Memoire Online - Economic analysis of the effect of climate change on electricity demand in Togo: application of the ARDL model

Mon Dieu tout puissante, à mes chers parents et à Mon très cher Michel que Dieu les bénisse.

Je tiens à formuler l'expression de ma profonde reconnaissance à mon directeur de mémoire, Mr. EGBENDEWE Y. G. Aklesso, Professeur Titulaire, Agrégé des Faculté des Sciences Economiques et de Gestion (FASEG) et promoteur du Master Professionnel Economie Appliquée pour ses pertinents conseils et ses orientations ainsi que de sa disponibilité tout au long de ce travail. Je suis sincèrement reconnaissant pour le temps conséquent qu'il m'a accordé en dépit de son emploi du temps chargé, ses qualités pédagogiques et scientifiques, sa rigueur et sa sympathie.

Nos chaleureux remerciements au Président de l'Université de Lomé, au Doyen et Vices Doyens de la Faculté des Sciences Economiques et de Gestion, à tout le corps enseignant et à tout le personnel administratif de la Faculté des Sciences Economiques et de Gestion qui ont su bien nous encadrer tout au long de notre cursus.

Nos remerciements s'adressent spécialement aux Professeurs AGBODJI Akoété Ega, COUCHORO Mawuli, EVLO Kodjo, AMADOU Akilou, MENSAH

Noureddine, HOLONKOU, OKEY Mawussé, ALINSATO Alastaire, Mme ANATE Germaine Kouméalo et ainsi que les Docteurs TENOU Kossi Directeur National de la

BCEAO Togo, NANTOB N'yilimon, GOLO Yao, HOUNAKE, DJAHINI Mawussi, COMBEY Adama Mensah, DANDONOUGBO Yevessé, Monsieur AYELIM, Monsieur GOZOME Housmane, Monsieur TOURE Halim, K.M. d'ALMEIDA.

J'adresse mes sincères remerciements à mon Maître de stage, M. Kokou Moutou TCHAMSI, Directeur de l'ONG Action Social pour le Développement Intégral (ASDI), pour ses conseils.

Je voudrais aussi exprimer ma reconnaissance aux Doctorants de la Faculté des Sciences Economiques et de Gestion et particulièrement PANESSE Aimée et LITAABA pour leurs apports et remarques pertinentes.

Bien sûr, atteindre ces objectifs n'aurait pas été possible sans l'aide de mes chers et braves camarades de promotion, nous vous sommes reconnaissants pour votre collaboration et l'esprit de fraternité, de solidarité et de cohésion dont vous nous avez témoigné durant tout notre parcours.

Mes remerciements vont aussi à toute ma famille notamment mes parents, frères et soeurs particulièrement pour leur divers soutien. Je ne saurai exprimer ma profonde gratitude à l'égard de Mr AKAMA Komlan Mawupédzro pour son soutien et ses conseils qui nous ont permis de ne jamais écarter de notre objectif.

Enfin, nous remercions tous ceux qui ont contribué de près ou de loin à la réalisation de ce modeste travail.

Figure 1:Répartition de la consommation d'électricité par secteur 9
Figure 2: Evolution de la consommation d'électricité suivant la température de 1990 à 2019.

Figure 4: Répartition de la consommation finale par source d'énergie en 2016 14

Figure 6: Evolution de la consommation d'électricité suivant les précipitations. 17

Figure 7: Répartition de la consommation finale par source d'énergie en 2016 19

Graphique 4:Précipitation moyenne suivant les différents sites météorologiques au Togo ..11

CHAPITRE 1 : ETATS DES LIEUX DE LA RELATION ENTRE LA DEMANDE D'ELECTRICITE ET LE CLIMAT 7

CHAPITRE II : REVUE DE LA LITTERATURE SUR LES EFFETS DU CHANGEMENT CLIMATIQUE SUR LA

RESUME

L'objectif de ce mémoire, est d'analyser les effets du changement climatique sur la demande d'électricité au Togo. Pour ce faire, une méthodologie économétrique s'appuyant sur le modèle auto régression à retards échelonnés (ARDL) a été appliquée aux données de séries temporelles pour le Togo qui couvre la période allant de 1990 à 2019. Les résultats montrent à court terme l'existence d'une relation négative entre la demande d'électricité et la température en saison de pluie ; contrairement aux autres variables comme le prix, la population et l'émission de co2 qui agissent positivement sur la consommation électrique ; à long terme l'effet inverse se produit sauf la variable population qui a gardé son signe positif et une nouvelle variable qui s'ajoute c'est-à-dire le PIB qui affecte négativement la consommation. Enfin, ce mémoire propose une maitrise du marché de l'électricité et une diminution des actions humaines porteurs de dégradation du climat qui restent des conditions nécessaires pour permettre de répondre aux besoins de la demande d'électricité.

Mots clés : Changement climatique, consommation d'électricité, modèle auto régression à retards échelonné.

