Fortune 1000

Author
Affiliation

Christophe Benavent

Université Dauphine - PSL

Abstract

Ce papier introduit à l’utilisation de r dans l’environnement quarto pour les analyses statistiques fondamentales de la recherche en gestion. Il sert aussi de modèle (template) pour les travaux des étudiants. On examine des distributions, on calcule des moyennes, on les compare et on les teste, on calcule des corrélations. On explore quelques techniques d’analyses de données à la française et on conclue sur un peu d’économétrie

Keywords

r stat, ggplot, tests, anova, regression, clustering, fortune

Introduction

Le cas que nous allons traité est celui des classements Fortune 1000 pour 2024 et 2023. On va se donner un but d’étude : examiner quels facteurs affectent la capitalisation boursière de ces 1000 entreprises.

Il nous faut des outils, les packages, et des données que l’on va mettre en forme.

Les packages

La boite à outils essentielle est tidyverse, de Wickham et al. (2019). On en découvrira l’univers ici, elle nous permettra de manipuler les tableaux de données, et de produire des graphes élégant. Elle s’appuie sur une grammaire des données et une grammaire des graphiques.

library(tidyverse) #outil de base(dplyr+ggplot+...)
library(rstatix) # pour tout les test en tidy...
library(FactoMineR) #ACP AFC et clustering
library(factoextra)
library(flextable) #pour faire de jolis tableaux
library(scales) #un accessoire de ggplot
library(jtools) # pour de meilleures présentations des résultats des modèles de régressions
library(ggrepel) # un complément de ggplot utile 

Lecture du fichier

Voici la source des données du Fortune 1000 de 2024 et celles de 2023 . On charge les fichiers et on les compile en un seul dataframe, le format ordinaire des données que l’on manipule en r. On en profite pour introduire quelques manipulations de données avec dplyr, un des packages clé de la suite tidyverse.

df1 <- read_csv("fortune1000_2024.csv")|>
  mutate(Year="2024") |>
  select(-Worlds_Most_Admired_Companies)%>%
  rename(MarketCap_March=MarketCap_March28_M,
         Best_Companies=Best_Companies_to_Work_For)

df2 <- read_csv("fortune1000_2023.csv")|>
  mutate(Year="2023")%>%
  rename(MarketCap_March=MarketCap_March31_M)

df_tot<- rbind(df1,df2) #le fichier superpose l'ensemble des observations

Une autre stratégie pourrait être de s’intéresser aux entreprises du classement 2024, mais en les enrichissant des données de 2023 ( si elle étaient déjà dans le classements. On réalise une jointure à gauche (les données de 2024 sont mises à jour avec les données 2023). On utilise dplyrpour effectuer l’opération. Pour les jointures on consultera ce document.

#ici on met à jour les données de 2024 avec celles de 2023
df_2024 <- df1 %>%
  left_join(df2, 
            by = "Company",
            suffix = c(".23", ".24"))

foo<-df_2024%>%
  select(Rank.24,Company, Rank.23,MarketCap_Updated_M.24, Number_of_employees.24, Revenues_M.24)%>%
  filter(Rank.24<21)%>%
  arrange(Rank.24)%>%
  mutate(cap_per_employee=MarketCap_Updated_M.24/Number_of_employees.24)

#ici on utilise flextable pour faire de jolis tableaux
ft <- flextable(foo)
ft <- theme_vanilla(ft)
ft <- add_footer_lines(ft, "")
ft <- color(ft, part = "footer", color = "#666666")
ft <- set_caption(ft, caption = "Les 20 premiers du Fortune1000 2024")
ft

