Memoire Online - Lien entre soldes d'opinion et production industrielle: une modélisation VAR de l'enquête de conjoncture dans l'industrie béninoise

L'Afrique est un continent qui dispose aujourd'hui un système d'information statistique et de décision économique peu fiables. Cette carence met en défi devant elle les théories économiques et modèles de développement utilisés fréquemment. Les décisions se prennent et évoluent dans un environnement économique peu rassurant. Cette situation conduit, avec le concours d'autres facteurs, aux échecs retentissants des politiques de développement en Afrique. Pour sortir de cette atmosphère peu favorable au développement, il est important, parmi tant d'autres actions à mener, de doter l'Afrique et particulièrement le Bénin de ressources humaines compétentes et de mesures adéquates pour appréhender les statistiques disponibles et constituer celles manquantes. Face à ce manque crucial, l'Ecole Nationale d'Economie Appliquée (ENEAM) forme depuis bientôt une trentaine d'années des Ingénieurs de Travaux Statistiques (ITS). Dans le cadre de cette formation, il est de coutume à la fin des trois ans d'apprentissage théorique, d'initier les ingénieurs à la réalité pratique du terrain ; c'est ainsi qu'un stage de trois mois est institué à cet effet. Ce stage a pour but de permettre aux élèves ingénieurs qui viennent d'acquérir les outils de base de la statistique et de l'économie, de pouvoir jauger leur niveau de formation théorique tout en confrontant leurs connaissances et aptitudes théoriques aux réalités de la vie professionnelle.

Liste des Tableaux

Sigles et abréviations

EAISA : Evolution de l'Activité Industrielle corrigée de variations saisonnières

RESUME

Cette étude a pour but fondamental d'estimer un modèle VAR sur les questions de l'enquête de conjoncture dans l'industrie béninoise. Les données utilisées ont une périodicité mensuelle et proviennent de la BCEAO. L'étude s'est faite suivant une approche économétrique qui a permis d'établir certaines relations entre les variables de l'enquête connues sous l'appellation de soldes d'opinion et l'Indice de Production Industrielle. Une analyse en composantes principales entre les questions de l'enquête montre que les soldes relatifs aux volumes de production du mois prochain et au volume de vente du mois passé se rapprochent plus de l'IPI dans le plan factoriel. L'étude a donc permis de confronter les soldes d'opinion à l'Indice de Production Industrielle tout en intégrant les variables dans un modèle VAR restreint aux variables susceptibles d'influencer l'évolution de l'IPI a savoir le volume de production du mois prochain et le volume de vente du mois passé. Sur la période étudiée, l'impact sur l'IPI des chocs simulés sur ces variables à partir de l'estimation var est positif pour ce qui est du premier solde et négatif pour le second. Cette modélisation VAR de l'enquête de conjoncture industrielle au Bénin sur la période allant du mois de janvier 2001 au mois de Août 2011 nous a donc permis d'identifier les variables de l'enquête qui améliorent la prévision de la production industrielle. Nous avons par ailleurs noté qu'il faudra accorder une attention particulière au solde relatif au volume de production du mois prochain.

SOMMAIRE

Chapitre 1 : CADRE INSTITUTIONNEL 1.1- Présentation de la structure d'accueil 1.2- Synthèse des problèmes constatés

Chapitre 2 : CADRE THEORIQUE ET METHODOLOGIQUE 2.1- Problématique 2.2- Objectifs et hypothèses de la recherche 2.3- Revue de littérature 2.4- Cadre méthodologique 2.4.1- Données utilisées et période d'estimation et sources documentaires 2.4.2- Présentation de la méthodologie utilisée 2.4.3- Traitement des données

3.1- Analyse descriptive des séries de soldes d'opinion et de l'IPI 3.2- Résultats des estimations 3.3- Vérification des hypothèses et Interprétations économiques

Introduction

Les contraintes d'un Etat soucieux de son développement économique et social sont de plusieurs ordres. En effet, il est nécessaire d'introduire et de mettre en oeuvre les réformes adéquates de façon à rendre plus dynamique le système de production et réduire les effets externes d'une conjoncture qui devient de plus en plus imprévisible. En ce sens, les enquêtes de conjoncture apparaissent comme un dispositif fiable et rapide permettant de disposer d'informations de choix sur la conjoncture ceci dans le but d'analyses plus pointues. Elles sont menées auprès des chefs d'entreprises et des ménages pour déceler l'évolution à court terme de leurs comportements. Ces enquêtes retracent soit l'évolution du passé récent, soit la situation présente non encore connue, soit la situation à venir. Dans les deux derniers cas, on peut considérer que les enquêtes de conjoncture apportent de l'information par rapport au dispositif statistique classique. Seul le dernier cas correspond à de véritables anticipations des agents.

Dans le cadre du suivi de la conjoncture dans le secteur industriel béninois, le Service de l'Information et de l'Analyse Industrielle (SIAI) de la Direction Générale de l'Industrie (DGI) béninoise mène depuis 1999 une enquête de conjoncture industrielle auprès des chefs d'unités de production. Cette enquête se base sur les variables telles que la tendance de la production passée, les perspectives de la production future, la tendance passée et les perspectives futures du chiffre d'affaires, la tendance passée et les perspectives futures de l'emploi, la masse salariale, les matières premières utilisées, etc. La plupart de ces variables retiennent une grande attention dans les chiffres nationaux et servent à observer et même prévoir la situation économique. La réalisation de ces études de conjoncture et par conséquent la mise en place d'un diagnostic conjoncturel exhaustif devient donc capitale pour la prise de décision économique.

Les questions posées portent principalement, pour les entreprises, sur l'activité et pour les ménages, sur le revenu et leur comportement de consommation. Le plus souvent, les questions sont qualitatives, les modalités de réponses étant au nombre de trois (en hausse ou supérieur à la normale, stable ou normal, en baisse ou inférieur à la normale). Les réponses sont présentées sous la forme d'un solde d'opinion représentant la différence entre le pourcentage de personnes qui ont choisi une modalité "supérieure" et le pourcentage de celles qui ont choisi une modalité "inférieure". Il est donc possible à partir de ces soldes d'opinion de faire un portrait général de la situation économique.

Concomitamment aux soldes d'opinion, se calcule l'Indice de Production Industrielle qui est certainement et au vu de tous aujourd'hui l'indicateur par excellence de la santé du secteur industriel. Il parait ainsi nécessaire tout d'abord d'étudier le comportement de ces variables tout en faisant ressortir les différentes relations qui existent entre elles et par ailleurs de faire le lien entre l'IPI et les soldes d'opinion des enquêtes de conjoncture, ceci dans le but d'apporter un complément d'information en matière d'analyse conjoncturelle.

· Le premier chapitre expose la structure d'accueil tout en levant le voile sur les problèmes rencontrés au sein de la structure tout au long du stage d'adéquation pratique ;

· Le deuxième chapitre présente le cadre conceptuel et le cadre méthodologique associés à l'étude ;

· Le troisième quant à lui est consacré à la présentation et à la synthèse des résultats de l'estimation du modèle Vecteur Autorégressif sur les soldes d'opinion de l'enquête ainsi que les résultats de l'analyse VAR portant sur l'Indice de Production Industrielle.

Chapitre 1 : CADRE INSTITUTIONNEL

1.1- Présentation de la structure d'accueil

La Direction Générale de l'Industrie (DGI) est une direction technique du Ministère en charge de l'Industrie. La DGI est subdivisée en deux sous directions que sont la Direction de la Promotion Industrielle (DPI) et la Direction des Etudes et des Stratégies Industrielles (DESI). Le Service de l'Information et de l'Analyse Industrielle (SIAI) de la Direction des Etudes et des Stratégies Industrielles (DESI) nous a accueillis pour notre stage académique. Les attributions, l'organisation et le fonctionnement de la DGI sont précisées par l'arrêté N°0021/MIC/DC/SG/DGI/SA du 26 mars 2007.

1.1.1-Mission et organisation de la DGI

La Direction Générale de l'Industrie a pour mission de proposer la politique de développement industriel en rapport avec les objectifs du Gouvernement et d'initier toute action visant à en assurer la mise en oeuvre. A ce titre, elle est chargée :

1. de promouvoir l'ensemble de l'activité industrielle à travers la conception et la mise en oeuvre des instruments appropriés ;

2. de veiller à l'amélioration continue de l'environnement institutionnel et réglementaire des entreprises industrielles ;

4. de contribuer à l'élaboration et à l'application des textes régionaux ou internationaux en matière d'industrie ;

5. d'assurer de concert avec les autres structures publiques ou privées concernées la fonctionnalité de la zone franche industrielle.

1.1.1.1- Attributions et Organisation de la DESI

1.1.1.1.1- Attributions de la DESI

La Direction des Etudes et des Stratégies Industrielles (DESI) a pour mission de réaliser ou de faire réaliser des études en vue d'élaborer et de mettre en oeuvre des stratégies de développement du secteur industriel. A ce titre, elle est chargée de :

i. suivre l'évolution du tissu industriel national de manière à orienter l'investissement dans le but de la valorisation des matières premières locales ;

iii. d'une émergence de pôles industriels compatibles avec un aménagement rationnel du territoire et de la valorisation des atouts de chaque région ;

iv. d'assurer l'étude des dossiers d'autorisation d'installation des entreprises industrielles ;

v. de formuler des programmes pour le soutien, la création et le développement des petites et moyennes industries ;

vi. de veiller à l'amélioration continue de l'environnement institutionnel et réglementaire des entreprises industrielles ;

vii. de contribuer à l'élaboration et à l'application des textes régionaux ou internationaux en matière d'industrie ;

viii. d'assurer le secrétariat de la commission technique des investissements ;

ix. de suivre la fiscalité intérieure des entreprises industrielles et de faire des propositions de sorte que cette fiscalité contribue à rendre ces entreprises industrielles plus compétitives.

