôt équilibrés ; 1 = parfaitement équilibrés.

44Le tableau ci-dessous résume l’ensemble des données calibrées pour cette étude.

Tableau 3. Données calibrées

Alliances

Conditions causales

Stabilité

RapFo

RessCom

NbPart

AttractMkt

MultiMkt

Alleo

1

0,66

0

0,33

1

1

Elipsos

0,33

0,66

0

0,33

0

0,66

Lyria

0,33

1

0

0,66

1

1

NTV

0,66

1

1

0,66

0

1

Regiojet

0

1

0

0,33

0

1

Railteam

1

0,66

1

1

1

1

Eurostar

0,33

1

1

1

1

0,66

Thalys

0,66

1

1

0,66

1

0,33

Artesia

0

0

0

0,33

0

0

Cisalpino

0,66

1

0

1

0

0

Fyra

0,66

0

0

0,33

1

0

45Afin de mettre en évidence l’apport de la méthode employée, nous comparons ci-dessous les résultats obtenus en analysant ces données à l’aide du logiciel fsQCA version 2.5 (Ragin & Davey, 2014), avec les conclusions que nous aurions tirées par le recours aux approches traditionnelles de type « étude de cas multiple » et « analyse de corrélations ».

3. Analyse des résultats : approches traditionnelles versus fsQca

46Nous présentons dans un premier temps les résultats que produiraient des approches traditionnelles, que ce soit une étude de cas multiple ou une analyse des corrélations. Puis, dans un deuxième temps, nous développons les résultats obtenus grâce à la méthode fsQCA.

3.1. L’analyse des résultats avec les méthodes traditionnelles

47Dans une approche qualitative classique s’appuyant sur des cas sélectionnés selon une logique de réplication, les cas sont choisis pour leurs variétés de profils. Plus précisément, les cas doivent faire apparaître une variété de résultats (ici, la stabilité ou non de l’alliance) et dans les variables explicatives. Variable par variable, l’enjeu est de voir si la présence ou l’absence d’une de ces variables explicatives permet d’expliquer la stabilité de l’alliance.

48 Si l’on commence par le rapport de force entre les partenaires, on pourrait penser, a priori, qu’un rapport de force équilibré aurait tendance à stabiliser l’alliance. Or une analyse des différents cas montre une absence totale de lien entre le rapport de force des partenaires et la stabilité de l’alliance. En effet, si certaines alliances stables sont équilibrées en termes de rapport de force (comme Alleo ou NTV), une étude de cas multiples révèle également des alliances stables déséquilibrées (Elipsos ou Eurostar), et d’autres alliances instables pourtant équilibrées (Cisalpino, Fyra). Par ailleurs, si l’on mesure le coefficient de corrélation entre ces deux variables, comme le montre le Tableau 4, on obtient un coefficient de corrélation r =0,15 et non significativement différent de 0 (p =0,64). Quelle que soit l’approche envisagée (qualitative ou quantitative), il semblerait que le rapport de force entre les partenaires n’ait pas d’impact sur la stabilité de l’alliance, confirmant ainsi les résultats contradictoires de la littérature (Chrysostome et al. 2005).

49Concernant les ressources communes dans l’alliance, la littérature prédit que le partage de ressources stabilise l’alliance (Inkpen et Beamish, 1997) en créant des coûts de sortie de l’alliance pour les partenaires impliqués (Das & Teng, 2000). L’analyse qualitative de nos cas semble confirmer ces prédictions : plus le niveau de partage de ressources est élevé, plus l’alliance semble être stable. En parallèle, le coefficient de corrélation est égal à 0,53 et est significatif (puisque p =0.09). Les ressources communes auraient donc un effet positif significatif sur la stabilité de l’alliance.

50 En revanche, le nombre de partenaires ne génère pas de véritable consensus tant dans la littérature (Prévot & Guallino, 2012) que dans nos résultats. Il ne semble pas y avoir de relation directe (toujours en lisant le Tableau 3) entre le nombre de partenaires et la stabilité de l’alliance. De même, si l’on se réfère au tableau 4, le coefficient de corrélation entre ces deux « variables » est faible (r =0,25) et surtout non significatif (p =0,45.). Il ne semble donc pas y avoir de lien entre le nombre de partenaires et la stabilité de l’alliance.

51 Quant à l’attractivité du marché, les résultats sont tout aussi faibles. Une analyse des cas montre que l’attractivité du marché ne semble pas avoir de pouvoir prédictif ou explicatif sur la stabilité des alliances. Certains cas ont un marché très attractif et génèrent de la stabilité (comme Railteam) ou de l’instabilité (Cisalpino) et inversement. En parallèle, le coefficient de corrélation est très faible avec r =0,05 et encore une fois non significativement différent de 0 ( p =0.88).

52 Enfin, concernant la présence de contacts multi-marchés entre les partenaires, deux approches contradictoires sont possibles : soit les contacts multi-marchés stabilisent les relations en limitant le risque d’opportunisme du fait des répercussions possibles sur d’autres marchés, soit les contacts multi-marchés génèrent de l’instabilité en faisant de certaines alliances des victimes collatérales de tensions extérieures. Les données de nos cas semblent confirmer ces deux tendances et montrent donc une absence de lien réel entre la présence de contacts multi-marchés et la stabilité de l’alliance. Cette absence de lien direct est d’ailleurs confirmée par notre coefficient de corrélation qui est non seulement faible (r =0,15), mais aussi non-significatif (p =0,645).

Tableau 4. Tableau des corrélations linéaires

N =11

RapFo

RessCom

NbPart

AttractMarkt

Multimarkt

Stab

RapFo

Corrélation de Pearson

1

Sig. (bilatérale)

RessCom

Corrélation de Pearson

,070

1

Sig. (bilatérale)

,839

NbPart

Corrélation de Pearson

,347

,386

1

Sig. (bilatérale)

,296

,241

AttractMarkt

Corrélation de Pearson

,340

,523

,616*

1

Sig. (bilatérale)

,307

,099

,044

Multimarkt

Corrélation de Pearson

,505

-,016

,311

,238

1

Sig. (bilatérale)

,113

,963

,353

,481

Stab

Corrélation de Pearson

,157

,534

,256

,052

,157

1

Sig. (bilatérale)

,644

,090

,447

,879

,645

* La corrélation est significative au niveau 0.05 (bilatéral).

