8110 19267 1 PB

Revue CREMA
ss
ss
N° 2017
Méta
ta-
ta-modèle
mod le de l’oxymore
l oxymore du Contrôle
Contr le de Gestion
Durable des entreprises de la BVC
1
Rachid BOUTTI
Résum
sumé.
sum .
L’objectif de cette contribution scientifique a été de valider notre méta-modèle
réticulaire de la Performance Sociale et Environnementale (PSE) et de la Performance
Economique et Financière (PEF) et leur influence élargie sur le Résultat Courant
Avant Impôt (RCAI) des entreprises à la cote des valeurs. Pour atteindre un tel
objectif, nous avons pu proposer alors d’analyser et de mesurer la performance des
« public equities par la Méthode d’Equations Structurelles (MES) afin de valider le
méta-modèle de la Performance du Contrôle de Gestion ainsi que les hypothèses sous-
jacentes sur lesquelles se fonde notre recherche. Dans ce cadre, notre modèle a été testé
auprès de 44 sociétés à la cote des valeurs au Maroc. La vocation prédictive de notre
modèle, ses relations structurelles et la nature réflective de nos construits nous ont
conduit à retenir la méthode des Modèles d’Equations Structurelles (MES) à l’aide du
logiciel AMOS version 20 en vue de valider notre méta-modèle de recherche. In fine, il
a été possible, à partir de cet outil empirique, d’expliciter un méta-modèle du pilotage
du Contrôle de Gestion Décisionnel 2.0 des entreprises de la Bourse des Valeurs de
Casablanca (BVC) et ses multiples retombées en terme d’externalités positives :
Pertinence, Utilité, Economie, Efficience et Efficacité. Les différents tests réalisés ont
conclu, en toute rigueur, par le truchement de l’enquête longitudinale menée auprès
des entreprises marocaines à la cote des valeurs, à la pertinence et à la robustesse des
Méthodes et Méta-modèles du Pilotage de la Performance.
cl s. Contrôle de Gestion - Contrôle de Gestion Décisionnel 2.0 –

Mots clés
Développement Durable – Responsabilité Sociale et Environnementale –– Méthodes et
Méta-Modèles – Pilotage de la Performance – Performativité - Public Equities –
Bourse des Valeurs de Casablanca – Pertinence – Utilité - Économie – Efficience –
Efficacité – Performance du Contrôle de Gestion – Performance Sociale et
Environnementale (PSE) – Performance Economique et Financière (PEF) -
Entreprises du MASI - Modèles d’Equations Structurelles (MES).
1 : - Président Développement
Pr sident de la Chaire UNESCO en Energies Renouvelables et D veloppement Durable
Pr sidentdu Centre de Recherches en Économie
- Présidentdu conomie et en Management Africain (CREMA)
- Professeur de l’Enseignement
l Enseignement Supérieur
Sup rieur (Professeur des Universités)
Universit s)
[r.boutti@uiz.ac.ma]
r.boutti uiz.ac.ma]
89 <<< Revue Scientifique CREMA 2017

Introduction
La démarche de cette recherche action sous-jacente à la
problématique vernaculaire « des meilleures pratiques du Contrôle de
Gestion des Entreprises du MASI » obéira à une stratégie lisible, à un
calendrier rigoureux échelonné sur cinq (5) ans « confère au schéma
d’ordonnancement des travaux à savoir du 2008 à 2014 » et à des
retombées significatives préalablement explicitées. Force est de
reconnaitre, que cette recherche action visera à mettre en relief les
leviers actionnables des meilleures pratiques du Contrôle de Gestion des
Entreprises Marocaines inscrites à la Bourse de Valeurs de Casablanca
(BVC)1 configurant le principal indice boursier « All Shares Index »
(MASI) en période de crise des « subprimes2 ».
Les tests empiriques quantitatifs traiteront les variables actionnables des

meilleures pratiques du Contrôle de Gestion des Sociétés Marocaines
inscrites à la Bourse des Valeurs de Casablanca (BVC) au moyen d’un
questionnaire auprès de 44 de plus grandes Capitalisations Boursières
(CB). Nous expliciterons la façon dont les « public equities » marocaines
implémenteront et déploieront des « Business Models » budgétaires
déclinés par le Contrôle de Gestion en période de crise économique des
« subprimes ». Cet article mettra en relief l’étude quantitative par le
truchement des tests empiriques du Développement Durable et de la
Responsabilité Sociale et Environnementale (RSE) sous-jacents au
Contrôle de Gestion Décisionnel 2.0.
1
LOUTFI, Touda. Communication et rôle de la Bourse des Valeurs de Casablanca
dans le développement des marchés financiers. p. 31-37.
2
ARTUS, Patrick ; BETBEZE, Jean-Paul et al. 2008. Op. Cit. p. 106.
Nous allons présenter les résultats de l’étude de la performance intégrée
menée par les Modèles d’Equations Structurelles (MES) par le
truchement du logiciel AMOS version 20. Le premier axe proposera une
analyse des objectifs des Méthodes des Equations Structurelles (MES)
dans le contexte des « public equities » marocaines (Axe 1). Le
deuxième point poursuivra cette analyse en soulignant la mesure de
performance de notre méta-modèle : méthodologie adoptée et discussions
(Axe 2). Nous allons mener enfin une discussion de l’ensemble des
résultats de cette recherche quantitative au regard du test des
hypothèses du modèle structurel et des résultats de l’analyse
confirmatoire.
I. MODELE CONCEPTUEL ET
OPERATIONNALISATION DES CONCEPTS
DU MODELE DE RECHERCHE
RECHERCHE
L’objectif de notre recherche, en l’occurrence, est de présenter aussi

fidèlement les étapes du processus de mesure des dimensions des
concepts de notre recherche, de leur validité de construit, convergente et
discriminante, leur fiabilité en tant que mesure et en tant que concept
ainsi que leur cohérence.
Le conformisme économétrique consistera à présenter les conditions de

contrôle, et le cas échéant, les facteurs à écarter l’effet en vue de mieux
apprécier les liens de causalité entre les concepts de notre modèle de
recherche. Le choix de ces facteurs se basera, eu égard aux exigences de
ce conformisme, sur les théories et modèles théoriques traitant les
déterminants de la Performance Sociale et Environnementale (PSE) et
de la, Performance Economique et Financière (PEF) influençant
Performance du Contrôle de Gestion des « public equities » marocaines
de ces entreprises cotées en Bourse des Valeurs de Casablanca mesurée
par le Résultat Courant Avant Impôt (RCAI). Ainsi, à titre d’exemple,
nous nous baserons sur les arguments des approches relevant du néo-
institutionnalisme de par la justification de leurs arguments et des
hypothèses qui les sous-tendent aux caractéristiques des sociétés à la
cote et le cas échéant la Bourse des Valeurs de Casablanca (BVC). La
plasticité au niveau de la spécification du modèle économétrique sera
indubitablement inévitable eu égard au caractère contextuel et
substantif des approches théoriques étudiant les déterminants de la
Performance du Contrôle de Gestion par le truchement de l’impact de
la Performance Sociale et Environnementale (PSE) et de la Performance
Economique et Financière (PEF). Le cas échéant, nous nous focaliserons
sur les apports de notre accès précoce au terrain et en l’occurrence les
résultats de nos entretiens directifs avec les spécialistes dans le domaine
du Contrôle de Gestion.
Nous essayons de vérifier les hypothèses suivantes dans le cadre de notre

méat-modèle de recherche :
Hypothèse Générale (HG) : La Performance du Contrôle de

Gestion est influencée par la Performance Sociale et
Environnementale (PSE) et la Performance Economique et
Financière (PEF).
L’Hypothèse Générale donnera lieu à deux Hypothèses Adjacentes

correspondant aux variables de la Performance Sociale et
Environnementale (PSE) et de la Performance Economique et
Financière (PEF).
Hypothèse Adjacente n°1 (HA1_PSE) : La Performance Sociale

et Environnementale des entreprises marocaines cotées en bourse
est influencée par la performance perçue de la certification dans
le cadre de la qualité, du Développement Durable et
Responsabilité Sociale et Environnementale, de la Corporate
Governance et de l’application de l’approche genre.
Hypothèse Adjacente n°2 (HA2_PEF) : La Performance

Economique et Financière des « public equities » est influencée
par les fonds propres durant les cinq dernières années, le plan
stratégique à long terme, le plan opérationnel pour réaliser les
objectifs du plan stratégique, l’existence des budgets, la lourdeur
de la procédure budgétaire et le Système d’Information Intégré
ERP.
La première Hypothèse Adjacente HA1_PSE donnera lieu à quatre (4)

Hypothèses de Dépendance directe entre les variables de la Performance
du Contrôle de Gestion.
Hypothèse de Dépendance directe n°1 (H1_1_VAR114) :

L’application de l’approche genre influence positivement la
Performance du Contrôle de Gestion.
L’implémentation et le déploiement de la certification dans le
cadre de la qualité influence positivement la Performance du
Contrôle de Gestion.
Hypothèse de Dépendance directe n°3 (H1_3_VAR124) : Les
agendas du Développement Durable et la Responsabilité Sociale
et Environnementale influencent positivement la performance du
Hypothèse de Dépendance directe n°4 (H1_4_VAR125) : La
Corporate Governance influence positivement la Performance du
Contrôle de Gestion (PCDG).
La deuxième Hypothèse Adjacente HA2_PES donnera lieu à six (6)

Hypothèses de Dépendance directe entre les variables de la Performance
Sociale et Environnementale.

