Indicateurs de commerce par

Rapport chaque pays

Application de l’analyse en composantes
principales et de l’analyse typologique

Réalisé par : OUAHJOUJOU Hiba Encadré par : Mr. RACHID JAHIDI

ABOUZINE DOHA
MANCHOR BOUCHRA S5 Groupe 7

Année universitaire : 2020 / 2021

 Le Plan

Introduction

L’analyse en composantes principales

1- Présentation de terrain d’étude

2- La qualité de représentation des dix variables
3- Vérification des conditions de l’utilisation de l’analyse en composantes
principales
4- Choix de la méthode d’extraction des composantes
5- Interprétation et nomination des axes / contribution des variables
6- Le diagramme de représentation des pays

L’analyse typologique

1- Récapitulatif de traitement des informations :

2- Matrice de proximité
3- Chaine d’agrégations
4- Observations
5- Arbre hiérarchique

Conclusion
 Introduction

En se basant sur ce que nous avons vu au cours de l'analyse des données durant ce semestre
avec monsieur JAHIDI. Nous pouvons légitimement parler de ce qu’est l’analyse factorielle, c’
est une technique statistique aujourd’hui surtout utilisée pour dépouiller des enquêtes : elle
permet, quand on dispose d’une population d’individus pour lesquelles on possède de
nombreux renseignements concernant les opinions, les pratiques et le statut (sexe, âge, etc.),
d’en donner une représentation géométrique, c'est-à-dire en utilisant un graphique qui
permet de voir les rapprochements et les oppositions entre les caractéristiques des individus.
Cette technique est déjà centenaire : elle a été créée en 1904 par le psychologue anglais
Charles Spearman (inventeur également du coefficient de corrélation de rang), dans le but de
mesurer l’intelligence. Sa technique porte le nom aujourd’hui d’analyse factorielle des
psychologues. D’autres techniques d’analyse factorielle seront développées ensuite : l’analyse
en composantes principales (souvent abrégée en ACP) et une variété de celle-ci l’analyse
factorielle des correspondances (AFC), crée dans les années 1960 par Jean-Paul Benzécri. Du
fait de l’essor de l’informatique, cette dernière technique est devenue une technique
standard, intégrée dans les grands logiciels statistiques internationaux (SAS, SPSS).

Pourquoi échangeons-nous avec le reste du monde ? Le commerce international et la

mondialisation caractérisent nos sociétés contemporaines. L’influence qu’exerce l’ouverture
au commerce extérieur sur la croissance économique d’un pays est énorme. La libéralisation
des échanges est maintenant considérée comme source de convergence et un élément clé
pour l’élaboration de stratégies de développements. D’ailleurs, un bon nombre
d’organisations internationales incitent les pays à libéraliser leurs échanges commerciaux,
l’objectif principal étant la promotion des exportations.

Dans le contexte actuel de la mondialisation, il est naturel de nous interroger sur les liens
entre l’ouverture au commerce extérieur et la croissance économique, et pas que, de ce que
représente le solde de la balance commerciale, qui est ce qui vient impacter le dit solde pour
décider au cours d’une période donnée de l’excédent ou du déficit de notre balance
commerciale. Et qu’est-ce que ça pourra bien signifier ? Nous présenterons avec un peu plus
de détails ce que nous comptons faire dans les prochaines pages. Notre travail sera articulé
en trois grands axes : En premier lieu , nous allons présenter notre terrain d’étude , en second
nous allons traiter les résultats de notre analyse en composantes principales et les interpréter
et puisqu’il existe irréfutablement un impact positif et significatif de l’ouverture au commerce
extérieur sur la croissance économique d’un pays, Nous allons pouvoir positionner les pays en
question en fonction de leurs indicateurs de commerce à la toute fin, et en dernier lieu nous
passerons à l’analyse typologique .
 L’analyse en composantes principales

1- Présentation du terrain d’étude :