Rank.24

Company

Rank.23

MarketCap_Updated_M.24

Number_of_employees.24

Revenues_M.24

cap_per_employee

1

Walmart

1

416,986

2,100,000

611,289

0.1985648

2

Amazon

2

1,370,373

1,541,000

513,983

0.8892751

3

Exxon Mobil

7

409,878

62,000

413,680

6.6109355

4

Apple

3

3,051,211

164,000

394,328

18.6049451

5

UnitedHealth Group

4

450,694

400,000

324,162

1.1267350

6

CVS Health

6

91,242

259,500

322,467

0.3516069

7

Berkshire Hathaway

5

752,829

383,000

302,089

1.9656110

8

Alphabet

8

1,585,270

190,234

282,836

8.3332632

9

McKesson

9

55,787

66,500

263,966

0.8389023

10

Chevron

15

290,714

43,846

246,252

6.6303426

12

Costco Wholesale

11

245,043

304,000

226,954

0.8060625

13

Microsoft

13

2,570,671

221,000

198,270

11.6319955

14

Cardinal Health

14

23,797

46,035

181,364

0.5169328

15

Cigna

16

83,187

70,231

180,516

1.1844769

16

Marathon Petroleum

24

50,121

17,800

180,012

2.8157865

17

Phillips 66

26

45,649

13,000

175,702

3.5114615

18

Valero Energy

29

41,108

9,743

171,189

4.2192343

19

Ford Motor

17

56,371

173,000

158,057

0.3258439

20

Home Depot

23

317,749

471,600

157,403

0.6737680

Analyse univariée

Une variable quantitative

On étudie la capitalisation des entreprises en 2024. Examinons les statistiques essentielles : les centralités et les dispersions.

mean<-round(mean(df1$MarketCap_March, na.rm=TRUE)/1000,1)
median<-round(median(df1$MarketCap_March, na.rm=TRUE)/1000,1)

On obtient donc :

  • capitalisation moyenne : 50.8 milliards de $
  • capitalisation médiane: 12.5 milliards de $
  • écart type :

La distribution peut être représentée par un simple histogramme.

ggplot(df1, aes(x=MarketCap_March ))+
  geom_histogram()

Avec quelques améliorations on obtient ceci:

ggplot(df1, aes(x=MarketCap_March/1000 ))+ #les données sont en millions , on les transforme en milliards de$
  geom_histogram(fill="pink2", alpha=.5)+
  labs(title="Distribution du chiffre d'affaires des 1000 de Fortune (2024)",
       y = "Fréquence",
       x="Chiffre d'affaires (en milliards de $)")+
  theme_minimal()+
  scale_x_continuous(trans='log10', labels = scales::label_comma())

Analyser la distribution d’une variable qualitative

On commence à compter le nombre d’occurrences par modalité. On analyse la variable secteur, on veut connaitre la fréquences des 1000 parmi les secteurs d’activités.

sector<- table(df1$Sector) |> #c'est une fonction de base de r
  as.data.frame() |> # le résultat de table est un vecteur, un data frame est un format plus utile
  arrange(desc(Freq))

ft<-flextable(sector)

ft

Var1

Freq

Financials

163

Technology

115

Energy

107

Health Care

80

Retailing

72

Business Services

59

Industrials

48

Materials

47

Transportation

39

Food, Beverages & Tobacco

35

Engineering & Construction

31

Wholesalers

30

Hotels, Restaurants & Leisure

29

Chemicals

26

Media

26

Motor Vehicles & Parts

21

Household Products

20

Aerospace & Defense

19

Apparel

15

Food & Drug Stores

9

Telecommunications

9

Un diagramme en barre

ggplot(df1, aes(x=Sector, group= Year))+
  geom_bar(alpha=.5, fill="pink2")+
             coord_flip()+
  theme_minimal()

en mieux

foo<-df1 %>%
  group_by(Sector)|>
  summarize(n=n())

ggplot(foo, aes(x=reorder(Sector,n), y=n))+
  geom_bar(stat="identity",alpha=.5, fill="pink2")+
             coord_flip()+
  theme_minimal()

Comparons les moyennes

On va comparer les capitalisations médianes par secteur et par année.

foo<- df_tot |>
  group_by(Sector, Year)%>%
  summarise(n=n(),
            median=median(MarketCap_Updated_M, na.rm=TRUE) )

ggplot(foo, aes(x=reorder(Sector,median), y=median, group=Year))+geom_line(aes(color=Year))+ coord_flip()

Un test d’analyse de variance serait bienvenu. Ses résultats sont clairs : si on peut rejeter avec certitude l’hypothèse de moyennes égales entre tous les secteurs, et donc accepter que certains ont des moyenne plus fortes ou plus plaibles que les autres, et qu’il y a donc un effet sectoriel, la différence d’une année à l’autre n’est pas significative. Une p-value de .1724 indique un risque élevé que la réalité soit une absence de différence, c’est une hypothèse qu’on ne peut écarter.En moyenne les capitalisations n’ont pas changé.