L’existence des fonds propres durant les cinq dernières années a
un effet positif sur la Performance du Contrôle de Gestion.
Hypothèse de Dépendance directe n°2 (H2_2_VAR012) : La mise
en place du plan stratégique à long terme a un effet positif sur la
L’existence du plan opérationnel pour réaliser les objectifs du
plan stratégique a un effet positif sur la Performance du Contrôle
de Gestion.
L’existence budgets a un effet positif sur la Performance du
Hypothèse de Dépendance directe n°5 (H2_5_VAR029) : La
lourdeur de la procédure budgétaire a un effet négatif sur la

L’implémentation et le déploiement d’un Système d’Information
Intégré ERP a un effet positif sur la Performance du Contrôle de
Gestion.
L’intérêt pour notre recherche est de comprendre la mesure de la

Performance du Contrôle de Gestion. Cette mesure sera rendue
particulièrement difficile par les nouveaux enjeux de l’environnement
des « public equities » et la résilience stratégique et managériale. Ainsi,
notre question centrale de notre recherche a été formulée de la manière
suivante : « La Performance Sociale et Environnementale et la
Performance Economique et Financière sont-elles deux facteurs
déterminants de la Performance du Contrôle de Gestion des « public
equities » ? ». Pour tester notre méta-modèle conceptuel conçu par une
approche abductive, nous opérons un passage du monde théorique vers
le monde empirique. Cette transition qui n’est pas dénuée d’écueils
méthodologiques, requière une certaine vigilance quant aux choix des
bons proxys permettant de cerner les principales facettes ou dimensions
des concepts mobilisés dans notre modèle, ainsi que pour tester leurs
interactions. Mus par cette finalité, nous scindons cet axe en deux
points essentiels. Le premier permet de mettre en exergue la
méthodologie de test de la validité et la fiabilité des variables
d’opérationnalisation. Dans un second point, nous consolidons le choix
de la méthodologie de test de la validité et la fiabilité des variables
d’opérationnalisation de notre méta-modèle.

I.1 Objectifs méthodologiques
m thodologiques de la Méthode
M thode des Equations
Structurelles
Les Modèles d’Equations Structurelles (MES) sont aujourd’hui
largement employées dans la recherche quantitative en Sciences de
Gestion, lorsqu’il s’agit de tester des modèles de causalité complexes,
incorporant plusieurs variables latentes.
La procédure habituelle d’estimation repose sur des techniques

d’analyse des relations de covariance entre les variables, mises en
application dans les logiciels couramment utilisés dans les traitements
de données issues des études empiriques (ex : Lisrel (CBSEM). Les
Méthodes d’Equations Structurelles (MES) ont été développées pour
permettre de tester les relations causales multiples, puis leur usage s’est
progressivement étendu aux analyses de validité des construits latents
(analyse factorielle confirmatoire), puis aux analyses multi groupes (ex :
Ping, 1995 ; El Akremi, 2005) et aux études longitudinales (ex :
Vandenberg, 2002 ; Campoy & Dumas, 2005). Les Equations
Structurelles (ES) sont une extension du modèle linéaire généralisé
(SEM : Structural Equation Model). Elles constituent plus une analyse
analytique décisionnelle et confirmatoire qu’une analyse exploratoire et
descriptive.
Les équations structurelles peuvent constituer une alternative

structurante pour : la Régression Multiple, l’Analyse Factorielle des
Composantes Principales, l’Analyse Hiérarchique, l’Analyse de la
Covariance UNCOVA et les Séries Chronologiques.
A cet égard, les variables peuvent être des variables dépendantes et

indépendantes, précisément dans ce cas c’est le modèle non récursif. Les

variables dépendantes sont appelées également des variables de
médiation, des variables endogènes ou des variables en aval. Les
variables indépendantes sont appelées également des variables exogènes
ou des variables en amont. Les Equations Structurelles (ES) permettent
de tester un ensemble d’équations de régression simultanément.
Le système SEM peut tester des modèles traditionnels, mais il permet

également l’examen de plusieurs rapports et des modèles complexes,
telles que l’analyse factorielle confirmatoire et analyses chronologiques
sus mentionnés. L’approche de base pour la réalisation d’une analyse
SEM est le suivant:
Figure 1 : Base de l’analyse

l analyse SEM
Construit par l’auteur au moyen du progiciel Visual Understanding Environment (VUE)

Nous précisons d’abord un modèle basé sur la théorie, puis nous
déterminons comment mesurer les constructions, la recueille des
données, puis nous entrons les données dans le système SEM. Le paquet
correspond aux données du modèle spécifiée, et produit des résultats,
qui comprennent les statistiques d’ajustement global du modèle et les
estimations de paramètres. L’entrée de l’analyse est généralement une
matrice de covariance des variables mesurées telles que point de
l’enquête, parfois des matrices de corrélations ou des matrices de
covariance et moyens sont utilisés. Dans la pratique, l’analyste de
données fournit habituellement des programmes SEM avec les données
brutes, et les programmes SEM permettant de convertir ces données en
covariances et des moyens pour son propre usage. Le modèle est
constitué d’un ensemble de relations entre les variables mesurées. Ces
relations sont alors exprimées comme des restrictions sur l’ensemble
total des relations possibles.
Figure 2 : Constitution du modèle

mod le
Les résultats comportent indices globaux de l’ajustement du modèle

ainsi que les estimations des paramètres, erreurs standard, et les
statistiques de test pour chaque paramètre libre dans le modèle.

Dans le cadre de l’estimation de modèles relationnels théoriques,
l’apport principal de ces méthodes est de permettre une estimation
simultanée de plusieurs relations de dépendances, tout en prenant en
compte les erreurs de mesure (Roussel & al, 2002). Un modèle
d’équations structurelles (Cf. Figure infra) se compose
traditionnellement de deux parties : le modèle de mesure et le modèle
structurel (Lacroux, 2009). La spécification du modèle à étudier consiste
à préciser ses principales caractéristiques en se basant sur la théorie. En
effet, la présence d’un cadre conceptuel cohérent avec le modèle forme
un ingrédient préliminaire permettant de justifier théoriquement les
relations linéaires à tester (Roussel et al, 2002). Elle consiste d’une part
à déterminer le modèle de mesure des variables latentes en répondant
aux questions suivantes :
Quels indicateurs servent à mesurer les variables latentes ?

Comment sont-ils reliés aux variables latentes et éventuellement
à d’autres indicateurs ?
La spécification consiste d’autre part à déterminer le modèle structurel
en répondant aux questions :
Quelles relations linéaires doivent être testées entre les variables

latentes ?
Quelle est leur direction et leur nature ?
Quels sont mes différents paramètres à estimer ?
Baumgartner et Homburg (1996) ont indiqué que la prise en

considération d’un certain nombre de variables observées pour chaque
variable latente (ou dimension) sert davantage à spécifier le modèle de
mesure. Ces auteurs suggèrent qu’un minimum de trois à quatre
indicateurs de mesure par dimension est relativement favorable pour un
modèle de mesure.
Plus particulièrement, nous distinguons les indicateurs de mesures

réflexifs et les indicateurs de mesure formatifs. L’examen de la
littérature en Contrôle de Gestion relève que la plupart des modèles
sont de nature réflexive. Ainsi tout modèle testé se divise-t-il en deux
parties : le modèle de mesure et le modèle structurel (Cf. Figure
suivante). Le premier modèle précise les indicateurs (variables
observées) de chaque variable latente. Chaque indicateur est défini
théoriquement par le concepteur du modèle d’analyse soit en reprenant
la structure factorielle de l’échelle apparue à l’issue d’une analyse
factorielle exploratoire. Le second modèle concerne les hypothèses de
relations linéaires entre les variables latentes et correspond aux relations
définies a priori par le concepteur du modèle. L’estimation des modèles,
autrement dit, l’établissement des liens entre les indicateurs et les
construits latents associés (modèle de mesure), ainsi que le calcul des
coefficients structurels entre les construits (modèle structurel) peut se
faire en recourant à plusieurs types d’algorithmes. Deux procédures sont
aujourd’hui utilisées dans le domaine des Sciences de Gestion (Chinn,
1995) : la méthode la plus répandue est basée sur l’analyse des
covariances (CBSEM) et la technique du maximum de vraisemblance
(maximum likehood), souvent dénommée « méthode Lisrel », en
référence au principal outil logiciel développé sur cette base (Jöreskog &
Sörbom, 1996). Selon Chinn (1995), il est possible de distinguer les
deux méthodes par analogie avec l’analyse factorielle. La différence

entre l’approche Lisrel (CBSEM) et Partial least Square (VBSEM) est
en fait du même ordre que celle qui existe entre l’analyse factorielle
« classique » en facteurs communs et spécifiques et l’Analyse en
Composantes Principales (ACP). La seconde ne prend pas en compte les
erreurs de mesure, mais elle permet toujours d’obtenir une solution. La
méthode Lisrel (CBSEM) est encore minoritaire en sciences de gestion,
mais il faut remarquer qu’elle est très communément employée dans
d’autres champs disciplinaires parfois connectés à la gestion (économie,
sociologie, ou psychologie par exemple). Si l’on envisage plus
précisément le champ des sciences de gestion, on peut constater que les
études incorporant des modèles estimées par analyse Partial Least
Square (PLS) sont aujourd’hui principalement utilisés en management
stratégique (ex : Venaik & al, 2005), systèmes d’information (ex : Chin
& al., 1996). On peut mentionner des travaux portant sur le support
psychologique ou le conflit famille-travail (Duxbury & Higgins, 1991).
Force est de constater que Structural Equation Modeling (SEM) a un
langage qui lui est propre. Les méthodes statistiques en général ont
cette propriété, mais les utilisateurs et les créateurs Structural Equation
Modeling (SEM) semblent avoir élevé langage spécialisé à un nouveau
niveau. Les variables indépendantes, qui sont censées être mesurée sans
erreur, sont appelées variables exogènes ou en amont; variables
dépendantes ou de médiation sont appelées variables endogènes ou en
aval. Les variables manifestées ou observés sont directement mesurés
par les chercheurs, tandis que les variables latentes ou non observées ne
sont pas mesurées directement mais sont déduites des relations ou des
corrélations entre les variables mesurées dans l’analyse. Cette estimation
statistique est effectuée de la même manière que l’analyse factorielle

exploratoire en déduit la présence de facteurs latents de la variance
commune entre les variables observées. Les modélisations Structural
Equation Modeling (SEM) représentent les relations entre les variables
observées et non observées à l’aide de diagrammes de chemin. Les ovales
ou les cercles représentent des variables latentes (ou non observables),
tandis que des rectangles ou des carrés représentent des variables
mesurées. Les résidus sont toujours inaperçus, ils sont représentés par
des ovales ou des cercles. Dans la figure ci-dessous, les corrélations et les
covariances sont représentées par des flèches bidirectionnelles, qui
représentent des relations sans lien causal explicitement défini. Par
exemple, F1 et F2 sont liés ou associés, mais aucune déclaration n’est
faite sur F1 causant F2, ou vice versa.
Figure 3 : Relation entre les variables observées