53Au final, une approche traditionnelle appliquée à nos 11 alliances ne semble donc pas permettre d’identifier de véritables résultats sur les liens directs entre nos variables et la stabilité des alliances. Une analyse plus détaillée mobilisant l’AQC produit des résultats bien plus riches d’enseignements.

3.2. Analyse des résultats avec l’AQC : conditions nécessaires simples et combinaisons causales suffisantes

54Après avoir calibré et compilé les données issues de l’étude de cas multiple, le logiciel fsQCA génère la table de vérité permettant de recenser l’ensemble des 2n (ici, 25 = 32) combinaisons possibles (cas théoriques) et d’identifier ainsi les configurations effectivement observées (cas observés).

55Dans un premier temps, l’analyse a révélé l’existence d’une condition nécessaire à la stabilité des alliances étudiées. Avec un degré de cohérence de 0.8977 (le seuil standard est de 0,90), la condition causale ‘Ressources communes’ apparaît en effet comme indispensable à la stabilité, confirmant la forte corrélation observée plus haut. Autrement dit, les alliances stables de notre échantillon (‘Stab’ > 0,5) présentent toutes un fort degré de partage de ressources (‘RessCom’ ≥ 0,66). Cette condition n’est cependant pas suffisante à la stabilité puisqu’il existe des alliances, comme Cisalpino ou Thalys, qui partagent des ressources sans pour autant être stables (‘Stab’ < 0,5). Nous discutons ce résultat plus bas. Notons également que nous n’avons pas trouvé de conditions nécessaires à la non-stabilité. Les autres conditions causales de la stabilité présentent des degrés de cohérence allant de 0,1533 (pour l’absence de ressources communes) à 0,6466 (pour l’attractivité du marché), ne permettant pas les considérer comme des ingrédients indispensables à la stabilité. Néanmoins, nos résultats confirment que toutes les conditions causales retenues sont insuffisantes, mais sont des membres nécessaires de combinaisons causales non nécessaires mais suffisantes (‘INUS’) pour expliquer la stabilité des alliances.

  • 4 Notons qu’il est possible de compléter l’analyse par l’étude de l’absence du phénomène (voir Vergne (...)

56L’analyse des conditions suffisantes nous a en effet révélé l’existence de quatre combinaisons causales qui permette d’expliquer la stabilité des alliances retenues dans l’étude4. Autrement dit, lorsqu’une seule de ces quatre combinaisons est présente, l’alliance est toujours « plutôt stable ». Chacune de ces combinaisons peut être considérée comme un des chemins qui mènent à la stabilité des alliances de façon équifinale. Ainsi, la stabilité des alliances (‘Stab’ > 0,5) s’observe en présence de la combinaison C1, ou de C2, ou de C3, ou de C4 avec :

C1 = ~MultiMkt*~ AttractMkt *~Nbpart*Resscom*~Rapfo

C2 = MultiMkt *~AttractMkt*~Nbpart*Resscom*Rapfo

C3 = MultiMkt * AttractMkt * Resscom *~ Rapfo

  • 5 Le signe ~ placé devant une condition causale renvoie à l’opposé de cette condition. Par exemple, ~ (...)

C4 = AttractMkt * Nbpart * Resscom * Rapfo5

57Afin de faciliter la lecture de ces résultats, nous les présentons sous forme d’un tableau récapitulatif qui contient les cas couverts par chacune des combinaisons.

Tableau 5. Combinaisons causales suffisantes pour la stabilité des alliances

Combinaisons causales conduisant à la stabilité des alliances

Conditions causales

C1

C2

C3

C4

Ressources communes

Oui

Oui

Oui

Oui

Rapports de force

Déséquilibré

Equilibré

Déséquilibré

Equilibré

Nombre de partenaires

2

2

Indifférent

>2

Attractivité du marché

Non

Non

Oui

Oui

Contacts multi-marchés

Non

Oui

Oui

Indifférent

Cas couverts

Regiojet, Elipsos

Alleo

Eurostar, Lyria

NTV, Thalys, Railteam

Cohérence

1,00

1,00

0,99

0,86

Couverture

0,20

0,15

0,25

0,30

Couverture unique

0,20

0,10

0,10

0,20

Cohérence de la solution : 0,9358

Couverture de la solution : 0,7458

58Chanson et al. (2005, p. 33) expliquent que « le résultat ainsi obtenu est parcimonieux et représente l’explication la plus réduite possible du phénomène ». La cohérence de chaque combinaison causale (consistency) indique dans quelle mesure cette combinaison est suffisante pour produire la stabilité. Lorsque la cohérence d’une combinaison causale est inférieure à 1, cela signifie que la combinaison incorpore un ou plusieurs cas non-stables, le seuil standard étant fixé à 0,80 pour les conditions suffisantes. Ici, nos quatre combinaisons causales ont toutes un degré de cohérence très proche ou égal à 1 et indiquent donc que les résultats sont robustes.

59La couverture de chaque combinaison causale (coverage) mesure la proportion des cas pour lesquels la stabilité est expliquée par cette combinaison causale. Autrement dit, cet indicateur mesure l’explication empirique de la stabilité pour chaque combinaison causale et s’apparente au R2 des analyses statistiques traditionnelles. La ‘couverture unique’ (unique coverage) mesure quant à elle, pour chaque combinaison causale, la proportion des cas pour lesquels la stabilité s’explique exclusivement par cette combinaison causale. Dans les études qui mobilisent de petits échantillons (Small-N case studies), les indicateurs de ‘couverture’ et de ‘couverture unique’ sont généralement petits (Ragin, 2008) ce qui est notre cas ici.

  • 6 Solution Consistency measures the degree to which membership in the solution (the set of solution (...)
  • 7 Solution coverage measures the proportion of memberships in the outcome that is explained by the c (...)