Avant de décrire notre base de données , nous tenons à mentionner que nous avons fourni
un sacré effort pour trouver une base de donnée qui répond aux conditions requises, du fait
que la plupart des bases de données contiennent soit un nombre acceptable de variables
avec un seul individu soit un nombre dérisoire des individus avec une seule et au plus trois
variables , ce qui n’est pas en phase avec l’objectif de l’ACP qui est de condenser
l’information contenue dans notre tableau, et nous permettre d’avoir une vision plus claire
et de dégager, les liaisons entre nos variables ,et les ressemblances entre nos individus, tout
comme si nous ne pouvions pas le faire avant de recourir à notre analyse en composantes
principales . Ce type d’analyse prend tout son sens dans des tableaux de très grande
dimension. Tout compte fait, nous avons décidé de recourir à la première éventualité
multipliée par trente qui est au titre de rappel : Un nombre acceptable de variables avec un
seul individu. Pour dissiper votre confusion, pour construire notre base de données, nous
commencerons par une présentation des variables et des individus. Pour notre choix, nous
avons pensé aux indicateurs économiques et plus exactement du commerce extérieur de
plusieurs pays, nous devons dire que nous étions surpris et nous avons appris un tas de
choses sur les échanges internationaux des pays en question. Nous avons récupéré d’une
manière individuelle nos données, tout en sachant que nos individus doivent d’au moins être
trois fois nos variables. Nous avions l’embarras du choix, nous avons chercher les indicateurs
de 31 pays différents au cours de 2019 et c’est de cette manière que nous avons procéder
pour concevoir notre tableau constitué de dix variables et de trente et un pays. Nous avons
accompagné notre travail avec notre fameuse base de données sur SPSS comme vous l’avez
demandé. Pour faire connaissance avec nos individus et nos variables, nous avons pensé à
vous les présenter comme suite :

Ci-après, nous allons décrire au travers de la moyenne et de l’écart type les dix variables
retenues dans notre étude :
Nous allons interpréter deux variables au choix tout en commençant par :

338270,35 : cette moyenne est la résultante de la somme de toutes les observations, divisée
par le nombre d’observations, en moyenne un pays importe 338270,35 millions de biens.

499434,91 : Cet écart-type mesure la dispersion des données par rapport à la moyenne.
Nous allons calculer le coefficient de variation pour décider du degré de dispersion de mes
données en matière des importations. Pour se faire, nous avons divisé la moyenne sur
l’écart-type et trouvé : 67,8%. Plus l’écart type est grand, plus l’erreur type de la moyenne
est élevée et moins l’estimation de la moyenne des importations est précise.

-17363,968 : La majorité écrasante des pays ressortent déficitaires en fin d’année, lorsque le
taux de couverture est inférieur à 100%, on dit que le solde commercial est négatif, on peut
déduire que notre base de données contient un nombre considérable de soldes déficitaires.
Donc on peut comprendre qu’en moyenne, un pays est déficitaire de 17363,968 millions.

175007,39 : -17363,968/175007,39 = -0,099 soit -10% : Comme mentionné précédemment,

plus le coefficient est élevé moins l’estimation de la moyenne de notre balance commerciale
est précise.
Quant aux individus de notre base de données, l’histogramme suivant reflète la performance
d’importations de chacun des trente et un pays sélectionnés :

Importations de biens ( USD)

3000000
2500000
2000000
1500000
1000000
500000
0
Albanie

Serbie
Maroc

Inde

Brésil
Canada
Allemagne
Belgique

France

Chypre

Pologne
Suisse

Arabie Saoudite
Mexique

Suede
Espagne

Colombie

Russie
Royaume-unis

Turquie

Liban
Italie
Etats unis

Finlande
Paraguay

Uruguay
Equateur

Luxembourg
Pays bas

Lettonie
Autriche
On peut dire que les états unis importent une quantité notable par rapport aux autres pays
ce qui montre sa forte dépendance, vient en second lieu l’Allemagne et puis le Royaume-
Unis. Les importations du Maroc sont très minimes en les comparant avec ces gigantesques.

2- Qualité de représentation des dix variables :

Nous avons commencé le travail au début avec dix variables, nous avons vérifié les
conditions de l’utilisation de l’analyse en composantes principales bien entendu. Nous nous
sommes arrêtés au niveau du tableau de la qualité de représentation puisque ce dernier ne
doit contenir que les extractions supérieures à 0,5, donc nous devions éliminer deux
variables en fin de compte pour améliorer la qualité de représentation. Ce qui est surprenant
est que notre indice KMO s’est légèrement améliorée, et notre variance totale expliquée a
considérablement progressée et nos variables ont joui d’une meilleure représentation.