observ es et non observées
observ es

En revanche, nous ne prétendons que F1 provoque les scores observés sur
les variables mesurées I1 et I2. Les effets de causalité sont représentés
par des flèches à une tête dans le diagramme de chemin. F1 et F2
peuvent être conceptualisés comme la variance des deux parts des
indicateurs (c’est à dire, ce que les deux indicateurs ont en commun).
Nous pouvons deviner que F1 et F2 sont des facteurs latents; I1 à I4 sont

des variables observées. E1 à E4 sont variances résiduelles ou d’erreur
qui provoquent aussi des variations de réponse dans I1 à I4. Ce schéma
nous dit que les résultats ou les réponses sur les éléments de l’enquête de
un à quatre sont causées par deux facteurs corrélés, avec la variance qui
est unique pour chaque élément. Une partie de cette variance unique
pourrait être dû à une erreur de mesure. Certains des chemins indiqués
dans le diagramme sont étiquetés avec le numéro « 1 ». Cela signifie que
les coefficients de ces trajets ont des valeurs fixes, qui sont fixées à 1,00.
Ces valeurs fixes sont incluses par nécessité: ils ont mis l’échelle de
mesure pour les facteurs latents et les résidus. Alternativement, nous
pouvons définir les variances des facteurs à 1,00 pour obtenir des
solutions implicitement normalisés3.
I.2 La modélisation
mod lisation par les Equations Structurelles SEM
Les Modèles d’Equations Structurelles (MES) sont des modèles
d’analyse qui permettent d’étudier les liens de causalité multiple entre
un ensemble de variables latentes (VL) représentant un concept ou un
construit non directement observable, qui nécessite de réunir un
ensemble d’indicateurs pour être mesuré (Roussel et al. 2002). Ces
3
Cette méthode n’est pas valable lorsqu’on voudrait effectuer une analyse de groupe multiple.
indicateurs sont nommés dans les MES variables manifestes (VM), et
sont des variables pour laquelle une mesure peut être directement
recueillie (Jakobowicz, 2007). Nous présentons cet axe la démarche de la
modélisation par les Equations Structurelles (ES). Pour les variables
latentes :
η1   ξ1 
η =  M  ξ =  M 
Variables latentes :
η m   ξ m 
142 43 142 43
V L endogène V L ex og ène
Nous distinguons deux types de modèle structurel :
Le modèle structurel interne ;

Le modèle structurel externe.
Le modèle structurel (modèle interne) se présente de la manière
suivante :
η = Bη + Γξ + ζ
Le schéma du modèle structurel externe est le suivant :

Avec :
y = Variable Manifeste (VM)

η = Variable Latente (VL)
L’intégration des modèles structurels et de mesure est la suivante :
η = Bη+ Γξ + ζ ⇔ η = (I - B)−1 (Γξ + ζ)

Forme réduite
x = Λx ξ + δ
y = Λ y η + ε ⇔ y = Λ y (I - B ) −1 ( Γξ + ζ ) + ε
Φ = C o v (ξ ) = E (ξ ξ ’)
ψ = C o v (ζ ) = E (ζ ζ ’)
Θε = C o v (ε ) = E (ε ε ’)
Θδ = C o v(δ ) = E (δ δ ’)
Pas de corrélation entre les résidus ζ, ε, δ.

Matrice de covariance des variables manifestes se présente ci-après :
Σxx Σxy 
Σ(Λx , Λy , B,Γ, Φ, Ψ, Θε , Θδ ) =  
Σyx Σyy 
 ΛxΦΛx ' + Θδ −1
ΛxΦΓ'[ (I -B)'] Λy ' 
= −1

Λy [ (I -B)] ΓΦΛx ' Λy [(I -B) (ΓΦΓ'+Ψ)][(I -B)'] Λy ' + Θε 
−1 −1
Avec :
Λ x , Λ y : Modèle externe.
B, Γ : Modèle interne.
Φ : Covariance des variables latentes exogènes.

Ψ : Covariance des résidus des équations structurelles.
Θ ε , Θ δ : Covariance des résidus du modèle de mesure.
Après avoir présenté les deux modèles structurels interne et externe, il

nous apparait très utile d’indiquer la matrice du maximum de
vraisemblance comme suivant :
S = Matrice des covariances observées
observ es des Variables Manifestes
ˆ ,Λ
C = Σ(Λ ˆ , B,
ˆ Γˆ , Φ ˆ ,Θ
ˆ ,Ψ ˆ ,Θˆ )
x y ε δ
θ
n
Maximiser
14243 log L(θ ) = −
2
{
log Σ(θ ) + tr SΣ(θ )−1  }
θ
Equivalent de :
-1
Minimiser F = Trace(SC ) - q + Ln(det C) - Ln(det S)
A cet égard, Calcul des écarts-types des paramètres :
n
{
log L(θ) = − log Σ(θ) + tr SΣ−1 (θ)
2
}
−1
ˆ   ∂ 2 log L (θ )  
C ov (θ ) ≈  − E  
  ∂ θ ∂ θ '  θˆ

hypoth ses sous jacentes aux équations
I.3 Les hypothèses quations structurelles
SEM
La modélisation par équation structurelle est une extension flexible et
puissante du modèle linéaire général (SEM). Comme toute méthode
statistique, il dispose d’un certain nombre d’hypothèses. Ces hypothèses
doivent être remplies ou au moins estimés pour garantir des résultats
fiables.
I.3.1 – Taille raisonnable de l’échantillon

l chantillon
Selon la statistique multivariée appliquée de James Stevens pour les
sciences sociales, une bonne règle générale pour la taille de l’échantillon
est de 15 cas par prédicteur dans une analyse standard des moindres
carrés ordinaires de régression multiple. Bentler et Chou (1987) notent
que les chercheurs peuvent aller aussi bas que cinq cas par estimation de
paramètres dans l’analyse structurelle SEM, mais seulement si les
données sont parfaitement bien élevés (c’est-à-dire normalement
distribuées, pas de données manquantes ou des cas périphériques, etc.).
Il faut noter que Bentler et Chou mentionnent cinq cas par estimation
de paramètre plutôt que par la variable mesurée. Les variables mesurées
ont généralement au moins un coefficient de chemin associée à une
autre variable dans l’analyse, en plus d’une durée résiduelle ou variance
estimation, il est donc important de reconnaître que les
recommandations Bentler et Chou et Stevens en queue d’aronde à
environ 15 cas par la grandeur de mesure, minimum. Plus généralement,
Loehlin (1992) rapporte les résultats des études de simulation de Monte
Carlo en utilisant des modèles d’analyse factorielle de confirmation.

I.3.2 – Variables endogènes
endog nes en continu ou normalement distribuées
distribu es
Les programmes SEM supposent que les variables dépendantes et de
médiation (variables dites endogènes ou en aval dans le langage SEM)
sont continuellement distribuées, avec des résidus normalement
distribués. En fait, les résidus d’une analyse structurelle SEM doivent
non seulement être une variable normalement distribuée, leur
distribution conjointe devrait être jointe normalement de manière
multivariée ainsi. Toutefois, cette hypothèse n’est jamais complètement
atteinte dans la pratique. Les systèmes SEM ont mis au point un
certain nombre de méthodes pour faire face à des variables non
distribuées normalement. Ces méthodes sont conçues pour les variables
qui sont supposées avoir une distribution continue sous-jacente. Les
points à l’échelle de puiser dans les points le long d’un continuum de
l’estime de soi, et même si les données de l’élément ne sont pas répartis
de façon continue, la distribution estime de soi sous-jacente est
continue. En revanche, d’autres variables de résultats ne sont pas en
permanence distribuées. La plupart des programmes SEM ne peuvent
pas gérer certains types de variables dépendantes niveau nominal.
I.3.3 – Donn
Données
es complètes
compl tes ou un traitement approprié
appropri des donn
données
es
incomplètes
incompl tes
De nombreux logiciels SEM acceptent la corrélation ou l’entrée de la
matrice de covariance. Autrement dit, nous pouvons calculer ces
matrices-même en utilisant un autre logiciel (comme SPSS), puis de les
mettre dans AMOS ou un autre paquet SEM pour l’analyse. Cette
fonction est utile si nous prévoyons de ré-analyser une matrice de
covariance rapportée dans un article de recherche, par exemple.
Habituellement, cependant, le mode préféré d’analyse utilise une entrée
de données brutes: nous disposons une base de données, qui peut-être
dans SPSS ou un autre format commun (comme Microsoft Excel), le
programme SEM calcule la covariance dans le cadre de son analyse
structurelle.
Qu’est-ce que ces programmes font sur des bases de données sans
données complètes ? Les solutions typiques ad-hoc à problèmes de
données manquantes comprennent la suppression des observations
incomplètes des cas, où l’enregistrement d’un ensemble de cas est
supprimé si le cas a un ou plusieurs points de données manquantes, et
par suppression de données paires, où les corrélations bidimensionnelles
sont calculés uniquement sur les cas les données sont disponibles.
Résultats de la suppression par paires dans les différents N de
covariance pour chaque bidimensionnelle ou la corrélation dans la base
de données. Une autre technique généralement utilisée de manipulation
de données manquantes, est la substitution de la moyenne de la variable
pour les points de données manquantes sur cette variable.
Mais aucune de ces méthodes de traitement des données manquantes

ad-hoc sont attrayantes d’un point de vue statistique. La suppression
dans la liste peut entraîner une perte importante de puissance, en
particulier si de nombreux cas ont chacun quelques points de données
manquantes sur une variété de variables, pour ne pas mentionner
limiter l’inférence statistique pour les personnes qui terminent toutes les
mesures dans la base de données. Enfin, la substitution va diminuer les
écarts des variables où la substitution moyenne a eu lieu, ce qui n’est
pas souhaitable. Le problème le plus important de ces méthodes est
qu’elles supposent que les données manquantes sont manquantes
complètement au hasard, ce qui n’est pas souvent le cas (Little &
Rubin, 1987).
Qu’est-ce qu’un chercheur à faire au sujet des données manquantes ? Si

la proportion de cas de données manquantes est faible, dire cinq pour
cent ou moins, suppression dans la liste peut être acceptable (Roth,
1994). Bien sûr, si les cas de cinq pour cent (ou moins) ne manquent pas
complètement au hasard, les estimations des paramètres incompatibles
peuvent en résulter. Sinon, les experts de données manquantes (par
exemple, Little et Rubin, 1987) recommandent d’utiliser une méthode
d’évaluation de probabilité maximale pour l’analyse, une méthode qui
permet l’utilisation de tous les points de données disponibles. AMOS
comporte l’estimation du maximum de vraisemblance en présence de
données manquantes.
I.3.4 – Base théorique

th orique pour le modèle
mod le de la spécification
sp cification et de causalité
causalit
Les chercheurs dans les systèmes SEM reconnaissent que, dans la plupart
des cas, il existe des modèles équivalents qui correspondent tout aussi
bien que leur propre modèle provisoirement accepté. N’importe lequel de
ces modèles peut être « correcte », car ils correspondent aux données
ainsi que le modèle préféré.
Les chercheurs font de leur mieux pour éliminer d’autres modèles, et, par
extension, d’autres explications, mais ce n’est pas toujours possible.