fit<-lm(MarketCap_Updated_M~Sector+Year, df_tot)
anova(fit)
Analysis of Variance Table

Response: MarketCap_Updated_M
            Df     Sum Sq    Mean Sq F value    Pr(>F)    
Sector      20 2.9520e+12 1.4760e+11  3.8687 1.715e-08 ***
Year         1 7.1101e+10 7.1101e+10  1.8636    0.1724    
Residuals 1906 7.2717e+13 3.8151e+10                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Corrélation de deux variables quantitatives

La capitalisation est l’actualisation du profit. On s’attend à ce que les deux variables soient fortement corrélées.

foo <- df_tot |>
  filter(!is.na(Profits_M) & !is.na(MarketCap_March))

r <-round(cor(foo$Profits_M,foo$MarketCap_March),3)

ggplot(foo, aes(x=Profits_M, y= MarketCap_March))+
  geom_point(alpha=.5, size=1)+
  geom_text_repel(aes(label=Company), size=3)+
  geom_smooth(method="lm", color="pink")+
  geom_smooth(method="loess", color="purple")+
  labs(title=paste0("corrélation : ", r))

Comparaison plusieurs groupes sur une variable quanti

Comparer 2023 et 2024.

ggplot(df_tot, aes(x=MarketCap_March, group=Year ))+
  geom_density(aes(color=Year))+
  scale_x_log10()

test en t (student)

stat.test <- df_tot %>% 
  t_test(MarketCap_March ~ Year) %>%
  add_significance()
stat.test
# A tibble: 1 × 9
  .y.             group1 group2    n1    n2 statistic    df     p p.signif
  <chr>           <chr>  <chr>  <int> <int>     <dbl> <dbl> <dbl> <chr>   
1 MarketCap_March 2023   2024     959   959     -1.46 1744. 0.143 ns      

Analyser deux variables qualitative

Tableau croisé

Le point de départ est l’analyse du tableau qui croise les deux variables

library(flextable)
Crosstabs<-table(df1$HeadquartersState, df1$Sector)
#flextable(Crosstabs)
# Calculate the chi-square statistic
chi_square_test <- chisq.test(Crosstabs)

# Print the results
print(chi_square_test)

    Pearson's Chi-squared test

data:  Crosstabs
X-squared = 1800.7, df = 920, p-value < 2.2e-16

Analyse des correspondances

CT<-Crosstabs
ca=CA(CT, graph=FALSE)

fviz_ca_biplot(ca, col.row="cos2", labelsize = 2) +
       theme_minimal()

ggsave("image/ca.jpg", width = 27, height = 18, units = "cm")

Analyse mutivariée descriptive

ACP

Clustering

grouper les Etats en famille similaire par leur profil d’entreprise

Eléments d’économétrie

régression multiple

le modèle formellement s’écrit1 de la manière suivante :

\[ y_i=\beta_0+\sum_{j = 1}^{k} \beta_jx_{i,j} + \epsilon_i \] où \(y_i\) représente la valeur de l’individu \(i\) pour la variable que l’on cherche à expliquer \(y\). Les \(x_{ij}\) représentent les valeurs de la variable \(j\) pour l’individu \(i\) . Les paramètres \(\beta_j\) sont les valeurs que l’on cherche à estimer, en minimisant la comme du carré des erreurs. (principe des moindres carrés ordinaires)[https://fr.wikipedia.org/wiki/R%C3%A9gression_lin%C3%A9aire_multiple]

Un premier example

On s’intéresse à la capitalisation sur le marché en 2024. Il y a de bonnes raisons qu’elle soit liée à celle de l’année précédente. Examinons la relation.

df_2024<-df_2024%>%
  filter(!is.na(MarketCap_Updated_M.23), !is.na(MarketCap_Updated_M.24))

r<-round(cor(df_2024$MarketCap_Updated_M.23,df_2024$MarketCap_Updated_M.24),3)

ggplot(df_2024, aes(x=MarketCap_Updated_M.23,MarketCap_Updated_M.24))+
  geom_point(alpha=.5, size=.8)+
  geom_smooth(method="lm", size=.5)+
  labs(title = paste0("corrélation : ", r))