60La cohérence de la solution (solution consistency) indique dans quelle mesure la solution complète (composée des quatre combinaisons causales) est suffisante pour expliquer la stabilité, ou autrement dit, dans quelle mesure la solution est un sous-ensemble du phénomène observé6. Elle est ici proche de 1,00 et confirme que le degré d’appartenance à la solution complète forme un ensemble de combinaisons causales suffisant pour produire la stabilité des alliances. En effet, une cohérence de 0,9358 signifie qu’il y a environ 7 % de chance qu’un cas correspondant à l’une des quatre combinaisons ne soit pas stable. C’est notamment le cas de Thalys, qui est couvert par C4 avec un taux d’appartenance de 0,66, alors qu’elle est plutôt instable (Stab = 0,33). Enfin, la couverture de la solution (solution coverage) mesure la proportion des cas pour lesquels la stabilité peut s’expliquer par l’ensemble de la solution7. Dans nos résultats, la couverture de la solution est à la limite du standard de 0,75.

4. Discussion : apports et limites de l’analyse fsQCA

61Afin de comparer les résultats obtenus entre les méthodes traditionnelles et la méthode fsQCA, nous procédons en deux temps : tout d’abord en comparant les résultats obtenus à partir à partir des différentes méthodes appliquées à notre échantillon de 11 alliances ; puis en discutant les conclusions de la méthode fsQCA par rapport aux résultats de littérature existante sur la stabilité des alliances.

4.1. Comparaison des résultats obtenus à partir de notre échantillon

62Dans le cadre de cette étude, nous nous sommes attachés à comparer les résultats obtenus grâce à 3 méthodes pour étudier la stabilité des alliances grâce à notre échantillon. Une approche qualitative, fondée sur une logique de réplication visant à identifier des co-occurrences, aurait très bien pu se prêter à notre échantillon composé de 11 cas. Toutefois, cette analyse qualitative aboutit à une seule conclusion : la présence de ressources communes favorise la stabilité des alliances. En parallèle, nous avons procédé à une analyse des corrélations entre les variables pour voir si des relations apparaissaient. Encore une fois, seule les ressources communes apparaissent comme ayant un impact significatif (et positif) sur la stabilité des alliances. La pertinence de cette méthode peut toutefois être remise en question compte-tenu de la faible taille de notre échantillon. Néanmoins, quelle que soit la méthode utilisée, le résultat obtenu est le même : les ressources communes semblent avoir un effet stabilisateur sur les alliances et les autres variables ne semblent jouer aucun rôle déterminant.

63A l’inverse, notre analyse grâce à la méthode fsQCA aboutit à des résultats beaucoup plus complexes puisque quatre chemins (ou combinaisons causales) conduisant à la stabilité sont identifiés. Ils montrent ainsi que si l’existence de ressources communes, en tant que condition nécessaire, jouent certes un rôle important, des combinaisons d’autres conditions causales sont tout aussi importantes dans l’explication de la stabilité des alliances. Autrement dit, les explications uniques de la stabilité par les méthodes qualitatives ainsi que la recherche de tendances statistiques par les méthodes qualitatives ne permettent pas de capturer la complexité causale sous-jacente au phénomène étudié. Les principaux résultats de cette comparaison sont synthétisés dans le tableau 6.

Tableau 6. Comparaison des résultats selon la méthode employée

Méthodologie qualitative

Méthodologie quantitative

Analyse Qualitative Comparée

Approche

Inductive ou abductive

Déductive

Abductive

Logique

Logique de réplication

Logique de corrélations

Logique de causalité

Pertinence pour l’échantillon étudié (11 cas)

Forte

Faible

Forte

Critères d’évaluation

Co-occurrence

Significativité et signe des coefficients de corrélation

Cohérence et couverture des combinaisons minimales de causes

Conclusions obtenues

Dans chaque cas d’alliance stable (resp. instable), on observe la présence (resp. absence) de ressources communes.

Les variables « ressources communes » et stabilité ont un coefficient de corrélation significativement différent de 0 et positif.

Identification de 4 combinaisons causales produisant de la stabilité

C1 = ~MultiMkt * ~AttractMkt* ~Nbpart * Resscom * ~Rapfo

C2 = MultiMkt * ~AttractMkt * ~Nbpart * Resscom * Rapfo

C3 = MultiMkt * AttractMkt * Resscom *~ Rapfo

C4 = AttractMkt * Nbpart * Resscom * Rapfo

64Pour éviter tout biais lié à notre échantillon, il nous semble également important de comparer nos résultats obtenus par la méthode fsQCA avec les conclusions de la littérature sur la stabilité des alliances.

4.2. L’apport de la méthode fsQCA au débat sur la stabilité des alliances

65L’analyse qualitative comparée d’ensembles flous (fsQCA) nous a tout d’abord permis de mettre en évidence l’existence d’une condition nécessaire (mais pas suffisante) pour la stabilité des alliances sur nos 11 cas : la présence de ressources communes. Autrement dit, pour qu’une alliance soit stable, il faut a minima s’assurer que les partenaires aient investi conjointement dans des ressources communes au sein de l’alliance. Ce n’est pas suffisant pour garantir la stabilité, mais si les partenaires ne partagent aucune ressource, les résultats de l’AQC prédisent que l’alliance ne sera pas stable. La mise en évidence du rôle central des ressources communes est en conformité avec les travaux d’Inkpen & Beamish (1997) ou de Kogut (1989) qui avaient relevé leur rôle stabilisateur.

66Ensuite, et comme l’expliquent Depeyre et Vergne (à paraître), la méthode AQC permet de mettre en évidence des « configurations (ou conjonctions) de causes, en rendant compte de combinaisons de conditions associées à un phénomène ». Ces différentes configurations de causes permettent de révéler des « chemins » conduisant à la stabilité des alliances. L’analyse des conditions suffisantes a ainsi permis de révéler quatre chemins conduisant à la stabilité des alliances étudiées :