L’utilisation du système SEM implique donc une certaine incertitude, en
particulier avec des données transversales qui ne sont pas collectées dans
des conditions contrôlées. (Cela est également vrai pour d’autres modèles
couramment utilisés tels que l’ANOVA et techniques de régression
multiple).
Pour cette raison, des programmes de logiciels SEM nécessitent que le

chercheur doit être très explicite en spécifiant des modèles. Alors que les
modèles qui correspondent le bien de données ne peuvent être acceptées à
titre provisoire, les modèles qui ne correspondent pas aux données et
peuvent être absolument rejetées.
En plus d’évaluer la bonté absolue de l’ajustement des modèles simples,

nous pouvons également évaluer les modèles concurrents en utilisant des
tests de Khi-deux rapport de vraisemblance pour les comparer. D’autre
part, si nous ne trouvons aucune différence significative entre les deux
modèles, nous pouvons conclure que le modèle d’un facteur d’ajustement
des données tout aussi bien que le modèle à deux facteurs. Seuls les
modèles où nous pouvons tirer un modèle plus simple en imposant un
ensemble de contraintes ou de restrictions sur un modèle plus complexe,
peuvent être comparés de cette manière. Ces modèles sont appelés
modèles emboîtés. Si nous voulons comparer les modèles qui ne sont pas
directement comparables, nous pouvons utiliser divers critères descriptifs
de comparer ces modèles non emboîtés.

I.4 Population de recherche, collecte des données
donn es et mesure
des variables
Dans cette partie, nous présentons successivement la méthodologie

adoptée pour l’étude empirique et les résultats obtenus avant d’en
proposer une discussion articulée autour des hypothèses de recherche.
Notre population de recherche a été constituée par les 44 entreprises
cotées à la Bourse des Valeurs de Casablanca, les plus importantes du
marché principal, marché développement et celui croissance4. Notre
objectif étant d’analyser le contrôle de gestion et leurs impacts mises en
place par ces entreprises de la cote de la BVC. Notre choix de la
personne cible s’est porté sur le responsable contrôle de gestion et le
directeur de du contrôle de gestion. Le choix d’adresser ce questionnaire
au responsable contrôle de gestion des entreprises cotée à la BVC s’est
imposé naturellement. En ce qui concerne les directeurs contrôle de
gestion, si les partenariats sont parfois initiés et conclus par la direction
régionale ou nationale de l’entreprise cotée, en revanche, la gestion de la
relation est assurée par le directeur ou chef de projets qui est donc le
plus à même de se prononcer sur l’interaction entre les deux
organisations. Notre base de données a donc ainsi été composée de
répondants des deux côtés des dyades analysées (responsables et
directeurs du Contrôle de Gestion). Or, dans certains cas, la littérature
4
Le marché principal (1er compartiment) : ce compartiment cible les grandes entreprises, la
consolidation des comptes est nécessaire pour les sociétés disposant de filiales. Le marché
è
développement (2 me compartiment) : s’adresse aux entreprises de taille moyenne présentant des
è
perspectives d’évolution attractives. Le marché croissance (3 me compartiment) : réservé aux
sociétés en forte croissance ayant un projet à financer. Pour pouvoir accéder à ces marchés et
lever les fonds nécessaires à leur développement, les entreprises doivent respecter au préalable
certaines conditions d’admission.
témoigne d’asymétries concernant la perception de la relation par les
deux partenaires (Anderson et Narus, 1990). Nous avons donc testé
l’existence de ces phénomènes d’asymétrie dans les perceptions du
succès, de la performance et du contrôle. Pour cela nous avons procédé
à des analyses de variance de la variable du résultat enregistré durant
les cinq dernières années. Rendant compte du type de répondants
(responsables ou directeurs) avec deux variables exogènes à savoir la
Performance Economique et Financière (PEF) et la Performance Sociale
et Environnementale (PSE). A cet égard, nous avons analysés les onze
variables d’action adressables comme suivant :
1. VAR122 : Certification dans le cadre de la qualité ;
2. VAR124 : Développement Durable et Responsabilité Sociale et Environnementale ;
3. VAR125 : Corporate Governance ;
4. VAR114 : Application de l’approche genre ;
5. VAR002 : Résultat Courant Avant Impôt durant les cinq dernières années ;
6. VAR006 : Fonds propres durant ces cinq dernières années;
7. VAR012 : Plan stratégique à long terme ;
8. VAR017 : Plan opérationnel pour réaliser les objectifs du plan stratégique
9. VAR027 : Budgets dans l’entreprise ;
10.
10. VAR029 : Lourdeur de la procédure budgétaire ;
11.
11. VAR121 : Système d’Information Intégré ERP.
Enfin, pour juger de la significativité des analyses de variance, nous

avons eu recours à un test F de Fisher-Snedecor. Les résultats montrent
une absence de différence significative dans la vision des responsables et
des directeurs de Contrôle de Gestion, ce qui nous a conduit à agréger
les données issues pour tester nos hypothèses. Le choix de la Bourse des
Valeurs de Casablanca est dû au fait que cette bourse doit aujourd’hui

prendre en considération de nouvelles contraintes et doit relever des
défis de plus en plus présents (flexibilité, réactivité, performance) au
prisme de la crise des « subprimes ».
Pour cela, le « management control » apparaît comme un facteur

essentiel de la compétitivité de la firme et des « public equities »,
conscientes de ces enjeux, développent des pratiques et de bonne
conduite pour faire face à la crise survenue en 2008. Cette place
boursière est donc un terrain d’investigation particulièrement
intéressant dans le cadre de notre recherche et un contexte favorable à
l’objet de l’étude. Sur les 77 questionnaires envoyés, 44 questionnaires
exploitables ont pu être traités, soit un taux de retour de 58,44 %.
Concernant les mesures des variables, nous nous sommes appuyés d’une
part, sur des mesures préexistantes issues de la littérature, d’autre part,
sur la série d’entretiens d’experts auprès de responsables contrôle de
gestion et de directeurs et conduits au cours du second semestre 2008.
Au final, toutes les variables du modèle ont fait l’objet d’une mesure
multi-items évaluée par une échelle bipolaire, en 7 points (tout à fait
d’accord / pas du tout d’accord). Ces mesures ont ensuite fait l’objet
d’une traduction si cela était nécessaire et d’un pré-test.

II.
II. MESURE DE LA PERFORMANCE
PERFORMANCE DE NOTRE
META-
META-MODELE : METHODOLOGIE
ADOPTEE ET DISCUSSIONS
DISCUSSIONS DES
RESULTATS
II.1 Identification de notre méta

m ta-
ta-modèle
mod le
Les programmes SEM nécessitent un nombre suffisant de corrélations
ou covariances connues comme intrants afin de générer un ensemble
raisonnable de résultats. Une exigence supplémentaire, est que chaque
équation doit être correctement identifiée. Identification renvoie à
l’idée qu’il y ait au moins une solution unique pour chacun des
paramètres dans un modèle structurel SEM. Les modèles dans lesquels
il n’y a qu’une seule solution possible pour chaque estimation de
paramètre sont appelés juste identifiés. Les modèles pour lesquels il
existe un nombre infini de valeurs possibles d’estimation de paramètre,
sont nommés « underidentified ». Enfin, les modèles qui ont plus d’une
solution possible (mais un meilleur ou solution optimale) pour chacun
des paramètres sont considérés comme « overidentified ». L’étude de
notre méta-modèle examinait les relations entre le Contrôle de Gestion
et la Performance à travers des deux dimensions constitutives de la
performance du contrôle de gestion (la Performance Economique et
Financière « PEF » et la Performance Sociale et Environnementale
« PSE »). La figure suivante rend compte de notre méta-modèle
identifié. Le choix de la Bourse des Valeurs de Casablanca (BVC) est
dû au fait que cette bourse doit aujourd’hui prendre en considération
de nouvelles contraintes et doit relever des défis de plus en plus
présents (flexibilité, réactivité, performance) au prisme de la crise des
« subprimes ». Pour cela, le « management control » apparaît comme
un facteur essentiel de la compétitivité de la firme et des « public
equities », conscientes de ces enjeux, développent des pratiques et de
bonne conduite pour faire face à la crise survenue en 2008.
Cette place boursière est donc un terrain d’investigation

particulièrement intéressant dans le cadre de notre recherche et un
contexte favorable à l’objet de l’étude. Sur les 77 questionnaires
envoyés, 44 questionnaires exploitables ont pu être traités, soit un taux
de retour de 58,44 %.
Concernant les mesures des variables, nous nous sommes appuyés d’une
part, sur des mesures préexistantes issues de la littérature, d’autre part,
sur la série d’entretiens d’experts auprès de Responsables Contrôle de
Gestion et de Directeurs. Ces entretiens ont été conduits au cours du
second semestre 2008. Au final, ces mesures ont ensuite fait l’objet
d’une traduction si cela était nécessaire et d’un pré-test.

