bloc de départ

Le tableau suivant présente l’historique des itérations pour le modèle de base. Ainsi, on va retenir particulièrement la valeur de la probabilité de 2log-vraisemblance initiale qui est 230,665.

Tableau 22 : Historique des itérationsa,b,c

Itération -2log- vraisemblance Coefficients Constant Etape 0 1 236,163 1,771 2 231,095 2,482 3 230,671 2,763 4 230,665 2,803 5 230,665 2,803

a. La constante est incluse dans le modèle b. -2log-vraisemblance initiale : 230,665 c. L’estimation a été interrompue au numéro d’itération 5 parce que les estimations de paramètres ont changé de moins de ,001.

Le tableau des variables dans l’équation permet de nous indiquer la valeur du coefficient de la constante qui est de 2,803 à l’étape 0.

Tableau 23 : Variables dans l'équation

A E.S. Wald Ddl Sig. Exp(B)

Etape 0 Constante 2,803 ,515 29,639 1 ,000 16,500

Source : Logiciel SPSS.19

Bloc 1 : Méthode = Descendante pas à pas (rapport de vraisemblance) :

Selon cette méthode, on part du modèle contenant toutes les variables puis on doit retirer à chaque itération la variable la moins significative (ayant le Wald le moins significatif ou le plus fort niveau de signification), jusqu’au moment où la dernière variable éliminée rend les résultats plus significatifs et contribue significativement à l’amélioration de . La

191

méthode du retrait des variables non significatives a pour but d’améliorer le et améliorer ainsi le modèle de base. Dans le cas où le retrait des variables n’aurait pas amélioré le modèle alors, on va choisir le modèle le plus significatif (ayant plus des variables significatives et ayant le le plus élevé…) parmi tous les modèles estimés.

Le tableau récapitulatif des modèles nous indique les valeurs de 2log-vraisemblance dans chacune des étapes du modèle. Ces valeurs de 2log-vraisemblance nous donnent une idée sur la qualité du modèle.

Tableau 24 : Récapitulatif des modèles

Etape -2log- vraisemblance

R-deux de Cox & Snell R-deux de Nagelkerke 1 119,494a ,471 ,572 2 129,611a ,253 ,422 3 150,184a ,171 ,291 4 161,125b ,000 ,000

a. L'estimation a été interrompue au nombre d'itérations de 6 parce que les estimations de paramètres ont changé de moins de ,001.

b. L'estimation a été interrompue au nombre d'itérations de 5 parce que les estimations de paramètres ont changé de moins de ,001.

On remarque, selon ce tableau, que la valeur de 2log-vraisemblance augmente à chaque fois qu’on avance d’une étape, ce qui montre que le modèle se détériore par le retrait des variables. Alors, la valeur de 2log-vraisemblance la plus petite est celle de la première étape, sachant que le modèle considéré comme parfait est celui dont le 2log-vraisemblance se rapproche le plus à 0. Ensuite, on peut vérifier si la probabilité de 2log-vraisemblance de chaque étape du modèle est inférieure à la probabilité de 2log-vraisemblance de base (230,665) et voir si cette différence est significative. Si on prend par exemple la première étape 1, on peut calculer 230,665-119,494 = 111,177. Concernant alors la dernière étape, on peut calculer 230,665-161,125= 69,54. La différence entre les probabilités de 2log-

vraisemblance est plus significative dans la première étape que dans la dernière étape. Alors,

on remarque que les termes de l’équation logistique initiale prédisent mieux la probabilité que la Tunisie soit un pays attractif avant la révolution que ne le fait la probabilité finale observée.

192

En conclusion, on peut affirmer priori que les termes de l’équation logistique du premier modèle prédisent significativement mieux la probabilité de l’attractivité de la Tunisie avant la révolution que lorsque le modèle exclut les variables.

Pour le tableau suivant qui introduit le test de Hosmer-Lemeshow, il permet de voir, selon ce test d’ajustement du modèle, si le modèle spécifié est bon ou mauvais. Le test de Hosmer-Lemeshow s’appuie sur deux hypothèses:

: un bon ajustement : un mauvais ajustement

On accepte dans le cas où la significativité serait supérieure au seuil de 5 %. On rejette cette hypothèse dans le cas contraire.