67 La première combinaison C1 peut s’interpréter de la façon suivante : lorsqu’une alliance est composée de deux partenaires qui partagent des ressources mais dont les rapports de force sont déséquilibrés, si le marché n’est pas attractif et si les partenaires ne se rencontrent pas sur d’autres marchés alors l’alliance sera stable. Il est tout d’abord intéressant de noter que les facteurs internes tendent à se neutraliser avec un rapport de force déséquilibré qui devrait générer de l’instabilité (Blodgett, 1992 ; Huxham & Beech, 2008 ; Yan & Gray, 1994) et la présence de ressources communes qui génère de la stabilité (Kogut, 1989 ; Pisano et al. 1998). Ce sont donc les facteurs externes qui vont « peser dans la balance » et définir si l’alliance sera stable ou non. La faible attractivité du marché est un premier critère important car il permet d’évaluer la viabilité économique d’une approche opportuniste (Kogut, 1989). Un marché faiblement attractif n’est pas suffisamment large pour pouvoir accueillir plusieurs concurrents et l’option profitable pour les deux entreprises est la coopération au sein d’une alliance. En parallèle, l’absence de contacts sur d’autres marchés permet d’éviter que cette alliance soit une victime collatérale (du fait de sa modeste taille) de tensions entre les partenaires sur d’autres marchés (Lehiany & Chiambaretto, 2014). Combinés au partage de ressources et au petit nombre de partenaires, ces deux conditions sur l’environnement de l’alliance jouent donc en faveur de la stabilité de la coopération. C’est notamment le cas de l’alliance entre la SNCF et la Renfe au sein d’Elipsos sur les trajets France – Espagne.

68La deuxième combinaison C2 vient compléter ce premier éclairage avec l’interprétation suivante : lorsqu’une alliance est composée de deux partenaires qui partageant des ressources, si le marché n’est pas attractif, que les rapports de force sont équilibrés entre les partenaires qui se rencontrent par ailleurs sur d’autres marchés, alors l’alliance sera stable. On retrouve ici l’idée de la faible taille du marché qui réduit le risque d’opportunisme. Contrairement à la précédente, cette combinaison est intéressante car elle intègre l’idée d’équilibre des rapports de force que l’on trouve dans la littérature sur les alliances (Blodgett, 1992 ; Huxham & Beech, 2008 ; Yan & Gray, 1994). En effet, combinée au petit nombre de partenaires partageant des ressources et à la faible attractivité du marché, l’absence de partenaire dominant stabilise la coopération. A rapport de force équilibré, les deux partenaires de taille équivalente se partageront équitablement les rentes issues d’un marché faiblement attractif. C’est notamment le cas de l’alliance Alleo entre la SNCF et la Deutsch Bahn, dont un des membres nous confie que « vu la petite taille du marché et la forte concurrence de l’aérien, il n’y a pas de place pour deux et on a tout intérêt à collaborer ». Par ailleurs, ces différents partenaires se retrouvent en contact sur d’autres marchés. Ces contacts multipoints sont autant de possibilités de répercussions et de vengeances de la part des partenaires qui pourraient se sentir trahis suite au départ ou à la dissolution de l’alliance (Dumez & Jeunemaître, 2009 ; Gimeno & Woo, 1999).

69La troisième combinaison C3 peut s’interpréter ainsi : lorsqu’une alliance (indépendamment du nombre de partenaires) a des ressources communes sur un marché attractif et que les rapports de force sont déséquilibrés, la présence de contacts multipoints entre les partenaires rendra l’alliance stable. En effet, en comparaison des combinaisons C1 et C2, les premiers éléments de la combinaison C3 auraient a priori pour effet de générer de l’instabilité : un marché attractif qui favorise les comportements opportunistes (Kogut, 1989), un rapport de force déséquilibré entre les partenaires (Das & Teng, 2000 ; Huxham & Beech, 2008). Pour autant, même avec ces conditions a priori défavorables, une alliance peut rester stable si ses partenaires se retrouvent sur d’autres marchés. Comme expliqué pour C2, le risque d’opportunisme peut être en effet modéré par la présence de contacts entre les partenaires sur d’autres marchés. Ces contacts multipoints sont certes autant de possibilités de répercussions et de vengeances de la part des partenaires, mais ils génèrent aussi des effets d’apprentissage (Doz, 1996) liés à la multiplication des points de contacts qui renforcent la confiance et la dépendance entre les partenaires de tailles différentes. C’est donc la présence de contacts multipoints qui réduit considérablement le risque d’opportunisme et augmente la stabilité de l’alliance.

70Enfin, la quatrième combinaison C4 peut s’interpréter de la façon suivante : lorsqu’une alliance est composée de trois partenaires ou plus qui partagent des ressources, si le marché est attractif indépendamment de l’existence de contacts sur d’autres marchés, la présence de rapports de force équilibrés aura pour conséquence une alliance stable. Cette dernière combinaison est intéressante car elle montre que l’équilibre des rapports de force combiné aux partage des ressources réduit les risques d’opportunisme liés à l’attractivité du marché (Kogut, 1989) et au grand nombre de partenaires (Prévot & Guallino, 2012).

71En particulier, nos quatre combinaisons diffèrent des résultats de Valdés-Llaneza et Garcia-Canal (2006) en ce qui concerne l’effet du nombre de partenaires élevés lorsque ces derniers sont concurrents, et inversement. Nous voyons dans nos combinaisons que l’effet du couple « nombre de partenaires » et « contacts multipoints » dépend également des autres conditions causales avec lesquelles il est combiné : dans C1 et C2, le nombre de partenaires est réduit mais la condition « contacts multipoints » est respectivement absente et présente ; alors que dans C3 et C4, les deux conditions causales ne sont pas combinées pour agir sur la stabilité. Ces différences de résultats peuvent bien sûr s’interpréter de plusieurs manières : d’abord l’étude de Valdés-Llaneza et Garcia-Canal (2006) est multi-industries alors que la nôtre est potentiellement sujette à un biais sectoriel, soulignant les limites en termes de validité externe de toute étude mono-sectorielle. Ensuite, notre méthode de calibration de la multiplicité des points de contacts diffère de leur méthode de codage de la variable « concurrence », qui est une variable binaire prenant la valeur 0 ou 1 selon que les partenaires appartiennent ou non à la même industrie. Dans notre cas, la multiplicité des points de contacts est appréhendée par une variable binaire qui prend la valeur 1 si les partenaires ont d’autres relations concurrentielles ou coopératives sur d’autres marchés ; 0 sinon. Tous les partenaires des alliances étudiées appartiennent naturellement à la même industrie est seraient donc considérés comme concurrents de facto. Néanmoins, nous considérons dans notre étude que les entreprises ferroviaires ne sont concurrentes que si elles se rencontrent effectivement sur les mêmes marchés géographiques. Notons également que notre condition causale « contacts multipoints » ne distingue pas les points de contacts concurrentiels et coopératifs puisqu’elle cherche principalement à capturer les effets d’expérience entre firmes. Enfin, les différences de résultats s’expliquent inévitablement par les différences d’approches, illustrant encore une fois l’absence de lien automatique entre corrélation et causalité.

