Impact des normes IFRS ( International Financial Reporting Standards ) sur la gestion des résultats: cas des entreprises CAC40

3.3. Spécificité de modèle

AQ_it= â₀ + â₁ ?BN_it + â₂ IFRS_it + â₃ TAILLE_it + â₄ CROISSANCE_it + â₅ DETTE_it + å_it

3.4. Test empirique résultats et interprétation

Variables	Observation	Moyenne	Ecart type	Min	Max
AQ	360	-0 ,0460698	0,086451	-0,8816944	0 ,6159701
?BN	360	11,45219	3,931432	1,231	16,91371
TAIL	360	7,38632	0, 5162006	6,173573	8,91791
CROI	360	0,5140159	6.795071	-1,01178	125.2609
DETT	360	0,6024857	0,3749126	0,0341552	3,288881

Tableau 2: Statistiques descriptives du modèle 1

Ce tableau révèle que toutes les variables ont des moyennes positives sauf la variable accruals qualité (variable dépendante) possède une moyenne négative et un écart type faible. Chose qui prouve que cette variable est de faible volatilité. Les autres variables ont des écarts types faibles.

Variables	Fréquences	Pourcentages
= 1 IFRS = 0	144 216	40% 60%

Tableau 3 : Tableau des Fréquences du modèle 1

Au terme de ce tableau 40% des entreprises de notre échantillon appliquent les normes IFRS. Cela signifie l'importance de l'application de ces normes pour notre contexte.

Variables	AQ	?BN	IFRS	TAIL	CROI	DETT
AQ	1,0000
?BN	-0,0117	1,0000
IFRS	0,0237	0,0487	1,0000
TAIL	-0,0961	0,3415	0,1020	1,0000
CROI	0,0325	0,0520	-0,0495	0,2120	1,0000
DETT	0,0082	0,1044	-0,0886	0,2231	0,0047	1,0000

Tableau 4: Matrice de corrélation du modèle 1

Nous constatons que la variable dépendante accruals totaux est négativement corrélée avec les deux variables variation des bénéfices et la taille de l'entreprise. En revanche, les variables IFRS, croissance et dette sont positivement corrélées avec les accruals totaux. Mais il est à noter que ce tableau nous fournit une idée sur les signes des coefficients de corrélation entre la variable dépendante et les variables indépendantes.

Figure 1 : Variation de la qualité des accruals

A noter aussi qu'à partir du graphique ci-dessus, on constate que les accruals totaux augmentent avant l'adoption des normes IFRS et diminue après 2005.

Pour tester l'hypothèse de notre étude, nous devons présenter, tout d'abord les modèles économétriques appliqués pour ce type des données (Panel).

Dans le cas d'une modélisation des données de Panel, il y a des procédures qui sont utilisées pour l'estimation des coefficients.

La méthode de moindres carrés ordinaires (MCO) : cette procédure de régression est, généralement, utilisée pour des données individuelles (cross-section) ou des données temporelles. Mais pour notre étude cette méthode reste insuffisante puisqu'elle ignore la double dimension.

Test de stationnarité Augmented Dickey-Fuller (ADF) :

Avant de faire l'estimation de notre modèle il faut faire le test de stationnarité des variables, sachant que dans ce test la probabilité est nulle en différence première. Pour notre échantillon nous avons effectuée la première différence.

Test de Hausman :

Ce test a pour objet de faire le choix entre le modèle à effet fixe (Fixed Effect Model) et le modèle à effet aléatoire (Random Effect Model). Le premier modèle tient compte de l'hétérogénéité de l'échantillon et nous introduisons une variable muette pour chaque entreprise captant le passage d'une firme à une autre. Alors que dans le second, nous tenons compte de tout risque de l'hétérogénéité dans le comportement et ceci nous amène à décomposer le terme d'erreur en deux composantes.(?_it=u_i +V_it )

H₀  : Cov(xit, u_i) =0 modéle à effets aléatoires Donc le test Hausman  H₁ : Cov(xit, u_i) ?0 modéle à effets fixes

Le test de Hausman suit une loi de Chi deux qui prend la valeur de 9.84 avec une probabilité de 0.0798. Ce test est donc, significatif au seuil de 10%. Nous appliquerons la spécification en effet fixe pour notre échantillon.

Teste de Lagrange :

Nous avons effectué le test de Multiplicateur de Lagrange pour démonter la présence d'une hétérogénéité aléatoire dans notre échantillon. Ce test est non significatif (Chi deux est de 0.16) ce qui montre que la non présence d'un effet aléatoire. 

En définitive nous retenons l'estimation avec effet fixe.

AQ	Coefficient	Std. Error	t-Statistic	Prob
CROI	0.055668***	0.006461	8.61	0.000
IFRS	-0.036007**	0.016830	-2.13	0.0333
TAIL	0.461891***	0.052808	8.74	0.0000
Dett	-0.017897	0.34323	-0.52	0.6025
?BN	0.04005*	0.020438	1.96	0.072
Cons	0.006739	0.005856	1.15	0.2509

***: significativité à 1% ** significativité à 5% * significativité à 10%

Tableau 5 : Résultat des régressions de la qualité d'information et normes IFRS

Nous présentons les résultats empiriques donnés par le logiciel utilisé

D'après ce tableau nous pouvons remarquer qu'il existe une relation négative et significative entre la variable IFRS et les accruals totaux au seuil de 5% ceci indique que l'utilisation des normes internationales améliore la qualité des informations comptables publiées ce résultats et contradictoire avec les études de Hung et Subramanyan, (2007 ) et aussi l'étude de Lapointe et al., (2006).

La taille des entreprises a une relation positive et significative avec les accruals totaux au seuil de 1% ce qui montre que la taille des firmes utilisant les IFRS ayant une capacité des informations de qualité ceci est n'est pas cohérant avec Iatridis, (2008a) et corrobore les résultats de Hung et Subramanyan,( 2007 ).

Le coefficient de la variable croissance est positif et significatif au seuil de 1%. Ceci suggère que les entreprise qui connaissent une croissance de leurs chiffre d'affaire sont également celle qui enregistre les accruals totaux les plus élèves. En effet la croissance du chiffre d'affaire entraine le plus souvent une augmente de BFR et par conséquence une augmente des accruals totaux (Hung et Subramanyan, 2007).

La variation des bénéfices a une relation positive et significative avec les accruals totaux au seuil de 10% ce qui montre que les firmes utilisant les IFRS augmente le résultat par les informations fiables nous montrons que les normes IFRS avec les bénéfices augmente la qualité d'information ce résultat est corrobore avec l'études de Dechow et al., 1994 et Xiong, 2006).