1.1.1.1.2- L'organisation de la DESI

1.1.1.1.2.1- Organisation et fonctionnement du SIAI

Le Système d'Information et d'Analyse Industrielles (SIAI), notre lieu de stage est une réponse à l'absence d'une banque de données fiables sur l'industrie au Bénin. Ce système d'information procède à la compilation des informations disponibles sur le secteur industriel afin d'en tirer les conclusions indispensables à la mise en oeuvre des actions de promotion des activités des diverses branches industrielles. Les objectifs du SIAI sont de trois ordres :

· fournir aux chefs d'entreprises et aux nouveaux investisseurs des outils d'aide à la décision dans les domaines de la gestion, de l'orientation des investissements, du choix des marchés et des technologies, etc...

· permettre aux décideurs de disposer des informations indispensables à l'élaboration d'une politique industrielle cohérente et adaptée aux besoins des entreprises.

· l'édition d'un répertoire des entreprises industrielles au Bénin tous les cinq ans et d'un rapport annuel sur l'évolution du secteur industriel.

· un comité de pilotage qui est l'organe d'orientation, de supervision et de suivi du SIAI. Il donne les grandes orientations aux actions à mener par le SIAI, approuve le programme d'activité du SIAI et évalue les résultats du SIAI ;

· la cellule d'encadrement technique qui apporte au SIAI l'appui technique nécessaire à la mise en oeuvre des actions programmées et est en charge de veiller à la mise en oeuvre des actions du SIAI , assiste l'unité de gestion pour l'élaboration des programmes d'activités, approuve les travaux du SIAI avant leur édition ;

· l'unité de gestion qui exécute tous les travaux nécessaires à la mise en oeuvre des actions du SIAI, assure la gestion courante du SIAI , prépare le programme annuel des opérations ainsi que le bilan des activités à soumettre à l'approbation du comité de pilotage après avis de la cellule d'encadrement technique, élabore tous les documents nécessaires aux délibérations du comité de pilotage, et rend compte périodiquement au comité de pilotage de l'avancement des travaux et de l'exécution du programme d'activité.

Notons que le Service de l'Information et de l'Analyse Industrielle regroupe deux divisions : la Division de la Statistique et de l'Information (DSI) et la Division des Etudes Economiques (DEE).

Le Service de l'Information et de l'Analyse Industrielle a pour mission de suivre l'évolution du tissu industriel national. A ce titre, il est chargé de :

· Collecter, de traiter et d'analyser les informations sur le secteur industriel ;

· faire connaître la réalité du secteur industriel à travers l'élaboration : des répertoires des industries ; des notes de conjoncture industrielle ; des documents d'analyses structurelles ; de toute autre publication pouvant contribuer à l'amélioration de l'environnement des affaires notamment dans ses aspects juridique judiciaire et surtout fiscal ;

· réaliser ou de faire réaliser toutes études visant la promotion du secteur industriel (étude d'opportunités, de filière,....) et permettant aux opérateurs économiques d'optimiser leurs décisions de gestion ou d'investissement.

Notons que d'autres organes travaillent dans le sens du développement de l'industrie au Bénin et à ce titre, le Centre de Formalité des Entreprises (CFE) a été mis en place et installé dans les locaux de la Chambre de Commerce et d'Industrie du Bénin (CCIB). Il s'agit d'une institution fournissant aux entrepreneurs les moyens de créer rapidement une entreprise : cinq jours pour les entreprises individuelles et dix jours pour les sociétés. Pour rapprocher les administrations de leurs usagers, des bureaux du CFE sont installés à plusieurs endroits du territoire national à savoir : CFE central de Cotonou ; Antenne CFE Parakou ; Antenne CFE Abomey ; Antenne CFE Porto-Novo. Ajoutons que la qualité des biens localement produits fait partie des préoccupations de l'Etat et pour cela, l'Agence Béninoise pour la Métrologie et le Contrôle de la Qualité (ABMCQ), le Centre Béninois de Normalisation et de Gestion de la Qualité (CEBENOR) sont installés et visent essentiellement le contrôle de la qualité, l'homologation et la diffusion des normes béninoises sur tous les produits et services.

1.2- Synthèse des problèmes

Comme toute institution, la Direction Générale de l'Industrie se heurte à des difficultés qui ralentissent son élan. Plusieurs problèmes entravent le bon déroulement de ses activités. Les difficultés rencontrées par la DGI sont surtout liées à la disponibilité des moyens nécessaires à l'exécution de sa mission et de ses attributions et sont relatives :

· à l'insuffisance du fonds alloué pour les contrôles industriels et des investissements^1(*).

· Le Système d'Information et d'Analyse Industrielle effectue des enquêtes sur la conjoncture industrielle et une note de conjoncture est réalisée à l'issue des dites enquêtes. Mais après l'année 2008, les problèmes de financement de l'activité empêchent de facto la régularité des enquêtes de conjoncture industrielle, ce qui crée un certain manque d'information pour les acteurs économiques.

· En outre, il est à intégrer aussi parmi la liste des difficultés que les entreprises enquêtées ne sont pas toutes prêtes à révéler les informations exactes sur leur activité. Ainsi l'on assiste le plus souvent à des non-réponses catégoriques. Par ailleurs, ces entreprises industrielles adoptent des comportements similaires dans le but de réprimer la fiscalité.

· Enfin, les études du SIAI sont tournées uniquement vers la conception et l'élaboration des notes de conjoncture trimestrielles alors que les données collectées auprès des industriels peuvent être utilisées à des fins encore plus pointues en matière d'analyses empiriques.

CHAPITRE 2 : Cadre théorique et méthodologique

2.1- Problématique

Depuis l'historique conférence des forces vives de la Nation en février 1990, le Bénin s'est engagé sur la voie du pluralisme politique et du libéralisme économique. L'équilibre politique ainsi retrouvé consolidé par le respect des différentes échéances électorales, devrait faire du Bénin un havre de paix politique, cadre politique propice à l'activité économique.

Mais cette stabilité politique qui n'a pas empêché la mise à nu de la fragilité de l'activité économique nationale a fini par conduire le pays dans une impasse économique sans précédent. Il en est résulté un ralentissement de la production, un fléchissement des investissements productifs, etc. Cette situation de désastre économique est tributaire essentiellement à la faiblesse du tissu industriel béninois. En effet, la contribution du secteur au Produit Intérieur Brut (PIB) est faible et est en moyenne de 13,2% de 1990 à 2011^2(*).

Face à un tel portrait de la situation économique, il était important de mettre en place un dispositif d'analyse conjoncturelle du tissu industriel, ceci dans le but de délivrer un diagnostic fiable et rapide de la situation économique. En ce sens les enquêtes de conjoncture réalisées par les diverses structures (INSAE, DGAE, DGI, BCEAO) ont permis de répondre ne serait-ce qu'en partie à ce défi d'envergure nationale. Ces enquêtes jouent en effet un rôle primordial dans la formulation des politiques économiques, compte tenu notamment de l'importance accrue que l'on confère aux statistiques comme outils d'aide à la décision et de leur impact sur le développement. Elles représentent dorénavant le baromètre de l'économie et sont la base de plusieurs politiques d'envergure nationale en matière d'investissement, de stratégies commerciales, agricole ou d'emploi, de politiques budgétaire ou monétaire^3(*). Ces enquêtes se basent essentiellement sur des questions de type qualitatif touchant des domaines économiques clés de l'activité des entreprises. Dans le domaine industriel, cette enquête se base sur les variables telles que la tendance de la production passée, les perspectives de la production future, la tendance passée et les perspectives futures des chiffres d'affaires, la tendance passée et les perspectives futures de l'emploi, la masse salariale, les matières premières utilisées, etc. afin de suivre la conjoncture dans le secteur industriel.

Les variables qui permettent de mesurer les résultats de ces enquêtes sont analysées à partir de petits indicateurs synthétiques de l'enquête appelés soldes d'opinion. Ces soldes d'opinion ont aujourd'hui une utilité accrue dans le système d'information conjoncturelle puisqu'à partir de ces variables devenues quantitatives, il est possible d'appliquer des modèles d'analyse variés visant à expliquer la dynamique d'une variable par l'évolution d'un certain groupe de variables (les modèles de régression, modèles à correction d'erreur, etc.) les modèles ARMA qui permettent d'aboutir à des fins de prévision. Il est possible également de construire des indicateurs de conjoncture qui apportent une information substantielle à la connaissance du climat de l'activité industrielle. Par ailleurs, on peut également appréhender les changements de régime de l'économie et ce à partir des indicateurs de retournement conjoncturel. Mais, les limites des modèles se révèlent essentiellement en la mesure où ils présentent leur incapacité à endogenéiser les comportements des différentes variables. Outre l'incapacité à mettre en exergue les interdépendances entre plusieurs variables, il permettent d'effectuer des prévisions de l'évolution d'une série chronologique à partir de ses seules valeurs passées sans pour autant tenir compte de l'influence des autres variables du système économique. Il est le plus souvent, difficile d'analyser au moyen de méthodes appropriées la quantité d'information contenue dans ces variables et les interactions affectant le groupe de variables. Par ailleurs, il apparaît nécessaire de faire le lien entre les variables de l'enquête et l'évolution quantitative de la production estimée par l'Indice de Production Industrielle (IPI). L'indice de Production Industrielle est sans doute le meilleur indicateur conjoncturel du secteur industriel et même d'une économie. Il parait donc important de mesurer les relations empiriques qui pourraient exister entre cet indice et les soldes d'opinion. La modélisation VAR apparaît ici comme une formalisation adéquate pour répondre à ces questions méthodologiques puisqu'elle intègre ces limites essentielles. Outre cet apport méthodologique, la modélisation VAR permet de distinguer les variables d'enquête contenant le plus d'information ainsi que celles constituant de réelles anticipations pour l'évolution quantitative de la production et ceci en permettant des simulations sur les variables.