4.3. Apports et limites de la méthode fsQCA pour étudier des phénomènes complexes

72Notre étude montre la pertinence de l’analyse qualitative comparée (AQC) pour étudier des phénomènes sujets à la complexité causale tels que la stabilité des alliances.

73Tout d’abord, le recours à la méthode fsQCA s’avère particulièrement adaptée pour analyser le flou relatif à de nombreux concepts étudiés en sciences sociales, tels que la stabilité des alliances (Blanchot, 2006). En effet, par rapport à la variante crisp-set QCA, la méthode fuzzy-set QCA permet d’introduire plusieurs degrés de stabilité et de capturer ainsi la « porosité » du concept absente des analyses statistiques classiques.

74Ensuite, l’AQC met en relation différentes conditions causales mis en évidence dans les travaux précédents mais qui demeuraient étudiés séparément. Notre étude insiste ainsi sur le fait que la stabilité d’une alliance n’est pas due qu’à quelques facteurs pris séparément, mais bel et bien à des combinaisons de facteurs. Ce sont ces combinaisons de facteurs qui permettent de prendre en compte la complexité causale sous-jacente à la stabilité des alliances. Ainsi, cette recherche justifie clairement l’absence de consensus des recherches antérieures qui ne reconnaissent pas la complexité causale sous-jacente à la stabilité des alliances.

75Enfin, notre analyse révèle que les mêmes facteurs peuvent jouer positivement ou négativement sur la stabilité suivant les autres facteurs avec lesquels ils sont combinés. D’ailleurs, Depeyre et Vergne (à paraître) précisent que « les éléments qui contribuent à expliquer la présence d’un phénomène ne sont pas automatiquement les mêmes que ceux qui contribuent à expliquer son absence. Egalement, l’identification du rôle causal d’une condition ne permet pas de conclure quant au rôle causal de son absence ». Il s’agit là précisément du phénomène d’asymétrie de causes inhérent à la complexité causale. En cela, grâce à l’AQC, notre étude apporte un éclairage original sur la stabilité des alliances en remettant en question les contributions proposant des listes de « facteurs clés de succès » de la stabilité des alliances (Blanchot & Guillouzo, 2011 ; Kale & Singh, 2009) pour y préférer la mise en évidence de « combinaisons clés » de facteurs. D’ailleurs, et c’est un des apports de l’AQC, notre étude montre l’absence de tout fatalisme concernant la stabilité d’une alliance simplement du fait de la présence (ou l’absence) d’une cause. Même en présence d’un facteur a priori générateur d’instabilité (comme un rapport de force déséquilibré ou un marché attractif), un manager d’alliance peut essayer de façonner le design de son alliance afin de retrouver une combinaison causale génératrice de stabilité.

76Toutefois, notre approche n’est pas exempte de limites. Sur le plan théorique d’abord, le choix des conditions causales peut être contesté. Il repose ici sur l’identification de catégories de facteurs (internes à l’alliance, propres aux partenaires et propres à l’environnement) mises en évidence par la revue de littérature. Sur le plan empirique, le choix des conditions causales repose sur la fine compréhension des cas résultant d’un travail de terrain approfondi. En effet, l’étude de cas multiple préliminaire conduit le chercheur à concentrer l’analyse sur un nombre de causes candidates de plus en plus réduit et jugé pertinent au regard du contexte de l’étude. Nous n’avons donc pas pris en compte un certain nombre de variables relatives aux différences culturelles, à la longévité ou encore aux modes de management propre à chaque alliance, bien que ces variables puissent être tout à fait pertinentes dans d’autres cas.

77Sur le plan méthodologique, nous avons pu noter que la méthode fsQCA souffrait d’une forte sensibilité aux seuils retenus dans la calibration des conditions causales. Bien que faisant l’objet d’explications détaillées (pour favoriser la transparence et la réplicabilité de notre recherche), la calibration des différentes conditions causales et du phénomène expliqué peut faire l’objet de débats. En effet, étant donné le nombre réduit de cas inhérent à la méthode, la modification des règles de calibration a un impact significatif sur les résultats obtenus. De même, l’ajout ou le retrait d’une condition causale modifie les résultats en profondeur. L’approche abductive doit alors permettre au chercheur d’ajuster ces choix le plus finement et fidèlement possible au terrain et à la théorie mobilisée. Par exemple, c’est ce processus d’abduction qui nous a permis de construire la condition causale « Rapport de force » à partir des poids relatifs des partenaires dans chaque alliance, plutôt que de considérer les deux conditions causales « Parts d’actionnariat » et des « Rapports des Chiffres d’Affaires » pourtant couramment utilisées dans la littérature, réduisant ainsi le nombre de conditions causales. En effet, la fine connaissance des cas nous a d’abord conduit à reconnaître que les parts d’actionnariats et les rapports de CA reflétaient mal le rapport de force au sein de nos alliances. Puis un approfondissement de la littérature a confirmé la faible pertinence des variables « Parts d’actionnariat » et « Rapport des CA » (Prévot & Gualino, 2012) nous conduisant ainsi à privilégier la notion d’asymétrie (Geringer et Hebert, 1989 ; Valdès-Llaneza & Garcia- Canal, 2006). Ce type de raisonnement par allers-retours entre théorie et terrain a été appliqué tout au long du processus (sélection des cas, sélection et calibration des variables) jusqu’à l’obtention du modèle le plus pertinent possible en termes théoriques et empiriques.

78Par ailleurs, plusieurs chercheurs ont souligné la difficulté de l’AQC à traiter les cas contradictoires (c’est à dire deux cas caractérisés par les mêmes conditions causales mais aboutissant à deux situations différentes). Dans notre étude, le nombre important de combinaisons possibles, imputable au nombre relativement important de conditions causales par rapport au nombre de cas, nous a épargné cette difficulté. Toutefois, dans un échantillon comprenant un plus faible nombre de combinaisons et/ou un nombre plus élevé de cas, ce risque est réel et peut remettre en question l’efficacité de la méthode fsQCA. C’est pourquoi Depeyre et Vergne (2018) proposent de respecter l’inéquation suivante, n ≥ ½ x 2cn représente le nombre de cas et c le nombre de conditions causales.

