Nous venons de critiquer les données entre les détentions et les sorties de stock de matières premières et PF. Le point qui nous concerne maintenant tente d’analyser la corrélation existant entre les matières premières et le PF /Primus.
Dans nos analyses précédentes au deuxième chapitre, il s’est avéré qu’il existait une corrélation entre les matières et les produits finis mais celle-ci n’a pas été expliquée. L’objet de ce point est d’expliquer cette interdépendance entre les matières premières et les produits finis.
Nous venons de constate que la société Bralima a des multitudes des produits fini. Mais aussi des matières premières et chaque année elle fait ressortieles fiches des stocks qui le permettent de mieux se positionner pour l’année qui va suivre. Compte tenu de la complexité des nos données de recherche qui nous été livrée par la Bralima et pour limiter notre recherche nous allons nous basé seulement sur les fiches des stocks de l’année 2015 pour présenter notre modèle de régression et tester nos hypothèses.
Le tableau suivant fait ressortir l’évolution des consommations mensuelles de matières premières et la détention mensuels des produits finis en stock réalisés à la Bralima/Bukavu de Janvier 2015 au Décembre 2015 ( valeur exprimées en tonnes )
Tableau N° 16
Moi |
Janvie |
Févrie |
Mar |
Avril |
Mai |
Juin |
Juillet |
Août |
Septe |
Octo |
Nov |
Déc |
MP |
3704,27923 |
2991, 25356 |
2803,108 |
2560,70646 |
2373,46184 |
2510,16348 |
2631, 5197 |
2985, 88933 |
2987, 8855 |
3217,4557 |
3400,4984 |
2149,5582 |
PF |
956, 802 |
747, 861 |
610, 699 |
439, 901 |
642, 134 |
805, 789 |
807, 945 |
687, 201 |
731, 045 |
782, 568 |
891, 214 |
642, 630 |
Source : Calculs sur base des données reçues du service logistique de la Bralima/Bukavu
Considérons que Y soit le PF et que X soit les MP. Retenons l’hypothèse que le PF (Y) soit expliqué par les MP ( X). nous devons de ce fait confronter deux variables entre elles : Y et la variable expliquée et X est la variable explicative.
Tableau N° : Estimation de droite de régression
Synthèse des calculs de droite de régression en tonne
M |
Xi |
Yi |
Yi-Ȳ= yi |
Xi-X = xi |
Xiyi |
xi2 |
yi2 |
Ẏi |
Ẏi-Ȳ=yi |
yi2 |
1 |
3704,279 |
956,80 |
227,986 |
844,6309 |
192564,23 |
713401,402 |
51977,73 |
386,8763 |
-341,939 |
116922,522 |
2 |
2991,253 |
747,861 |
19,0452 |
131,6052 |
2506,4550 |
17319,9436 |
362,7215 |
261,2312 |
467,584 |
218635,228 |
3 |
2803,108 |
610,699 |
-118,11 |
-56,540 |
6678,3568 |
3196,80586 |
13951,56 |
228,0774 |
-500,738 |
250738,88 |
4 |
2560,706 |
439,901 |
-288,91 |
-298,94 |
86368,707 |
89366,2255 |
83471,73 |
290,7183 |
-438,097 |
191929,34 |
5 |
2373,461 |
642,134 |
-86,681 |
-486,18 |
42143,493 |
236377,276 |
7513,725 |
323,7134 |
-405,102 |
164108,34 |
6 |
2510,163 |
805,789 |
76,9732 |
-349,48 |
-26900,98 |
122139,641 |
5924,881 |
299,6247 |
-429,191 |
184204,94 |
7 |
2631,519 |
807,945 |
79,1292 |
-228,12 |
-18051,64 |
52042,6595 |
6261,438 |
278,2400 |
-450,575 |
203018,45 |
8 |
2985,889 |
687,201 |
-41,614 |
126,241 |
-5253,488 |
15936,7969 |
1731,787 |
260,286 |
-468,529 |
219583,27 |
9 |
2987,885 |
731,045 |
2,22925 |
128,237 |
285,87288 |
16444,7915 |
4,969555 |
260,637 |
-468,177 |
219190,59 |
10 |
3217,455 |
782,568 |
53,7522 |
357,807 |
19232,955 |
128026,169 |
2889,304 |
301,091 |
-427,724 |
182948,22 |
11 |
3400,498 |
891,214 |
162,39 |
540,850 |
87833,123 |
292518,924 |
26373,191 |
333,345 |
-395,469 |
156396,34 |
12 |
2149,5582 |
642,63 |
-86,185 |
-710,090 |
61199,641 |
504227,8408 |
7427,9835 |
363,168 |
-365,647 |
133697,98 |
Æ© |
34315,779 |
8745,78 |
0 |
0 |
465606,7 |
2190998,47 |
207891,0 |
3587,01 |
-4223,60 |
2241374,13 |
M |
2859,64831 |
728,8157 |
Source :
Interprétation des moyennes
La moyenne des PF Ȳ est de 728, 81. Cette moyenne signifie que si les montants des résultats nets étaient répartis équitablement entre ceux des consommations, la part de PF qui reviendrait à chaque consommation serait égale à 728,81 tonnes.