Figure 4 : Le méta
m ta-
ta-modèle
mod le identifié
identifi
Le méta-modèle contient les variables adressables d’action en deux

types, comme suivant :
Variables observables endogènes

endog nes ;
Variables non-
non-observables exogènes.
exog nes.

Tableau 1 : Résum
R sumé
sum des variables du méta
m ta-
ta-modèle
mod le identifié
identifi
Observed, endogenous variables

VAR002 Résultat Courant Avant Impôt durant ces cinq dernières années
VAR124 Développement Durable et Responsabilité Sociale
et Environnementale
VAR125 Corporate Governance
VAR114 Application de l’approche genre
VAR012 Plan stratégique à long terme
VAR006 Fonds propres durant ces cinq dernières années
VAR017 Plan opérationnel pour réaliser les objectifs du plan stratégique
VAR027 Budgets dans l’entreprise
VAR029 Lourdeur de la procédure budgétaire

VAR121 Système d’Information Intégré ERP
VAR122 Certification dans le cadre de la qualité

Unobserved, exogenous variables
Performance Sociale et Environnementale (PSE)
Performance Economique et Financière (PEF)
e2 résidu de la VAR002

Dans la pratique, tous les modèles équipés succès sont juste identifiés ou
« overidentified ». En général, nous souhaitons utiliser les modèles
« overidentified » parce que ces modèles vous permettent de tester des
hypothèses statistiques, y compris l’ajustement du modèle global
(Loehlin, 1992). L’étude de notre méta-modèle examinait les relations
entre le Contrôle de Gestion et la Performance à travers des deux
dimensions constitutives de la performance du contrôle de gestion (la
Performance Economique et Financière « PEF » et la Performance
Sociale et Environnementale « PSE »).
II.2 Résultats
R sultats du test des hypothèses
hypoth ses du modèle
mod le structurel
Les sociétés cotées à la Bourse de Casablanca (BVC) sont des sociétés

qui doivent chercher une rentabilité plus élevée. A cet égard, le niveau
de développement du contrôle de gestion est très significatif. Afin de
tester le modèle structurel qui met en exergue les relations structurelles
(hypothèses) entre les variables latentes, nous recourons à une méthode
explicative.
Ainsi, Le méta-modèle d’équations structurelles mis en œuvre nous a

permis tout d’abord de tester l’existence de relations causales entre les
variables endogènes dites de médiation ou en aval (« certification dans
le cadre de la qualité », « Développement Durable et Responsabilité
Sociale et Environnementale », « corporate Governance », « approche
genre » ) et (« fonds propres durant ces cinq dernières années », « plan
stratégique à long terme », « plan opérationnel pour réaliser les objectifs
du plan stratégique », « budgets dans l’entreprise », « lourdeur de la
procédure budgétaire » et « système d’information intégré ERP ») avec
deux variables exogènes ou en amont (« Performance Sociale et
Environnementale [PSE] » et (« Performance Economique et Financière
[PEF]). Les sociétés cotées à la Bourse de Casablanca (BVC) sont des
sociétés qui doivent chercher une rentabilité plus élevée.
A cet égard, le niveau de développement du contrôle de gestion est très

significatif. Pour cette raison, nous allons dissocier les sociétés qui
appliquent et utilisent le contrôle de gestion de celles qui ne font pas du
contrôle de gestion.
Après avoir présenté les dix hypothèses que nous voulons tester, nous
étudions la description de quatre variables que nous appliquons dans
notre méta-modèle. Comme nous l’avons introduit au début de ce
chapitre, trois études ont été retenues pour analyser la performance de
contrôle de gestion des sociétés cotées à la Bourse de Casablanca, c’est-
à-dire les « public equities ».

Figure : Descriptif de la variable Développement
D veloppement Durable et
Responsabilit Sociale et Environnementale
Responsabilité
Fort est de reconnaitre que 28 sociétés boursières se référent au

Développement Durable (DD) et à la Responsabilité Sociale et
Environnementale (RSE), alors que 16 « public equities » se référent pas
au Développement Durable (DD) et à la Responsabilité Sociale et
Environnementale (RSE).
Figure : Descriptif de la variable « Corporate Governance »
Nous remarquons que 24 Sociétés boursières adoptant la « Corporate

Governance » alors que 20 sociétés de la BVC n’adoptant pas
la « Corporate Governance ».

Figure : Descriptif de la variable Approche Genre
Il apparait claire que 24 société à la cote appliquant l’Approche Genre

20 sociétés de la BVC n’appliquant pas l’Approche Genre.

Figure : Descriptif de la variable Certification Qualité
Qualit
Nous observons que 23 sociétés de la BVC disposent une Certification

Qualité à l’encontre 21 sociétés boursières ne disposent pas une
Certification Qualité.

Figure : Descriptif de la variable Système
Syst me d’Information
d Information ERP

II.3 Résultats de l’analyse confirmatoire
À la suite de cette démarche de test des hypothèses et leur
opérationnalisation, nous avons mené une analyse confirmatoire sur
chacune des variables afin de valider nos modèles de mesure et de
s’assurer de la validité des construits (Roussel, 1996 ; Livolsi et Meschi,
2002). En outre, nous avons complété l’analyse de la fiabilité des
variables en ayant recours au rhô de Joreskog en complément du
coefficient alpha. Les résultats de ces analyses sont présentés dans le
tableau ci-dessous :
Tableau : Analyse confirmatoire des variables du méta

m ta-
ta-modèle
mod le
Notes for Model

Computation of degrees of freedom
Number of distinct sample moments 66
Number of distinct parameters to be estimeted 24
Degrees of freedom (66 – 24) 42
Result
Minimum was achieved
Chi-square = 79,243
Degrees of freedom = 42
Probability = 0,000
Source : Nos propres calculs par le biais du progiciel AMOS version 20
Cette première analyse vise à déterminer si le modèle constitue une

bonne échelle de mesure des variables sous jacentes (variables endogènes
et variables exogènes). Les résultats sont globalement satisfaisants au vu
des différents critères ; la valeur de Khi-deux est de l’ordre de 79,243
avec une probabilité de 0,000 avec une valeur de khi-deux/DF =
79,243/42 = 1,88 < 2 ce qui nous confirme que les modèle est validé.

Cette deuxième analyse vise à déterminer si chaque dimension prise
séparément constitue une bonne échelle de mesure des variables sous
jacentes aux variables de la Performance Economique et Financière
(PEF) et variables de la Performance Sociale et Environnementale
(PSE). Les résultats sont globalement satisfaisants au vu des différents
critères. D’une manière générale, les indices d’ajustement se regroupent
en trois catégories : « ajustement du modèle», « comparaison du modèle
», « caractère parcimonieux du modèle ». En ce qui concerne
l’ajustement du modèle structurel, les principaux indices montrent que
les modèles sont globalement satisfaisants hormis le cas de la variable
de formalisation des accords pour laquelle certains indicateurs
présentent des valeur plus « limites » ; ainsi les KHI-deux / dl
présentent dans l’ensemble une valeur inférieure proche de 2, le GFI et
l’AGFI qui expriment le pourcentage de variance / covariance expliqué
par le modèle structurel sont globalement au dessus des seuils
empiriques requis (proche du seuil de 0,8).
Tableau : Résultat
sultat des mesures
mesures fondées
fond es sur la fonction d’ajustement
d ajustement :
RMR, GFI
RMR, GFI
Model RMR GFI AGFI PGFI
Default model 0,03 0,889 0,831 0,502
Saturated model 0,000 1,000
Independence 0,04 0,663 0,596 0,553
model
Enfin, en ce qui concerne les résidus, les RMR standardisés sont tous
inférieurs au seuil de 0,1 (et dans la majorité des cas inférieur au seuil
de 0,05). En fait, contrairement aux analyses de régressions classiques,

les résidus ne sont pas indépendants des autres ; le RMR nous fournit
certes une indication globale des résidus du modèle (c’est-à-dire les
facteurs explicatifs non pris en compte dans le modèle) mais il est
également nécessaire d’analyser la matrice des résidus5 : or, aucun terme
de résidu ne dépasse 2,58.
Tableau : Résultat
R sultat des mesures
mesures fondées
fond es sur la fonction d’ajustement
d ajustement :
RMSEA
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Default model 0,044 0,094 0,192 0,003
Independence model 0,028 0,247 0,319 0,000
Il faut cependant noter des scores satisfaisant pour le RMSEA le

résultat est inférieur à 0,08 avec un niveau de signification de 0,044. En
ce qui concerne la covariance, nous constatons que l’indice S.E = 0,009
avec un P de 0,007 < 0,01, là encore les résultats de la covariance sont
satisfaisants.
Tableau : Résultat
R sultat de la covariance
Covariance
Estimate S.E. C.R. P Label
PSE PEF 0,016 0,009 1,711 0,007
5
Dans cette matrice, la valeur des résidus ne doit pas dépasser 2,58 (Jöreskog et Sör-bom,
1988). Si la valeur des résidus est supérieure 2,58, cela signifie que la covariance entre les
énoncés concernés est mal restituée par le modèle ; nous pouvons conclure alors qu’un énoncé
n’est pas relié à la bonne variable latente ou qu’un énoncé doit être supprimé.