79Enfin, sur le plan purement empirique, notre analyse des alliances ferroviaires européennes n’a pas tenu compte d’éléments de contexte pouvant jouer un rôle sur la stabilité, tels que les activités de fret ou les alliances intermodales (aérien, routier…). En particulier, l’exclusion du fret ferroviaire de notre étude est justifiée par de fortes différences des activités fret et passagers, que ce soit en termes de réglementation (le fret est libéralisé depuis 2003) ou de dynamiques concurrentielles et coopératives. Ainsi, les contraintes de cohérence dans le choix des cas évoquées plus haut nous ont poussées à focaliser l’étude sur le transport international de passagers. Comme nous l’avons évoqué plus haut, ces contraintes ont pour limite de réduire la validité externe des résultats obtenus de sorte que la méthode fsQCA semble bien plus adaptée à la compréhension d’un phénomène dans son contexte qu’à l’identification de « causalités permanentes » (Ragin, 2008). L’ensemble de ces limites nous offre néanmoins de nombreuses et prometteuses pistes de recherche futures.

Conclusion

80Par rapport aux méthodes traditionnelles, l’intérêt de la méthode fsQCA est de permettre de traiter un nombre intermédiaire de cas de façon rigoureuse, en étant à la fois analytique et holistique, et tout en conservant la richesse qualitative des cas. Ainsi, cette approche permet d’envisager différentes combinaisons de causes pouvant aboutir à la même solution, tenant ainsi compte de la complexité causale sous-jacente au phénomène étudié.

81A partir de la méthode fsAQC appliquée à 11 cas d’alliances ferroviaires internationales du transport de passagers en Europe, nous avons identifié quatre combinaisons causales équifinales et suffisantes pour expliquer la stabilité des alliances, confirmant la complexité causale sous-jacente au phénomène. Ces configurations peuvent être vues comme des « recettes de fabrication d’alliances stables » combinant des ingrédients qui, analysés de façon isolée, ont des effets contradictoires sur la stabilité. Ces résultats renforcent et raffinent les précédentes conclusions de la littérature sur le sujet et permettent d’apporter un éclairage nouveau sur les incertitudes et contradictions dont souffre ce champ d’étude.

82Enfin, d’un point de vue purement méthodologique, cette recherche nous permet d’identifier les différences et complémentarités entre l’approche fsQCA et les méthodes qualitatives et quantitatives plus traditionnelles. Comme nous l’avons vu, l’approche fsQCA complémente les approches traditionnelles par la recherche systématique de configurations de causes INUS, et non de corrélations entre variables, pour l’explication de phénomènes aux contours « flous » et soumis à la complexité causale, tout en conservant la richesse contextuelle des cas étudiés. Elle se positionne donc comme une approche alternative, plutôt qu’intermédiaire, qui produit des résultats différents mais complémentaires des conclusions obtenues par d’autres approches.

Haut de page

Bibliographie

Abbott, A.D. (2001). Time Matters  : On Theory and Method. University of Chicago Press.

Amenta, E. et Poulsen, J.D. (1996). « Social Politics in Context : The Institutional Politics Theory and Social Spending at the End of the New Deal », Social Forces, vol. 75, n° 1, p. 33–60.

Blanchot, F. (2006). « Alliances et performances : un essai de synthèse ». Dauphine Working Paper.

Blanchot, F. et Guillouzo, R. (2011). « La rupture des alliances stratégiques : une grille d’analyse », Management International, vol. 15, n° 2, p. 95-107

Blodgett, L. (1992). « Factors in the Instability of International Joint Ventures : An Event History Analysis », Strategic Management Journal, vol. 13, n° 6, p. 475–481.

Britt, D.W. (1998). « Beyond Elaborating the Obvious : Context-Dependent Parental-Involvement Scenarios in a Preschool Program », Applied Behavioral Science Review, vol. 6, n° 2, p. 179–197.

Chanson, G., Demil, B., Lecocq, X., et Sprimont, P.-A. (2005). « La place de l’analyse qualitative comparée en sciences de gestion », Revue Finance Contrôle Stratégie, vol. 8, n° 3, p. 29–50.

Cheriet, F., Le Roy, F., et Rastoin, J-L. (2007). « Instabilité des alliances stratégiques asymétriques : cas des entreprises agroalimentaires locales en Méditerranée », XVIème conférence Internationale de Management Stratégique (AIMS), Montréal, 6-9 juin 2007.

Chiambaretto, P. (2015). « Resource Dependence and Power-balancing Operations in Alliances: The Role of Market Redefinition Strategies », M@n@gement, vol. 18, n° 3, p. 205‑33.

Chiambaretto, P, et Wassmer U. (2019). « Resource Utilization as an Internal Driver of Alliance Portfolio Evolution: The Qatar Airways case (1993–2010) », Long Range Planning, vol. 52, n° 1, p. 51-71.

Chung, C.C., et Beamish, P.W. (2010). « The Trap of Continual Ownership Change in International Equity Joint Ventures », Organization Science, vol. 21, n° 5, p. 995–1015.

Chrysostome E., Beamish P, Hebert L., et Rosson P. (2005). « Les alliances asymétriques : réflexions sur une forme complexe de coopération », Management International, vol. 10, n° 1, p. 1-5.

Curchod, C., Dumez, H., et Jeunemaître, A. (2004). « Une étude de l’organisation du transport aérien en europe  : les vertus de l’aqqc pour l’exploration de la complexité », Revue internationale de politique comparée, vol. 11, n° 1, p. 85–100.

Das, T.K., et Teng, B.-S. (2000). « Instabilities of Strategic Alliances : An Internal Tensions Perspective », Organization Science, vol. 11, n° 1, p. 77–101.

Delery, J.E., et Doty, D.H. (1996). « Modes of Theorizing in Strategic Human Resource Management : Tests of Universalistic, Contingency, and Configurational Performance Predictions », Academy of Management Journal, vol. 39, p. 802–835.

