II-3-2 Constitution et description de
l'échantillon
L'étude que nous avons mené porte sur un
échantillon de 34 entreprises relevant du secteur public et parapublic
camerounais. C'est un échantillon qui a été
constitué sur la base du fichier des entreprises publiques disponibles
au MINFIB, plus précisément à la cellule du suivi des
entreprises publiques. A partir donc de ce fichier, on
sélectionné 60 entreprises publiques. Cependant, seules 34 ont pu
nous restituer toutes les informations sur l'ensemble des variables.
II-3-3 Méthode statistique
Au détour de la revue de la littérature, nous
avons identifié un assez grand nombre de variables (20) liées au
CA et susceptibles d'influencer la performance des entreprises. Face à
ce grand nombre de données et leur multi variété, nous
avons opté pour une analyse en correspondances multiple (ACM) afin de
déterminer celles qui peuvent significativement contribuer à
expliquer la performance. Cette méthode s'articule autour de deux
principaux axes.
A- L'analyse des composantes principales
(ACP)
Elle permet de résumer l'information apportée
par un grand nombre de variables, par un nombre plus restreint de variables
nouvelles. La plupart des variables étant liées entre elles,
cette méthode consiste à concevoir à partir d'un tableau
« individusvariables >>, en réduisant le nombre de variables
nécessaires pour décrire les individus, tout en perdant le moins
d'information.
En effet, un individu est parfaitement décrit, du point
de vue de l'optique de l'étude, par des valeurs qu'il prend pour les p
variables. De même, une variable est définie par les n valeurs
correspondant à sa distribution. Un individu peut alors être
identifié par un point d'un espace géométrique à p
dimensions tandis qu'une variable est représentée par un point
d'un espace à n dimensions. L'ensemble des individus (ou des variables)
forme un nuage de points. Comme il est difficile d'avoir une vision correcte
d'un espace à plusieurs dimensions (20 par exemple), l'ACP permet une
réduction de la dimension de ces espaces afin de les rendre plus «
lisibles >> tout en perdant le moins d'information possible.
La méthode consiste alors à déterminer
des axes optimum sur les quels seront projetés les individus et les
variables. Les axes factoriels (ou composantes principales) obtenus
représentent des combinaisons linéaires des variables d'origine.
Ils ont l'avantage de ne pas être corrélés entre eux
contrairement aux variables. Ils peuvent être hiérarchisés
: le premier facteur explique le mieux la variabilité des données
initiales, le second explique le mieux la variabilité du résidu
non pris en compte par le premier axe et ainsi de suite.
B- L'analyse factorielle des correspondances
(AFC)
Lorsqu'on recueille des données qualitatives pour un
nombre important de variables et d'individus, celles-ci peuvent se
présenter sous la forme d'un tableau individusvariables : les cases du
tableau sont remplies de 0 et de 1 selon que l'individu possède ou pas
la modalité correspondante (tableau binaire ou disjonctif complet).
L'AFC permet d'exprimer sous forme graphique pertinente et facilement
interprétable (croisement de deux variables qualitatives) et que l'on
appelle tableau de contingence. L'AFC cherche ainsi à
représenter, à l'aide d'axes communs, les nuages des individus et
des variables d'une manière simplifiée. Travaillant sur les deux
nuages en même temps, l'AFC permet de situer les individus (ou
madalités-lignes) et les variables (ou modalités-colonnes) dans
le même espace par rapport aux mêmes axes. Il devient donc
aisé d'établir les relations de proximité non seulement
entre variables d'une part ou entre individus d'autre part, mais aussi entre
les premiers et les seconds.
II-3-4 Analyse des résultats
A- Présentation des résultats
Les résultats présents ont été
obtenus grâce aux logiciels SPAD (version 3.21) et SPSS (version
10.0).
1- Examen des taux d'inertie
A partir de cet examen, on détermine les axes
significatifs (optimum) pour l'analyse. Pour ce faire, on retient les axes dont
la contribution à l'inertie totale est importante.
Dans le cadre de note recherche, l'histogramme des valeurs
propres permet de dire que les trois (3) premiers facteurs sont significatifs
pour opérer une interprétation.
