Le coût de la sous-traitance et la performance financière d'une entreprise industriell. Cas de l'entreprise minière Ruashi mining.

4.1.6. Analyse de données avec GRETL

Variable dépendante Y : Performance financière mesurée par la rentabilité financière (ROE)

Variable indépendante X : Coût de la sous-traitance

Tableau 13 ; Présentation de variables

Année	2013	2014
Rentabilité financière	-22,05%	198,41%	13,63%	-25,71%	307,2%
Cout de la	56 457	53 217 868	41 830 384	34 988 751	32 778 620
sous-traitant e	900

81

Source : nous-mêmes sur basse du logiciel GRETL Commentaire:

Ce graphique nous montre la tendance de nos deux variables, la variable dépendante Y qui est la rentabilité financière et la variable indépendante X qui est le cout de la sous-traitance. Nous remarquons que le cout de la sous-traitance diminue durant les 5 ans sous étude et que la rentabilité financière tendance à augmenter.

Figure 6 : Statistique descriptive

82

Source : nous-mêmes sur du logiciel GRETL Commentaire:

Cette figure nous montre différents paramètres centraux de la variable dépendante ROE

Modèle MCO

Figure 7 : Modele1 estimation en MCO avec la variable dépendante ROE

Source : nous-mêmes sur basse du logiciel GRETL

83

R2 non -ajusté:

C'est le coefficient de détermination, ce coefficient donne le pourcentage d'explication de la variable dépendante par la variable indépendante. Si R² est élevé cela signifie qui a une forte liaison ou association entre ces variables et s'il est faible explique une faible liaison ou association de variables. Pour le cas de notre étude nous avons trouvé qu'y a une faible liaison entre la rentabilité financière et le cout de la sous-traitance sa valeur est de 28,98%, ceci veut dire que le cout de la sous-traitance explique la performance financière à 28,98%, et que le 71,02% sont expliqué par d'autres variables que nous n'avons pas retenu dans notre recherche.

Ecart-type de la variable dépendante

L'écart type est de 140,51 ceci signifie que les observations sont dispersées et se concentrent autour de la moyenne qui de 52,68.

Critère d'information d'Akaike (AIC) :

Le critère d'information d'Akaike, (en anglais Akaike information criterion ou AIC) est une mesure de la qualité d'un modèle statistique proposée par Hirotugu Akaike en 1973.Lorsque l'on estime un modèle statistique, il est possible d'augmenter la vraisemblance du modèle en ajoutant un paramètre. Le critère d'information d'Akaike, tout comme le critère d'information bayésien, permet de pénaliser le modèle en fonction du nombre de paramètres afin de satisfaire le critère de parcimonie. On choisit alors le modèle avec le critère d'information d'Akaike le plus faible. Pour le cas de notre travail la valeur du critère est de 64,815264

Hanna-Q

Il est bien connu que le critère d'information d'Akaike (AIC) n'est pas convergent pour l'ordre réel des modèles de séries chronologiques mais il peut être démontré que d'autres méthodes, telles que le critère de Schwarz et Hannan et Quinn, sont convergentes dans ces circonstances. Pour le cas de notre travail la valeur du critère d'Hannan-Quinn est de 62,7188

84

Nous avons une valeur statistique de Durbin-Watson de 1,99487 qui fluctue tout autour de 2 alors on dira qu'il y a absence d'auto corrélation des erreurs.

Figure 8 : le coefficient de corrélation

Source : nous-mêmes sur basse du logiciel GRETL Commentaire:

Le coefficient de corrélation évalue l'évolution de variables, il est compris entre -1 et 1. Pour le cas de notre étude nous avons une valeur négative de 53,83%, donc nos variables sont corrélées négativement.