Ci-dessous notre brut tableau de qualité de représentation, ainsi que notre premier indice
KMO et notre premier tableau de variance totale expliquée :
Désormais nous ne parlons que de huit variables, après élimination de la croissance annuelle
des importations et des exportations des biens et services.
 3- Vérification des conditions de l’utilisation de l’analyse en composantes
principales :
La première question à poser est la suivante : Les données sont-elles factorisables ?
Pour répondre à cette question, il faut d’abord observer les corrélations des variables, puis
l’indice KMO (Kaiser-Meyer-Olkin), sans manquer le test de sphéricité de Bartlett.
Pour juger si notre base de données s’apprête à une analyse en composantes principales,
elle doit satisfaire au moins deux de ces trois conditions.

• Matrice de corrélation :
Analysons la matrice de corrélation :
Si plusieurs variables sont corrélées (la valeur propre > 0,5), la factorisation est possible. Si
plusieurs variables ne sont pas corrélées, auquel cas, la factorisation n’est pas conseillée.

Comme on peut le constater dans la matrice, la plupart des variables présentent de fortes
corrélations (>0,5), une analyse en composantes principales s’avère donc intéressante.

Exemple 1: Les variables « Exportations de biens et services en PIB » et « Commerce extérieur

en PIB » sont fortement corrélées avec une corrélation égale à 0.995 => Naturellement, les
exportations contribuent fortement à la croissance économique d’un pays, mais la lecture
indépendante des exportations sans avoir à parler des importations au cours d’une période
donnée est une lecture incomplète et insignifiante, il est donc évident que le commerce
extérieur qui est la différence entre les exportations et les importations vienne compléter
notre lecture et démasquer l’apparence trompeuse des exportations. Nous ne sommes pas en
train de remettre en cause notre précieuse corrélation, tout ce que nous avons souligné n’est
que pour expliquer la nature de relation qui rassemble nos deux variables, l’une fait grande
partie de l’autre. On constate une forte relation linéaire positive : Les deux varient très
fortement dans le même sens.

Exemple 2 : Les variables « Balance commerciale hors services » et « importation de biens et

services en % du PIB » => Une corrélation égale à 0,164 : Absence de lien linéaire entre les
deux variables, la variation de l’une ne suit en aucun cas la variation de l’autre.

Exemple 3 : Les variables « Balance commerciale hors services » et « exportations de services

en millions » => Une corrélation égale à -0,732 : On constate une forte relation linéaire
négative entre ces deux variables. Une augmentation d’une des variables est accompagnée
par une variation dans le sens inverse de l’autre variable, ceci peut être expliqué par
l’exclusion des exportations de services de la balance commerciale hors service. Quand on ôte
les exportations de notre balance commerciale, celle-ci se trouve mécaniquement amoindri.

• Indice KMO et test de Bartlett :

Il convient aussi de d’observer l’indice KMO qui doit obligatoirement tendre vers 1, étant
supérieur à 0,5, autrement la factorisation n’est pas possible. Notre KMO est égal à 0,539 :
Un résultat misérable comme c’est clairement écrit au-dessous mais acceptable. Il nous
indique que les corrélations entre nos indicateurs sont d’une qualité passable.

Pour juger de l’indice de KMO :

- 0,80 et plus : Excellent

- 0,70 et plus : Bien
- 0,60 et plus : Médiocre
- 0,50 et plus : Misérable
- Moins de 0,50 : Inacceptable
Ensuite le test de sphéricité de Bartlett est significatif (< 0.0005), nous pouvons donc rejeter
l’hypothèse nulle voulant que nos données proviennent d’une population pour laquelle la
matrice serait une matrice d’identité. Les corrélations ne sont donc pas toutes égales à zéro.
Nous pouvons donc poursuivre l’analyse.

4- Choix de la méthode d’extraction et de composantes :

Nous choisissons l'analyse en composantes principales, puisqu'elle permet d'expliquer une

grande partie de la variance avec un minimum de facteurs.
Nous devons ensuite choisir le nombre de facteurs à extraire. Pour ce faire, nous analysons
le tableau de la variance totale expliquée. En regardant la deuxième colonne, nous
constatons que deux facteurs (ou composantes) ont une valeur propre plus élevée que 1.

• 1ère règle : selon la règle de Kaiser seules les composantes aux valeurs propres
supérieures à 1 sont retenues.
• 2ème règle : le nombre d’axes est choisie en fonction de la restitution minimale de
l’information désirée.
Nous les conservons donc pour l'analyse. Le premier facteur explique à lui seul 55,661 % de
la variance totale des 8 variables de l'analyse. Mis en communs, les deux facteurs
permettent d'expliquer 90,411% de la variance. Comme le troisième facteur n'explique pas
suffisamment de variance, il n’est pas retenu.