Tableau IV-1 Histogramme des valeurs
propres
HISTOGRAMME DES 33 PREMIERES VALEURS PROPRES
|
+ + + + + +
|
|
| NUMERO | VALEUR | POURCENT. | POURCENT. | |
|
|
| | PROPRE | | CUMULE | |
|
|
+ + + + + +
|
|
| 1
|
| 0.5609
|
| 8.12
|
| 8.12
|
|
********************************************************************************
|
|
|
|
| 2
|
| 0.4771
|
| 6.91
|
| 15.02
|
|
*********************************************************************
|
|
|
|
| 3
|
| 0.4174
|
| 6.04
|
| 21.07
|
|
************************************************************
|
|
|
|
| 4
|
| 0.3875
|
| 5.61
|
| 26.67
|
|
********************************************************
|
|
|
|
| 5
|
| 0.3695
|
| 5.35
|
| 32.02
|
|
*****************************************************
|
|
|
|
| 6
|
| 0.3602
|
| 5.21
|
| 37.24
|
|
****************************************************
|
|
|
|
| 7
|
| 0.3461
|
| 5.01
|
| 42.25
|
|
**************************************************
|
|
|
|
| 8
|
| 0.3336
|
| 4.83
|
| 47.07
|
|
************************************************
|
|
|
|
| 9
|
| 0.2987
|
| 4.32
|
| 51.40
|
| *******************************************
|
|
|
|
| 10
|
| 0.2910
|
| 4.21
|
| 55.61
|
| ******************************************
|
|
|
|
| 11
|
| 0.2733
|
| 3.96
|
| 59.57
|
| ***************************************
|
|
|
|
| 12
|
| 0.2511
|
| 3.63
|
| 63.20
|
| ************************************
|
|
|
|
| 13
|
| 0.2467
|
| 3.57
|
| 66.77
|
| ************************************
|
|
|
|
| 14
|
| 0.2411
|
| 3.49
|
| 70.26
|
| ***********************************
|
|
|
|
| 15
|
| 0.2064
|
| 2.99
|
| 73.25
|
| ******************************
|
|
|
|
| 16
|
| 0.2001
|
| 2.90
|
| 76.14
|
| *****************************
|
|
|
|
| 17
|
| 0.1902
|
| 2.75
|
| 78.90
|
| ****************************
|
|
|
|
| 18
|
| 0.1842
|
| 2.67
|
| 81.56
|
| ***************************
|
|
|
|
| 19
|
| 0.1570
|
| 2.27
|
| 83.83
|
| ***********************
|
|
|
|
| 20
|
| 0.1498
|
| 2.17
|
| 86.00
|
| **********************
|
|
|
|
| 21
|
| 0.1247
|
| 1.80
|
| 87.81
|
| ******************
|
|
|
|
| 22
|
| 0.1210
|
| 1.75
|
| 89.56
|
| ******************
|
|
|
|
| 23
|
| 0.1123
|
| 1.63
|
| 91.18
|
| *****************
|
|
|
|
| 24
|
| 0.1046
|
| 1.51
|
| 92.70
|
| ***************
|
|
|
|
| 25
|
| 0.0974
|
| 1.41
|
| 94.11
|
| **************
|
|
|
|
| 26
|
| 0.0816
|
| 1.18
|
| 95.29
|
| ************
|
|
|
|
| 27
|
| 0.0775
|
| 1.12
|
| 96.41
|
| ************
|
|
|
|
| 28
|
| 0.0657
|
| 0.95
|
| 97.36
|
| **********
|
|
|
|
| 29
|
| 0.0582
|
| 0.84
|
| 98.20
|
| *********
|
|
|
|
| 30
|
| 0.0563
|
| 0.81
|
| 99.02
|
| *********
|
|
|
|
| 31
|
| 0.0469
|
| 0.68
|
| 99.70
|
| *******
|
|
|
|
| 32
|
| 0.0211
|
| 0.30
|
| 100.00
|
| ****
|
|
|
|
| 33
|
| 0.0000
|
| 0.00
|
| 100.00
|
| *
|
|
|
|
+ + + + + +
|
Source: construction de l'auteur à partir de
SPAD.
Par ailleurs, la courbe qui représente la
décroissance des valeurs propres de rangs consécutifs est
également riche d'enseignements.