Concernant la corrélation, nous constatons une bonne estimation du
modèle à travers un taux de corrélation de 88,8%.
Tableau : Résultat
R sultat de la corrélation
corr lation
Correlation
Estimate
PSE PEF 0,888
Les indices relatifs de corrélation de chaque variable, les résultats

montrent une forte corrélation de la variable « VAR002 : Résultat
Courant Avant Impôt durant ces cinq dernières années » avec une
estimation de à 0,971. Nous constatons une très faible corrélation de la
variable « VAR006 : Fonds propres durant les cinq dernières années »,
comme le montre le tableau suivant :
Tableau : Résultat
R sultat de la corrélation
corr lation de chaque variable
Squared Multiple Correlations

Estimate
VAR017 0,40
VAR012 0,44
VAR122 0,178
VAR029 0,037
VAR027 0,065
VAR006 0,000
VAR114 0,165
VAR125 0,230
VAR124 0,236
VAR121 0,027
VAR002 0,971

Les résultats obtenus lors de nos analyses confirmatoires nous
permettent de conclure à la cohérence de la validité de notre méta-
modèle ainsi que la fiabilité des construits.
Pour s’assurer de la validité d’un construit, trois conditions doivent être

respectées (Roussel et al., 2002) : le T test de chaque contribution
factorielle doit être statistiquement significatif ; en outre, chaque
contribution factorielle doit être supérieure à 0,5. Enfin, la variance
moyenne extraite (ou rhô de validité convergente) doit être supérieure à
0,5.
Par ailleurs il est nécessaire de vérifier la fiabilité de cohérence interne

(rhô de Joreskog > 0,7). Ces différentes analyses ont été menées sur les
onze variables de notre méta-modèle comme le montre le tableau
récapitulatif suivant et nous permettent de conclure à l’homogénéité des
construits (Roussel et al., 2002) :

Tableau : Synthèse
Synth se des critères
crit res d’acceptabilit
d acceptabilité
acceptabilit de l’ajustement
l ajustement
6
du modèle
mod le structurel
Indices Critères d’acceptabilité
Mesures fondées sur la fonction d’ajustement
KHI-deux / dl <2
GFI (Goodness of Fit Index) 0,9 / 0,8
AGFI (Adjusted Goodness of 0,9 / 0,8
RMR (Root Mean Square < 0,05 / (ne doit pas être supérieur
RMSEA <0,08
Indices incrémentaux ou de comparaison
NFI > 0,9 / 20,9
CFI > 0,9 / 20,9
RFI > 0,9 / 20,9
NNFI > 0,9 / 20,9
Indices de parcimonie
PNFI > 0,5
CAIC < CAIC du modèle saturé
Par ailleurs, l’estimation de la validité interne des variables latentes doit

également tenir compte du critère de validité discriminante. En effet, si
la validité convergente correspond à la capacité d’une mesure à fournir
des résultats proches, d’autres mesures de la même variable latente (ou
même « trait »), la validité discriminante renvoie à sa capacité à
fournir des résultats différents de mesures d’autres variables (Roussel
et al., 2002). Or cette indication est d’autant plus intéressante en
6
D’aprés Didellon et Valette Florence (1996), Meschi et livolsi (2001) et Roussel (1996).
raison de la proximité sémantique de certaines échelles. Comme le
préconisent Bagozzi et Yi (1988) et Roussel et al. (2002), la validité
discriminante peut être déterminée lorsque le modèle testé en laissant
libres les corrélations entre les différentes variables latentes est
meilleur (Khi2 inférieur) qu’un modèle où l’on fixerait à 1 les
corrélations entre les variables. Plus précisément, en comparant le
Khi2 obtenu entre le modèle contraint (corrélation fixée à 1 entre les
deux construits testés) et le modèle non contraint (corrélation laissée
libre), nous pouvons constater que la différence de Khi2 est
statistiquement significative au seuil de 1 %, ce qui établit la validité
discriminante des construits.
Tableau : Validité
Validit discriminante des construits
Construits testés Différence de Khi2 Significativité
pour 1 degré de
Performance Sociale et
Environnementale (PSE) 79,243 P<0,01
/Performance Economique et
Financière (PEF)
La validité interne des construits (convergente et discriminante) ainsi

que leur fiabilité ayant été établies, il est possible d’aborder le test du
méta-modèle de recherche (Roussel et al, 2002).
Dans un premier temps et avant d’aborder le test des hypothèses, il

faut se pencher sur la qualité de l’ajustement du modèle, estimée par
une série d’indices fournis par le logiciel AMOS version 20. En ce qui
concerne « l’ajustement du modèle structurel », les principaux indices
montrent que le modèle est globalement satisfaisant ; ainsi le KHI-
deux/ dl présente une valeur inférieure à 2 (1,91), le GFI et l’AGFI
sont globalement au dessus des seuils empiriques requis.
Le logiciel AMOS produit une sortie tabulaire similaire à celle de SPSS

qui affiche les coefficients non normalisés et standardisés régression, les
estimations de l’erreur-type des coefficients de régression non
normalisés, et les tests de signification statistique de l’hypothèse nulle
que chaque coefficient de régression non standardisé est égal à zéro.
L’analyse de régression représentée ci-dessus est limitée de plusieurs

façons:
Variables dépendantes ou de résultats multiples ne sont pas
autorisés;
Variables médiatrices ne peuvent pas être inclus dans le même
modèle unique comme prédicteurs, chaque indicateur est supposé
être mesuré sans erreur;
L’erreur ou variable résiduelle est la seule variable latente permis
dans le modèle multicolinéarité entre les variables explicatives peut
gêner l’interprétation des résultats.
AMOS peut s’adapter à des modèles qui ne sont pas soumis à ces
limitations.

Tableau : Synthèse
Synth se des indices du modèle
mod le structurel
Indices Valeur obtenue

pour le
modèle testé
Mesures fondées sur la fonction
d’ajustement
KHI-deux (x2) 79,243
2
KHI-deux (~ ) / dl 1,88
GFI (Goodness of Fit Index) 0,88
AGFI (Adjusted Goodness of Fit Index) 0,831

RMR (Root Mean Square Residual) 0,03
RMSEA 0,044
Indices incrémentaux ou de
comparaison
NFI 0,89
CFI 0,91
RFI 0,89
Indices de parcimonie
PNFI 0,79
612,938
CAIC (1213,92 pour le
modèle saturé)
En ce qui concerne les résidus, le RMR est inférieur au seuil de 0,1 ; ce

qui nous conduit à conclure au caractère satisfaisant du modèle. Pour
les indices relatifs de comparaison, il faut souligner, là encore, des
résultats très satisfaisants puisqu’ils ont tous une valeur soit très
proche, soit supérieure aux critères les plus stricts. Enfin, pour ce qui
est des indices de parcimonie du modèle, là encore, les résultats sont
très satisfaisants puisque le PNFI présente une valeur très supérieure au
seuil requis de même que le CAIC du modèle qui est très largement
inférieur au CAIC du modèle saturé.
Dans un second temps, il faut se pencher sur la validation des

hypothèses avancées précédemment. Notre modèle d’équations
structurelles permet de valider neuf de nos dix hypothèses
(H1_1_VAR114, H1_2_VAR122, H1_3_VAR124, H1_4_VAR125,
H2_2_VAR012, H2_3_VAR017, H2_4_VAR027, H2_5_VAR029,
H2_6_VAR0121) ainsi l’hypothèse H2_1_VAR006 « fonds propres » a
été infirmée.
Les résultats confirment, en effet, un rôle positif des variables de la

Performance Sociale et Environnementale sur la performance globale de
même que de la « Corporate Governance » et du « Développement
Durable et Responsabilité Sociale et Environnementale » sur la
performance du Contrôle de Gestion et sur le résultat enregistré (au
travers de sa composante liée à l’application de l’approche genre et la
certification TQM).
Les résultats confirment également un rôle signifiant des variables de la

Performance Economique et Financière (PEF) autre que la variable («
fonds propres durant ces cinq dernières années ». Ces variables qui
contribuent à la performance du contrôle de gestion sont : (« plan
stratégique à long terme », « plan opérationnel pour réaliser les objectifs
du plan stratégique », « budgets dans l’entreprise », « lourdeur de la
procédure budgétaire » et « système d’information intégré ERP »).

Notre méta-modèle se présente ci-après de par ses onze variables
adressables d’action, comme suivant :
1. VAR122 : Certification dans le cadre de la qualité ;

2. VAR124 : Développement Durable et Responsabilité Sociale
et Environnementale ;
3. VAR125 : Corporate Governance ;
4. VAR114 : Application de l’approche genre ;
5. VAR002 : Résultat Courant Avant Impôt durant les cinq dernières
années ;
6. VAR006 : Fonds propres durant les cinq dernières années;
7. VAR012 : Plan stratégique à long terme ;
8. VAR017 : Plan opérationnel pour réaliser les objectifs du plan
stratégique
9. VAR027 : Budgets dans l’entreprise ;
10.
10. VAR029 : Lourdeur de la procédure budgétaire ;
11.
11. VAR121 : Système d’Information Intégré ERP.
La figure suivante présente le méta-modèle de recherche après l’étude

empirique de notre recherche.

Figure : le méta
m ta-
ta-modèle
mod le identifié,
identifi , estimé
estim et validé
valid

CONCLUSION
Last but not least, il faut se pencher sur la validation des hypothèses
avancées précédemment. Notre modèle d’équations structurelles a
permis de valider neuf de nos dix hypothèses (H1_1_VAR114,
H1_2_VAR122, H1_3_VAR124, H1_4_VAR125, H2_2_VAR012,
H2_3_VAR017, H2_4_VAR027, H2_5_VAR029, H2_6_VAR0121) ainsi
l’hypothèse H2_1_VAR006 « fonds propres » a été infirmée. Les
résultats ont confirmé, en effet, un rôle positif des variables de la
Performance Sociale et Environnementale (PSE) sur la performance
globale de même que de la « Corporate Governance » et du
« Développement Durable et Responsabilité Sociale et
Environnementale » sur la Performance du Contrôle de Gestion et sur le
résultat enregistré (au travers de sa composante liée à l’application de
l’Approche Genre et la Certification TQM). Les résultats confirment
également un rôle signifiant des variables de la Performance
Economique et Financière (PEF) autre que la variable VAR006 « fonds
propres durant les cinq dernières années ». Ces variables qui ont
contribuent à la Performance du Contrôle de Gestion étaient : (VAR012
« plan stratégique à long terme », VAR017 « plan opérationnel pour
réaliser les objectifs du plan stratégique », VAR027 « budgets dans
l’entreprise », VAR029 « lourdeur de la procédure budgétaire » et
VAR0121 « système d’information intégré ERP »). Nous avons
également pu présenter les indicateurs construits à partir des données et
qui sont utilisés afin de construire les variables exogènes de notre méta-
modèle. C’est pourquoi nous avons par ailleurs décrit la méthode
d’analyse statistique qui consiste en un modèle d’équations structurelles,
et plus précisément un modèle provenant de la méthode des Modèles
d’Equations Structurelles (MES) à l’aide du logiciel AMOS version 20.
Cette méthode d’analyse économétrique a permis, i) d’étudier les liens
de causalité multiples entre plusieurs variables latentes et variables
manifestes et, ii) d’utiliser différents schémas afin de construire ces
variables latentes. Nous avons enfin présenté les résultats obtenus dans
le méta-modèle identifié, testé et validé. Ces résultats nous ont permis
de confirmer la construction des déterminants de la Performance du
Contrôle de Gestion (PCDG) par le truchement de l’impact de la
Performance Sociale et Environnementale (PSE) et de la Performance
Economique et Financière (PEF). Il a été ensuite question de la
présentation des résultats du modèle autant au niveau de la qualité de
la modélisation, des variables significatives et moyennement
significatives que de la contribution de ces dernières au pouvoir
explicatif de la variable endogène à savoir la Performance du Contrôle
de Gestion (PCDG) mesurée par le Résultat Courant Avant Impôt
(RCAI) pendant les cinq dernières années des « public equities ¸. Nous
avons ainsi pu présenter une discussion portant sur la validation des
hypothèses sous-jacentes au modèle structurel en comparant les
résultats de notre méta-modèle identifié et testé. Enfin, nous avons pu
conclure cette contribution, scientifique, en démontrant que le méta-
modèle identifié, testé et validé, de la Performance Sociale et
Environnementale (PSE) et de la Performance Economique et
Financière (PEF), a été, selon nos résultats probants, adapté à l’étude