Nous avons réduit les variables de 8 à 2 composantes et la quantité restante en termes

d’informations dépasse 90%, nous n’allons perdre que 10% de l’information.

• Graphique de valeurs propres :

 Nous désirons toutefois être certains de bien choisir le bon nombre de facteurs à
extraire. Nous regardons donc le graphique des valeurs propres et examinons ou est-
ce que l’effondrement commence à se situer. Nous voyons un changement après le
deuxième facteur. Nous ne retenons donc que deux facteurs pour l'analyse, donc la
partie supérieure du tracé avant le décrochement. Ce critère est plus rigoureux que
celui des valeurs propres.

• Qualité de représentation :
Ce tableau présente la qualité d’extraction pour chaque variable. Les extractions sont
obtenues grâce à la sommation de cos² des 2 composantes. L’extraction de cette table indique
pour chaque variable la part de la variance expliquée par la solution à 2 composantes. En
parcourant les valeurs, on peut remarquer qu’elles sont très proches de 1, à l’exception de la
balance commerciale. Plus la valeur de l’extraction est proche de 1, plus la variable qui lui
correspond est mieux représentée.

5- Interprétation et nomination des axes / contribution des variables

• Matrice de composantes :

Cette matrice contient les poids des variables sur chaque facteur. Ces poids sont en fait la
corrélation entre la variable et le facteur. Ils servent à interpréter le rôle de chaque variable
dans la définition de chaque facteur. Ils indiquent donc le degré de correspondance entre la
variable et le facteur. Plus le poids est élevé, plus la variable est représentative du facteur.
De manière générale, le premier facteur extrait est celui qui explique le plus de variance et est
donc la meilleure combinaison possible de variables. Le deuxième facteur représente une
combinaison moins optimale.

L’interprétation ici est basée sur la recherche des variables qui sont le plus fortement corrélées
avec chaque composante, c’est-à-dire les variables qui s’éloignent de zéro dans leur direction
positive ou négative tout en se rapprochant de (1 ; -1).

Règle empirique : une variable n’est significative que si sa contribution est d’au moins 0.50.
➢ Selon la matrice des composantes, on peut déduire que les variables : Importations de
biens USD, Exportations de biens USD, Importations de services USD, Exportations de
services USD et Balance commerciale hors services USD sont fortement corrélées et mieux
représentées par la composante une, et les variables : Importations de biens et services en %
du PIB, Exportations de biens et services en % du PIB et Commerce extérieur en % du PIB
sont mieux représentées par la composante deux.

Afin de visualiser notre matrice de composante, ci-après le diagramme de composantes :

Chaque point représente une variable. Sur notre diagramme la première composante
principale est fortement corrélée avec quatre variables. Cette composante augmente avec
l’augmentation des exportations de services USD, Importations de services USD, Exportations
de biens USD, Importations de biens USD. Cela indique que ces quatre variables varient
ensemble. La deuxième composante augmente avec trois variables, ces derniers ont des
saturations élevées sur le deuxième facteur et ne sont aucunement corrélées avec les
indicateurs de la première composante. Ce que nous avons relevés lors de cette étape est que
nos variables sont à peu près les mêmes, on note une différence qu’au niveau de la forme,
nous avons parlé d’exportations en millions sur la première composante et d’exportations en
% du PIB en deuxième composante : Autrement dit la contribution des exportations à la
croissance économique d’un pays. Ce que nous avons retenu est le suivant : Du point de vue
de la technique, c’est correct mais le sens n’y est pas vraiment. Nous allons veiller sur le bon
choix et la diversité de nos variables prochainement.

On donne un sens à un axe grâce à une recherche lexicale à partir des coordonnées des
variables et des individus. Ce sont les éléments extrêmes qui concourent à l’élaboration des
axes. On peut donner au premier axe le nom « Les exportations et importations des biens et
services » et le deuxième « La contribution des exportations et des importations des biens et
services à la croissance économique » pour faciliter la lecture du diagramme.