Figure IV-4 Courbe des valeurs
propres
Scree Plot
3.0
2.5
2.0
1.5
1.0
.5
0.0
1 2 3 4 5 6 7 8 9 10 11
Component Number
En examinant la décroissance de cette courbe (pour ce
qui est des onze premiers axes) et en repérant les
infléchissements correspondant aux plus fortes
accélérations de la baisse, on peut déterminer au niveau
de quel axe factoriel s'effectue le passage des composantes majeures du
phénomène étudié à celles qui sont
secondaires puis à celles qui sont négligeables.
Pour notre cas, la figure TV-1 renseigne que les trois (3)
premières valeurs propres sont assez proches et que la courbe est
marquée par une très forte accentuation de la baisse lorsqu'on
passe à la quatrième valeur propre.
Cela conduit ainsi à considérer que les trois
premiers facteurs expriment à eux seuls les dimensions majeures du
phénomène ; incitant à privilégier l'examen du
premier plan factoriel.
2- La matrice des corrélations
Elle fournit le degré de liaison entre les variables de
l'étude. Rappelons que l'objet de l'analyse est de déterminer de
nouvelles variables moins corrélées et expliquant le
phénomène étudié.
Tableau IV-2 Matrice des
corrélations des variables
|
TCON
|
NADESEPA
|
REPR FORM
|
EXPE
|
CEXP
|
NREC
|
PRCC AMMA
|
IPAC
|
|
Correlation TCON
|
1,000
|
,399 -,152
|
-,076
|
-,112
|
-,217
|
,274
|
,042
|
,186
|
,173
|
,275
|
|
NADE
|
,399
|
1,000 ,032
|
,281
|
,090
|
-,077
|
-,101
|
,077
|
-,288
|
-,141
|
,101
|
|
SEPA
|
-,152
|
,032 1,000
|
,216
|
,033
|
,078
|
,070
|
,122
|
-,052
|
-,124
|
-,487
|
|
REPR
|
-,076
|
,281 ,216
|
1,000
|
-,072
|
-,150
|
-,441
|
-,009
|
-,239
|
-,259
|
,168
|
|
FORM
|
-,112
|
,090 ,033
|
-,072
|
1,000
|
,710
|
,306
|
,267
|
,442
|
-,186
|
-,211
|
|
EXPE
|
-,217
|
-,077 ,078
|
-,150
|
,710
|
1,000
|
,229
|
,204
|
,343
|
-,025
|
-,316
|
|
CEXP
|
,274
|
-,101 ,070
|
-,441
|
,306
|
,229
|
1,000
|
-,096
|
,435
|
,101
|
-,170
|
|
NREC
|
,042
|
,077 ,122
|
-,009
|
,267
|
,204
|
-,096
|
1,000
|
,156
|
-,335
|
,080
|
|
PRCC
|
,186
|
-,288 -,052
|
-,239
|
,442
|
,343
|
,435
|
,156
|
1,000
|
,130
|
-,123
|
|
AMMA
|
,173
|
-,141 -,124
|
-,259
|
-,186
|
-,025
|
,101
|
-,335
|
,130
|
1,000
|
-,063
|
|
IPAC
|
,275
|
,101 -,487
|
,168
|
-,211
|
-,316
|
-,170
|
,080
|
-,123
|
-,063
|
1,000
|
|
Sig. (1- TCON tailed)
|
|
,011 ,199
|
,336
|
,267
|
,113
|
,061
|
,408
|
,150
|
,168
|
,061
|
|
NADE
|
,011
|
,429
|
,057
|
,310
|
,335
|
,288
|
,335
|
,052
|
,217
|
,288
|
|
SEPA
|
,199
|
,429
|
,114
|
,427
|
,332
|
,349
|
,250
|
,388
|
,245
|
,002
|
|
REPR
|
,336
|
,057 ,114
|
|
,346
|
,202
|
,005
|
,481
|
,090
|
,073
|
,175
|
|
FORM
|
,267
|
,310 ,427
|
,346
|
|
,000
|
,042
|
,066
|
,005
|
,150
|
,120
|
|
EXPE
|
,113
|
,335 ,332
|
,202
|
,000
|
|
,100
|
,127
|
,026
|
,445
|
,037
|
|
CEXP
|
,061
|
,288 ,349
|
,005
|
,042
|
,100
|
|
,298
|
,006
|
,288
|
,172
|
|
NREC
|
,408
|
,335 ,250
|
,481
|
,066
|
,127
|
,298
|
|
,193
|
,028
|
,330
|
|
PRCC
|
,150
|
,052 ,388
|
,090
|
,005
|
,026
|
,006
|
,193
|
|
,236
|
,248
|
|
AMMA
|
,168
|
,217 ,245
|
,073
|
,150
|
,445
|
,288
|
,028
|
,236
|
|
,363
|
|
IPAC
|
,061
|
,288 ,002
|
,175
|
,120
|
,037
|
,172
|
,330
|
,248
|
,363
|
|
Source: construction de l'auteur à partir de
SPSS.