Depeyre, C. et Vergne, J-Ph. (à paraître). « L’analyse Qualitative Comparative (QCA) » in Garreau, L. et Romelaer, P. (eds.) Méthodes qualitatives de recherche en gestion et sciences sociales, Economica (à paraître).

Dhanaraj, C., et Beamish, P.W. (2004). « Effect of Equity Ownership on the Survival of International Joint Ventures », Strategic Management Journal, vol. 25, n° 3, p. 295–305.

Doz, Y. L. (1996). « The Evolution of Cooperation in Strategic Alliances : Initial Conditions or Learning Processes ? », Strategic Management Journal, vol. 17, n° 1, p. 55–83.

Dussauge, P., et Garrette, B. (2009). « Les stratégies d’alliances entre concurrents », in F. Le Roy et S. Yami (Eds.), Management stratégique de la concurrence, Dunod.

Fiss, P.C (2007). « A Set-Theoretic Approach to Organizational Configurations », Academy of Management Review, vol. 32, n° 4, p. 1180-1198.

Fiss, P.C. (2009). « Case Studies and the Configurational Analysis of Organizational Phenomena » in C. C. Ragin et D. Byrne (Eds.), Handbook of Case Study Methods, p. 424–440. Sage.

Fiss, P.C. (2011). « Building Better Causal Theories : A fuzzy Set Approach to Typologies in Organization Research », Academy of Management Journal, vol. 54, p. 393–420.

Fiss, P.C., Cambré, B. et Marx, A. (2013). Configurational Theory and Methods in Organizational Research, Research in the Sociology of Organizations, vol. 38, Emerald Publishing.

George, A.L. et Bennett, A. (2005). Case Studies and Theory Development in the Social Sciences, MIT Press.

Geringer, J.M. (1991). « Strategic Determinants of Partner Selection Criteria in International Joint Ventures », Journal of International Business Studies, vol. 22, n° 1, p. 41–62.

Geringer, J.M., et Hebert, L. (1989). « Control and Performance of International Joint Ventures », Journal of International Business Studies, vol. 20, n° 2, p. 235–254.

Gibbert, M., Ruigrok, W., et Wicki, B. (2008). « What Passes as a Rigorous Case Study ? », Strategic Management Journal, vol. 29, n° 13, p. 1465–1474.

Gimeno, J., et Woo, C.Y. (1999). « Multimarket Contact, Economies of Scope, and Firm Performance », Academy of Management Journal, vol. 42, n° 3, p. 239–259.

Gomes-Casseres, B. (1987). « Joint venture instability : is it a problem  ? », Harvard University Working Paper.

Gulati, R. (1998). « Alliances and networks », Strategic Management Journal, vol. 19, n° 4, p. 293–317.

Gulati, R., et Singh, H. (1998). « The Architecture of Cooperation : Managing Coordination Costs and Appropriation Concerns in Strategic Alliances », Administrative Science Quarterly, vol. 43, n° 4, p. 781.

Harrits, G.S. (2011). « More Than Method ? A Discussion of Paradigm Differences Within Mixed Methods Research », Journal of Mixed Methods Research, vol. 5, n° 2, p. 150-166

Huxham, C., et Beech, N. (2008). « Inter-organizational Power » in P. S. Ring, C. Huxham, M. Ebers, et S. Cropper (Eds.), The Oxford Handbook of Inter-Organizational Relations, Oxford University Press.

Inkpen, A. C., et Beamish, P.W. (1997). « Knowledge, Bargaining Power, and the Instability of International Joint Ventures », Academy of Management Review, vol. 22, n° 1, p. 177–202.

Kale, P., et Singh, H. (2009). « Managing Strategic Alliances : What Do We Know Now, and Where Do We Go From Here ? », Academy of Management Perspectives, vol. 23, n° 3, p. 45–62.

Kanter, R.M. (1994). « Collaborative Advantage : The Art of Alliances », Harvard Business Review, vol. 72, n° 4, p. 96–108.

Kogut, B. (1988). « Joint Ventures : Theoretical and Empirical Perspectives », Strategic Management Journal, vol. 9, n° 4, p. 319–332.

Kogut, B. (1989). « The Stability of Joint Ventures : Reciprocity and Competitive Rivalry », Journal of Industrial Economics, vol. 38, n° 2, p. 183-198.

Lehiany, B., et Chiambaretto, P. (2014). « ASMA : Un dispositif d’Analyse Séquentielle et Multidimensionnelle des Alliances », Management International, vol. 18, p. 85–105.

Lowen, A.M., et Pope, J.A. (2007). « Survival Analysis of International Joint Venture Relationships », International Advances in Economic Research, vol. 13, n° 1, p. 114–114.

Lunnan, R., et Haugland, S.A. (2008). « Predicting and Measuring Alliance Performance : a Multidimensional Analysis », Strategic Management Journal, vol. 29, n° 5, p. 545–556.

Mackie, J.L., (1965). « Causes and Conditions », American Philosophical Quarterly, vol. 12, p. 245–65.

Makino, S. et Beamish, P.W. (1998). « Performance and Survival of Joint Ventures with Non-Conventional Ownership Structures », Journal of International Business Studies, vol. 29, n° 4, p. 797-818

Makino, S., Chan, C. M., Isobe, T., et Beamish, P.W. (2007). « Intended and Unintended Termination of International Joint Ventures », Strategic Management Journal, vol. 28, n° 11, p. 1113–1132.

Meschi, P.-X. (2005), « La survie des coentreprises d’internationalisation dans les pays émergents  : quel est l’impact du risque-pays ? », Management International, vol. 9, n° 2, p. 37–50.

Meschi, P.-X. (2009). « What is the Impact of Government Corruption on Foreign Stakes in International Joint Ventures in Asian Emerging Countries  ? », Asia Pacific Journal of Management, vol. 26, n° 2, p. 241–261.

Meyer, A.D., Tsui, A.S. et Hinings, C.R. (1993). « Configurational Approaches to Organizational Analysis », Academy of Management Journal, vol. 36, p. 1175-1195.