Abstract

The objective of this memory is to analyze the effects of climate change on the demand for electricity in Togo. To do this, an econometric methodology based on the scaled-lag autoregression model (ARDL) was been applied to the time series data for Togo, which covers the period from 1990 to 2019. The results show in the short term the existence of a negative relationship between electricity demand and temperature in the rainy season; unlike other variables such as price, population and CO2 emissions which have a positive effect on electricity consumption; in the long term, the opposite effect occurs except for the population variable which has kept its positive sign and a new variable which is added, ie GDP which negatively affects consumption. Finally, this memory proposes a mastery of the electricity market and a reduction in human actions leading to climate degradation, which remain necessary conditions to meet the needs of the demand for electricity.

Keywords: Climate change, electricity consumption, self-regression model with staggered delays

INTRODUCTION GENERALE

Certains travaux ont révélé au niveau macroéconomique l'existence d'une relation entre le changement climatique et le secteur de l'énergie (Bas, et al., 2019), ceci signifie que l'ensemble des variations des caractéristiques climatiques en un endroit donné au cours du temps affectent le secteur énergétique. Le lauréat du prix de la Banque de Suède en sciences économiques ; (Nordhaus, 2019) reçoit le « prix Nobel » d'Economie pour ses travaux intégrant les effets du changement climatique dans les modèles économiques dynamiques. Le secteur de l'énergie n'échappe pas aux débats actuels sur la meilleure façon d'internaliser les externalités environnementales (dont certaines sont irréversibles : (Jacques, 2001) taxes de dommage de Pigou ou marchés de droits à polluer dans la lignée des travaux de Coase. Les changements de température, d'humidité, de vent, de rayonnement solaire et de précipitations peuvent affecter les marchés de l'électricité, tant du côté de l'offre que de la demande (Torben, et al., 2010). Les données les plus récentes montrent que le changement climatique a tendance à augmenter les températures moyennes (Torben, et al., 2010).

Par conséquent, les effets sur la demande d'électricité sont principalement dus à des changements dans les besoins de chauffage et de refroidissement des locaux (Moral-Carcedo & Vicéns-Otero, 2005). Les effets de la température sur la consommation d'électricité peuvent varier considérablement selon l'emplacement, la topologie, les conditions climatiques locales et le secteur économique considéré (Ürge-Vorsatz, et al., 2007) . Selon Cruz Rios, et al., 2017, les trois principaux secteurs consommateurs d'électricité (résidentiel, commercial et industriel) réagissent différemment aux changements de température. Alors que le refroidissement revient presque exclusivement à l'électricité par le biais de la climatisation dans tous ces secteurs, les équipements de chauffage peuvent être différents. Les secteurs commerciaux et industriels dépendent plus fortement de l'électricité pour le chauffage (en raison de l'utilisation de la climatisation), tandis que le secteur résidentiel peut avoir une plus forte dépendance vis-à-vis du gaz naturel, du pétrole, entre autres sources (Andressa, et al., 2017). L'augmentation de la température entraîne des mesures d'atténuation et d'adaptation.

Le système énergétique a un rôle important à jouer dans l'atténuation du changement climatique (Ripple, et al., 2014). Cependant, les composantes du système énergétique sont également affectées par le changement climatique lui-même, via les changements à long terme des paramètres climatiques, la variabilité et les événements météorologiques extrêmes (Field, 2014). La lutte contre le changement climatique est un défi important pour notre société. Elle passe par une réduction des émissions de Gaz à Effet de Serre (GES), la production, la transformation et la consommation d'énergie étant responsables d'une part importante de ces émissions. Les risques climatiques et environnementaux ainsi que l'épuisement des ressources fossiles exigent une réduction significative des consommations d'énergie. L'énergie est très largement responsable de l'effet de serre selon les travaux sur le « principe de précaution » (Jacques, 2001). Une double raison concerne généralement l'industrie de l'électricité au sujet du changement climatique. D'une part, les émissions de gaz à effet de serre émises par les unités de production d'électricité à base de combustibles fossiles et, d'autre part, l'augmentation de la température mondiale qui entraîne une pression supplémentaire sur la demande d'électricité.

Toute contrainte supplémentaire sur la demande d'électricité entraînera la combustion de plus de combustible pour produire plus d'électricité et donc stimulera le réchauffement climatique. Des études antérieures ont révélé la relation entre la sensibilité de la demande d'électricité et les conditions météorologiques et ont démontré que la demande peut être modifiée si les conditions météorologiques changent (Howden & Crimp, 2001). Cependant, la relation entre le changement des conditions météorologiques et l'évolution de la demande dépend de différents facteurs, dont la région géographique et le réchauffement climatique. Le changement climatique pourrait être attribué à une demande d'électricité par habitant plus élevée dans certaines régions, alors que la demande dans d'autres régions pourrait diminuer, entraînant une augmentation des besoins de refroidissement et une diminution des besoins de chauffage. L'énergie est très largement responsable de l'effet de serre alors que c'est l'augmentation de gaz à effet de serre qui menacent et modifie sensiblement le climat dans le sens de réchauffement global. Par ailleurs, le réchauffement climatique entraînera une augmentation de la demande d'électricité pendant les temps chauds, car davantage d'équipements de réfrigération seront utilisés. En tant qu'énergie secondaire, l'électricité est difficile à stocker.

