Gagne de la cryptomonnaie GRATUITE en 5 clics et aide institut numérique à propager la connaissance universitaire >> CLIQUEZ ICI <<

Section I : PRESENTATION ET ANALYSE DES RESULTATS DU MODELE

Non classé

Il s’agit en effet de présenter les résultats de la régression économétrique de notre modèle de base. Ces résultats sont obtenus avec le logiciel STATA 12 et concernent les données collectées auprès de différentes sources et compilées en un fichier Excel. Nos attentes sont que les résultats de ces estimations corroborent nos développements théoriques et aussi dans une moindre mesure certains résultats des travaux antérieurs sur les déterminants de l’attractivité territoriale des entreprises. La première partie de cette section est ainsi consacrée à la présentation des résultats de l’estimation et la deuxième partie à l’interprétation des résultats de la régression.

I.1- présentation des résultats du modèle

Les résultats de l’estimation du modèle sont présentés dans le tableau suivant :

Tableau 12 : résultat de l’estimation des paramètres du modèle par les MCO.

Résultat de l’estimation des paramètres du modèle par les MCO

Sources : résultats obtenus avec le logiciel STATA 12.

Avant l’interprétation des résultats du modèle, nous allons d’abord vérifier si les hypothèses qui sous-tendent une régression linéaire multiple sont vérifiées. Nous allons à cet effet vérifier les hypothèses d’hétéroscédasticité des perturbations et d’auto corrélation des erreurs.

I.1.1- Vérification des hypothèses de la régression multiple

I.1.1.1- Test d’hétéroscédasticité des résidus

L’identification de l’hétéroscédasticité peut être faite à l’aide de plusieurs tests, par exemple les tests de Breusch-Pagan, test de Goldfeld, test de Gleisjer et test de White. Dans notre étude, nous prenons le test de Breusch-Pagan pour tester l’hétéroscédasticité, le problème du test est le suivant :

• H0 : homoscédasticité
• H1 : hétéroscédasticité

Si la probabilité associée au test est inférieure à α, on rejette l’hypothèse d’homoscédasticité (H0). En revanche, si la probabilité est supérieure à α, l’hypothèse nulle est vérifiée et nous pouvons supposer l’homoscédasticité des résidus. Avec α = 5% = seuil de significativité.

Tableau 13: résultats du test d’hétéroscédasticité (Breusch-Pagan)

Résultats du test d’hétéroscédasticité (Breusch-Pagan)

Sources : résultats obtenus avec le logiciel STATA 12.

Les résultats du test d’hétéroscédasticité montrent que toutes les probabilités associées aux coefficients sont toutes supérieures à 0,05. Donc nous rejetons l’hypothèse H1 d’hétéroscédasticité et supposons l’homoscédasticité des résidus.

I.1.1.2- test d’auto corrélation des erreurs

L’hypothèse de non auto corrélation des résidus est une condition nécessaire pour la validation des résultats de l’estimation par la méthode des MCO. Lorsque les erreurs sont auto corrélées, on utilise un nouvel estimateur : les moindres carrés généralisés (MCG). La détection de la dépendance des erreurs s’effectue en analysant les résidus. Cette analyse peut être faite par le test de Durbin-Watson ou le test de Breusch-Godfrey. Nous utilisons le test statistique de Breusch-Godfrey (1978)(38) pour vérifier l’auto corrélation des erreurs dans notre modèle.

Tableau 14 : test d’auto corrélation des erreurs (Breusch-Godfrey)

Test d’auto corrélation des erreurs (Breusch-Godfrey)

Sources : résultats obtenus avec le logiciel STATA 12.

Avec le test de Breusch-Godfrey, nous constatons que la probabilité associé au test est inférieure à 5% ainsi, nous acceptons l’hypothèse de non corrélation des erreurs, c’est-à-dire que les erreurs sont indépendantes les unes des autres dans notre modèle.

I.1.2- Analyse de la significativité des coefficients du modèle

L’analyse de la significativité du modèle se fera en deux étapes : l’analyse du point de vue de la qualité globale d’une part et celle de la qualité individuelle des coefficients d’autre part. Dans un premier temps, nous allons nous interroger sur la significativité globale du modèle, c’est-à-dire si l’ensemble des variables explicatives ont une influence sur la variable dépendante. Ce test peut être formulé de la manière suivante : existe-t-il au moins une variable explicative significative?

L’appréciation de la qualité globale du modèle se fait avec la statistique de Fischer, qui indique si les variables explicatives ont une influence sur la variable dépendante. Soit le test d’hypothèses suivant :

• H0 : tous les coefficients du modèle sont nuls
• H1 : il existe au moins un coefficient non nul

L’arbitrage se fait par la comparaison de la valeur de la F-statistique estimée à celle tabulée par Fischer. Le logiciel STATA12 fournit automatiquement la probabilité associée à la Fstatistique calculée, ce qui facilite grandement l’analyse. Il suffira donc de comparer la probabilité associée à la F-statistique au seuil de 5% retenu. Dans le cas où la probabilité associée à Fstatistique calculée est inférieur à 5%, alors l’hypothèse H0 sera rejetée au profit de l’hypothèse alternative selon laquelle la régression est globalement significative.

Dans notre cas, la statistique de Fisher calculée par le logiciel STATA 12 est F= 13,53 et la Probabilité associé est inférieure à 5% (0,0275 < 0.05), or la statistique lue dans la table de Fisher à 9 et 3 degrés de liberté au seuil de 5% est de 3,85: donc l’hypothèse nulle est rejetée et le modèle est globalement significatif. Ce résultat est conforme à la valeur de la statistique R2 ajusté (0,9038) qui renseignent aussi sur la qualité du modèle économétrique (R2 tend vers l’unité).