de la Performance du Contrôle de Gestion (PCDG) des sociétés de la
Bourse des Valeurs de Casablanca (BVC).
Tableau : Récapitulatif
R capitulatif des résultats
r sultats de la recherche
Hypothèses
Hypoth ses de notre recherche Résultats
sultats /
Significativité
Significativit
H1. Performance du Contrôle
Contr le de Gestion (PCDG)
H1_1_VAR114 : L’application de l’approche genre influence positivement Validée
Valid e
la Performance du Contrôle de Gestion
H1_2_VAR122 : L’implémentation et le déploiement de la certification Validée
Valid e
dans le cadre de la qualité influence positivement la Performance du
Contrôle de Gestion
H1_3_VAR124 Les agendas du Développement Durable et la Validée
Valid e
Responsabilité Sociale et Environnementale influencent positivement la
performance du Contrôle de Gestion
H1_4_VAR125 : La Corporate Governance influence positivement la Validée
Valid e
Performance du Contrôle de Gestion (PCDG)
H2. Performance Sociale et Environnementale (PSE)
H2_1_VAR006 : L’existence des fonds propres durant les cinq dernières Non-
Non-Validée
Valid e
années a un effet positif sur la Performance du Contrôle de Gestion
H2_2_VAR012 : La mise en place du plan stratégique à long terme a un Validée
Valid e
effet positif sur la Performance du Contrôle de Gestion
H2_3_VAR017 : L’existence du plan opérationnel pour réaliser les Validée
Valid e
objectifs du plan stratégique a un effet positif sur la Performance du
H2_4_VAR027 : L’existence budgets a un effet positif sur la Performance Validée
Valid e
du Contrôle de Gestion
H2_5_VAR029 : La lourdeur de la procédure budgétaire a un effet Validée
Valid e
négatif sur la Performance du Contrôle de Gestion
H2_6_VAR0121 : L’implémentation et le déploiement d’un Système Validée
Valid e
d’Information Intégré ERP a un effet positif sur la Performance du
Les résultats de notre recherche ont souligné l’influence des variables

adressables d’action du de la Performance Sociale et Environnementale
(PSE) et de la Performance Economique et Financière (PEF) sur la
Performance du Contrôle de Gestion des « public equities », et l’effet de
la performance perçue de la Fonction Contrôle de Gestion sur la

Performance Durable de ces sociétés boursières dans le cadre la crise des
« subprimes ».
Ces résultats ont mis, aussi en évidence, la nécessité d’entreprendre des

actions destinées à améliorer les dispositifs et les outils de la
performance organisationnelle et financière, afin de réduire les résiliences
sous-jacentes et les Facteurs Clés d’Echec (FCE) ou d’Insuccès (FCI) et
de développer la Performance Durable

Bibliographie
ANDERSON, J.C ; J.A. NARUS. A Model of Distribution Firm and

Manufacturer Firm Working Partnerships. Journal of Marketing,
1990, vol. 54, p. 42-58.
BAUMARD, P. ; DONADA, C. ; IBERT, J. ; J.-M. XUEREB. La collecte des

données et la gestion de leurs sources.. In Méthodes de recherche
en management, THIETART, R.-A. (dir.), Paris : Dunod, 2003, p.
224-256.
BAUMGARTNER, H. and HOMBURG, C. Applications of structural

equation modeling in marketing and consumer research: a review.
Int J Res Mark, 1996. 13(2), p. 139-161.
BOUTTI, Rachid. Les enjeux stratégiques & opérationnels de la Finance

Carbone : La performativité interpellée. Presses Académiques
Francophones (PAF), 2016. 220 pages. ISBN : 978-3-8416-3017-9.
BOUTTI, Rachid. Performativité de la Finance Carbone à l’heure de la COP

22. Edition Edilivre, 2016a. 166 pages. ISBN : 978-2-3341-7941-6.
BOUTTI, Rachid. Le Développement Durable Euro-Africain des Energies

Renouvelables : Oxymore Financier Complémentarité Sociale et
Environnementale. Tome I. Edition Edilivre, 2016b. 150 pages.
ISBN : 978-2-3342-0436-1.
BOUTTI, Rachid. Contrôle de Gestion des Entreprises du Moroccan All

Shares Index. Avec le soutien du Centre National pour la
Recherche Scientifique et Technique (CNRST), 2015. 449 pages.
ISBN : 987-9954-9229-6-5.
BOUTTI, Rachid. Finance Carbone : Stratégies & Structures. Editions

Universitaires Européennes (EUE), 2015a. 180 pages. ISBN : 978-3-
8416-6924-7.
BOUTTI, Rachid. Le Développement Durable Euro Africain des Energies
Renouvelables Oxymore Financier Complémentarité Sociale et
Environnementale. Association Marocaine pour la Recherche-
Développement (R&D-Maroc), 2015b. 522 pages. ISBN : 978-9954-
9229-4-1.
BOUTTI, Rachid. Comptabilité de Gestion Décisionnelle : Manuel &

Applications, 250 exercices corrigés. SESAME Grandes Ecoles avec
le soutien de l’Université Ibnou Zohr (UIZ), 2014. 507 pages. ISBN
: 978-9-9549-2293-4.
BOUTTI, Rachid. Evaluation du risque-pays bancaire : stratégies financières

d’immunisation et de couverture versus un méta-modèle. Presses
Académiques Francophones, 2013. 300 pages. ISBN : 978-3-8416-
2002-6.
BOUTTI, Rachid. Statistique Descriptive Appliquée. SESAME Grandes Ecoles

avec le soutien de l’Université Ibnou Zohr (UIZ), 2012. 300 pages.
ISBN : 978-9954-9229-0-3.
BOUTTI, Rachid. L’ingénierie du contrôle de gestion décisionnel versus :

IFRS, COSO II, SOX, BALE III, Value@Risk, Stress Test.
Editions Universitaires Européennes (EUE), 2012a. 350 pages.
ISBN : 978-3-8417-9635-6.
BOUTTI, Rachid. Contrôle de Gestion Décisionnel : Ingénierie des Meilleures

pratiques de la Gestion Budgétaire et de Contrôle de Gestion des
entreprises du Moroccan All Shares Index. Agadir : Université
Ibnou Zohr (UIZ), 2012b. 400 pages. ISBN : 978-9954-9229-1-0.

BOUTTI, Rachid. Gestion Budgétaire : Ingénierie des méta-règles
décisionnelles : conformité totale IFRS, ABM, ABC, Balanced
Scorecard. Agadir : Best Practices LMD, 2012c. 500 pages. ISBN :
978-9954-9143-0-4.
BOUTTI, Rachid. Le management des risques à l’international : stratégie

financière d’implémentation, d’évaluation, de déploiement et de
couverture. Editions Universitaires Européennes (EUE), 2011. 300
pages. ISBN : 987-913-1-57464-1.
BOUTTI, Rachid, RODHAIN, Florence, BOURDON, Isabelle et EL AMRI,

Adil. Finance Carbone : Tests empiriques des enjeux stratégiques
& opérationnels versus COP 22. Revue Scientifique Internationale
CREMA/Centre de Recherche en Economie et Management
Africain, Vol. 5, N°2017, 2017, p 4-60, ISSN : 2351-7735.

Adil. Théorie comportementale de choix de portefeuille :
comparaison entre choix d’actifs au Maroc par l’approche classique
et l’approche comportementale, état de la recherche. Revue
Scientifique Internationale CREMA/Centre de Recherche en
Economie et Management Africain, Vol. 4, N°2016, 2016, p 5-17,
ISSN : 2351-7735.

Adil. Etude de la performance de la Finance Carbone au prisme du
Management Responsable : cap sur les tests empiriques quantitatifs
de l’EU ETS. Revue Scientifique Internationale CREMA/Centre de
Recherche en Economie et Management Africain, Vol. 3, N°2016,
2016, p 5-66, ISSN : 2351-7735.

Adil. L’implémentation et le déploiement de la Finance Carbone en
contexte euro-africain : regards croisés France-Maroc. Revue
Camerounaise de Management (RCM), N°29, Janvier - Juin 2015,
ISSN : 2079-6889, 2015, p 94-119.

Adil. Vers un Management Responsable de l’Intelligence Énergétique
(MRIE) : cap sur les l’Efficacité Energétique et les Green IT. Revue
Scientifique Internationale CREMA/Centre de Recherche en
ISSN : 2351-7735.
BOUTTI, Rachid et EL MOSAID, Fadma. Sukuk ou les Green Sukuk : une

opportunité prometteuse pour le financement des Energies
Renouvelables (EnR). Revue Scientifique Internationale CREMA/
Centre de Recherches en Economie et Management Africain, Vol. 2,
N°2015, 2015, p 5-34, ISSN : 2351-7735.
BOUTTI, Rachid. Proximité sociale et environnementale et tangibilité

opérationnelle versus RSE : Cas des entreprises marocaines. Revue
Scientifique Internationale CREMA/ Centre de Recherches en
ISSN : 2351-7735.
BOUTTI, Rachid et EL MOSAID, Fadma. Sukuk and Bond Performance in

Malaysia. International Journal of Economics and Finance, Vol. 6,
N°2, 2014, p 226-234, ISSN: 1916-971X (version imprimée), ISSN :
1916-9728 (version en ligne).

