Analyse de la relation développement économique et qualité de l'environnement au Niger: cas des émissions de CO2.

IV. Méthodologie

La vérification de nos hypothèses respectives se fera à partir de régression économétrique. Pour ce faire, nous allons spécifier le modèle, préciser les sources de données et ensuite choisir la méthode économétrique appropriée pour l'estimation.

a. Spécification du modèle

Il est présenté les équations économétriques qui serviront de base pour la vérification des hypothèses.

Supposons qu'il existe une relation de type Cob-Douglas entre les émissions de CO2 et ses facteurs explicatifs :

ECO2t = f _(x1t, ^x2t,&, xnt) (1)

ECO2t= X1t ^#177;X2t ²&&X_nt³ (2)

Où _ECO2t représente les émissions de CO2 à l'année t et _x1t, ^x2t,&, _xnt sont les variables expliquant l'évolution du CO2.

Il est adopté pour l'équation précédente la forme double log qui a l'avantage de donner directement l'élasticité de la variable expliquée par rapport à chacune des variables explicatives. On a alors :

LogECO2t = #177;1Logx1t + _#177;2Logx2t +&&+ _{#177;nLogxnt+#177;0+u} (3)

Nous retenons les variables explicatives suivantes:

La consommation d'énergie (CEt). Ce choix est justifié par le fait que 80 %⁴ de la consommation d'énergie au Niger provient de la biomasse-énergie (bois de feu et du charbon de bois) qui provoque la déforestation et diminue le potentiel d'élimination du gaz carbonique dans l'atmosphère ;

Le niveau d'éducation (NEt). En effet, les individus les plus éduqués sont davantage conscients des problèmes environnementaux et ont donc des comportements et modes de vie en faveur de l'amélioration de la qualité de l'environnement ;

Le PIBt, comme indicateur de croissance économique du faite de son caractère à tenir compte de l'ensemble de biens et services produits dans l'économie.

Les degrés d'ouverture (Dot) = (X+M)/PIB

Dans l'écriture du modèle des émissions de CO2, (ECO2) sera représentée par le gaz

Le modèle d'étude devient alors :

Modèle: Log(gazt) = #177;0+#177;1Log (cet)+#177;2Log(Net)+#177;3Log(dot)+#177;4Log(PIBt) + u (4)

Où #177;0 représente la constante, u le thème d'erreur et Log la fonction logarithme

b. Résultats attendus Tableau 1 : Signes attendus des variables au niveau du modèle

	SIGNIFICATIONS DES VARIABLES	SIGNES ATTENDUS DES COEFFICIENTS
#177;0	constante	+ /-
cet	Consommation d'énergie	+
nedt	Niveau d' éducation	-
dot	Degré d'ouverture	-
PIBt	Produit intérieur bruit	+

c. Données et sources

Pour faire tourner le modèle nous utiliserons des données de type secondaire (sur au moins 30 ans) en séries temporelles. Les sources de collecte de ces données sont entre autres : L'Institut National de la Statistique (INS-Niger www.ins.ne), World Banque Indicators (WDI), Ministère de la fonction publique et le Ministère de l'environnement.

1- Tests de diagnostics

v Etude de la stationnarité

Une série temporelle est dite stationnaire si sa moyenne et sa variance sont constantes dans le temps et si la valeur de la covariance entre deux périodes de temps ne dépend que de la distance ou de l'écart entre ces deux périodes et non pas du moment auquel la covariance est calculée. Cette définition se traduit comme suit pour une série Yt :

Moyenne : E(Yj= u
Variance: v (Yt) = E (Yt- u)² =²
Covariance: cov (Yt, _Yt+k) =E [(Yt-u) _(Yt+k-u)] =3k

Nous utiliserons le teste de DICKEY- FULLER Augmenté pour vérifier la stationnarité des séries. L'intérêt de la stationnarité est que l'effet produit par un choc sur une série non stationnaire est transitoire.

Les hypothèses du test seront :

H0 : Présence de racine unitaire

H1 : Absence de racine unitaire

- Si ADF test Statistic > Critical Value alors on accepte H0 : la série a une racine unitaire

- Si ADF test Statistic d Critical Value alors on accepte H1 : la série n'a pas de racine unitaire

v Etude de la coïntégrat ion

Deux séries Yt et Xt sont dites coïntégrées si les deux conditions suivantes sont vérifiées :

- les deux séries sont affectées d'une tendance stochastique de même ordre d'intégration d : Yt ' I(d) et Xt ' I(d) ;

- une combinaison linéaire de ces deux séries permet de se ramener à une série d'ordre d'intégration inférieur :

#177;1Yt +#177;2Xt ' I (d-b) avec d e b> 0. [#177;1 ; #177;2] est appelé vecteur de coïntégration.

Deux tests de coïntégrat ion sont généralement utilisés : le test d'Engle et Granger et le test de Johannsen. Mais dans le cas de cette étude le test de Johannsen a été utilisé pour l'étude de la coïntégration. Il se présente comme suit:

H0 : pas de coïntégration

H1 : coïntégration

On accepte l'hypothèse de coïntégrat ion si LR>CV et on rejette l'hypothèse de coïntégration

dans le cas contraire.

LR: Lekelihood Ratio CV: critical value

+ Test de normalité

Pour la vérification de la normalité des variables, nous utiliserons le test de JARQUE-BERA. Ce test permet de vérifier si une variable est distribuée de façon normale et se présente comme suit:

Hypothèse du test

H0 : X suit une loi normale N (m, )

H1 : X ne suit pas une loi normale N (m, )

La statistique de Jacque-Bera est définie par:

S 2 ( 3)2

K ]

-

JB=n [ +

6 24

Où S représente le coefficient d'asymétrie (Skewness) et K le coefficient d'aplatissement (Kurtosis).

JB sous l'hypothèse de normalité suit une loi de Khi-deux à deux degrés de liberté. On accepte au seuil de 5% l'hypothèse de normalité si JB <5,99 ou si probabilité > 0,05