Toute cette nécessité motive l'intérêt que nous portons à cette étude qui s'intitule : « Lien entre soldes d'opinion et IPI : Une Modélisation VAR de l'Enquête de Conjoncture dans l'Industrie Béninoise ».

2.2.-Objectifs et Hypothèses de recherche.

2.2.1- Objectif général.

Cette étude vise essentiellement à modéliser à partir d'un Vecteur Autorégressif les questions de l'enquête de conjoncture dans l'industrie.

2.2.2- Objectifs spécifiques.

L'objectif global énoncé ci-dessus se décline en deux (02) objectifs secondaires à savoir :

· Etudier et simuler les impacts des chocs entre les variables et l'Indice de Production Industrielle.

2.2.3-Hypothèses

Dans le but d'atteindre les objectifs cités ci-dessus, nous avons formulé les hypothèses de recherche suivantes :

Les soldes d'opinion relatifs aux perspectives de production et au volume des ventes du mois passé sont ceux qui influent le plus l'évolution de l'IPI.

Un choc positif sur les perspectives de production contribue à une hausse de la Production Industrielle.

Un choc positif sur le volume de ventes du mois passé contribue à une hausse de la Production Industrielle.

2.3-Revue de Littérature

2.3.1-Les enquêtes de conjoncture

2.3.1.1- Définition, description et caractéristiques de l'enquête de conjoncture.

Il est nécessaire dans le cadre de l'analyse conjoncturelle de disposer d'un système fiable de données, rapidement disponibles sur les différents secteurs de l'économie. Ces informations sont disponibles à court terme grâce aux enquêtes de conjoncture réalisées auprès des chefs d'entreprises. Par définition, une enquête de conjoncture est une enquête par sondage légère et rapide, basée sur des réponses des chefs d'entreprises et conçue pour des fins d'analyse conjoncturelle. Contrairement aux données classiques qui permettent de prévoir à court terme l'activité économique, et dont la mise en oeuvre demande plus de temps, l'enquête de conjoncture permet au conjoncturiste d'obtenir dans un délai relativement plus court une information synthétique du climat économique. Le questionnaire de l'enquête de conjoncture est assez court et explicite ceci dans le souci de disposer d'information à très court terme. L'échantillon comporte des entreprises dont la contribution à la valeur ajoutée du secteur considéré est relativement considérable. L'enquête couvre les trois secteurs de l'économie. Dans le secteur primaire, on considère l'agriculture, l'élevage, la pêche et la forêt. Les sous-secteurs du secteur secondaire comprennent outre les entreprises industrielles, les BTP. Le secteur tertiaire prend en compte le commerce et les services. L'enquête de conjoncture consiste à interroger un échantillon des chefs d'entreprises représentatifs de ces sous-secteurs pour obtenir une série d'informations relatives à la situation passée, présente ou future des principales variables (clés ou indicatrices du secteur) pouvant renseigner le mieux sur l'activité du secteur. Elle fournit des informations aussi qualitatives que quantitatives sur les variables. S'agissant de données quantitatives, on renseigne sur les chiffres d'affaires, l'effectif du personnel ; les données qualitatives quant à elles se portent sur les opinions relatives à l'évolution de l'activité et sont tri-modales ((défavorable, moyen, favorable), (baisse, stagnante, hausse)).

Un avantage de ces enquêtes est qu'elles fournissent généralement des indications de très bonne qualité sur le passé récent. De plus, comme elles sont menées à un niveau sectoriel, elles permettent d'avoir un panorama assez complet et cohérent sur un secteur d'activité. Elles donnent aussi un éclairage sur des domaines ou des secteurs peu couverts ou très tardivement par les statistiques quantitatives. Bien que souples et légères, les enquêtes de conjoncture fournissent des données suffisamment fiables pour indiquer une évolution juste de l'activité du secteur considéré car elles sont recueillies directement auprès des acteurs économiques et disponibles à temps réel. Les informations s'interprètent comme une mesure du climat conjoncturel tel qu'il est perçu par les chefs d'entreprises. Elle a l'avantage de fournir un signal précoce sur l'activité économique. Toutefois, l'enquête présente certaines insuffisances notoires à signaler.

· Le taux de réponses des entreprises n'est pas toujours suffisant pour garantir que les résultats de l'enquête expriment la situation d'ensemble du secteur d'activité.

· Les échantillons d'entreprises sondées ne présentent pas toujours la même taille ou la même composition. En effet, les entreprises interrogées sont sélectionnées selon leurs performances ou selon que leurs chiffres d'affaires deviennent de plus en plus importants dans l'évaluation du secteur d'activité considéré. Autrement dit, les entreprises n'interviennent pas dans la base à partir de la même date et certaines y sont retranchées quand leurs activités commencent par baisser de façon considérable.

· Les non-réponses totales sont simplement ignorées. Ainsi, l'échantillon a postériori n'est pas identique d'une enquête à l'autre. On travaille avec les informations disponibles, ce qui pourrait ne pas refléter la situation effective ou ne pas respecter certains principes de la simple modélisation.

· Les anticipations des chefs d'entreprises peuvent s'écarter, même parfois considérablement, des réalisations. Ceci peut provenir du fait que les perceptions deviennent trop optimistes ou trop pessimistes dans une phase conjoncturelle favorable ou défavorable persistante.

· Les opinions des entreprises sont directement liées au statut de la structure enquêtrice. En effet, les entreprises tendent à sous-évaluer les résultats de leur activité lorsqu'il s'agit de structures gouvernementales, ceci dans le but de réprimer la fiscalité.

Les enquêtes de conjonctures couvrent les domaines mentionnés dans la section précédente. De façon générale, les chefs d'entreprises sont appelés à répondre aux questions relatives aux opinions qui mettent en évidence l'évolution de leur activité, leur perception du climat des affaires. Ces questions portent sur différentes fonctions de leurs activités. Le chiffre d'affaires ou la production de l'entreprise, dans certains cas comme pour l'industrie, donnent une idée de sa performance. Aussi, les informations sur l'emploi, la masse salariale ou la structure de l'emploi renseignent-elles sur la capacité de l'entreprise à créer des emplois ou contribuer à la réduction du chômage. De façon particulière, l'enquête renseigne, pour l'industrie, en plus des informations générales sur l'évolution du stock des produits finis, l'évolution de la demande et des prix, les coûts de production, l'évolution des coûts des matières premières et des commandes. L'enquête de conjoncture constitue ainsi un outil de base de l'analyse conjoncturelle. Elle permet de suivre de façon plus ou moins régulière l'évolution des activités économiques. La prise en compte des soldes d'opinion dans les études conjoncturelles permet d'améliorer la qualité des prévisions. Elle est l'origine d'élaboration de certains documents d'aide à la décision en matière de politique économique.

Pour interpréter les réponses aux enquêtes de conjonctures, on agrège celles-ci sous forme d'indicateurs synthétiques appelés solde d'opinion pour les réponses trichotomiques. Le solde d'opinion est calculé comme la différence entre la proportion d'entreprises qui ont répondu que leur tendance est en hausse et celles pour lesquelles la tendance est en baisse. On néglige donc la proportion d'entreprises pour lesquelles la tendance est déclarée stable.

2.3.1.2- Etudes et thématiques se rapportant à l'analyse des soldes d'opinion

La thématique abordée dans cette étude se rapporte essentiellement aux soldes d'opinion dans l'industrie. Dans cette rubrique littéraire, nous exposerons les utilisations récentes faites des soldes d'opinion et les résultats qui en ont découlés.

Les soldes d'opinion constituent essentiellement des variables agrégées de l'enquête en grande partie de type quantitatif. Les utilisations récentes des soldes d'opinion sont de plusieurs ordres. Il est possible aujourd'hui à partir de ces soldes de dégager une tendance générale de l'activité économique au moyen d'indicateurs avancés de conjoncture. En outre, il est possible d'intégrer les concepts de changement de régime dans la construction d'indicateur de retournement cyclique ceci dans le but d'apprécier les renversements qui sont observés dans la dynamique de certaines variables. Aussi, il est possible d'étudier la dynamique des variables d'enquête et d'analyser les rapports de causalité entre ces variables au moyen d'un Vecteur Autorégressif (VAR). Ceci permet de faire des simulations sur ces variables

2.3.1.2.1- Construction d'indicateur synthétique de conjoncture

Ici, les méthodes de construction sont nombreuses. Nous retiendrons celle qui a fait le plus l'unanimité au vu des débats empiriques. Il s'agit de la méthode Doz et Lenglart.

Catherine DOZ et Fabrice LENGLART ont présenté dans un article publié en 1999, une méthode pouvant permettre de construire un indicateur synthétique à partir des soldes d'opinion issus des enquêtes de conjoncture. Cet indicateur, appelé "facteur commun", a pour objet de résumer en une variable quantitative, l'information relevée par ces enquêtes. La méthode de DOZ et LENGLART repose sur l'hypothèse sous-jacente de l'existence d'une composante commune qui expliquerait la plus grande partie des évolutions de chacune des variables utilisées. Ainsi, chaque variable est considérée comme la somme d'un facteur commun et d'une composante spécifique (propre à cette variable), ces termes étant inobservables. L'estimation du modèle utilisé est généralement réalisée à l'aide de deux méthodes : l'analyse factorielle principale (principal factor analysis) et la méthode du maximum de vraisemblance. Toutefois, en pratique, les deux méthodes sont employées en les combinant. En effet, dans une première étape, l'analyse factorielle principale est utilisée pour choisir un nombre de facteurs qui semble pertinent pour résumer toute l'information contenue dans les variables de départ.