6- Le diagramme de représentation des pays

Interprétation du diagramme :

Pour chaque axe retenu et chaque nuage, on regarde : Quelles sont les variables qui
participent le plus à la formation de l’axe, et quels sont les individus qui participent le plus à
la formation de l’axe.
- Les pays qui sont situés à droite : le niveau des importations et exportations de biens et
services de ces pays est élevé, plus le pays s’éloigne du zéro plus il exporte et importe plus,
plus il se rapproche du zéro plus il exporte et importe moins par rapport aux autres pays qui
sont situés tout comme le pays en question à droite du diagramme, prenons l’exemple des
états unis qui exporte et importe beaucoup plus que les autres pays, d’ailleurs nous pouvons
bien le constater sur l’histogramme que nous avons présenté au début, suivi par l’Allemagne
que nous considérons aussi l’un des pays les plus exportateurs et importateurs de biens
comme de services.
- Les pays situés à gauches : les exportations et les importations de ces pays sont faibles, on
peut dire qu’ils sont indépendants mais comme nous pouvons le constater, nos pays ne sont
pas très loin du zéro, ce qui est tout à fait normal puisqu’il n’existe pas de pays qui
s’autosuffit, qui puisse répondre à tous ces besoins, fermé sur lui-même. On prend l’exemple
du Chypre, on peut dire que c’est le pays le plus indépendant et qui exporte et importe le
moins par rapport aux autres.
-Les pays qui sont situés en haut : Sur la base de la matrice des représentations, la grande
contribution des exportations et importations à la croissance économique des pays situés en
haut est irréfutable, plus le pays s’éloigne du zéro plus son ouverture sur les autres pays, ses
échanges contribuent massivement à l’augmentation de sa croissance économique, prenons
l’exemple du remarquable Luxembourg, qui saute aux yeux, ses échanges contribuent
amplement à l’augmentation de son produit intérieur brut annuel, viennent juste après, les
Pays-Bas et la Belgique.
-Les pays qui sont situés en bas : la contribution des exportations et importations à la
croissance économique des pays qui se trouvent en bas est faible, pas forcément du fait qu’ils
exportent et importent des quantités minimes par rapport aux autres, comme on peut le
constater clairement, il y a des pays qui sont situés à droite du diagramme donc le volume de
leurs échanges est assez élevé mais pourtant l’impact des ces derniers sur le PIB est faible.
 L’analyse typologique
L’analyse typologique a pour but de regrouper les individus en un nombre restreint de classes
homogènes en partant d’un ensemble de variables.

Il faut d’abord choisir une méthode d’agrégation, nous on choisit la méthode de Ward qui
cherche à minimiser l’inertie inter-classe afin d’obtenir des classes les plus homogènes
possibles.

1. Récapitulatif de traitement des informations :

Ce tableau indique que le fichier contient 31 individus (N=31) et que le fichier ne contient
pas de donnée manquante.

2. Matrice de proximité :
La matrice de proximité présente les distances qui séparent les individus.
Les distances sont calculées par paire d’individus.

Dans notre cas ces individus sont les différents pays, et donc plus la distance entre deux
individus (entre 2 pays) est faible plus on peut facilement les agréger.

On peut par exemple agréger le Maroc et Albanie (0.116) ou le Canada et Espagne (0.302)
dans la même catégorie.

3. Chaîne des agrégations :

Chaîne des agrégations

Etape Regroupement de classes Coefficients Etape d'apparition de la classe Etape suivante

Classe 1 Classe 2 Classe 1 Classe 2

1 18 19 ,015 0 0 3
2 27 31 ,048 0 0 13
3 13 18 ,090 0 1 18
4 17 23 ,140 0 0 9
5 1 9 ,198 0 0 7
6 15 29 ,312 0 0 10
7 1 14 ,439 5 0 10
8 2 6 ,589 0 0 12
9 17 21 ,766 4 0 14
10 1 15 ,972 7 6 15
11 25 28 1,244 0 0 21
12 2 11 1,547 8 0 17
13 20 27 1,880 0 2 22
14 17 24 2,362 9 0 22
15 1 26 2,864 10 0 23
16 10 16 3,381 0 0 20
17 2 12 3,969 12 0 21
18 8 13 4,565 0 3 23
19 4 22 5,883 0 0 25
20 5 10 7,241 0 16 26
21 2 25 8,877 17 11 24
22 17 20 11,082 14 13 25
23 1 8 13,299 15 18 24
24 1 2 19,688 23 21 27
25 4 17 27,763 19 22 27
26 3 5 38,786 0 20 28
27 1 4 55,999 24 25 28
28 1 3 85,077 27 26 29
29 1 30 147,758 28 0 30
30 1 7 240,000 29 0 0
La chaîne des agrégations donne des informations sur les individus combinés à chaque étape
du processus de classification hiérarchique.

