WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Attractivité territoriale et stratégies de localisation des entreprises industrielles dans les collectivités territoriales de la région du centre au Cameroun


par Marius Trésor MENGUE OYONO
Université de Yaoundé 2 - SOA - Master 2 en Economie du Territoire et de la Décentralisation 2015
  

précédent sommaire suivant

CHAPITRE IV :INFLUENCE DES FACTEURS D'ATTRACTIVITE SUR LA LOCALISATION DES ENTREPRISES INDUSTRIELLES DANS LES COLLECTIVITES DU CENTRE.

Introduction 

La région regroupe en son sein dix départements et de plusieurs collectivités territoriales décentralisées. C'est donc dire que la région est dotée de ressources (latentes et actives), qui constituent des atouts majeurs de l'attractivité de la région. Cependant, l'un des constats qu'on peut faire en matière de localisation et d'attractivité des différentes localités de cette région, est le fait que la plupart des unités de production industrielle qui se trouve dans la région sont regroupées dans les collectivités territoriales du département du Mfoundi (chef-lieu : Yaoundé). D'un premier regard, l'on peut dire que département semble être plus attractif aux yeux des opérateurs, investisseurs, industrielles etc... Lorsqu'il s'agit d'investir, de s'implanter, ou se localiser dans la Région du Centre.

Ainsi, l'objectif de se mémoire étant de déterminer les facteurs territoriaux de la région du centre qui attirent et guident les choix de localisation des entreprises industrielles, après qu'elle est fait le choix de s'implanter dans le centre. C'est-dire, de déterminer les variables explicatives qui rendent telle ou telle département attractif aux activités industrielles. Et plus particulièrement, pourquoi le Mfoundi est le plus sollicité.

Pour trouver les variables explicatives pour le modèle de localisation nous avons recherché les facteurs de localisation dans les travaux des théoriciens, mais aussi dans des études empiriques et dans des enquêtes (enquête AGUILERA-BELANGER & al., 1999).Comme nous l'avons signalé auparavant la localisation des activités économiques dépend d'un nombre plus ou moins grand de facteurs. Ces facteurs ont des rôles et des poids différents selon les secteurs. De plus, nous disposons d'un nombre important de variables. Il est nécessaire de convertir les facteurs en indicateurs tangibles et de réaliser une présélection des variables. La présélection des variables a été réalisée à partir de traitements : corrélation entre le secteur et les variables disponibles, nous avons essayé de repérer les variables qui ont un lien avec les secteurs qui nous intéressent.

Dans ce chapitre, nous exposerons dans la première section les données et le modèle qui nous permettra d'effectuer cette étude, et dans la seconde section, après avoir effectué une régression économétrique par la méthode des moindres carrés ordinaires (MCO), nous présenterons les résultats et on analysera ces résultats.

SECTION I : PRESENTATION DES DONNEES DU MODELE ET CACULS STATISTIQUES

I.1. Présentation des données utilisées pour le modèles

Les données utilisées pour le travail empirique de ce mémoire, nous ont été données par l'INS qui l'a extrait de la base de donnée d'une série de déclarations statistiques et fiscales (DSF) que produisent chaque année les entreprises du secteur secondaire, qui résume quasiment le secteur industriel dans la région du centre. Ceci pour la période allant de 2008 à 2013, c'est-à-dire sur une série d'observation de 06 ans.

I.1.1. Présentation et mode de construction d'une DSF

i. Présentation d'une DSF

Une déclaration statique et fiscale est un document financier dont tout entreprise faisant partir du régime du réelle a l'obligation d'élaborer, lorsqu'elle monte ces états de fin d'exercice. C'est un document qui présente fait preuve de la situation financière et certaines appréhensions des entreprises, quant à leur milieu financier, administratif, situation environnementale, et certaines difficultés auxquelles elles font face. Elle résume les rubriques définies dans le plan comptable.

ii. Le mode de construction de la base donnée à partir de la DSF

La base de données issue des DSF telle que construite par L'INS, résume en colonne l'ensemble des variables conduisant à l'analyse financière de ces entreprises. On peut distinguer en colonne, les variables telles que : le chiffre d'affaire, l'effectif total employé, les clients, la consommation des matières premières etc.... En ligne, on a les noms et les codes des entreprises. Il faut également préciser que les données des déclarations sont observées sur une longue période (série chronologique ou sur plusieurs années).

I.1.2 Prestation des variables et du modèle

i. Présentation des variables

Les données utilisées pour construire nos variables ont été extraites de la base de données des déclarations statistiques et fiscales dont dispose l'INS. Il faut dire que nous avons extrait les données relatives au secteur sur lequel nous travaillons. C'est-à-dire le secteur industriel (secondaire),

Il faut également rappeler que nous avons mis en oeuvre deux modèles, à cause du fait que les données que nous avons reçues ne s'étendaient que sur 04 ans. Et les variables explicatives que nous avons définies pour les deux modèles tendent toutes à expliquer les raisons de l'attraction du nombre d'entreprise du secteur dans la région du centre.