Ce choix, permet de mettre en oeuvre plus facilement la méthode du maximum de vraisemblance, dans la deuxième étape. Un test du rapport de vraisemblance est effectué, afin de vérifier si le nombre de facteurs retenus est correct.

· Cette même méthode a été utilisée par la Banque Centrale des Etats de l'Afrique de l'Ouest (BCEAO) pour construire en mars 2003 un indicateur synthétique d'opinion sur la conjoncture dans la zone UEMOA (Union Economique et Monétaire Ouest Africaine).

· La méthode de DOZ et LENGLART a été appliquée aux données de l'enquête mensuelle d'activité dans l'industrie réalisée par l'Institut National de la Statistique et des Etudes Economiques (INSEE) en France. Les données utilisées sont les réponses à six questions de l'enquête de conjoncture de l'INSEE dans l'industrie sur la période allant de mars 1976 à mars 1997. Ces questions concernent les opinions portant sur la tendance passée de la production ; la tendance prévue de la production; la demande et les carnets de commande globaux ; la demande et les carnets de commande en provenance de l'étranger ; les stocks et les perspectives générales d'activité. L'indicateur ainsi calculé, apparaît comme une sorte de climat général rendant compte de l'information commune contenue dans les différents soldes d'opinion. Il figure depuis juin 2000 dans les notes mensuelles de conjoncture publiées par l'INSEE sous la dénomination d'"indicateur synthétique du climat des affaires". Son évolution est utilisée pour résumer la phase conjoncturelle qui influe sur l'ensemble des soldes d'opinion de l'enquête.

· Par ailleurs, Catherine DOZ, Fabrice LENGLART et Pascal RIVIERE ont utilisé la même méthode pour construire un indicateur équivalent pour la zone euro.

· Enfin, en 2008, Théophile Zinsou a appliqué cette méthodologie pour élaborer un indicateur synthétique de l'activité industrielle béninoise à partir des soldes d'opinion de l'INSAE. Les résultats ont révélé que le facteur commun estimé au cours de cette étude a une évolution assez proche de celle de l'activité économique.

2.3.1.2.2-Les Indicateurs de retournement conjoncturel

La méthode utilisée ici est une méthode de type markovien à variable cachée. Cette méthode a été répandue grâce aux travaux de S. Grégoire et F. Lenglart (1998, 2000). Elle consiste à coder les informations issues des soldes d'opinion, calculer les probabilités filtrées et lissées puis construire l'indicateur de retournement.

· Hélène GUILMEAU-BARON, Guillaume BARON, et Sébastien PETITHUGUENIN (2003) ont construit un indicateur de retournement de conjoncture industrielle dans la Zone Euro, basé sur les données mensuelles des enquêtes européennes de conjoncture dans l'industrie manufacturière. Ces données fournissent un message directement recueilli auprès des acteurs économiques sur l'évolution à court terme de leurs activités. Les informations recueillies portent sur les points suivants : l'évolution de la production dans un passé récent, la tendance de la production de l'entreprise pour les mois à venir, le niveau des carnets de commandes totaux, le niveau des carnets de commandes étrangères, le niveau des stocks de produits finis.

La méthodologie appliquée assimile la phase conjoncturelle en cours à l'état occupé par une variable factorielle non observable dont les transitions d'un état à l'autre sont gérées par une chaîne de Markov. Une simulation dynamique de l'indicateur sur la période récente démontre sa capacité à détecter l'occurrence d'un retournement conjoncturel.

· Par ailleurs, Marie Adonero-Donderis, Olivier Darné et Laurent Ferrara (2007) ont construit, à partir d'un modèle à changements de régime markovien, deux indicateurs probabilistes de retournement cycliques pour l'économie française. Les données utilisées proviennent des enquêtes mensuelles de conjonctures dans l'industrie publiées par la banque de France. L'objectif est de suivre un rythme mensuel de l'activité de l'économie française. Le premier est un indicateur probabiliste du cycle d'accélération (IPCA) destiné à détecter les points de retournement du cycle d'accélération. Le second est un indicateur probabiliste de récession industrielle (IPRI) dont l'objectif est d'estimer l'occurrence d'une période de récession dans le secteur industriel. Par ailleurs, les enquêtes mensuelles de conjoncture exploitées dans cette étude comportent quatorze variables. Par souci de restriction, les auteurs ont utilisé une analyse en composantes principales pour réduire le nombre de variables. Ces séries retenues sont ensuite régressées par un modèle VAR de différents ordres p et suivant le nombre de régimes choisis. Aussi, ces auteurs ont-ils utilisé un modèle à variable markovienne cachée pour saisir les points de retournement conjoncturel. Différents critères ont été appliqués pour déterminer le modèle optimal en fonction du nombre de régime et de l'ordre de régression. Ces deux indicateurs ainsi construits fournissent des informations qualitatives supplémentaires (par rapport aux traditionnels outils quantitatifs d'estimation du taux de croissance du PIB) et se révèlent très utiles et complémentaires pour le diagnostic conjoncturel.

· Dans le cadre du Bénin, Calixte MAHOUGBE a construit en 2009 un indicateur de retournement sur la base des soldes d'opinion à partir d'une modélisation à variable markovienne cachée à trois régimes. Cette modélisation a permis de déterminer les durées de séjour dans un état, les probabilités conditionnelles de transition d'un état vers un autre, les probabilités que la conjoncture soit dans un état donné à une date t. Dans l'exercice de suivi et d'analyse conjoncturelle de la direction de la prévision, cet indicateur vient renforcer le dispositif d'instruments conviés à cette tâche.

2.3.1.2.3-Les applications VAR sur les soldes d'opinion

En Décembre 1996, un modèle VAR est appliqué par Marie REYNAUD et Sylvie SCHERRER sur les questions de l'enquête mensuelle de conjoncture de l'industrie réalisée par l'INSEE. Des tests de causalité ont été menés dans le cadre d'un modèle VAR retenant comme variables l'évolution trimestrielle de la production manufacturière des comptes trimestriels et toutes les questions de l'enquête mensuelle, hormis celles sur les carnets étrangers et les prix. Ils ont fait ressortir le rôle prépondérant de deux variables d'enquête, les perspectives personnelles de production et l'opinion relative à la production passée. Ces deux variables fournissent l'essentiel de l'information de l'enquête pertinente pour améliorer la prévision de l'évolution de la production industrielle. D'une part, les perspectives personnelles d'activité améliorent la prévision de l'évolution de la production du trimestre suivant. D'autre part, l'opinion exprimée par les industriels à propos de la tendance passée de leur activité lors du trimestre T apporte une aide à la prévision de la production de ce trimestre. Contrairement à une idée naturelle, les carnets de commande et les stocks ne permettent pas d'anticiper les perspectives personnelles d'activité. Un modèle VAR restreint à ces deux soldes d'opinion de l'enquête mensuelle et à l'évolution de la production a donc pu être estimé sans perte notable d'information tout en présentant plus de robustesse qu'un VAR où le nombre de variables prises en compte est plus important. Les chocs sur les innovations des variables ont un effet persistant jusqu'à cinq trimestres, même si l'information apportée par les enquêtes concerne surtout le trimestre courant et le suivant. La prévision de l'évolution de la production du trimestre courant est fondée sur le passé de toutes les variables et le présent du solde relatif à la production passée. Il apparaît ainsi que, pour le trimestre courant, la prévision fournie par le VAR est très proche de celle de l'étalonnage utilisé. La prévision de la production du trimestre suivant repose sur le passé de toutes les variables, les perspectives personnelles d'activité apportant une aide prépondérante, comme les tests de causalité le montrent. Les prévisions des trimestres ultérieurs sont fondées sur les effets retardés des innovations apparues au trimestre courant. Pour une période donnée, il est ainsi possible d'effectuer des prévisions successives fondées à chaque fois sur une information supplémentaire. On dispose ainsi d'une suite de cinq prévisions pour chaque trimestre.

2.4-Cadre méthodologique

2.4.1-Données utilisées, période d'estimation et Sources documentaires

Les enquêtes de conjoncture du SIAI ont commencé depuis 1999 mais la première note de conjoncture a été publiée en 2002 pour le compte de l'année 2001. Cette première édition et toutes celles qui l'ont suivie étaient semestrielles. Par ailleurs, l'édition de la note de conjoncture a connu une rupture en 2005 pour ne reprendre qu'en 2007. Aussi, est-il important de souligner que les travaux d'élaboration des notes de conjoncture étaient confiés à un cabinet sélectionné par appel d'offres ; ce qui fait que le SIAI ne dispose pratiquement pas d'une base de données digne du nom sur les enquêtes de conjoncture industrielles. Tout ceci nous a obligés à utiliser, dans le cadre de notre mémoire, la base construite par la Banque Centrale des Etats de l'Afrique de l'Ouest. L'Institut National de la Statistique et de l'Analyse Economique calcule aussi en effet des soldes d'opinion. Etant la structure habilitée à traiter les données sur l'économie béninoise, elle réalise également des enquêtes de conjoncture industrielle auprès des chefs d'entreprises afin de disposer des données fiables sur l'évolution du secteur industriel. Mais les mêmes difficultés que présente l'utilisation de la base de données du SIAI ont été observées au niveau de celle de l'INSAE.

Les séries de soldes d'opinion couvrent essentiellement une période de 174 mois allant de Janvier 1997 à Octobre 2011. La série de l'indice de production industrielle quant à elle couvre une période de 129 mois allant de Janvier 2001 à Septembre 2011. Compte tenu des contraintes observées sur les différentes variables et de la nécessité d'effectuer les estimations sur des variables observées sur la même période, nous avons retenu comme période d'estimation la plage temporelle allant du mois de Janvier 2001 au mois d'Août 2011.