Résultat : le modèle est globalement significatif et de bonne qualité, il y a au moins une variable dans le modèle permettant d’expliquer l’attractivité des entreprises dans la ville de Douala.

Pour se prononcer sur la significativité individuelle des variables, on utilise la statistique de Student directement fournie par STATA 12. Lorsqu’au seuil considéré la valeur de la statistique de Student estimée est supérieure à celle tabulée par Student, alors on retient l’hypothèse de significativité de la variable. Il sera ici utilisé, la probabilité de rejet que fournit le logiciel STATA 12 au seuil retenu.

Les résultats de l’estimation montrent que seulement trois variables sont statistiquement significatives vu la probabilité qui leur est attribuée :

– La variable PADEV est significative au seuil de 5% ;
– La variable STAB est significative au seuil de 10% ;
– La variable TXPLB est significative au seuil de 5% ;

L’étude économétrique ainsi achevée, il convient de passer à l’analyse économique des résultats obtenus.

I.2- Analyse économique des résultats de l’estimation

Nous allons à présent vérifier si les variables explicatives utilisées dans notre modèle ont les signes attendus et faire ressortir leur importance dans le phénomène d’attractivité des entreprises à Douala.

I.2.1- Les signes des variables explicatives

Les signes des différentes variables explicatives de notre fonction d’attractivité sont les suivantes :

– Le signe positif de la variable PADEV est conforme à celui attendu.
– Le signe positif de la variable E_PP est conforme, puisqu’elle indique l’existence d’une plateforme de partenariat public-privé dans la ville de Douala et son influence sur l’attractivité de la ville.
– La variable stabilité politique (STAB) a un signe positif, ce qui est conforme à celui attendu.
– La variable corruption (CORR) a un coefficient dont le signe est négatif, ce qui est conforme à celui escompté. La corruption décourage les investissements et influence négativement l’attractivité territoriale des entreprises.
– Le signe positif de la variable qualité de la réglementation (QUAL) est conforme à celui attendu.
– La variable taux de croissance du produit local brut (TXPLB) a un signe positif, ce qui est conforme à celui attendu.
– La variable produit local brut par habitant (PLB_HAB) a un signe négatif, ce qui est contraire à celui escompté puisqu’on s’attend a ce que cet indice de bonne santé de l’économie influence positivement la localisation des entreprises à Douala.
– Le signe positif de la variable taille du marché (TMAR) est conforme à celui attendu. En effet, plus le territoire constitue un vaste marché de consommation, plus il attire les entreprises.
– Le signe négatif de la variable taux d’alphabétisation (TXALPH) est contraire à la logique, puisque cette variable mesure le niveau de qualification capital humain présent sur le territoire.

I.2.2- Interprétation des variables statistiquement significatives

Les variables statistiquement significatives sont au nombre de trois (03).

– Les résultats de l’estimation montrent que la variable présence d’une agence de développement et autres structures de promotion des entreprises (PADEV) explique l’attractivité des entreprises à Douala. L’impact positif de cet indicateur de la gouvernance locale vient en confirmation de nos développements théoriques et de nos hypothèses.

– Concernant la variable STAB qui mesure la stabilité politique du territoire, elle est corrélée significativement dans le sens de nos attentes. Elle indique que les investisseurs décident de localiser leurs entreprises dans les territoires qui offrent un climat politique stable et de bonnes institutions. Ainsi les économies bénéficiant d’une stabilité politique et à croissance économique stable, ont plus de succès à attirer les entreprises. C’est le cas de la ville de Douala.

– La croissance économique locale est un facteur unanimement cité par les études empiriques comme déterminant de l’attractivité. Le taux de croissance du produit local brut (TXPLB) est un bon indicateur de bonne santé d’une économie. La plupart des études empiriques montrent une relation positive entre le niveau des investissements et le taux de croissance économique. La recherche d’un marché est apparue dans la plupart des tests économétriques, comme l’une des variables les plus significatives déterminant l’attractivité territoriale. Nos résultats sont conformes à ceux des études antérieures. Il y a une relation positive et significative entre la croissance économique locale et l’attractivité des entreprises à Douala.

A partir des résultats obtenus, nous pouvons conclure que la ville de Douala attire les entreprises grâce à plusieurs facteurs dont notamment : le fait de la présence d’une agence de développement et autres structures de promotion des entreprises; la croissance économique locale qui traduit la bonne santé de l’économie locale ; et la stabilité politique.

A la lumière de nos développements empiriques, il ressort que durant les des dix dernières années, les créations d’entreprises ont nettement évoluées dans la ville de Douala. Toutefois, cela nous permet d’envisager qu’au regard de son énorme potentiel (économique, démographique et social) la ville de Douala peut durablement faire face à la concurrence des territoires voisins en matière d’attraction des entreprises à condition qu’elle renforce son attractivité. Ceci dit, quelles sont les pistes de solutions envisageables dans la perspective de renforcement de l’attractivité de la ville de Douala ? Cette question trouvera des éléments de réponses dans la section suivante.

38 Breusch T., (1978), « Testing for autocorrelation in dynamic linear models » Australia Economic Paper, vol 17. Godfrey S.M (1978), “testing for higher order serial correlation in regression equation when the regressions contain lagged dependant variable” Econometrica, vol. 46.

Page suivante : Section II : QUELQUES PERSPECTIVES ENVISAGEABLES POUR LE RENFORCEMENT DE L’ATTRACTIVITE DE LA VILLE DE DOUALA

Retour au menu : GOUVERNANCE LOCALE ET ATTRACTIVITE TERRITORIALE DES ENTREPRISES : CAS DE LA VILLE DE DOUALA