Le changement organisationnel : la prédiction des comportements de soutien et de résistance par le biais des préoccupations

Depuis plus de 50 ans, les chercheurs s’intéressent à la résistance au changement. Or, malgré plusieurs années de recherche, on ne sait toujours pas exactement quelles variables peuvent prédire les comportements de résistance et encore moins ceux de soutien. La présente thèse vise à pallier cette lacune en identifiant des variables pouvant expliquer à la fois les comportements de soutien et de résistance lors d’un changement organisationnel majeur. Le modèle des phases de préoccupations (Bareil 2004a) s’avère intéressant à cet effet puisqu’il intègre bien les savoirs actuels et s’adapte à différents changements. L’objectif principal de cette thèse est donc de vérifier jusqu’à quel point les comportements de soutien et de résistance peuvent être prédits par les phases de préoccupations, en tenant compte de l’engagement affectif envers le changement comme variable médiatrice et du rôle des acteurs et de l’avancement de la mise en œuvre comme variables modératrices. Pour ce faire, une étude a été menée auprès d’enseignants, de professionnels et de directeurs d’une Commission scolaire québécoise ayant implanté une réforme majeure provoquant des préoccupations d’intensité variée et des comportements divers, allant de la résistance au soutien. Les analyses acheminatoires effectuées auprès de deux échantillons indépendants (n=464 et n=171) indiquent que les premières phases du modèle (centrées sur le destinataire, l’organisation et le changement) sont liées positivement aux comportements de résistance et négativement à ceux de soutien. À l’inverse, les dernières phases (centrées sur l’expérimentation, la collaboration et l’amélioration continue) sont liées négativement aux comportements de résistance et positivement à ceux de soutien. Ainsi, plus on avance dans la séquence des phases de préoccupations, plus les comportements de soutien augmentent et ceux de résistance diminuent. Également, l’engagement affectif envers le changement agit à titre de variable médiatrice et permet d’expliquer davantage de variance des comportements de soutien et de résistance. De plus, les analyses de régression indiquent que les phases de préoccupations expliquent davantage de variance des comportements de soutien des agents de changement, alors qu’elles expliquent plus de variance des comportements de résistance des destinataires. On constate aussi que c’est au début de la mise en œuvre que les phases de préoccupations expliquent le plus de variance des comportements de soutien et de résistance. Finalement, un troisième échantillon (n=143) permet de suivre l’évolution des participants ayant répondu deux fois au questionnaire. Les tests t ne rapportent aucune différence significative entre les deux temps de mesure et ce, autant pour les phases de préoccupations que pour les comportements de soutien et de résistance. On constate que lorsque les phases de préoccupations n’évoluent pas, les comportements de soutien ou de résistance demeurent les mêmes. En somme, ces résultats indiquent qu’il est possible de prédire à la fois les comportements de soutien et de résistance avec les phases de préoccupations. En outre, on sait maintenant à quel moment et avec quel type d’acteurs le modèle des phases de préoccupations s’avère le plus utile. Afin de généraliser ces résultats, il serait pertinent de reproduire cette recherche dans une autre organisation qui implante un changement majeur.

Beyond Panel Unit Root Tests: Using Multiple Testing to Determine the Non Stationarity Properties of Individual Series in a Panel

Most panel unit root tests are designed to test the joint null hypothesis of a unit root for each individual series in a panel. After a rejection, it will often be of interest to identify which series can be deemed to be stationary and which series can be deemed nonstationary. Researchers will sometimes carry out this classification on the basis of n individual (univariate) unit root tests based on some ad hoc significance level. In this paper, we demonstrate how to use the false discovery rate (FDR) in evaluating I(1)=I(0) classifications based on individual unit root tests when the size of the cross section (n) and time series (T) dimensions are large. We report results from a simulation experiment and illustrate the methods on two data sets.