La recherche documentaire effectuée a permis de regrouper toute la littérature se rapportant à notre thème. Les données collectées sont essentiellement relatives aux soldes d'opinion des enquêtes de conjoncture et de l'IPI. A cet effet, les principales sources ci-après ont été identifiées :

· Les centres de recherche et de documentation (ENEAM, BCEAO, CCF) pour toutes informations spécifiques relatives à la question ;

· L'outil internet, pour l'accès à certains documents de recherche présentés dans les références bibliographiques.

2.4.2- Présentation de la Méthodologie utilisée

La méthodologie utilisée ici consistera à effectuer tout au préalable une analyse en composantes principales (ACP) dont le but essentiel sera de faire ressortir au moyen de la représentation des variables dans le plan factoriel et des coefficients de corrélation entre les séries les liens les plus intéressants entre les variables et l'Indice de Production Industrielle. Les variables qui se dégageront de cette analyse seront alors intégrées dans un modèle VAR qui permettra d'étudier les impacts des chocs entre ces variables et l'IPI.

2.4.2.1- L'Analyse en Composantes Principales (ACP)

L'Analyse en Composantes Principales (ACP) est une méthode exploratoire dans la mesure où elle recherche à détecter d'éventuelles structures latentes dans un jeu de données. En d'autres termes, cette méthode vise à dégager des relations de ressemblance ou de différence intéressantes entre les variables. L'ACP accorde la même importance à l'ensemble des variables, c'est-à-dire qu'il n'y a pas de variables dépendantes et indépendantes comme dans une analyse confirmatoire qui vise plutôt la modélisation des données. L'ACP fait partie de la famille des méthodes factorielles. Dans la recherche des structures latentes, l'ACP opte pour une simplification de la représentation graphique des données. Le moyen utilisé pour ce faire est de construire des axes factoriels qui vont définir un espace de dimensions réduites. Chaque axe est une combinaison linéaire des variables et doit répondre à deux conditions :

· Les axes doivent être orthogonaux entre eux et le premier axe doit décrire le maximum de l'information contenue dans les données ;

· le second, le maximum de l'information restante, etc. C'est ce qu'on appelle la condition d'optimisation.

L'Analyse en Composantes Principales utilisée dans le cadre de cette étude, permet de détecter les corrélations entre les variables et de réduire celles superflues. Le choix de cette méthode factorielle s'est fait en fonction de la nature des données. L'Analyse en Composantes Principales s'adresse à des données continues, l'Analyse Factorielle des Correspondances est utilisée pour des tableaux croisant deux variables nominales et l'Analyse des Correspondances Multiples permet d'analyser des tableaux de contingence contenant un nombre élevé de variables nominales, généralement des réponses à des questions d'enquête. L'ACP est effectué à l'aide du logiciel SPAD. Les variables utilisées dans ce contexte sont au nombre de huit. Il s'agit des opinions recueillies sur :

2.4.2.2- Démarche de la Modélisation VAR.

La réalisation de la modélisation VAR nécessite des démarches minutieuses et cohérentes. Pour cette analyse, la démarche méthodologie retenue est celle adoptée par bon nombre de chercheurs. Elle comporte les étapes suivantes :

· La saisonnalité et la stationnarité : les variables qui rentrent dans la modélisation VAR doivent être corrigées de variations saisonnières dans le cas où elles sont de périodicité infra-annuelle. Elles doivent être par ailleurs stationnaires, c'est pour cela que cette étape est nécessaire;

· Détermination de l'ordre et estimation du VAR: à cette étape, les critères de décision de l'ordre du modèle interviennent ; il s'agit de l'AIC et du SC

· Les différents tests de validation sur les résidus : il s'agit du test de normalité des résidus, de bruit blanc et d'autocorrélation des résidus ;

· L'analyse des différents chocs : pour analyser les chocs induits dans le modèle, on utilise généralement les coefficients des variables, la fonction de réponses impulsionnelles et la décomposition de la variance ;

2.4.2.2.1- Etude de la saisonnalité

Un préalable avant l'étude de la stationnarité des séries chronologiques est celle de la saisonnalité. En effet, il est nécessaire de corriger les séries de type infra-annuelle des variations saisonnières avant de les étudier. La dessaisonalisation se fera ici à partir de la Méthode des Moyennes Mobiles (MAM) à partir du logiciel Eviews 5.0. Dans la littérature, il existe généralement trois (03) types de modèle visant à décrire la saisonnalité:

2.4.2.2.1.1- Le test de Buys-Ballot

Le test de Buys-Ballot est fondé sur les méthodes analytiques prenant en compte le calcul des moyennes

et les écarts types

pour chaque période (année).

Pour ces paires d'observations

, nous estimons par la méthode des MCO les paramètres a et b de l'équation

. Si le coefficient

n'est pas significativement différent de 0 (test de Student) alors on accepte l'hypothèse d'un schéma additif ; dans le cas contraire, nous retenons un schéma multiplicatif.

2.4.2.2.2-Etude de la stationnarité

2.4.2.2.2.1- Le Test de Dickey-Fuller Augmenté

Les données de l'étude sont des séries temporelles. On est donc amené à étudier leurs caractéristiques stochastiques afin de déterminer si elles sont stationnaires ou non. Par définition une série temporelle est stationnaire lorsque sa moyenne et sa variance sont des constantes dans le temps et si la valeur de la covariance entre deux périodes de temps ne dépend que de la distance ou écart entre ces deux périodes et non pas du moment auquel la covariance est calculée. Plus précisément, il s'agit de faire le test de racine unitaire sur ces séries. Pour cela, on effectuera le test amélioré de Dickey Fuller. Ce test permet, non seulement de détecter l'existence d'une tendance (test de racine unitaire), mais aussi de déterminer la meilleure manière de rendre stationnaire une chronique.

La mise en oeuvre de ce test (Dickey Fuller Augmenté) passe par l'estimation MCO des trois modèles de base que sont :

Dans ces trois modèles, å_t est l'erreur à l'instant t, X_t est la valeur de la série à la période t et å_t~BB (0,

)

On teste alors l'hypothèse nulle H_o contre l'hypothèse alternative H₁ en se référant aux valeurs tabulées par l'ADF. Les hypothèses du test sont formulées comme suit :

· si la valeur calculée de la t-statistique associée à ë est inférieure à la valeur critique tabulée, on rejette l'hypothèse nulle de racine unitaire : la série étudiée est donc stationnaire ;

· si la valeur calculée de la t-statistique associée à ë est supérieure à la valeur critique tabulée, on ne rejette pas l'hypothèse nulle de non stationnarité.

Il convient en effet d'appliquer le test de Dickey-Fuller sur un des trois modèles. Pour cela, on adopte une approche séquentielle en trois étapes.

On estime le modèle 3. On commence par tester la significativité de la tendance en se référant aux tables de l'ADF. Deux cas peuvent se présenter :

*si la tendance est significative, on teste l'hypothèse nulle de racine unitaire en comparant la t-statistique de ë aux autres valeurs tabulées par l'ADF. On a deux possibilités :

· si l'on ne rejette pas l'hypothèse nulle, X_t est non stationnaire. Dans ce cas, il faut la différencier et recommencer la procédure de test sur la série en différence première ;

· si l'on rejette l'hypothèse nulle, X_t est stationnaire en trend. Dans ce cas, la procédure de test s'arrête et l'on peut travailler sur la série X_t(mais en enlevant le trend).

Cette étape ne doit être appliquée que si la tendance dans le modèle précédent n'est pas significative. On estime le modèle 2 et on commence par tester la significativité de la constante :

*si la constance est significative, on teste l'hypothèse nulle de racine unitaire :

· si l'on ne rejette pas l'hypothèse nulle, X_t est non stationnaire. Dans ce cas, il faut le différencier et recommencer la procédure du test sur la série en différence première ;

· si l'on rejette l'hypothèse nulle, X_test stationnaire et la procédure de test s'arrête. On peut alors travailler directement sur la série traitée.

Celle-ci ne doit être abordée que si la constante dans le modèle précédent n'est pas significative. On estime alors le modèle 1 et on teste l'hypothèse nulle de racine unitaire en utilisant les valeurs critiques :

*si l'on ne rejette pas l'hypothèse nulle, X_test non stationnaire ; il faut donc la différencier et tester la stationnarité de la série en différence première ;

*si l'on rejette l'hypothèse nulle, la série est donc stationnaire et la procédure de test s'arrête.

2.4.2.2.3- Spécification du Modèle

2.4.2.2.3.1- Ordre optimal et estimation du var

2.4.2.2.4- Validation du modèle

La validation du modèle se fera par la réalisation du test de diagnostic sur les résidus. On distinguera essentiellement trois tests : le test d'autocorrélation des erreurs de Breush-Godfrey, le test d'homoscédasticité de White et le test de normalité de Jarque-Bera.

2.4.2.2.4.1- Test d'auto corrélation des erreurs

Il s'agit de tester si l'erreur à un instant (t) a d'influence sur l'erreur des autres instants ou encore si l'erreur est indépendante d'une période à une autre.

Le test de Breusch-Godfrey est réalisé dans le cas d'espèce. La statistique de Breusch-Godfrey donnée par BG =n*R² suit une loi de Khi-deux à p degrés de liberté avec :

L'hypothèse de non corrélation des erreurs est acceptée si la probabilité est supérieure au seuil critique de 5% ou si n*R²<Khi-deux lu.

2.4.2.2.4.2- Test d'hétéroscédasticité des erreurs

Il est utilisé pour tester la constance de la variance de l'erreur dans le temps. Ce test permet de mesurer le risque de l'amplitude de l'erreur quelle que soit la période. Les erreurs sont hétéroscédastiques si la probabilité est inférieure au seuil critique de 5%. Rappelons que le test utilisé est celui de White.

2.4.2.2.2.3- Test de normalité des erreurs

La statistique de J-B est définit par : J-B = n [s²/6 + (k-3)²/24], où s représente le coefficient de dissymétrie (Skewness) et k le coefficient d'aplatissement (Kurtosis).