La moyenne de consommation X est de 2859,6483, c’est-à-dire si l’on prenait la somme des consommation et qu’on attribuait à chaque mois une consommation identique, ce dernier serait égale 2859,64 et apporterait une quantité de PF de 728, 81 tonnes.
Estimation du modèle
Désignons par áº0 le PF autonome ( pf indépendant du niveau de consommation de
matières premières ) et áº1 le PF dépendant du niveau du aléatoire allant des réalisation de janvier 2015 au Décembre 2015 pouvait s’écrire comme
Y =áº0 + áº1xi + u1 nos modèle estimé s’écrira : Ó¯ = áº0 + áº1xi or l’on sait que
La représentation ci-dessous illustre graphiquement la corrélation entre X et Y. Elle donne l’idée sur le type de relation existant entre nos deux variables
Figure n° 7 : Corrélation entre MP et PF
Commentaire :
Le diagramme de dispersion que nous venons de représenter permet de déterminer le type d’équation et / ou le modèle liant la variable expliquée et la variable explicative. Selon ce graphique , la relation est linéaire ce qui traduit le bon modèle du processus observé.
En effet, il y a une forte concentration linéaire des points liant les matières premières aux produits finis. Cela traduit une forte corrélation positive entre les deux variables. Une consommations élevée matières premières explique une détention élevée des produits finis en stock.
Nous avons constaté durant nos enquêtes dans les installations de ladite firme, une certaine irrationalité dans le chef de ceux qui étaient à l’atelier de production dans la mesure où souvent il intervenait des ruptures de stock des matières au cours de la journée entrainant un arrêt dans le processus des ventes. Une telle situation peut occasionner un niveau d’activité relativement faible que ce qui aurait dû être réalisé ce qui se répercuterait sur le PF de la période. Si cette réalité est vérifiée, alors il rentre dans l’intérêt de la firme en question de revoir son système de gestion de stock
Nous venons de critiquer les données entre les détentions et les sorties de stock de matières premières et de produits finis. Le point qui nous concerne maintenant tente d’analyser la corrélation existant entre les matières premières et les produits finis Bière.
Dans nos analyses précédentes au deuxième chapitre, il s’est avéré qu’il existait une corrélation entre les matières premières et le produits finis mais- ceci n’a pas été expliquée. L’objet de ce point est d’expliquer cette interdépendance entre les matières premières et les produits finis
Comme nous venons de le constaté, la société Bralima à des multitudes des produits finis mais aussi des matières premières. Et chaque mois elle fait ressortie les fiches des stocks mensuel et à la fin les fiches globaux qui le permet de mieux se positionner pour l’année suivante en faisant la moyenne des 3 derniers mois pour connaitre la quantité à commandée dans le mois prochain. A cause de la complexité des nos différentes données qui nous a été livrée par la Bralima et pour limiter notre recherche. Nous allons essayer de calculer seulement les données qui concernent l’année 2015 ceux qui vont nous aider à bien élaborer notre modèle.
Le modèle de régression développé ci-haut peut être vu comme une tentative d’explication des changements de la variable dépendante Y en fonction de ceux de la variable explicative X.