Ainsi, selon les résultats de ce tableau, on remarque que dans le modèle initial la significativité de Khi-Chi-deux à 8 degrés de liberté vaut 0,61, soit 61 %. Donc, au seuil de 5 %, on accepte , d’où l’ajustement du modèle initial est bon.

On peut remarquer aussi, selon ce tableau, que l’écart entre les valeurs prédites et les valeurs observées au moyen de la statistique de Khi-Chi-deux n’est pas trop important (6,334) dans la première étape. Ceci implique que la différence entre les deux valeurs, dans cette étape, n’est pas significative. Alors, les valeurs prédites et observées sont dites cohérentes et le modèle initial est considéré comme bien calibré.

Tableau 25 : Test de Hosmer-Lemeshow

Etape Khi-Chi- deux ddl Sig. 1 6,334 8 ,610 2 10,424 8 ,237 3 21,817 2 ,144 4 34,000 0 ,000 Source : Logiciel SPSS.19

193

Pour interpréter les résultats du tableau de variables dans l’équation, on doit savoir que les valeurs de Wald montrent s’il y a une relation significative entre les variables explicatives et la variable dépendante. En ce qui concerne le signe du coefficient A, il donne le sens de la liaison entre ces variables.

On a mentionné auparavant que le modèle initial (modèle sans variables omises) est le modèle le plus significatif et le plus amélioré, c’est pour cela qu’on va s’intéresser à interpréter et détailler plus les résultats de cette première étape.

Tableau 26 : Variables dans l'équation

A E.S. Wald ddl Sig. Exp(B)

Etape 1a FACTX1 4,176 2,656 2,473** 1 ,020 6,214 FACTX2 2,599 1,840 1,996** 1 ,044 3,215 FACTX3 -1,117 1,493 ,560 1 ,732 ,599 Constante 8,683 4,657 3,477 1 ,009 24,904 Etape 2a FACTX1 2,053 2,644 ,603 1 ,453 1,273 FACTX2 -3,041 1,845 2,717*** 1 ,010 2,810 Constante 5,811 3,774 2,371 1 ,033 9,944 Etape 3a FACTX2 -1,211 1,729 ,490 1 ,484 ,298 Constante 4,455 2,492 3,196 1 ,010 86,053 Etape 4a Constante 2,803 ,515 29,639 1 ,000 16,500

a. Variable(s) entrées à l'étape 1 : FACTX1, FACTX2, FACTX3.

*, **, *** indiquent respectivement les niveaux de significativité 10 %, 5 %, et 1 %

On peut remarquer que le coefficient estimé A est positif pour la variable FACTX1. Ceci montre que la relation entre cette variable et la variable expliquée est positive. Donc, cette variable FACTX1 (constituée par les variables de la stabilité politique, de la stabilité macroéconomique, une bonne infrastructure, l’importance de la taille du marché et la facilité d’accès à d’autres marchés) prédit l’attractivité de la Tunisie avant la révolution. Le signe positif de la variable FACTX1 est un signe attendu et confirme nos attentes. En outre, pour la variable FACTX2 (constituée par les variables du faible coût de la main d’œuvre, de l’offre d’une main d’œuvre qualifiée et de la proximité géographique du marché européen), sa relation avec la probabilité que la Tunisie soit un pays attractif est positive. Le signe positif de cette variable est un signe attendu puisque plus la Tunisie est approximative au marché européen et offre une main d’œuvre qualifiée avec un coût acceptable, plus la probabilité qu’elle soit attractive augmente. D’ailleurs, les entrepreneurs interrogés ont favorisé ces