J-B suit sous l'hypothèse de normalité une loi de Khi-deux à 2 degrés de liberté. On accepte au seuil de 5% l'hypothèse de normalité si J-B< 5,99 ou si Probability > 0,05.

2.4.2.2.5- Analyse des chocs

Lorsque le modèle VAR est estimé, il est important d'étudier les chocs afin de mesurer l'impact de la variation d'une innovation (résidus) sur les variables. Ces innovations sont recueillies après estimation du modèle VAR. Juste après, on estime les fonctions de réponses impulsionnelles et on analyse la qualité des effets (positif ou négatif) sur l'IPI suite à un choc positif ou négatif sur une des autres variables. Après cette analyse des impulsions il est aussi utile de faire une décomposition de la variance de l'erreur de prévision de l'IPI pour étudier la sensibilité des autres variables par rapport à l'IPI.

2.4.3-Traitement des données

2.4.3.1- Résultats de l'Analyse en Composantes Principales (ACP)

L'Analyse en Composantes Principales (ACP) est une méthode d'analyse des tableaux de données du type individus X variables dans le cas où toutes les variables sont numériques et très hétérogènes. Cette technique consiste à réduire en un petit nombre de variables appelées composantes principales, non corrélées entre elles et résumant aussi bien que possible les données initiales. L'ACP utilisée dans le cadre de cette étude, a permis de réduire les variables superflues tout en détectant les meilleures corrélations entre l'IPI et celles-ci.

Le cercle de corrélation montre que les soldes d'opinion relatifs au volume de la production du mois prochain et au volume des ventes du mois passé sont ceux qui se rapprochent le plus de l'Indice de Production Industrielle dans le plan factoriel. Par ailleurs, la matrice de corrélation entre les variables (annexe1) permet de constater que ces variables, en plus du volume de la production courante présentent les meilleurs liens de corrélation avec l'IPI. Nous retiendrons donc essentiellement dans le cadre de l'étude économétrique les trois variables ci-après : le volume de production du mois prochain (VPMP) que nous pourrons également appelé perspectives personnelles de production, l'Indice de Production Industrielle (IPI) et le Volume de ventes du mois passé (VVMP). Notre première hypothèse est donc par ailleurs validée.

2.4.3.2- Saisonnalité et Ordre d'intégration des séries

2.4.3.2.1- Schéma de décomposition des séries

Le tableau 1 ci-dessous présente le résultat du test de Buys-Ballot pour les sept variables au risque de 5%. Les résultats complets se trouvent en annexe2.

A partir de la méthode des Moyennes Mobiles dans Eviews, nous avons extrait les séries corrigées de variations saisonnières.

2.4.3.2.2- Stationnarité

Les tests de Dickey Fuller augmenté effectués sur trois séries révèlent les résultats suivants :

· Quant à la variable IPI, elle est stationnaire avec tendance, donc nous avons recueilli les résidus d'un modèle de régression MCO de la série sur sa tendance sur lesquels nous avons procédé à nouveau au test d'ADF.

· En ce qui concerne la variable VPMP, elle a été différenciée et rendue de la sorte stationnaire.

Où IPI_t^r représentent la série des résidus de la régression. Les résultats de cette estimation MCO sont en annexe 2.

L'estimation du modèle 3 d'ADF sur la série des résidus révèlent que la tendance n'est pas significative. De même l'estimation du modèle 2 révèle que la constante n'est pas significative. Il faut donc estimer le modèle 1. A ce stade, il ne reste plus qu'à effectuer le test de racine unitaire pour vérifier si IPI_t^rest stationnaire. Les résultats de ce test (cf. annexe2) révèlent que la série des résidus est stationnaire. La procédure s'arrête donc à ce niveau et nous pouvons utiliser dans la suite la série IPI_t^r.

Les séries à utiliser désormais sont : VVMPSA, IPI^r, DVPMPSA. Nous avons résumé les résultats des tests de stationnarité de Dickey Fuller par le tableau présenté en annexe2.

Chapitre 3 : PRESENTATION ET ANALYSE DES RESULTATS

3.1- Analyse descriptive des séries de soldes d'opinion et de l'IPI

3.1.1-L'indice de Production Industrielle

L'indice de Production Industrielle est un indicateur synthétique de l'activité industrielle. Cet indice permet de suivre le cours de la production industrielle et d'en identifier les fluctuations à la baisse ou à la hausse. Les fluctuations sont approchées en glissement et interprétées comme baromètre de l'activité économique^4(*). Il permet, à partir d'informations récentes, de faire des projections dans un délai de six mois environ. Ici, nous allons accorder une attention particulière à l'analyse de l'IPI et l'évolution de l'IPI sera confrontée aux soldes d'opinion de l'enquête de conjoncture pour essayer de saisir l'information que contiennent ces dernières. L'analyse graphique révèle que la série de l'IPI est très fluctuante.

3.1.2- Corrélation entre les soldes d'opinion et l'Indice de Production Industrielle.

Les questions généralement posées dans les enquêtes de conjoncture font appel pour la plupart du temps à des réponses qualitatives à trois modalités. Il s'agit par exemple de la qualification ou de l'appréhension d'une évolution en hausse, stable ou en baisse. Ces réponses qualitatives sont synthétisées en séries quantitatives de soldes d'opinion qui représentent la différence entre le pourcentage de réponses à la modalité « en hausse » et le pourcentage de réponses à la modalité « en baisse ». Cet indicateur a la caractéristique d'être simple et permet de suivre au cours du temps l'évolution du jugement que portent les entrepreneurs (et/ou les ménages) sur la conjoncture économique. Les graphiques suivants présentent les évolutions croisées entre l'IPI et les deux autres variables et permettent de ce fait d'appréhender visuellement les liens de corrélation. On remarque essentiellement que lorsque la courbe du volume de production du mois prochain monte, celle de l'IPI monte aussi. Dans le cas du volume de ventes du mois passé, on peut postuler sur une corrélation en sens inverse entre les deux séries, puisqu'en grande partie, les pics de l'une des séries correspondent à des creux au niveau de la seconde série. Ces résultats seront confirmés par les analyses économétriques.

Graphique 3: Evolution croisée de l'IPI et du solde relatif au volume de production du mois prochain.

Graphique 4 : Evolution croisée de l'IPI et du solde relatif au volume de ventes du mois passé.

3.2-Résultats des estimations

3.2.1-Estimation du VAR

3.2.1.1-Ordre optimal et estimation

Ici nous utiliserons essentiellement les deux critères pour déterminer le nombre de retards optimal à savoir le critère d'AKAIKE et de Schwarz. Le choix de l'ordre optimal ici n'est pas aisé en ce sens que les deux critères ne suivent pas une même chronologie. Cependant, il est possible de trancher sur cette question en examinant la significativité des coefficients estimés. Le nombre de retards optimal ici est de 3 si on prend en compte toutes ces considérations :

Tableau 2 : Critères d'Informations AKAIKE et SCHWARZ pour l'estimation de VAR à 3variables.

Nous pouvons donc estimer le VAR sur les trois variables. Les résultats de cette estimation sont résumés par le tableau suivant:

	DVPMPSA	IPI_r	VVMPSA
DVPMPSA (-1)	-0,657713	0,028692	0,049514
Standard errors	-0,09231	-0,05024	-0,11846
T-statistics	[-7,12476]	[0,57107]	[0,41797]
DVPMPSA (-2)	-0,328813	0,071776	0,033423
Standard errors	-0,10452	-0,05689	-0,13413
T-statistics	[-3,14589]	[1,26172]	[0,24919]
DVPMPSA (-3)	-0,128531	0,127392	0,095341
Standard errors	-0,08695	-0,04732	-0,11158
T-statistics	[-1,47827]	[2,69201]	[0,85448]
IPI_r(-1)	-0,23564	0,513588	0,424023
Standard errors	-0,17213	-0,09368	-0,22088
T-statistics	[-1,36901]	[5,48225]	[1,91966]
IPI_r (-2)	-0,238945	0,060012	-0,392737
Standard errors	-0,20063	-0,1092	-0,25746
T-statistics	[-1,19098]	[0,54959]	[-1,52541]
IPI_r(-3)	0,234324	-0,070408	0,039737
Standard errors	-0,17857	-0,09719	-0,22916
T-statistics	[1,31219]	[-0,72442]	[0,17340]
VVMPSA (-1)	0,029845	-0,038876	0,305817
Standard errors	-0,07622	-0,04149	-0,09782
T-statistics	[0,39154]	[-0,93707]	[3,12640]
VVMPSA (-2)	-0,098755	-0,006774	-0,116753
Standard errors	-0,07811	-0,04251	-0,10024
T-statistics	[-1,26429]	[-0,15934]	[-1,16476]
VVMPSA (-3)	-0,102055	-0,022073	-0,062226
Standard errors	-0,07564	-0,04117	-0,09706
T-statistics	[-1,34929]	[-0,53619]	[-0,64110]
C	2,050453	1,1584	8,444506
Standard errors	-2,92631	-1,59269	-3,75526
T-statistics	[0,70070]	[0,72732]	[2,24871]
R-squared	0,369031	0,323179	0,162541
Adj, R-squared	0,319218	0,269746	0,096426
Sum sq, resids	109038,2	32299,92	179564,3
S, E, equation	30,92694	16,83249	39,68785
F-statistic	7,408279	6,048274	2,458458
Log likelihood	-596,2571	-520,8258	-627,1848
Akaike AIC	9,77834	8,561706	10,27717
Schwarz SC	10,00578	8,789148	10,50462
Mean dependent	0,599005	0,937394	9,447348
S, D, dependent	37,48287	19,69751	41,75185
Determinant resid covariance (dof adj,)	3,58E+08
Determinant resid covariance	2,78E+08
Log likelihood	-1733,324
Akaike information criterion	28,44071
Schwarz criterion	29,12304

Les résultats de l'estimation du vecteur autorégressif d'ordre trois montrent que les signes des coefficients sont positifs entre l'IPI et les perspectives de production. Ils sont par contre négatifs entre l'IPI et le volume de ventes du mois passé. Ces résultats confirment les observations faites à partir de l'analyse visuelle.