L’analyse de la variance du modèle de régression linéaire va maintenant nous permettre de voir ou d’estimer le pouvoir explicatif de notre modèle. Le coefficient de détermination
R2 = SCR = Somme des carrés due à la régression
SCT = Somme de carré totale
Tableau N° 15 : Estimation de droite de régression Synthèse des calculs de la droite de régression simple en tonne
M |
Xi |
Yi |
Yi-Ȳ= yi |
Xi-X = xi |
Xiyi |
xi2 |
yi2 |
Ẏi |
Ẏi-Ȳ=yi |
yi2 |
yi-y = ei |
ei2 |
1 |
3704,27923 |
956,802 |
227,98625 |
844,630927 |
192564,238 |
713401,4028 |
51977,73019 |
386,876394 |
-341,939355 |
116922,5225 |
569,9256058 |
324815,196 |
2 |
2991,25356 |
747,861 |
19,04525 |
131,605257 |
2506,45502 |
17319,94367 |
362,721547 |
261,231288 |
467,584461 |
218635,2284 |
486,6297112 |
236808,476 |
3 |
2803,108 |
610,699 |
-118,1167 |
-56,540303 |
6678,35683 |
3196,805863 |
13951,5666 |
228,077407 |
-500,73834 |
250738,8882 |
382,621593 |
146399,283 |
4 |
2560,70646 |
439,901 |
-288,9147 |
-298,94184 |
86368,7078 |
89366,2255 |
83471,7327 |
290,718337 |
-438,09741 |
191929,3424 |
149,1826621 |
22255,4667 |
5 |
2373,46184 |
642,134 |
-86,68175 |
-486,18646 |
42143,49344 |
236377,2768 |
7513,72578 |
323,713461 |
-405,10228 |
164108,3434 |
318,4205386 |
101391,639 |
6 |
2510,16348 |
805,789 |
76,97325 |
-349,48482 |
-26900,98265 |
122139,6415 |
5924,88121 |
299,624718 |
-429,19103 |
184204,9411 |
506,1642814 |
256202,28 |
7 |
2631,5197 |
807,945 |
79,12925 |
-228,12860 |
-18051,64526 |
52042,65951 |
6261,43820 |
278,240053 |
-450,57569 |
203018,4578 |
529,7049464 |
280587,33 |
8 |
2985,88933 |
687,201 |
-41,61475 |
126,241027 |
-5253,488778 |
15936,7969 |
1731,78741 |
260,286036 |
-468,52971 |
219583,2702 |
547,6589637 |
299930,341 |
9 |
2987,88555 |
731,045 |
2,22925 |
128,237247 |
285,8728829 |
16444,79152 |
4,9695556 |
260,637798 |
-468,17795 |
219190,5938 |
470,4072018 |
221282,936 |
10 |
3217,45575 |
782,568 |
53,75225 |
357,807447 |
19232,95534 |
128026,1691 |
2889,30438 |
301,091281 |
-427,72446 |
182948,2205 |
481,4767185 |
231819,83 |
11 |
3400,49849 |
891,214 |
162,39825 |
540,850187 |
87833,12388 |
292518,9248 |
26373,1916 |
333,345974 |
-395,46977 |
156396,3429 |
557,8680251 |
311216,733 |
12 |
2149,55828 |
642,63 |
-86,18575 |
-710,09002 |
61199,6412 |
504227,8408 |
7427,98350 |
363,168403 |
-365,64734 |
133697,98116 |
279,4615967 |
78098,784 |
Æ© |
34315,7797 |
8745,789 |
0 |
0 |
465606,727 |
2190998,4788 |
207891,032 |
3587,011 |
-4223,6089 |
2241374,13 |
5279,52184 |
2510808,3 |
M |
2859,64831 |
728,8157 |
Source : Nos calculs sur base de tableau n° 16 de quantité consommée des matières premières et produits finis en 2015.
Par ce tableau nous allons asseye de montre à quel niveau la consommation des matières premières peut avoir un impact positif ou négatif sur les PF au sein de la Bralima/Bukavu
Notre Modèle sera présenté de cette manière :
PF = B0+B1MP en admettant que l’hypothèse que notre variable expliquée est les PF et variable explicative est MP
B0= Ȳ-âX = 238,0406
â1=
PF = B0+B1MP
238,0406+0,976214 X 34315,7797 = 33737,58516
R2=
Commentaire : nous avons une présomption que notre modèle est appliqué à 92% . C’est-dire que lors que la consommation des matières premières augmente elle explique la détention de PF en stock au sein de la l’entreprise à un taux de 0,92 soit 92%
L’on test en se proposant les hypothèses suivantes :
Si Ho : Bo = 0 les matières premières n’a pas d’impact sur le produits finis
H1 :B1 ≠ 0 les matières premières à un impact sur le PF
tcal = or l’on sait que et = ou
tcal = = tth (k-1, n-k)α = 0,1, tth (1,10)
tcal > tth à un seuil de 10%
C’est –à-dire que , nous sommes confiant à 90% d’avoir mieux fait en rejetant l’hypothèse nulle en faveur de H1.C’est –à-dire que notre modèle est significatif ce qui justifie que les matières premières à un impact sur le PF/ Bière.
Pour ce teste on sera entrain de tester
H0 :R2 =0 Modèle non significatif
Ha : R2 ≠ 0 Modèle significatif
Indicateur
FCal =.
Fth (k-1, n-k)α
Or R2 = 0,92
Fcal =
=
Fth(k-1,n-k)α = Fth(1,10)0,01 %
= 10,04
Fcal > Fth, le modèle est significatif
Commentaire : c’est-à-dire, que les produits finis est expliqué à travers les matières premières à 92% en admettant l’erreur de se tromper de 10%.
Ce qui veut dire que , lors que la quantité consommée de matières premières augmente la quantité de la détention de produits finis en stock magasin augmente aussi d’une proportionnelle et vise versa.