3- Interprétation des résultats
Dans cette phase il convient de donner des noms aux axes retenus
pour l'analyse. On s'appuiera sur la fait que la coordonnée de la
variable j sur l'axe factoriel e est égale au coefficient de
corrélation entre cette variable initiale et la variable
synthétique. Ces corrélations sont données dans le tableau
qui suit, et les tableaux de description des facteurs.
Tableau IV-3 Corrélations des
variables avec les axes*
|
CORRELATIONS ENTRE LES VARIABLES CONTINUES ET LES
FACTEURS AXES 1 A 5
VARIABLES | CARACTERISTIQUES
|
|
|
CORRELATIONS
|
|
|
NUM .
|
(IDEN)
|
LIBELLE COURT | EFF.
|
P. ABS
|
MOYENNE
|
EC. TYPE | 1
|
2
|
3
|
4
|
5
|
|
| 3 .
|
(REAC)
|
Rentabilité des acti |
|
0
|
0.00
|
0.00
|
0.00 |
|
0.00
|
0.00
|
0.00
|
0.00
|
0.00
|
|
| 6 .
|
(TCON)
|
Taille du conseil d' |
|
11
|
11.00
|
1.73
|
1.91 |
|
-0.17
|
0.11
|
0.30
|
-0.04
|
0.48
|
|
| 7 .
|
(NADE)
|
Nombre d'administrat |
|
10
|
10.00
|
2.80
|
2.79 |
|
-0.38
|
0.23
|
0.17
|
0.73
|
-0.59
|
|
| 12 .
|
(NREC)
|
Nombre de réunions d |
|
26
|
26.00
|
3.85
|
3.37 |
|
0.09
|
0.15
|
0.20
|
-0.22
|
-0.07
|
|
| 19 .
|
(DURE)
|
Durée des réunions d |
|
17
|
17.00
|
3.12
|
2.95 |
|
-0.41
|
0.11
|
-0.31
|
0.05
|
-0.25
|
|
| 21 .
|
(ABST)
|
Absents ou represent |
|
14
|
14.00
|
3.57
|
3.35 |
|
0.57
|
0.15
|
-0.45
|
-0.15
|
-0.14
|
|
| 22 .
|
(VAJO)
|
Valeur ajoutée |
|
16
|
16.00
|
3.13
|
2.87 |
|
0.26
|
0.08
|
0.02
|
-0.33
|
0.12
|
|
+
|
|
+
|
|
|
+
|
|
|
|
|
* Elles ne sont fournies que pour les variables continues
Source: construction de l'auteur à partir de SPAD.
Concernant les variables nominales, les tableaux de description
des facteurs donnent une orientation quant à leur
interprétation.
