Aménagement du territoire et croissance urbaine au Cameroun

B. Estimation des modèles

Pour effectuer une bonne estimation, il est nécessaire d'avoir des données issues d'une source viable, mais aussi de faire usage d'une méthode bien spécifique.

B.1. Source des données

Les données utilisées dans le cadre de notre analyse sont essentiellement des données socio-économiques. Dans la mesure où l'aménagement du territoire qui est une mission régalienne de l'Etat se traduit par des investissements importants en infrastructures et en équipements, nous avons choisi de capter économiquement cette action par le BIP.

En ce qui concerne la croissance urbaine, celle-ci est considérée dans le cadre de notre analyse comme la croissance économique en milieu urbain et la croissance de la population urbaine. Nous capterons la croissance économique urbaine par le Produit Intérieur Brut (PIB national), vu la difficulté de déterminer le PIB urbain dans le PIB national. Nous nous appuyons néanmoins

Aménagement du territoire et croissance urbaine au Cameroun

sur le fait qu'il est établi¹³ que la grande partie du PIB national est produite par les établissements urbains. La croissance démographique urbaine sera captée par la population urbaine au Cameroun.

Ces données ont été obtenues à partir des données de l'INS, des lois de finance sur les années considérées et les données de la Banque Mondiale. Le tableau 1 en annexe présente ces différentes données.

B.2. Méthode d'estimation

Notre analyse fait des régressions linéaires multiples avec la méthode des MCO, ainsi qu'un test de causalité au sens de Granger.

Les régressions cherchent à mettre en exergue la relation entre l'aménagement du territoire et la croissance urbaine, tandis que le test de causalité de Granger cherche à savoir le sens de la causalité entre ces deux concepts.

C. Les résultats

L'estimation des modèles permet d'arriver à des résultats dont l'analyse permet de prendre une position claire par rapport aux hypothèses émises.

C.1. Présentation des résultats

L'estimation des modèles grâce au logiciel Eviews.3 nous a permis d'arriver aux résultats suivants.

Pour le premier modèle, nous avons :

78

¹³ Selon le diagnostic du sous-secteur urbain au Cameroun effectué par le MINHDU en 2013, les villes ont contribué au PIB national pour 65,5% en moyenne sur la période 2003-2007

79

Aménagement du territoire et croissance urbaine au Cameroun

Tableau 3 : régression du premier modèle dans Eviews.

Dependent Variable: LBIP

Method: Least Squares

Sample: 1986 2015

Included observations: 30

White Heteroskedasticity-Consistent Standard Errors & Covariance

Variable	Coefficient	Std. Error	t-Statistic	Prob.
LPIB	1.922391	0.248148	7.746948	0.0000
LPOPTOTAL	-2.659402	0.613227	-4.336731	0.0002
C	14.65191	3.915810	3.741731	0.0009
R-squared	0.839941	Mean dependent var		5.773603
Adjusted R-squared	0.828085	S.D. dependent var		0.613579
S.E. of regression	0.254406	Akaike info criterion		0.194871
Sum squared resid	1.747509	Schwarz criterion		0.334991
Log likelihood	0.076938	F-statistic		70.84381
Durbin-Watson stat	0.918766	Prob (F-statistic)		0.000000

Source : traitement de l'auteur dans le logiciel Eviews.

Le tableau 3 présente les résultats de l'estimation du premier modèle. Sa lecture, notamment les valeurs des probabilités, permet de dire que tous les paramètres sont significatifs.

Pour le deuxième modèle, nous avons :

Tableau 4 : régression du deuxième modèle dans Eviews.

Dependent Variable: LBIP

Method: Least Squares

Sample: 1986 2015

Included observations: 30

White Heteroskedasticity-Consistent Standard Errors & Covariance

Variable	Coefficient	Std. Error	t-Statistic	Prob.
LPIB	1.360392	0.134827	10.08992	0.0000
LPOPURB	-0.957616	0.250229	-3.826957	0.0007
C	2.460929	1.466592	1.677992	0.1049
R-squared	0.828233	Mean dependent var		5.773603
Adjusted R-squared	0.815510	S.D. dependent var		0.613579
S.E. of regression	0.263547	Akaike info criterion		0.265466
Sum squared resid	1.875333	Schwarz criterion		0.405586
Log likelihood	-0.981992	F-statistic		65.09485
Durbin-Watson stat	0.887289	Prob (F-statistic)		0.000000

Source : traitement de l'auteur dans le logiciel Eviews.

Aménagement du territoire et croissance urbaine au Cameroun

Le tableau 4 présente les résultats de l'estimation du deuxième modèle. Il montre clairement que tous les paramètres sont significatifs.

En ce qui concerne le test de causalité de Granger, notre analyse nous a permis d'arriver aux résultats suivants relatifs aux modèles précédents :

Pour ce qui est du premier modèle, nous avons :

Tableau 5 : Sens de causalité entre les variables LBIP, LPIB et LPOPTOTAL.

Pairwise Granger Causality Tests Sample: 1986 2015

Lags: 2

Null Hypothesis:	Obs	F-Statistic	Probability
LPIB does not Granger Cause LBIP LBIP does not Granger Cause LPIB	28	5.63216 1.45800	0.01021 0.25342
LPOPTOTAL does not Granger Cause LBIP LBIP does not Granger Cause LPOPTOTAL	28	6.07809 1.65334	0.00760 0.21336

Source : traitement de l'auteur dans le logiciel Eviews.

Le tableau 5 présente les résultats du test de causalité au sens de Granger des variables du premier modèle. Il laisse aussi apparaître la significativité de certaines hypothèses par rapport aux autres.

Pour ce qui est du deuxième modèle, nous avons :

Tableau 6 : Sens de causalité entre les variables LBIP, LPIB et LPOPURB.

Sample: 1986 2015 Lags: 2

Null Hypothesis:	Obs	F-Statistic	Probability
LPIB does not Granger Cause LBIP LBIP does not Granger Cause LPIB	28	5.63216 1.45800	0.01021 0.25342
LPOPURB does not Granger Cause LBIP LBIP does not Granger Cause LPOPURB	28	8.49956 2.82346	0.00172 0.08007

80

Source : traitement de l'auteur dans le logiciel Eviews.

81

82

Aménagement du territoire et croissance urbaine au Cameroun

Le tableau 6 présente les résultats du test de causalité au sens de Granger des variables du deuxième modèle. Il laisse aussi apparaître la significativité de certaines hypothèses par rapport aux autres.