Adil. L’adoption de la finance carbone : les approches soutenables de
la réduction des émissions CO2 dans les organisations. Revue
Marocaine des Sciences de Management (RMSM) de l’Institut
Supérieur de Commerce et d’Administration des Entreprises
(ISCAE), 2013, n° 2, p. 70-102.
BOUTTI, Rachid. IPSAS au Maroc : réalité et perspective. Revue Marocaine

d’Audit et de Développement (REMA), 2014, N°37, pp : 185-195.
BOUTTI, Rachid et EL MOSAID, Fadma. Relationship between Corporate

Social Responsibility and Financial Performance in Islamic Banking.
Research Journal of Finance and Accounting, Vol. 3, N°10, 2012, p :
93-103, ISSN : 2222-1697 (version imprimée), ISSN : 2222-2847
(version en ligne).
BOUTTI, Rachid. Développement Durable : l’entreprise marocaine face à ses

responsabilités sociales. Revue Africa Compliance, 2010, n° 1,
septembre p. 20-40.
CAMPBELL, D. T & FISKE, D. W. Convergent and discriminant validation

by the multitrait-multimethod matrix. Psychological Bulletin, Vol.
56, N°2, pp. 81-105, 1959.
CAMPY, E. & M. DUMAS. Etudes longitudinales et comparaisons entre

groupes par les modèles d’équations structurelles. In Management
des ressources humaines Méthodes de recherche en sciences
humaines et sociales, De Boeck, 2005.

CHIN, W. W., MARCOLIN, B. L. & NEWSTED, P. R. A partial least
squares latent variable modeling approach for measuring interaction
effects: Results from a monte carlo simulation study and voice mail
emotion/adoption study. In J.I. DeGross, S. Jarvenpaa, & A.
Srinivasan (Eds.) Proceedings of the Seventeenth International
Conference on Information Systems, pp. 21-41, 1996.
CHINN, S. J. A pilot study to compare aspects of arithmetic skills. Dyslexia

review 4. 1995.
DUXBURY, L. E. & HIGGINS, C. A. Gender differences in work-family

conflict. Journal of Applied Psychology, 76, pp. 60-74, 1991.
EL AKREMI, A. Analyse des variables modératrices et médiatrices par les

méthodes d’équations structurelles. In Management des ressources
humaines : méthodes de recherche en Sciences Sociales, dir. Roussel,
P. & Wacheux, F., De Boeck, 2005, pp. 325-348.
EVRARD, Y ; B. PRAS ; E. ROUX. Market – Fondements et méthodes des

recherches en marketing. Paris : Dunod, 4ème édition, 2009.
GUJARATI, D. N. Basic Econometrics. Copyrighted Material, 4ème édition,

2004.
HAENLEIN, M. ; A. KAPLAN. A beginner’s guide to partial least squares

analysis. Understanding statistics.2004, Vol. 3, n°4, p. 283-297.
IGALENS, J. ; P. ROUSSEL. Méthodes de recherche en gestion des ressources

humaines. Paris : Economica, 1998.
JOLIBERT, A. et JORDAN, P. Marketing research : méthodes de recherche

et d’études en marketing. Dunod. Paris, 2009.

JÖRESKOG, K. G., & SÖRBOM, D. LISREL 8 user’s reference guide.
Uppsala, Sweden : Scientific Software International, 1996.
JÖRESKOG, K. G. & WOLD, H. The ML and PLS techniques for modeling

with latent variables : historical and competitive aspects. In K. G.
Jöreskog and H. Wold, editors, Systems under indirect observation,
Part 1, North-Holland, Amsterdam, pp. 263-270, 1982.
LACROUX, A. L’analyse des modèles de relations structurelles par la méthode

PLS : une approche émergente dans la recherche quantitative en
GRH. Congrès de l’association francophone des ressources humaines.
2009, Toulouse.
LOUTFI, Touda. Communication et rôle de la Bourse des Valeurs de

Casablanca dans le développement des marchés financiers. Actes des
jours Φ de Polyfinance : Communication et ingénierie financières –
deux leviers de développement des marchés financiers au Maroc.
Polyfinance, 29 & 30 janvier 2004. p. 31-37. Casablanca, Maroc.
Dépôt légal 2005 / 0294.
MCDONALD, R.P. Le contrôleur et le conseiller de gestion. Mahwah :

Laurence Erlbaum, 1999.
NUNNALLY, J. C. Psychometric theory. McGraw-Hill. 1978.
PHILIPPEAU, Gérard. Comment interpréter les résultats d’une analyse en

composantes principales. I.T.C.F. France: Paris, 1986. 63 p.
PING, R. A. A parsimonious estimating technique for interaction and

quadratic latent variables. Journal of Marketing Research, 1995.

ROUSSEL, P. Méthodes de développement d’échelles pour questionnaires
d’enquête. In ROUSSEL, P. et WACHEUX, F. Management des
Ressources Humaines : Méthodes de recherche en sciences humaines
et sociales, Bruxelles : De Boeck, 2005, pp. 245-276.
ROUSSEL, P., DURIEU, F., CAMPOY, E. & EL AKREMI, A. Méthodes

d’équations structurelles : recherche et applications en gestion.
Paris : Economica, 2002.
SOSIK, J., KAHAI, S. & PIOVOSO, M. Silver Bullet or Voodoo Statistics ? A

Primer for Using the Partial Least Squares Data Analytic Technique
in Group and Organization Research. Group & Organization
Management, 34(1), pp. 5-36, 2009.
VANDENBERG, R. J. Toward a further understanding of an improvement in

measurement invariance methods and procedures. Organizational
Research Methods, 2002. 5(2).
VENAIK, S., MIDGLEY, D. F. & DEVINNEY, T. M. Dual paths to

performance : the impact of global pressures on MNC subsidiary
conduct and performance. Journal of International Business Studies,
Vol. 36, N°6, 2005.

8110 19267 1 PB

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

8110 19267 1 PB

Transféré par

Droits d'auteur :

Formats disponibles

Revue CREMA

cl s. Contrôle de Gestion - Contrôle de Gestion Décisionnel 2.0 –

89 <<< Revue Scientifique CREMA 2017

Les tests empiriques quantitatifs traiteront les variables actionnables des

L’objectif de notre recherche, en l’occurrence, est de présenter aussi

Le conformisme économétrique consistera à présenter les conditions de

Nous essayons de vérifier les hypothèses suivantes dans le cadre de notre

Hypothèse Générale (HG) : La Performance du Contrôle de

L’Hypothèse Générale donnera lieu à deux Hypothèses Adjacentes

Hypothèse Adjacente n°1 (HA1_PSE) : La Performance Sociale

Hypothèse Adjacente n°2 (HA2_PEF) : La Performance

La première Hypothèse Adjacente HA1_PSE donnera lieu à quatre (4)

Hypothèse de Dépendance directe n°1 (H1_1_VAR114) :

La deuxième Hypothèse Adjacente HA2_PES donnera lieu à six (6)

Hypothèse de Dépendance directe n°1 (H2_1_VAR006) :

94 <<< Revue Scientifique CREMA 2017

L’intérêt pour notre recherche est de comprendre la mesure de la

95 <<< Revue Scientifique CREMA 2017

La procédure habituelle d’estimation repose sur des techniques

Les équations structurelles peuvent constituer une alternative

A cet égard, les variables peuvent être des variables dépendantes et

96 <<< Revue Scientifique CREMA 2017

Le système SEM peut tester des modèles traditionnels, mais il permet

Figure 1 : Base de l’analyse

Construit par l’auteur au moyen du progiciel Visual Understanding Environment (VUE)

97 <<< Revue Scientifique CREMA 2017

Figure 2 : Constitution du modèle

Construit par l’auteur au moyen du progiciel Visual Understanding Environment (VUE)

Les résultats comportent indices globaux de l’ajustement du modèle

98 <<< Revue Scientifique CREMA 2017

Quels indicateurs servent à mesurer les variables latentes ?

Quelles relations linéaires doivent être testées entre les variables

Baumgartner et Homburg (1996) ont indiqué que la prise en

Plus particulièrement, nous distinguons les indicateurs de mesures

100 <<< Revue Scientifique CREMA 2017

101 <<< Revue Scientifique CREMA 2017

Figure 3 : Relation entre les variables observées

Construit par l’auteur au moyen du progiciel Visual Understanding Environment (VUE)

102 <<< Revue Scientifique CREMA 2017

Nous pouvons deviner que F1 et F2 sont des facteurs latents; I1 à I4 sont

Nous distinguons deux types de modèle structurel :

Le modèle structurel interne ;

104 <<< Revue Scientifique CREMA 2017

y = Variable Manifeste (VM)

L’intégration des modèles structurels et de mesure est la suivante :

η = Bη+ Γξ + ζ ⇔ η = (I - B)−1 (Γξ + ζ)

Pas de corrélation entre les résidus ζ, ε, δ.

Φ : Covariance des variables latentes exogènes.

Θ ε , Θ δ : Covariance des résidus du modèle de mesure.

Après avoir présenté les deux modèles structurels interne et externe, il

106 <<< Revue Scientifique CREMA 2017

I.3.1 – Taille raisonnable de l’échantillon

107 <<< Revue Scientifique CREMA 2017

Mais aucune de ces méthodes de traitement des données manquantes

Qu’est-ce qu’un chercheur à faire au sujet des données manquantes ? Si

I.3.4 – Base théorique

110 <<< Revue Scientifique CREMA 2017

Pour cette raison, des programmes de logiciels SEM nécessitent que le

En plus d’évaluer la bonté absolue de l’ajustement des modèles simples,

111 <<< Revue Scientifique CREMA 2017

Dans cette partie, nous présentons successivement la méthodologie

Enfin, pour juger de la significativité des analyses de variance, nous

113 <<< Revue Scientifique CREMA 2017