3.2.2- Validation du modèle

Dans cette partie, les résidus issus de l'estimation du modèle VAR ont été testés dans le cadre de la validation du modèle. Ce tableau résume les résultats de ces tests sur les trois équations du modèle.

· En effet, pour ce qui est de test de normalité des résidus, les statistiques de J-B relative aux erreurs du modèle var sont respectivement égales à 0,41 ; 2,12 ; 4,67 pour les variables VPMP, IPI, VVMP. Ces valeurs sont toutes inférieures à 5,99 et les probabilités associées sont toutes supérieures à 5%. Les erreurs sont donc normalement distribuées.

· Le test d'homoscédasticité de White révèle que les erreurs sont homoscédastiques puisque les probabilités associées sont toutes supérieures au seuil de 5%.

· Enfin, en ce qui concerne l'autocorrélation entre les erreurs, le test de Breush-Godfrey révèle que tous les résidus sont non autocorrélés. Les probabilités associées sont égales à 0,09 ; 0,22 ; 0,12 et sont toutes supérieures à 5%.

3.2.3-Etude des chocs

Cette partie aborde l'étude des fonctions de réponses impulsionnelles en s'intéressant aux différents impacts de chocs qui se remarquent sur les variables. Pour chaque variable, le choc est égal à l'écart-type de ses erreurs. L'horizon temporel des réponses est fixé à dix mois dans le cas de données mensuelles, cet horizon représente le délai nécessaire pour que les variables retrouvent leur niveau de long terme^5(*). Elle s'intéresse aussi particulièrement au degré de sensibilité de l'Indice de Production Industrielle aux chocs effectués sur les perspectives de production et sur le volume de ventes du mois passé par l'analyse de la décomposition de la variance des erreurs. La décomposition de la variance de l'erreur de prévision a pour objectif de calculer pour chacune des innovations sa contribution à la variance de l'erreur totale en pourcentage.

Lorsqu'une innovation explique une part importante de la variance de l'erreur, on en déduit que l'économie étudiée est très sensible aux chocs affectant cette série^6(*).

3.2.3.1-Etude des fonctions de réponses impulsionnelles.

La matrice ci-dessus nous permet de connaître l'ampleur du choc et de la quantifier. Comme nous l'avons dit plus haut, le choc est d'amplitude égale à l'écart-type des erreurs de la série « choquée ». Les graphiques ci-dessous extraits d'Eviews 5.0 permettent de faire les interprétations qui suivent :

· Un choc positif des valeurs passées de l'IPI d'amplitude 16,83 produit un effet positif sur la valeur courante de l'IPI jusqu'au cinquième mois, mois à partir duquel la variable en s'amortissant retrouve son niveau de long terme.

· Un choc positif d'amplitude 30,82 des perspectives de production a un effet positif sur la valeur courante de l'Indice de Production Industrielle jusqu'au cinquième mois. Dès lors, l'effet est négatif et commence à se stabiliser.

· Un choc positif d'amplitude 39,68 sur le volume des ventes du mois passé induit un effet négatif sur l'IPI et ceci jusqu'au huitième mois où l'effet commence à se stabiliser. Ces résultats permettent de valider l'hypothèse 2 et d'infirmer l'hypothèse 3.

3.2.3.2-Décomposition de la variance

Les résultats de la décomposition de la variance indiquent que la variance de l'erreur de prévision de l'Indice de Production Industrielle est due à 85,0% de ses propres innovations, 13% en moyenne de celles des perspectives de Production et à 2% seulement de celles du volume de ventes du mois passé. Ces résultats confortent ceux que nous avons obtenus à partir des fonctions de réponses impulsionnelles. On peut donc constater que les perspectives de production des industriels révélées dans les soldes d'opinion ont une grande influence sur l'évolution quantitative de la production. Le tableau suivant résume les résultats de la décomposition de la variance.

Période	SE	DVPMPSA	IPI_r	VVMPSA
1	30,92694	8,385043	91,61496	0
2	37,67153	9,0223	90,3736	0,604103
3	38,03253	10,65684	88,26923	1,073928
4	38,22019	13,29983	84,959	1,741174
5	38,2751	13,46851	84,49073	2,040758
6	38,30586	13,44468	84,26696	2,288358
7	38,32995	13,46115	84,19616	2,342691
8	38,33259	13,46065	84,19429	2,345056
9	38,3344	13,45828	84,1895	2,352221
10	38,33545	13,46413	84,18243	2,353439
Moy		12,83827	85,12764	2,034092

3.3-Vérification des hypothèses et interprétations économiques

3.3.1- Vérification des hypothèses

RECAPITULATIF

3.3.2- Analyses et Interprétations économiques

La présente étude a permis de faire une modélisation des soldes d'opinion dans l'industrie béninoise. Par ailleurs, ces petits indicateurs de conjoncture appelés soldes d'opinion ont été confrontés à l'Indice de Production Industrielle ceci dans le but de comprendre les relations qui s'établissent entre les opinions des industriels et l'évolution quantitative de la production et aussi dans le but de connaitre les variables qui influencent le plus la prévision de l'Indice de Production Industrielle.

Nous avons identifié le rôle prépondérant de deux variables particulières : il s'agit des soldes relatifs au volume des ventes du mois passé et aux perspectives de production (volume de production du mois prochain) des industriels. Ceci est vérifié logiquement puisque par rapport aux autres soldes d'opinion, ces deux variables sont directement liées à l'activité même de production. En effet, les variables restantes sont plus relatives à l'activité en général et les agents enquêtés présentent forcément des difficultés à donner des réponses fiables à ces questions. Le cercle de corrélation et la matrice de corrélation résultant de l'ACP nous révèlent que les carnets de commandes et les stocks influent très faiblement la production industrielle. Par ailleurs, les questions relatives à l'activité du mois passé ainsi qu'à l'évolution de l'activité industrielle sont plus ou moins vagues. Les réponses à ces questions perdent ainsi de leur fiabilité. Par exemple, il arrive au cours des dépouillements statistiques de constater qu'une même entreprise qui affirme que son activité du mois passé est bonne affirme aussi que son chiffre d'affaires du mois passé a été mauvais. Ces réponses sont paradoxales et ne se prêtent pas à des analyses pertinentes. Notons aussi que les questions relatives aux variables qui ont une meilleure influence sur l'IPI (perspectives de production, volume de ventes du mois passé, volume de la production courante) au regard du cercle de corrélation présentent une plus grande précision. En effet, il sera par exemple plus aisé à une entreprise de répondre à la question relative à son volume de production courante qu'à celle relative à l'évolution de l'activité industrielle. La non fiabilité des réponses des enquêtés explique donc en partie ces résultats.

Il faut noter aussi que les simulations effectuées à partir de l'estimation du var à trois variables ont permis de déduire un impact positif persistant jusqu'au cinquième (5^ème) mois sur l'IPI suite à un choc positif sur les perspectives de production et parallèlement, on a observé un impact négatif sur l'IPI perdurant jusqu'au huitième (8^ème) mois suite à un choc positif sur le volume des ventes du mois passé.

Au cours des enquêtes de conjoncture, il est demandé aux industriels de répondre aux questions à partir de réponses à choix multiples. Par exemple, en ce qui concerne les perspectives de production, on demande aux entreprises de dire ce qu'ils pensent de ce que sera la tendance de leur production du mois prochain. Pour interpréter ces réponses, on agrège celles-ci sous forme d'indices synthétiques appelés solde d'opinion pour les réponses trichotomiques. Le solde d'opinion est calculé comme la différence entre la proportion d'entreprises qui ont répondu que leur tendance est en hausse et celles pour lesquelles la tendance est en baisse. On néglige donc la proportion d'entreprises pour lesquelles la tendance est déclarée stable. Le solde d'opinion est donc compris entre -100 et +100. Un solde positif indique qu'une majorité de répondants estime que la variable mesurée a progressé^7(*). Il indique donc une plus grande proportion d'entreprises ayant répondu favorablement ; un solde d'opinion négatif exprime quant à lui une plus grande proportion d'entreprises ayant répondu défavorablement et par ailleurs, un solde sensiblement nul indique que l'on a obtenu autant de réponses favorables que de réponses défavorables. Dans le cas précis de cette étude, ce qu'il faudra retenir est que :

· Plus la tendance des entreprises à répondre favorablement à la question concernant leurs perspectives de production augmente, plus la production industrielle croît.

· Plus les entreprises industrielles s'expriment favorablement sur la question concernant le volume de leurs ventes du mois passé, moins la production industrielle s'améliore.

Les résultats qui permettent de valider la deuxième hypothèse peuvent s'expliquer logiquement puisque les perspectives de production font état d'une volonté prédite des industriels d'augmenter le niveau de leur production. Une augmentation de ces perspectives entrainerait logiquement une amélioration du niveau de production générale. En outre, ce résultat ne diverge pas de ce que Marie REYNAUD et Sylvie SCHERRER ont obtenu sur les soldes d'opinion de l'INSEE. En effet, les perspectives de production semblaient être le meilleur solde d'opinion pouvant apporter une information substantielle à la prévision de la production industrielle.

Le paradoxe de ces résultats tient de la troisième hypothèse qui est invalidée. En effet, lorsque le volume de ventes du mois passé augmente, la demande des entreprises augmente et en réponse à cette augmentation, la production doit visiblement s'accroitre. On doit donc logiquement s'attendre à une augmentation de l'IPI. Cependant, l'effet inverse est observé dans le cas précis de cette étude. Ce résultat est sans doute tributaire des limites relatives à cette étude et au cadre conceptuel même des enquêtes de conjoncture.