194

variables dans leurs réponses concernant les facteurs les plus attractifs en Tunisie. Par contre, pour la variable FACTX3 (constituée par les variables de la législation et le système juridique et de la source de la matière première), sa relation avec la variable dépendante est négative. Donc, cette variable influe négativement sur la probabilité de l’attractivité de la Tunisie avant la révolution. C'est-à-dire que moins les firmes étrangères accordent une importance à la législation et le système juridique et à la source de la matière première, plus la probabilité que la Tunisie soit un pays attractif avant la révolution est élevée. Le signe négatif de cette variable est un signe inattendu. Ce résultat peut être expliqué par le désintérêt des investisseurs étrangers pour la législation et le système juridique qui semble n’avoir pas d’effets sur le fonctionnement de ces entreprises. Pour la source des matières premières, elle n’a pas d’effet positif sur l’attractivité. Ce résultat peut être expliqué, d’une part, par la proximité du marché du pays d’origine et, d’autre part, par l’existence d’autres marchés plus voisins comme les marchés du pays du Maghreb qui peuvent être des sources intéressantes de la matière première.

En se basant sur la statistique de Wald, on va évaluer la signification statistique des coefficients estimés des variables indépendantes conservées, dans le but de vérifier si les variables contribuent à mieux prédire qu’un modèle qui ne les introduit pas. On peut remarquer que, dans la première étape qui introduit toutes les variables, la plupart des coefficients sont significatifs. En effet, le coefficient de la variable « facteurs de stabilité » (FACTX1) est significatif à 5 % et exerce une influence positive et significative sur la probabilité que la Tunisie soit un pays attractif avant la révolution. Ceci confirme nos attentes puisque l’attractivité d’un territoire est assurée essentiellement lors de la présence d’une stabilité politique et macroéconomique, d’une bonne infrastructure, d’une grande taille du marché et de la facilité d’accès à d’autres marchés. Ces facteurs d’attractivité qui constituent la variable FACTX1 semblent être des attraits intéressants pour assurer l’implantation des entreprises étrangères. C’est pour cela que ces firmes ont choisi ces facteurs d’attractivité pour justifier l’attractivité de la Tunisie avant la révolution. Ces résultats confirment plusieurs travaux cités auparavant qui montrent que les principaux déterminants de l’attractivité des territoires sont la stabilité politique, la stabilité macroéconomique, une bonne infrastructure, l’importance de la taille du marché et la facilité d’accès à d’autres marchés.

195

Concernant alors la variable « facteurs ‘disponibilité de la main d’œuvre’ et ‘proximité

géographique’ » (FACTX2), elle est significative au seuil de 5 %. Cet effet significatif

montre que ces facteurs réunis constituent des facteurs d’attractivité pour la Tunisie dans la période qui précède la révolution. En effet, le fait que le pays dispose d’une main d’œuvre qualifiée et à bon marché, l’attractivité de ce pays est stimulée davantage. De plus, être un pays approximatif au marché européen constitue un avantage favorable pour l’attractivité de la Tunisie aux IDE, ce qui justifie l’origine européenne de la plupart des entreprises étrangères installées en Tunisie.

Enfin, pour la variable « facteurs ‘législation’ et ‘source des matières premières’ » (FACTX3), elle est de signe négatif comme on l’a signalé auparavant et, en même temps, elle n’est pas significative. Dans ce cas, on peut remarquer que les investisseurs étrangers n’accordent plus une grande importance aux facteurs de la législation et de la source de la matière première, ce qui diminue le rôle de ces facteurs dans la détermination de l’attractivité de la Tunisie.

On peut procéder à l’interprétation des rapports de cote « odds ratio » qui se situent dans la case « Exp (B) ». En effet, ces rapports correspondent au nombre de fois que la Tunisie soit un pays attractif avant la révolution lorsque la valeur du prédicteur augmente de 1. De surcroît, lorsque le rapport de cote est supérieur à 1 alors, les chances que la Tunisie soit un pays attractif augmentent. Tandis qu’un rapport de cote de moins de 1 diminue les probabilités de l’attractivité de la Tunisie avant la révolution.

Ainsi, la valeur de rapport du cote de la variable FACTX1 s’élève à 6,214, ce qui indique que la présence de cette variable augmente jusqu’à 6 fois la chance que la Tunisie soit un pays attractif avant la révolution. Dans ce cas, il s’agit d’un excellent prédicteur de l’attractivité de la Tunisie avant la révolution. Pour la valeur de cote de la deuxième variable FACTX2, il est de l’ordre de 3,215, ce qui indique que la présence de cette variable augmente 3 fois la chance que la Tunisie est considérée comme un pays attractif avant la révolution. En ce qui concerne la dernière variable FACTX3, sa valeur de cote est de l’ordre de 0,599 ce qui montre que moins cette variable soit présente, plus la probabilité de l’attractivité de la Tunisie avant la révolution augmente.