Tableau 17 :variables du premier modèle (1)

Numéro

Codes variables

Libellé de la variable

1

NBR_ENTR

Nombre d'entreprises industrielles

2

EFF_TOT

Effectif total des employés du secteur

3

SERV_EXT

Sévices extérieurs

4

CA

Chiffre d'affaire

5

CAPTL

Capital

Source : Traitement de l'auteur

Tableau 18 :variables du second modèle (2)

Numéro

Code variables

Libellé de la variable

1

NBR_ENTR

Nombre d'entreprises industrielles

2

CLIEN

Clients

3

MAT_PREM

Matière première et autres approvisionnements

4

TRANSP

Transport

 

PROD_FABR

Produits fabriqués

Source : Traitement de l'auteur

Dans les deux modèles, la variable expliquée est le nombre d'entreprises du secteur industriel de la région. Car, n observant l'évolution de ce nombre sur toute la période d'étude, on observe qu'il y'a une certaine augmentation. C'est ainsi qu'on voudrait déterminer et étudier les facteurs ou les variables qui poussent celles-ci à se localiser dans le centre, afin d'appréhender les éléments qui rendent cette région du Centre attractive aux yeux des industries.

ii. Présentation du modèle

On peut citer trois grands types de modèles : le modèle des MCO, le modèle à effet fixe et le modèle à effet aléatoire connu aussi sous le nom de modèle à composantes d'erreur, le modèle à coefficients aléatoires, le modèle à structure de covariance.

Le modèle des MCO : c'est le plus simple sur le postulat que les individus qui composent l'échantillon sont rigoureusement homogènes c'est-à-dire ne se démarquent les uns des autres par aucune caractéristique spécifique. Dès lors, il n'y a qu'une composante au vecteur Zi : la constante, commune à tous les individus. Le modèle spécifié est :

Où les coefficients sont estimés sur la base d'un échantillon à l'intérieur duquel les données sont « empilées » sans égard par rapport aux individus non plus que par rapport aux dates.

En terme matriciel et pour l'individu i on a encore : .

Mais avec une matrice Zi à une seule colonne dont tous les éléments sont égaux à 1 de telle sorte que la constante a est la même pour tous les individus. A la condition que le postulat d'homogénéité soit fondé d'une part et que, d'autre part, les propriétés relatives à « eit » soient vérifiées (en particulier l'absence d'autocorrélation) l'estimateur MCO de « b » est sans biais, convergent et de variance minimum.

Le modèle à effets fixes : Imagination que chaque individu présente des caractéristiques propres susceptible d'affecter la relation étudiée. Dans ce contexte d'hétérogénéité des individus, une spécification MCO sur données « empilées » qui postule une même structure XY quel que soit l'individu étudié induit un biais d'omission : l'estimateur MCO des bk est biaisé et non convergent (confère cours Econométrie III).

Deux cas de figure peuvent être envisagés : d'une part, toutes les caractéristiques spécifiques sont observables et quantifiables, d'autre part, certaines caractéristiques ne le sont pas, quoiqu'on sache qu'elles existent.

Le modèle à effets aléatoires (modèle à composantes d'erreur) : Une autre manière d'aborder la question de l'hétérogénéité des individus à l'intérieur d'un échantillon en données de panel consiste à interpréter le terme d'erreur comme étant la somme de deux composantes (d'où la terminologie utilisée de modèle à composantes d'erreur) :

- une première composante « eit » similaire à celle qui apparaissait déjà dans les modèles précités,

- une seconde, plus originale, postule que chaque individu se démarque des autres par la réalisation d'une variable aléatoire dont les caractéristiques (en particulière, moyenne et variance) sont identiques d'un individu à l'autre. Ce type de modèle est ainsi spécifié :

avec .

Attention, contrairement à ce qui se passe dans le cadre du modèle à effet fixe pour lequel les individus se démarquent les uns des autres par un élément constant. La composante qui apparait ici n'est pas une constante mais bien la réalisation d'une variable aléatoire. Bien sûr, comme on sait que la présence d'une corrélation entre le terme d'erreur et variables explicatives engendrent des problèmes de biais dans l'estimation des coefficients du modèle. L'hypothèse sous-jacente à l'usage d'un modèle à composante d'erreur est que : la composante aléatoire spécifique qui n'est pas corrélé avec les variables explicatives du modèle. Cette hypothèse sous-jacente peut être suspecte dans certaines circonstances. Imaginons par exemple qu'il s'agit d'expliquer le salaire d'un individu. Au rang des variables explicatives on retrouvera sans surprise de variables représentatives de l'ancienneté dans l'entreprise mais aussi, et de manière plus intéressante, le nombre d'années d'études ou encore le niveau de diplôme. L'élément spécifique aléatoire est réputé rendre compte des influences exercées par toutes les variables omises ou non observables, au rang desquelles figurent vraisemblablement les qualités de l'individu, dont on peut penser qu'elles ne sont sans doute pas totalement indépendantes du nombre d'années d'études ou du niveau de diplôme. Il est alors difficile de soutenir que cette composante aléatoire est sans corrélation avec les variables explicatives retenues.

Les modèles à coefficients aléatoires : A vrai dire le modèle à composante d'erreur se démarque du modèle MCO en cela que ce qui est nécessairement constant dans le modèle MCO :

Devient aléatoire dans le modèle à composante d'erreur :

On peut généraliser ce traitement réservé jusqu'ici à l'élément constant et à l'ensemble de tous les coefficients du modèle qui devient alors :

L'hypothèse qui est faite dans ce cas est que les valeurs des coefficients peuvent différer aléatoirement d'un individu à l'autre, quoiqu'en espérance ces coefficients soient identiques.

précédent sommaire suivant