3.4-Limites de l'étude

Cette étude n'est certainement pas sans insuffisances particulières qui ont sans doute affecté les résultats obtenus. Au nombre de ces limites, il faut dire que les insuffisances de cette étude sont directement liées à celles des enquêtes de conjoncture à savoir :

· L'insuffisance du taux de réponses des entreprises enquêtées. En effet, la faiblesse de ce taux indique une couverture partielle du champ des industries ce qui diminue la fiabilité des résultats d'enquête et par ailleurs de cette étude. Il faut dire aussi que les résultats des enquêtes de conjoncture peuvent comporter une grande part de subjectivité due aux réponses des industriels ce qui affecte fortement l'analyse.

· En outre, Les non-réponses ne figurent pas dans les résultats d'enquêtes. Ainsi, le groupe d'entreprises interrogées n'est pas forcément le même d'une enquête à l'autre. On travaille avec les informations disponibles, ce qui peut ne pas refléter la situation effective ou ne pas respecter certains principes de modélisation.

· Par ailleurs, les résultats de cette étude seraient meilleurs sur des séries de soldes d'opinion plus longues. En ce qui concerne la modélisation proprement dite, il faut reconnaitre comme première insuffisance que les variables d'enquête présentent des corrélations assez faibles entre elles et il a paru donc assez difficile de résumer au moyen d'un petit nombre d'indicateurs l'information globale de l'enquête.

· Enfin, la limite essentielle rencontrée est l'absence de base de données sur les soldes d'opinion au SIAI, ceci est dû aux problèmes récurrents administratifs et particulièrement aux difficultés liées au financement des enquêtes de conjoncture.

CONCLUSIONS ET RECOMMANDATIONS DE L'ETUDE

Le but fondamental de cette étude a été d'estimer un modèle VAR sur les questions de l'enquête de conjoncture dans l'industrie béninoise. Les données utilisées ont une périodicité mensuelle et proviennent de la BCEAO. L'étude s'est faite suivant une approche économétrique qui a permis d'établir certaines relations entre les variables de l'enquête connues sous l'appellation de soldes d'opinion et l'IPI. L'étude s'est basée premièrement sur les résultats d'une analyse en composantes principales. Il se dégage essentiellement de ces différentes analyses deux soldes d'opinion à savoir le solde relatif aux perspectives de production et celui relatif au volume de ventes du mois passé qui présentent les meilleures corrélations avec l'IPI.

On retient en ce qui concerne l'étude économétrique que sur la période étudiée, l'impact des chocs simulés sur ces deux soldes à partir de l'estimation var est positif pour le premier solde et négatif pour le second solde. Cette modélisation VAR de l'enquête de conjoncture industrielle au Bénin sur la période allant du mois de janvier 2001 au mois d'août 2011 nous a donc permis d'identifier les variables de l'enquête qui améliorent la prévision de la production industrielle.

· pour les études similaires futures, la BCEAO devra mettre un accent particulier sur les questions relatives aux perspectives de production et au volume de ventes du mois passé. En effet, dans le cadre de la prévision de l'Indice de Production Industrielle, ces deux variables seraient plus pertinentes dans le sens de l'analyse et apparaissent comme deux indicateurs clés permettant d'anticiper sur l'évolution de la production industrielle ;

· il est nécessaire pour toutes les institutions appartenant au dispositif d'enquête conjoncturelle (BCEAO, DGAE, INSAE) de mieux éclairer les industriels enquêtés sur le sens réel des questions pour éviter les poches de subjectivité.

· la DGI devra orienter les investissements dans le secteur de l'industrie en mettant l'accent sur l'accompagnement des industries et sur l'allégement du système fiscal ceci dans le but de promouvoir et de dynamiser le secteur de l'industrie béninois. Il est important que l'Etat béninois crée les conditions idoines propices à l'activité courante des industries notamment par le suivi des industries. De façon précise, pour que les opinions des industriels sur leurs perspectives de production s'améliorent, il est nécessaire au premier abord de créer un environnement favorable à leur activité, réduire dans la mesure du possible les effets néfastes de la conjoncture sur le fonctionnement de ces industries.

· il serait profitable pour le Service d'Information et de l'Analyse Industrielle (SIAI) d'inscrire dans ses prochaines préoccupations, l'approfondissement du travail effectué ici, ceci dans le but d'améliorer les estimations et de les rendre de ce fait plus précises.

· par ailleurs, il est impérieux de résoudre les problèmes habituels liés au financement et à la mise en oeuvre des enquêtes ceci dans le but de constituer dans un court terme une banque de données solide propice à l'analyse conjoncturelle et économique.

· Le degré de méfiance et la psychologie des entrepreneurs béninois, déterminants de l'exactitude des réponses fournies, nécessitent plus de sensibilisation sur l'importance des enquêtes de conjoncture.

· Un problème particulier qui se soulève aujourd'hui est la multiplicité d'institutions mettant en oeuvre les enquêtes de conjoncture. En effet, les entreprises, au-delà de leur mauvaise foi, s'expriment négativement sur le nombre de questionnaires à remplir pour la même période d'observation. Il est nécessaire donc de réfléchir à l'instauration d'un dispositif unique et central de collecte et d'analyse des données d'enquêtes conjoncturelles.

BIBLIOGRAPHIE

2-François Bouton et Hélène Erkel-Rousse, 2002, « Conjonctures sectorielles et prévision à court terme de l'activité : l'apport de l'enquête de conjoncture dans les services », 34 pages.

3-Hélène GUILMEAU-BARON, Guillaume BARON, Sébastien PETITHUGUENIN ; document de travail, Février 2003, « Un Indicateur De Retournement Conjoncturel Dans La Zone Euro », 52 pages.

4- Marie REYNAUD, Sylvie SCHERRER; décembre 1996 ; document de travail numéro 96-12, « Une Modélisation Var de l'Enquête Mensuelle de Conjoncture de l'Insee dans l'Industrie » ; 35 pages.

5- Nicolas PONTY, Document de travail « Analyse conjoncturelle et analyse statistique des fluctuations » ,87 pages.

6- Thomas Jobert, Lionel Persyn; « Que Nous Apprennent Les Enquêtes De Conjonctures Dans L'industrie »19 pages.

1- Calixte MAHOUGBE, Juin 2009 ; « Un Indicateur De Retournement Conjoncturel Pour l'Economie Béninoise »; 55 pages

2- Mouftaou Kolawolé OROU DRAMANI, 2010, « Contribution Des Dépenses Sociales a la Croissance Economique : Cas Des Dépenses d'Education et de Santé », 99 pages

3- Théophile ZINSOU, « Construction d'Un Indicateur Synthétique de Conjoncture Industrielle pour le Benin »

ANNEXES

Annexe1 : Analyse en Composantes Principales

Annexe2 : Saisonnalité et Stationnarité

Annexe 3 : Tests de validation du modèle sur les résidus.

	DVPMPSA	RESIDIPI	VVMPSA
	RESID01	RESID02	RESID03
Mean	-3,71E-16	1,43E-17	-2,41E-15
Median	3,84701264	-0,68673428	-0,05988334
Maximum	81,0500434	54,1420751	91,7933426
Minimum	-78,1301667	-36,4725964	-84,4415191
Std, Dev,	29,7739781	16,2049687	38,2082743
Skewness	-0,12123852	0,30467064	-0,02446339
Kurtosis	2,85553537	3,19807423	2,05009402
Jarque-Bera	0,41160324	2,12107265	4,67436189
Probability	0,81399454	0,34627005	0,09659957
Sum	-2,31E-14	8,88E-16	-3,06E-13
Sum Sq, Dev,	109038,242	32299,9243	179564,284
Observations	124	124	124

VAR Residual Heteroscedasticity Tests: Includes Cross Terms
Date: 02/21/12 Time: 09:43
Sample: 2001M01 2011M12
Included observations: 124
Joint test:
Chi-sq	Df	Prob.
340.6831	324	0.2513
Individual components:
Dependent	R-squared	F(54,69)	Prob.	Chi-sq(54)	Prob.
res1*res1	0.493419	1.244579	0.1945	61.18398	0.2338
res2*res2	0.429901	0.963549	0.5530	53.30774	0.5010
res3*res3	0.345355	0.674085	0.9334	42.82400	0.8632
res2*res1	0.528692	1.433351	0.0789	65.55775	0.1347
res3*res1	0.454242	1.063513	0.4015	56.32603	0.3879
res3*res2	0.410107	0.888341	0.6726	50.85329	0.5965

ANNEXE4 : ORGANIGRAMME DE LA DGI

DGI : Direction Générale de l'Industrie DPI : Direction de la Promotion Industrielle DESI : Direction des Etudes et des Stratégies Industrielles SAFM : Service Administratif, Financier et du Matériel SEC : Secrétariat SESF : Service des Etudes, de la Stratégie et de la Fiscalité SVT : Service de la Vulgarisation des Technologies SIAI : Service de l'Information et de l'Analyse Industrielle DSI : Division de la Statistique et de l'Information DEE : Division des Etudes Economiques

TABLE DES MATIERES

* ¹ Rapport d'activités de la Direction Générale de l'Industrie ; Année 2011

* ³ Calixte MAHOUGBE, Un Indicateur de Retournement Conjoncturel pour l'Economie Béninoise »; 2009

* ⁴ C. MAHOUGBE, Un indicateur de Retournement Conjoncturel pour l'Industrie Béninoise, 2009

Lien entre soldes d'opinion et production industrielle: une modélisation VAR de l'enquête de conjoncture dans l'industrie béninoise

Avant- Propos