Park, S.H., et Ungson, G.R. (1997). « The Effect of National Culture, Organizational Complementarity, and Economic Motivation on Joint Venture Dissolution », Academy of Management Journal, vol. 40, n° 2, p. 279–307.

Pisano, G., Russo, M.V., et Teece, D.J. (1988). « Joint Ventures and Collaborative Arrangements in the Telecommunications Equipment Industry ». In D. C. Mowery (Ed.), International Collaborative Ventures in US Manufacturing, Ballinger.

Porter, M. (1979), « How Competitive Forces Shape Strategy », Harvard Business Review, March-April 1979.

Prévot, F., et Guallino, G. (2012). « La survie des joint-ventures internationales  : une étude de l’industrie pétrolière en Russie », Management International, vol. 17, n° 1, p. 71.

Ragin, C.C. (1987). The Comparative Method. University of California Press.

Ragin, C.C. (1999). « Using Qualitative Comparative Analysis to Study Causal Complexity », Health Services Research, vol. 34, n° 5, p. 1225–1239.

Ragin, C.C. (2000). Fuzzy-Set Social Science, University of Chicago Press.

Ragin, C. (2008). Redesigning social inquiry : Fuzzy sets and beyond, University of Chicago Press.

Ragin, C., et Davey, S. (2014). fsQCA (Version 2.5) [Computer software]. University of California.

Reger, R., et Huff, A. (1993). « Strategic Groups : A Cognitive Perspective », Strategic Management Journal, vol. 14, p. 103–124.

Rihoux, B. (2003). « Bridging the Gap between the Qualitative and Quantitative Worlds ? A Retrospective and Prospective View on Qualitative Comparative Analysis », Field Methods, vol. 15, n° 4, p. 351-365.

Rihoux, B. (2006). « Qualitative Comparative Analysis (QCA) and Related Systematic Comparative Methods : Recent Advances and Remaining Challenges for Social Science Research », International Sociology, vol. 21, n° 5, p. 679-706.

Rihoux, B. et De Meur, G. (2009). « Crisp-Set Qualitative Comparative Analysis (QCA) », Rihoux, B. and Ragin, C. (eds.) Configurational Comparative Methods, SAGE Publication.

Romme, A.G. L. (1995). « Self-Organizing Processes in Top Management Teams : A Boolean Comparative Approach », Journal of Business Research, vol. 34, n° 1, p. 11–34.

Valdés-Llaneza, A., et García-Canal, E. (2006). « Direct Competition, Number of Partners and the Longevity of Stakes in Joint Ventures », Management International Review, vol. 46, n° 3, p. 307–326.

Vergne, J-P. et Depeyre, C. (2016). « How Do firms Adapt ? A Fuzzy-Set Analysis of the Role of Cognition and Capabilities in US Defense Firms’ Responses to 9/11 », Academy of Management Journal, vol. 59, n° 5, p. 1653-1680

Wassmer, U., et Dussauge, P. (2011). « Value Creation in Alliance Portfolios : The Benefits and Costs of Network Resource Interdependencies », European Management Review, vol. 8, n° 1, p. 47–64.

Wassmer, U., et Dussauge, P. (2012). « Network Resource Stocks and Flows : How do Alliance Portfolios Affect the Value of New Alliance Formations ? », Strategic Management Journal, vol. 33, n° 7, p. 871–883.

Yan, A. (1998). « Structural Stability and Reconfiguration of International Joint Ventures », Journal of International Business Studies, vol. 29, n° 4, p. 773–795.

Yan, A., et Gray, B. (1994). « Bargaining Power, Management Control, and Performance in United States-China Joint Ventures : A comparative Case Study », Academy of Management Journal, vol. 37, n° 6, p. 1478–1517.

Haut de page

Notes

1 Notons que le raisonnement s’inverse lorsqu’il est question des conditions suffisantes. On dira qu’une condition X est suffisante pour obtenir Y si la condition X est un sous-ensemble du phénomène Y.

2 A ce titre, rappelons qu’il est possible de conduire une seconde analyse visant à identifier les combinaisons causales expliquant l’absence du phénomène (Vergne & Depeyre, 2016).

3 Notre collecte de données s’arrête en juillet 2014.

4 Notons qu’il est possible de compléter l’analyse par l’étude de l’absence du phénomène (voir Vergne & Depeyere, 2016) : dans notre cas, il s’agirait d’expliquer la non-stabilité. Nous avons choisi de ne pas conduire cette seconde analyse compte-tenu du faible nombre d’alliances non-stables dans notre échantillon, ainsi que de la forte asymétrie causale inhérente au concept de stabilité des alliances de sorte que les causes permettant d’expliquer la stabilité ne sont pas nécessairement celles qui permettent d’expliquer l’instabilité (Das & Teng, 2000).

5 Le signe ~ placé devant une condition causale renvoie à l’opposé de cette condition. Par exemple, ~ Rapfo se lit « non-rapport de force » et signifie que le rapport de force ne doit pas être équilibré pour que la condition soit satisfaite. D’autre part, le signe * se lit “et” et signifie que les membres adjacents sont indissociables (mais commutatifs).

6 Solution Consistency measures the degree to which membership in the solution (the set of solution terms) is a subset of membership in the outcome” (Ragin, 2008, p. 86).

7 Solution coverage measures the proportion of memberships in the outcome that is explained by the complete solution” (Ragin, 2008, p. 86).

Haut de page

Pour citer cet article

Référence électronique

Benjamin Lehiany et Paul Chiambaretto, « L’apport de la méthode fsQCA à l’étude de la complexité causale : une application à la stabilité des alliances  »Finance Contrôle Stratégie [En ligne], NS-6 | 2019, mis en ligne le 23 mai 2019, consulté le 23 juin 2025. URL : http://journals.openedition.org/fcs/3368 ; DOI : https://doi.org/10.4000/fcs.3368

Haut de page

Auteurs

Benjamin Lehiany

SKEMA Business School / i3-CRG, Ecole Polytechnique
Benjamin.lehiany@skema.edu

Paul Chiambaretto

MRM – Montpellier Business School / i3-CRG, Ecole Polytechnique
p.chiambaretto@montpellier-bs.com

Articles du même auteur

Haut de page

Droits d’auteur

Le texte et les autres éléments (illustrations, fichiers annexes importés), sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search