Si la corrélation est forte, il y a cependant un phénomène d’ hétéroscédasticité : la variance n’est pas constante. On peut corriger ceci en transformant nos variables par une fonction logarithme. Le résultat est bien plus régulier !

df_2024<-df_2024%>%
  filter(!is.na(MarketCap_Updated_M.23), !is.na(MarketCap_Updated_M.24)) |>
  mutate(MarketCap_Updated_M.23_ln=log(MarketCap_Updated_M.23),
         MarketCap_Updated_M.24_ln=log(MarketCap_Updated_M.24))

r<-round(cor(df_2024$MarketCap_Updated_M.23_ln,df_2024$MarketCap_Updated_M.24_ln),3)

ggplot(df_2024, aes(x=MarketCap_Updated_M.23_ln,MarketCap_Updated_M.24_ln))+
  geom_point(alpha=.5, size=.8)+
  geom_smooth(method="lm", size=.5)+
  labs(title = paste0("corrélation : ", r))

Effectuons la régression.

fit<-lm( MarketCap_Updated_M.24_ln ~ MarketCap_Updated_M.23_ln, df_2024)
summary(fit)

Call:
lm(formula = MarketCap_Updated_M.24_ln ~ MarketCap_Updated_M.23_ln, 
    data = df_2024)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.6424 -0.1912  0.0138  0.2036  5.5678 

Coefficients:
                          Estimate Std. Error t value Pr(>|t|)    
(Intercept)               0.608115   0.085391   7.122  2.2e-12 ***
MarketCap_Updated_M.23_ln 0.920884   0.008843 104.134  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.4197 on 888 degrees of freedom
Multiple R-squared:  0.9243,    Adjusted R-squared:  0.9242 
F-statistic: 1.084e+04 on 1 and 888 DF,  p-value: < 2.2e-16

Il est temps d’introduire d’autre variables. On va se contenter d’introduire deux variables :

  • l’accroissement du chiffre d’affaires qui signalent la dynamique de l’entreprise et sa capacité à produire du profit, pour autant que les coût ne croissent en égale proportion.

  • le secteur d’activité, une variable qualitative, qui sera recodée par hot encoding au regard d’une catégorie de référence.

fit1<-lm( MarketCap_Updated_M.24_ln ~ MarketCap_Updated_M.23_ln+  RevenuePercentChange.24 , df_2024)
fit2<-lm( MarketCap_Updated_M.24_ln ~ MarketCap_Updated_M.23_ln+  RevenuePercentChange.24 + Sector.24, df_2024)

library(jtools)

export_summs(fit, fit1,fit2,
             error_pos="right",
              number_format = "%.3f")
Model 1Model 2Model 3
(Intercept)0.608 ***(0.085)0.560 ***(0.087)0.571 ***(0.136)
MarketCap_Updated_M.23_ln0.921 ***(0.009)0.924 ***(0.009)0.921 ***(0.009)
RevenuePercentChange.24             0.001 ** (0.000)0.001 ** (0.000)
Sector.24Apparel                          -0.013    (0.145)
Sector.24Business Services                          -0.030    (0.116)
Sector.24Chemicals                          0.124    (0.128)
Sector.24Energy                          0.051    (0.109)
Sector.24Engineering & Construction                          -0.392 ** (0.125)
Sector.24Financials                          -0.045    (0.107)
Sector.24Food & Drug Stores                          0.462 ** (0.175)
Sector.24Food, Beverages & Tobacco                          0.261 *  (0.125)
Sector.24Health Care                          0.248 *  (0.111)
Sector.24Hotels, Restaurants & Leisure                          0.160    (0.126)
Sector.24Household Products                          0.073    (0.136)
Sector.24Industrials                          -0.040    (0.117)
Sector.24Materials                          -0.096    (0.119)
Sector.24Media                          0.151    (0.130)
Sector.24Motor Vehicles & Parts                          -0.055    (0.138)
Sector.24Retailing                          -0.002    (0.112)
Sector.24Technology                          -0.024    (0.107)
Sector.24Telecommunications                          0.207    (0.174)
Sector.24Transportation                          0.009    (0.121)
Sector.24Wholesalers                          -0.095    (0.127)
N890             882             882             
R20.924         0.925         0.933         
*** p < 0.001; ** p < 0.01; * p < 0.05.

