🛢️ OIL BALANCE ANALYSIS

📌 NB : Pour voir l'étude plus en détail, consultez les fichiers :

• 📄 DM_Mr_Ses.Rmd
• 📄 DM_Mr_Ses.pdf

---

📊 Analyse du bilan d'un groupe pétrolier (1969 - 1984)

Cette étude porte sur l'analyse des bilans annuels d'un groupe pétrolier sur la période 1969 à 1984.
Les postes du bilan sont décrits et analysés afin de mieux comprendre leur évolution sur 15 ans.

📌 Objectifs de l'analyse

• Étudier l'évolution des structures financières sur 15 ans
• Identifier les différentes périodes marquantes
• Réaliser une Analyse en Composantes Principales (ACP) pour détecter des tendances

---

📖 Table des matières

• 💾 Installations
• 📂 Présentation des données
• 📊 Statistiques descriptives
• 📈 Réalisation d'une ACP
• 🏆 Sponsors

---

💾 Installations

Avant de commencer, assurez-vous d'avoir installé les packages suivants dans R :

install.packages(c("knitr", "dplyr", "FactoMineR"))

---

📂 Présentation des données

Les données étudiées proviennent des bilans annuels d’un groupe pétrolier entre 1969 et 1984.
Elles ont été exprimées en pourcentage annuel pour éviter les effets liés à l'inflation.

📌 Description des variables

• NET : Capitaux propres
• INT : Frais financiers (intérêts)
• SUB : Subventions de l'État
• LMT : Dettes à long et moyen terme
• DCT : Dettes à court terme
• IMM : Immobilisations (terrains, matériel)
• EXP : Valeurs d’exploitation
• VRD : Valeurs réalisables et disponibles

📂 Chargement des données en R

library(FactoMineR)

# Importation des données
file <- "C:/Users/mamad/Dropbox/Alpha_docs/Ana_donnees/DM/BilanGpePetrolier.csv"
BD <- read.csv2(file, header = TRUE, sep = ";", stringsAsFactors = FALSE,
                na.strings = c("", " ", "NA", "N/A"), row.names = 1)

attach(BD)
BD

📌 Questions d'analyse

• 🔍 Quelle a été l'évolution de la structure du bilan sur 15 ans ?
• 🔍 Peut-on identifier différentes périodes ? Si oui, comment se caractérisent-elles ?

---

📊 Statistiques descriptives

summary(BD)

📌 Observations clés

• Certaines variables comme INT, LMT, NET, SUB et VRD ont des moyennes supérieures à leurs médianes.
• Cela suggère que plus de 50% des valeurs de ces variables sont inférieures à leurs moyennes respectives.

---

📈 Réalisation d'une ACP centrée-réduite

📌 Analyse des composantes principales en R

library(FactoMineR)

# ACP sur les données centrées et réduites
pca_result <- PCA(BD, scale.unit = TRUE, graph = TRUE)

📊 Interprétation des axes principaux

• L’ACP permet de détecter des corrélations fortes entre les variables.
• Les premières composantes principales expliquent la variabilité des structures financières du groupe pétrolier.

📌 Visualisation des résultats

plot.PCA(pca_result, axes = c(1, 2))

---

🏆 Sponsors

✨ Développé par SMD Lab Tech
📧 Contact : smdlabtech@gmail.com

---

📜 Licence : Open-Source

---