La colonne des coefficients représente la somme des carrées intra-classes.

EX : Les individus 18 et 19 regroupés à l’étape 1. Un de ces deux individus a ensuite été classé
à l’étape 3.

La chaîne permet également de calculer la qualité de la typologie choisie et de décrire les

classes composées à chaque étape d’agrégation : Au début, chaque observation représente
une classe en soi.

La première étape, les deux observations les plus proches sont fusionnées pour former une
classe et ainsi de suite, la fusion pouvant se faire entre les classes, entre une classe et une
observation.

Étape 1 : les observations 18 et 19 sont regroupées dans une même nouvelle classe C1.

Étape 2 : les observations 27 et 31 sont regroupées dans une même nouvelle classe C2.

Étape 3 : l’observation 13 est regroupée avec l’observation 18 donc rejoint également la classe
C1.

On suit les mêmes étapes jusqu’à la fin du tableau et on obtient nos classes d’individus.

On fait l’agrégation des classes les plus proches possibles, on arrête d’agréger une fois que
nous trouvions un saut important.

4. Observation :
La stalactite permet de savoir les observations qu’on obtiendra d’après le nombre de classes
désiré.

5. Arbre hiérarchique :
L’arbre hiérarchique permet de montrer la composition des différentes classes, ainsi que
l’ordre dans lequel elles ont été formées.

Ce graphique montre qu’une classification à 4 groupes est rapidement obtenue car la

distance qui a été utilisée pour arriver à cette classification est relativement réduite.
On retient les 4 classes suivantes :

Classe 1 : Uruguay, Equateur, Colombie, Brésil, Paraguay, Liban, Maroc, Albanie, Finlande,
Turquie, Russie, Arabie saoudite, Canada, Italie, Espagne, Mexique.

Classe 2 : Belgique, Pays bas, Lettonie, Serbie, Chypre, Autriche, Pologne, Suède, Suisse,
France, Royaume-Unis, Inde, Allemagne.

Classe 3 : Luxembourg

Classe 4 : Etats-Unis
 Conclusion

Nous accordons à L'Analyse en Composantes Principales (ACP) ou Principal Component

Analysis (PCA) en anglais, qu’elle est une des méthodes d'analyse de données multivariées
les plus utilisées. Elle permet d’explorer des jeux de données multidimensionnels constitués
de variables quantitatives. Elle est largement utilisée en biostatistique, marketing, sciences
sociales et bien d’autres domaines. Mais elle a certaines faiblesses à savoir : Une sensibilité
aux points extrêmes. Ce manque de robustesse est notamment lié au rôle central qu'y joue
le coefficient de corrélation : les points extrêmes, en perturbant les moyennes et
corrélations, polluent fortement l'analyse, on peut cependant envisager de les déplacer en
points supplémentaires. L'ACP est inadaptée aux phénomènes non linéaires qui plus est en
grande dimension. Pour ce genre de problème, d'autres méthodes ont été développées,
comme l'ACPN (Analyse en Composantes Principales par Noyau).
En apparence, la croissance économique mondiale semble solide, masquant les risques et les
déséquilibres sous-jacents. Au niveau mondial, la croissance économique s’est accélérée
dans plus de la moitié des pays en 2017 et 2018. Les pays développés ont connu une
progression régulière de 2,2 % de leur économie au cours des deux années et nombreux sont
ceux dont les taux de croissance se sont approchés de leur potentiel, tandis que les taux de
chômage dans plusieurs de ces pays sont tombés à des taux historiquement bas. Parmi les
économies en développement, les régions de l’Asie de l’Est et du Sud restent sur une
trajectoire de croissance relativement forte, progressant respectivement de 5,8 % et 5,6 %
en 2018. De nombreux pays exportateurs de produits de base, notamment les exportateurs
de combustibles, poursuivent leur reprise progressive, bien qu’ils restent exposés à
l’instabilité des prix. Les conséquences de l’effondrement des marchés des produits de base
sur la période 2014/2015 continuent également de compromettre l’équilibre budgétaire et
le solde des opérations courantes, et ont laissé en partage des niveaux d’endettement plus
élevés.
• Ce travail a été fait avec beaucoup de sérieux et d’amour par l’équipe suivante :

Nom complet Numéro d’apogée Image

Doha ABOUZINE 17015952

Hiba OUAHJOUJOU 18018312

Bouchra MANCHOR 18018285