Voici la représentation graphique sous forme de tree plot équivalente.

plot_summs(fit,fit1, fit2)

On peut souhaiter mieux se représenter les effets de chacune des variables. Les diagramme d’effets marginaux sont utiles à cette fin. Ils représentent l’effet moyen des modalités d’une variable, sous contrôle des autres variables.On découvre que l’effet de l’accroissement de chiffre d’affaire a un effet sensible quand les ventes doublent et au-delà. Un effet de fusion ? Quant aux secteurs d’activité le secteur du BTP est associé aux plus faibles capitalisation, la santé et la distribution étant les principaux bénéficiaires.

effect_plot(fit2, pred = RevenuePercentChange.24, interval = TRUE, plot.points = FALSE)+
  scale_x_log10()

effect_plot(fit2, pred = Sector.24, interval = TRUE, plot.points = FALSE)+coord_flip()

les interactions

Dans un projet de recherche il arrive souvent que l’on cherche à tester la relation entre une variable Y et une variable explicative X mais que l’on soupçonne que celle-ci varie selon les situations Z. Prenons par exemple cette vieille hypothèse de la contingence et l’effet de l’incertitude de l’environnement sur la performance organisationnelle. Cet effet peut varier selon le type d’organisations. Certaines sont plutôt mécanistes (le modèle bureaucratique et hiérarchique), d’autres plutôt organiques ( modèle d’autonomie et d’interaction). Les premières sont efficaces quand l’incertitude de l’environnement est faible et que la plannification est le moyen le plus rationnel d’opérer. Les secondes le sont au contraire quand l’environnement est volatil, incertain, turbulent.

On peut représenter ces relations dans le diagramme suivant :

On peut aussi les formaliser :

\[Perf= a_0+a_1Incertitude\]

et, avec \(Org \in [0,1]\) : \[a_1=b_0+b_10rg\]

En remplaçant et en arrangeant on obtient :

\[Perf= a_0+b_0Org+ b_1OrgIncertitude\]

Le terme multiplicatif qui apparaît est est le terme d’interaction. Dans l’exemple simplifié puisque la variable organisation prend pour valeur 1 ou 0, selon qu’elle soit mécaniste où organique.

Le résultat peut surprendre, mais en regardant de plus prêt, la causalité est inversée ! Les entreprises dirigées par des femmes et à fortes croissance ont de faibles capitalisation.

fit1<-lm( MarketCap_Updated_M.24_ln ~ RevenuePercentChange.24*FemaleCEO.24 + Sector.24 +MarketCap_Updated_M.23_ln, df_2024)
fit2<-lm( MarketCap_Updated_M.24_ln ~ RevenuePercentChange.24+FemaleCEO.24 + Sector.24 +MarketCap_Updated_M.23_ln, df_2024)
library(interactions)
interact_plot(fit1, pred = RevenuePercentChange.24, modx = FemaleCEO.24, interval = TRUE)+scale_x_log10()

export_summs(fit2,fit1,
             error_pos="right",
              coefs = c("croissance du CA" = "RevenuePercentChange.24",
                        "Female"="FemaleCEO.24yes",
                        "Interaction"="RevenuePercentChange.24:FemaleCEO.24yes",
                         "Capitalisation n-1" = "MarketCap_Updated_M.23_ln"), 
              number_format = "%.3f")
Model 1Model 2
croissance du CA0.001 ** (0.000)0.001 ** (0.000)
Female-0.014    (0.049)0.072    (0.060)
Interaction             -0.006 *  (0.002)
Capitalisation n-10.921 ***(0.009)0.920 ***(0.009)
N882             882             
R20.933         0.933         
*** p < 0.001; ** p < 0.01; * p < 0.05.
foo<-df_2024 %>%
  filter(FemaleCEO.24=="yes" & RevenuePercentChange.24 >50)%>%
  select(Company,Sector.24,RevenuePercentChange.24,FemaleCEO.24, MarketCap_Updated_M.24)