196

En plus de ces explications, on peut interpréter les résultats de la p-value ou de la significativité nommée « Sig » dans le tableau des variables dans l’équation. Cette interprétation repose sur deux hypothèses :

H0 : présence d’une causalité unidirectionnelle entre la variable expliquée et la variable

explicative.

H1 : absence d’une causalité unidirectionnelle entre la variable expliquée et la variable

explicative.

En effet, pour la première variable FACTX1, la valeur de « Sig » est égale à 0,020 (2 %) qui est inférieur à 5 %, donc on accepte l’hypothèse H0 de présence de causalité

unidirectionnelle entre la variable expliquée et la variable explicative. Pour la deuxième variable FACTX2, la valeur de « Sig » est égale à 0,044 (4,4 %) aussi inférieur à 5 %, on accepte alors l’hypothèse H0 de présence de causalité entre la variable expliquée et la variable

explicative. Concernant alors la dernière variable FACTX3, sa valeur de « Sig » est égale à 0,732 (73,2 %) qui est supérieur à 5 %. Donc, on rejette l’hypothèse nulle, ce qui fait il n’existe pas de relation significative entre cette variable et la variable dépendante.

Les résultats de l’estimation de ce modèle nous donnent alors la régression suivante :

Pour finir l’interprétation du tableau des variables de l’équation, on peut mentionner que le logiciel SPSS a pour but de trouver le modèle le plus significatif et le plus amélioré. Pour cela, la méthode Descendante pas à pas a été utilisée pour éliminer les variables non significatives afin de trouver le modèle adéquat. Dans la première étape, on a trouvé que la variable FACTX3 est non significative. Dans le deuxième étape, le logiciel a éliminé cette variable pour améliorer le modèle. On s’est trouvé dans cette étape devant un modèle ayant encore une autre variable non significative qui est la variable FACTX1. Alors, le logiciel va encore retirer cette variable non significative pour se trouver dans une troisième étape où la variable FACTX2 est non significative. Enfin, le modèle de la quatrième et la dernière étape est caractérisé par l’absence de toutes les variables tant qu’elles sont non significatives. C’est une raison de plus, et après toute cette étude, pour choisir le meilleur modèle significatif qui est le modèle de la première étape.

197

Cependant, ces résultats de l’estimation économétrique doivent être renforcés par une analyse de la corrélation entre les variables. Cette étude sera faite selon le tableau de matrice de corrélation suivant :

Tableau 27 : Matrice des corrélations

Constant FACTX1 FACTX2 FACTX3 Etape 1 Constant 1,000 -,689 -,364 -,570 FACTX1 -,689 1,000 -,232 ,155 FACTX2 -,364 -,232 1,000 -,043 FACTX3 -,570 ,155 -,043 1,000 Etape 2 Constant 1,000 -,734 -,451 FACTX1 -,734 1,000 -,261 FACTX2 -,451 -,261 1,000 Etape 3 Constant 1,000 -,978 FACTX2 -,978 1,000 Source : Logiciel SPSS.19

Le tableau de matrice des corrélations présente les coefficients de corrélation calculés sur les différentes variables prises deux à deux. Ces coefficients indiquent l’influence que les variables ont les unes sur les autres. Par exemple, on peut constater que, dans la première étape, les variables FACTX1 et FACTX2 sont faiblement corrélées (coefficient de corrélation est de -0,232). De même, les variables FACTX2 et FACTX3 sont négativement corrélées (coefficient de corrélation est de -0,043). Alors que pour les variables FACTX1 et FACTX3, elles sont corrélées positivement avec un coefficient de corrélation de 0,155), mais ce coefficient ne semble pas être assez élevé. Donc, on peut remarquer qu’il n’existe pas de corrélation très forte entre les variables explicatives de ce modèle qui pourrait biaiser nos résultats économétriques.