Tableau IV-4 Description des axes
factoriels 1, 2, et 3
DESCRIPTION DES AXES FACTORIELS
DESCRIPTION DU FACTEUR 1 PAR LES MODALITES
ACTIVES
|
+
|
|
| ID. | V.TEST | LIBELLE MODALITE | LIBELLE DE LA
VARIABLE | POIDS | NUMERO
|
|
|
|
|
| 5_ | -2.83 | reponse manquante | Contrôle
juridictionnel | 32.00 | 1
|
|
| 18_ | -2.33 | reponse manquante | Nature des
décisions prises au conseil | 20.00 | 2
|
|
|
|
|
| ZONE CENTRALE
|
|
AF_1
|
| 2.56
|
| PRCC=1
|
| Présence de créanciers au
conseil
|
| 3.00
|
| 98
|
|
AJ_6
|
| 3.30
|
| REDI=6
|
| Rémunération des dirigeants
|
| 3.00
|
| 99
|
|
AC_9
|
| 3.42
|
| REPR=9
|
| Représentation des employés au
conseil
|
| 2.00
|
| 100
|
|
AI_1
|
| 3.58
|
| CHAD=1
|
| Changement de dirigeants
|
| 3.00
|
| 101
|
|
AF_3
|
| 3.58
|
| PRCC=3
|
| Présence de créanciers au
conseil
|
| 2.00
|
| 102
|
|
AB_3
|
| 4.69
|
| SEPA=3
|
| Séparation des fonctions
|
| 1.00
|
| 103
|
|
AA_1
|
| 4.69
|
| COJU=1
|
| Contrôle juridictionnel
|
| 1.00
|
| 104
|
|
AK_3
|
| 4.69
|
| NDEC=3
|
| Nature des décisions prises au
conseil
|
| 1.00
|
| 105
|
|
AD_9
|
| 4.71
|
| FORM=9
|
| Formation initiale de l'administrateur
|
| 4.00
|
| 106
|
|
AG_7
|
| 4.99
|
| AMMA=7
|
| Administrateur multimandaté
|
| 2.00
|
| 107
|
|
DESCRIPTION DU FACTEUR 2
|
|
PAR LES MODALITES ACTIVES
|
|
ID. | V.TEST | LIBELLE MODALITE | LIBELLE DE LA VARIABLE
| POIDS | NUMERO
|
|
AD_4
|
| -4.67
|
| FORM=4
|
| Formation initiale de l'administrateur
|
| 2.00
|
| 1
|
|
AF_7
|
| -4.67
|
| PRCC=7
|
| Présence de créanciers au
conseil
|
| 2.00
|
| 2
|
|
AJ_5
|
| -4.58
|
| REDI=5
|
| Rémunération des dirigeants
|
| 1.00
|
| 3
|
|
AI_5
|
| -4.58
|
| CHAD=5
|
| Changement de dirigeants
|
| 1.00
|
| 4
|
|
AK_8
|
| -4.26
|
| NDEC=8
|
| Nature des décisions prises au
conseil
|
| 2.00
|
| 5
|
|
AC_4
|
| -3.23
|
| REPR=4
|
| Représentation des employés au
conseil
|
| 3.00
|
| 6
|
|
AB_4
|
| -3.15
|
| SEPA=4
|
| Séparation des fonctions
|
| 3.00
|
| 7
|
|
AG_1
|
| -3.11
|
| AMMA=1
|
| Administrateur multimandaté
|
| 4.00
|
| 8
|
ZONE CENTRALE
DESCRIPTION DU FACTEUR 3 PAR LES MODALITES ACTIVES +
|
ID. | V.TEST | LIBELLE MODALITE | LIBELLE DE LA
VARIABLE | POIDS | NUMERO
|
|
AI_6
|
| -3.31
|
| CHAD=6
|
|
| Changement de dirigeants
|
| 4.00
|
| 1
|
|
AJ_8
|
| -3.05
|
| REDI=8
|
|
| Rémunération des dirigeants
|
| 3.00
|
| 2
|
|
10_
|
| -2.91
|
| reponse
|
manquante
|
| Formation initiale de l'administrateur
|
| 15.00
|
| 3
|
|
AJ_2
|
| -2.90
|
| REDI=2
|
|
| Rémunération des dirigeants
|
| 2.00
|
| 4
|
|
AB_4
|
| -2.75
|
| SEPA=4
|
|
| Séparation des fonctions
|
| 3.00
|
| 5
|
|
AC_5
|
| -2.71
|
| REPR=5
|
|
| Représentation des employés au
conseil
|
| 1.00
|
| 6
|
|
AE_1
|
| -2.71
|
| CEXP=1
|
|
| Partenariat avec un cabinet d'expertise
|
| 1.00
|
| 7
|
|
AF_2
|
| -2.56
|
| PRCC=2
|
|
| Présence de créanciers au
conseil
|
| 3.00
|
| 8
|
|
AI_7
|
| -2.34
|
| CHAD=7
|
|
| Changement de dirigeants
|
| 2.00
|
| 9
|
|
AC_3
|
| -2.24
|
| REPR=3
|
|
| Représentation des employés au
conseil
|
| 3.00
|
| 10
|
|
ZONE CENTRALE
|
|
| 20_ | 2.09 | reponse
|
manquante | Degré de consensus dans la prise de
décision | 21.00 | 105
|
|
| AD_2 | 2.44 | FORM=2
|
| Formation initiale de l'administrateur | 5.00 |
106
|
|
| 16 | 2.55 | reponse
|
manquante | Changement de dirigeants | 16.00 |
107
|
|
_ +
|
|
Source: construction de l'auteur à partir de
SPAD.