ft<-flextable(foo)
ft

Company

Sector.24

RevenuePercentChange.24

FemaleCEO.24

MarketCap_Updated_M.24

Opendoor Technologies

Technology

94.1

yes

1,131

MillerKnoll

Household Products

60.1

yes

1,546

Greenbrier

Transportation

70.4

yes

1,055

Jackson Financial

Financials

57.4

yes

3,078

modèles à décomposition d’erreurs

C’est le cas des panels par exemple: chaque individu est observé sur la variable \(j\) dans le pays \(g\) et au moment \(t\) . On parle aussi de modèles hiérarchiques, de modèles Multi-niveaux, de modèle à effets mixtes ou de modèle à décomposition d’erreur.

Dans ce cadre d’analyse on distinguera les effets fixes (ceux des \(x_{j}\)) et les effets aléatoires \(\mu_g\) qui représente l’effet de la variable groupe.

\[ y_{i,g}=\beta_0+\sum_{j = 1}^{k} \beta_jx_{ijg} +\mu_g+\epsilon_{ig} \]

Sachant que les entreprises sont insérés dans un champs économique (le secteur ou l’Etat), on peut capturer l’effet de cette variable de second niveau. pour la mise en oeuvre on utilise le package lme4.

Le terme entre parenthèse représente l’effet aléatoire. Le premier modèle prend en compte l’Etat où se trouve le siège (un effet d’agglomération), le second modèle le secteur (l’effet de champs), le troisième prend en compte ces deux facteurs de manière additive.

Les paramètres des effets fixes restent stables, la prise en compte de ces deux facteurs pèsent 1% de la variance. Finalement assez peu

library(lme4)

model1 <- lmer(MarketCap_Updated_M.24_ln ~ RevenuePercentChange.24*FemaleCEO.24 +MarketCap_Updated_M.23_ln+  (1 | HeadquartersState.24), df_2024 )
model2 <- lmer(MarketCap_Updated_M.24_ln ~ RevenuePercentChange.24*FemaleCEO.24 +MarketCap_Updated_M.23_ln+  (1 | Sector.24), df_2024 )

model3 <- lmer(MarketCap_Updated_M.24_ln ~ RevenuePercentChange.24*FemaleCEO.24 +MarketCap_Updated_M.23_ln+  (1 | Sector.24+HeadquartersState.24), df_2024 )

export_summs(model1,model2,model3,
             error_pos="right",
              coefs = c("croissance du CA" = "RevenuePercentChange.24",
                        "Female"="FemaleCEO.24yes",
                        "Interaction"="RevenuePercentChange.24:FemaleCEO.24yes",
                         "Capit. t-1" = "MarketCap_Updated_M.23_ln"), 
             model.names = c("MLM state","MLM Sector","MLM Sector+State"),
              number_format = "%.3f")
MLM stateMLM SectorMLM Sector+State
croissance du CA0.001 ** (0.000)0.001 ** (0.000)0.001 ** (0.000)
Female0.103    (0.061)0.083    (0.059)0.086    (0.059)
Interaction-0.007 *  (0.003)-0.007 ** (0.002)-0.006 ** (0.002)
Capit. t-10.925 ***(0.009)0.920 ***(0.009)0.921 ***(0.009)
N882             882             882             
N (HeadquartersState.24) 44                          44.000         
AIC1007.489         971.350         967.940         
BIC1040.964         1004.825         1006.198         
R2 (fixed)0.925         0.923         0.923         
R2 (total)0.927         0.931         0.933         
N (Sector.24)              21             21.000         
*** p < 0.001; ** p < 0.01; * p < 0.05.

Conclusion

D’autres spécifications de modèles de régression ont été proposées en fonction de la nature de la variables qu’on veut étudier

  • variable binaire : modèle logit
  • variable de dénombrement : le modèle de Poisson est fondamental
  • variable de durée : modèle de Cox est devenu un standard

Mais le grand progrès de l’économétrie, ce sont les modèles causaux et l’idée de contre factuel.

  • modèles de discontinuité
  • modèles DiD.

Références

Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the Tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.

Footnotes

  1. Pour écrire des équations en R markdown voir↩︎