Finalement, on remarque que le modèle initial qui contient toutes les variables est significatif et que la plupart de ces variables contribue significativement à mieux prédire l’attractivité de la Tunisie qu’un modèle qui les exclut. Dans cette dernière étape, on va vérifier si le modèle initial est bien ajusté aux données. Cette vérification se fait en se basant sur les valeurs de R-deux ( de Cox & Snell et de R-deux de Nagelkerke (Voir Tableau 24 : Récapitulatif des modèles). Ces deux pseudo nous permettent d’expliquer le pourcentage de la variable dépendante binaire qui est expliquée par les trois variables FACTX1, FACTX2 et FACTX3.

198

La notion de base c’est que le modèle est considéré ajusté aux données si la valeur de est élevée. On peut remarquer, selon le tableau du récapitulatif des modèles, que la valeur de de Cox & Snell et de de Nagelkerke diminue à chaque étape qu’on retire une variable. On peut voir par exemple que le de Cox & Snell diminue de 0,471 à 0,253 dans l’étape 2 pour arriver à 0,171 dans l’étape 3. Pour le de Nagelkerke, il diminue de 0,572 à 0,422 dans l’étape 2 pour arriver à 0,291 dans l’étape 3.

Donc, on peut conclure que le de Cox & Snell et de Nagelkerke sont élevés dans l’étape 1 (0,471 et 0,572), ce qui justifie la significativité du modèle initial contenant la totalité des variables.

Pour la vérification et dans le but d’obtenir un estimé de la variabilité expliquée, on peut calculer la valeur de Pseudo- selon la formule suivante :

Le Pseudo- du modèle initial :

On peut conclure que le modèle initial (contenant toutes les variables) prédit 48 % de la variance de la probabilité de l’attractivité de la Tunisie avant la révolution. Le modèle est globalement significatif et pertinent, la plupart des variables explicatives retenues sont significatives individuellement au seuil de 5 %.

Enfin, en prenant en considération les principaux facteurs d’attractivité du pays d’accueil identifiés par Michalet (1999), on a pu identifier, selon cette enquête qualitative, les variables qui peuvent apprécier l’attractivité du territoire tunisien avant la révolution du

jasmin.

En guise de conclusion, à travers les résultats de l’estimation, il s’avère que la Tunisie est considérée comme un pays attractif avant la révolution du jasmin et les facteurs d’attractivité peuvent être résumé comme suit:

- La stabilité politique

- La stabilité macroéconomique - Une bonne infrastructure

199

- L’importance de la taille du marché - La facilité d’accès à d’autres marchés - L’offre d’une main d’œuvre qualifiée - Le faible coût de la main d’œuvre - La proximité géographique

3- Estimation économétrique des facteurs d’attractivité en Tunisie: (période après la révolution):

3-1- Méthodologie et présentation du modèle et des variables : 3-1-1. Méthodologie :

On a pu identifier, dans la partie précédente, les principaux déterminants de l’attractivité de la Tunisie dans la période qui précède la révolution. Dans cette partie, on va essayer d’identifier selon l’enquête, les facteurs d’attractivité de ce pays mais dans des conditions assez différentes après la révolution. On s’attend à trouver des résultats qui différent des résultats trouvés dans la partie précédente vu le changement de plusieurs conditions en Tunisie après la révolution. En fait, le changement de la situation de ce pays va bouleverser l’avis des entrepreneurs vis-à-vis des facteurs d’attractivité de la Tunisie dans cette période.

En se référant toujours au même logiciel SPSS.11 et SPSS.19, on va utiliser la méthode ACM pour réduire le nombre de variables assurées pour apprécier l’attractivité de la Tunisie. Donc, ça sera la même méthode effectuée dans la partie précédente.

Tableau 28 : Récapitulatif des modèles

Dimension Alpha de Cronbach Variance expliquée Total (valeur propre) Inertie 1 ,510 3,859 ,227 2 ,387 3,468 ,204 3 ,339 3,349 ,197 Total 10,693 ,629 Moyenne ,420a 3,564 ,209

a. La valeur Alpha de Cronbach moyenne est basée sur la valeur propre moyenne.