Remarquons que contrairement aux variables continues, on parle
plutôt de poids pour apprécier la contribution d'une variable par
rapport à un axe factoriel.
4- Interprétation des axes
Pour identifier la signification du e ième facteur, on
dresse d'abord la liste des variables actives65 dotées d'un
fort coefficient négatif avec cette composante. Puis on s'attache
à définir de façon synthétique ce qui
caractérise les individus qui ont de fortes valeurs pour l' ensemble des
variables recensées.
On procède de la même manière avec les
variables actives possédant un fort coefficient de corrélation
positif avec la composante à interpréter.
Quand il s'agira d'une variable nominale, on s'intéressera
à son poids par rapport au facteur étudié.
Facteur 1
|
Variables actives fortement corrélées avec
l' axe 1
|
|
Coeff. de corrélation négatif
|
Coeff. de corrélation positif
|
|
NADE : -0,38 DURE : -0,4 1
|
ABST : 0,57 VAJO : 0,26
PRCC : 3*
REDI : 3*
CHAD :3*
AMMA : 2*
FORM :4*
|
* Poids de variables qualitatives par rapport à l'axe.
Source: Construction de l'auteur.
En étudiant la liste des variables
corrélées négativement avec le premier axe, on voit que
les entreprises qui ont une coordonnée nettement négative sur
l'axe 1 ont tendance à donner une place moindre aux administrateurs
externes (NADE) dans leurs conseils. La conséquence se fait ressentir
quant à la durée des réunions (DURE) de tels conseils.
65 On oppose les variables actives (individus actifs) aux
variables supplémentaires (individus supplémentaires). En effet,
les secondes ne sont pas prises en compte dans la définition des
facteurs, elles n'interviennent que pour prendre en compte des aspects
indirects pouvant tout de même influencer le phénomène
étudié.
Toutes ces entreprises axe ont manifestement en commun une
composition sousoptimale de leurs conseils
d'administration.
L'examen des coefficients de corrélation positifs
indique que, dans l'ensemble, les entreprises qui ont une forte
coordonnée positive avec l'axe n° 1 tendent à accorder une
importance à une meilleure composition de leurs conseils. Cela est
confirmé par le poids des variables PRCC, CHAD, AMMA et FORM.
Le premier facteur s'avère ainsi marqué par
l'opposition entre une composition sousoptimale et une composition optimale du
conseil d'administration.
Facteur 2
|
Variables actives fortement corrélées avec
l'axe n° 2
|
|
Coeff. de corrélation négatif
|
Coeff. de corrélation positif
|
|
NADE : 0,23 NREC : 0,15 ABST : 0,15
|
Source: construction de l'auteur.
Le facteur deux (2) caractérise les entreprises dont le
fonctionnement des conseils peut être jugé correct. Ce facteur
sera donc relatif au processus du conseil d'administration
donc à son mode de fonctionnement.
Facteur 3 (structure du conseil)
Variables actives fortement corrélées avec
l'axe n° 3
Coeff. de corrélation positif
FORM : 15
Coeff. de corrélation négatif
La structure du conseil d'administration ayant un
impact sur la performance
Au terme des opérations d'interprétation qui
viennent d'être réalisées, il apparaît que l'on peut
résumer l'impact des variables du CA sur la performance des entreprises
publiques camerounaises à travers deux principaux déterminants du
conseil d'administration. Il s'agit de sa composition et de son processus. La
structure (faisant référence aux administrateurs) étant
une composante intermédiaire.
Cette proposition est résumée dans le graphique qui
suit.
Figure IV-3 Représentation des
variables dans le premier plan factoriel
Source: construction de l'auteur à partir de
SPAD.
II-3-5 La lecture des performances via le CA
Il s'agit de mesurer l'impact des variables retenues par notre
analyse des données comme significatives sur les performances des
entreprises de notre échantillon. Nous utiliserons des indicateurs
financier et économique comme mesure de la performance.
1- Spécification du modèle
utilisé
C'est une équation linéaire qui servira à
mettre en exergue la relation variables du CA/performances de l'entreprise.
REACi=N0+N1TCONi+N2NADEi+N3NRECi+N4DUREi+N5IPACi+Pi
[1]
VAJOi=N0+N1TCONi+N2NADEi+N3NRECi+N4DUREi+N5IPAC+Pi
[2]
Le signe positif des coefficients est supposé par la
littérature, les variables d'analyse ont été jugées
prépondérantes par rapport aux autres par une analyse des
données. Une fois le modèle spécifié, nous allons
en estimer les coefficients.
2- Statistiques descriptives
|
Variables
|
Moyenne
|
Médiane
|
Ecart-type
|
Minimum
|
Maximum
|
Nombre d'observations
|
|
TCON
|
10,18
|
11,00
|
2,14
|
6,00
|
14,00
|
33,00
|
|
NADE
|
4,12
|
4,00
|
3,48
|
0,00
|
12,00
|
33,00
|
|
NREC
|
2,21
|
2,00
|
0,60
|
0,00
|
3,00
|
33,00
|
|
DURE
|
172,72
|
180,00
|
59,54
|
60,00
|
240
|
33,00
|
3- Estimation
Elle s'est faite à partir du logiciel EVIEWS 3.1. Les
résultats sont les suivants.
- Equation [1]
Dependent Variable: REAC
Method: Least Squares
Date: 06/24/04 Time: 12:14
Sample: 1 33
Included observations: 33
White Heteroskedasticity-Consistent Standard Errors &
Covariance
|
Variable
|
Coefficient
|
Std. Error t-Statistic
|
Prob.
|
|
C
|
76.33812
|
21.47455 2.914508
|
0.03685
|
|
TCON
|
0.145484
|
0.043899 3.037458
|
0.01704
|
|
NADE
|
-1.773225
|
0.636669 2.783722
|
0.04400
|
|
NREC
|
0.242750
|
0.123718 1.943951
|
0.02653
|
|
DURE
|
0.331567
|
0.271393 1.221722
|
0.02324
|
|
IPAC
|
0.819060
|
0.405964 2.035108
|
0.00723
|
|
R-squared
|
0.623438
|
Mean dependent var
|
13.281 52
|
|
Adjusted R-squared
|
0.538889
|
S.D. dependent var
|
59.771 63
|
|
S.E. of regression
|
60.92276
|
Akaike info criterion
|
11.22006
|
|
Sum squared resid
|
100212.7
|
Schwarz criterion
|
11.49215
|
|
Log likelihood
|
9.1309
|
F-statistic
|
13.76040
|
|
Durbin-Watson stat
|
1.795350
|
Prob(F-statistic)
|
0.058610
|
- Equation [2]
Dependent Variable: VAJO
Method: Least Squares
Date: 06/24/04 Time: 12:43
Sample: 1 33
Included observations: 33
White Heteroskedasticity-Consistent Standard Errors &
Covariance
|
Variable
|
Coefficient
|
Std. Error t-Statistic
|
Prob.
|
|
C
|
1.1009
|
0.390009 2.799964
|
0.04310
|
|
TCON
|
3.3308
|
1.833338 1.83869
|
0.02884
|
|
NADE
|
- 1.8208
|
1.058258 1.71 280
|
0.02939
|
|
NREC
|
6.0372003
|
4.49E+08 2.134385
|
0.08941
|
|
IPAC
|
-1.0909
|
1.04E+09 1.50504
|
0.03032
|
|
DURE
|
2.216480
|
3946918 3.561573
|
0.05792
|
|
REAC
|
2049906
|
2100986 2.975688
|
0.03382
|
|
R-squared
|
0.592917
|
Mean dependent var
|
3.31 E+08
|
|
Adjusted R-squared
|
0.506667
|
S.D. dependent var
|
1 .89E+09
|
|
S.E. of regression
|
1 .88E+09
|
Akaike info criterion
|
45.73764
|
|
Sum squared resid
|
9.23E+19
|
Schwarz criterion
|
46.05508
|
|
Log likelihood
|
747.6710
|
F-statistic
|
11.03579
|
|
Durbin-Watson stat
|
2.305639
|
Prob(F-statistic)
|
0.042500
|
|
|