En conséquence, il en résultera une capacité excédentaire si trop de puissance est fournie. Cependant, si l'approvisionnement en électricité est insuffisant, cela peut entraîner des pénuries d'électricité, affectant la stabilité économique. Si nous ignorons les effets du changement climatique sur la demande d'électricité, la planification de l'approvisionnement électrique sera affectée, ce qui entraînera un déséquilibre entre l'offre et la demande d'électricité. De ce fait, avec l'intensité du réchauffement climatique, il devient de plus en plus important pour les décideurs de se faire une idée de l'effet du changement climatique sur la demande d'électricité. L'utilisation de l'énergie est l'un des systèmes humains les plus directement exposés au changement climatique (Malagueta, et al., 2013). L'augmentation des températures ambiantes devrait accroître la demande de refroidissement pendant la saison chaude et pourrait diminuer la demande de chauffage pendant la saison froide dans de multiples secteurs économiques ainsi qu'accroître la demande d'irrigation de l'agriculture pendant les saisons de culture. L'expansion démographique, la croissance économique, les changements dans la composition sectorielle des économies, le comportement des individus et des organisations et le rythme du développement technologique sont autant de sources d'incertitudes qui interagiront pour déterminer la demande future de différentes sources d'énergie dans les régions. S'ajoutent à cela les incertitudes supplémentaires concernant le calendrier et l'intensité des futurs changements de température, tant au niveau mondial, en raison des trajectoires des émissions de gaz à effet de serre et du forçage radiatif, qu'à des échelles géographiques plus fines, déterminées par les effets sur les futurs climats régionaux.

Le secteur énergétique représente une grande part dans les secteurs d'activités économiques principalement dans les zones urbaines. Selon les données de l'Agence internationale de l'énergie (AIE), au niveau mondial les émissions de CO2 liées à l'énergie atteignaient 32 316 Mt en 2016 contre 15 460 Mt en 1973, en progression de 109 % en 43 ans ; elles provenaient de la combustion de charbon pour 44,1 %, de pétrole pour 34,8 % et de gaz naturel pour 20,4 %. Depuis 2006, la Chine a dépassé les États-Unis pour les émissions de gaz à effet de serre, avec sa population qui est de 4,3 fois plus nombreuse. Les émissions de CO2 de la Chine étaient en 2016 de 9 057 Mt contre 4 833 Mt pour les États-Unis, 2 077 Mt pour l'Inde et 1 439 Mt pour la Russie (approche territoire) ; elles sont passées de 5,7 % du total mondial en 1973 à 28,2 % en 2016 ; mais les émissions par habitant des États-Unis restent largement en tête avec 14,95 t/hab contre 9,97 t/hab pour la Russie, 6,57 t/hab pour la Chine.

Depuis plusieurs décennies, la communauté internationale fait face à des enjeux nouveaux, le changement climatique définie par le Groupe d'expert Intergouvernemental sur l'Evolution du Climat (GIEC) comme étant l'ensemble des variations des caractéristiques climatiques en des endroits donnés au cours du temps ; Le 5ème rapport du GIEC (2014) a ainsi renforcé ses certitudes sur la principale cause du réchauffement climatique, et n'a jamais été aussi sûr de la responsabilité des activités humaines comme étant la principale cause de la variation de ces paramètres climatiques. Cependant, cette responsabilité est estimée dans ce rapport comme étant « extrêmement probable » (avec une probabilité de 95%). Les études de la première communication sur le changement climatique (CNI, 2009), révèle un accroissement de la température moyenne de 1,00 à 1,25°C et des précipitations de 0 à 0,80%, lesquelles auront des conséquences sur les différents secteurs d'activités.

Des publications plus récentes ont estimé des augmentations plus importantes de la demande d'énergie avec le réchauffement climatique. Les études de la première communication sur le changement climatique (CNI, 2019), révèlent un accroissement de la température moyenne supérieure à 1,1°C et des précipitations de 814mm ce qui aura des répercussions sur les différents secteurs d'activités. Ces initiatives sont menées en lien avec l'Accord de Paris sur le climat signé par le Togo. Dans ce cadre, le pays noue des partenariats techniques et financiers pour le transfert de technologies et le renforcement des capacités à travers l'élaboration des projets d'atténuation des émissions de gaz à effet de serre et d'adaptation au changement climatique pour limiter la hausse des températures bien en dessous de 2° C d'ici la fin du 21ème siècle.

La troisième communication nationale sur le changement climatique analyse la vulnérabilité faite par sous-secteurs. Des scénarios spécifiques ont été élaborés pour les sous-secteurs de la biomasse énergie et de l'hydroélectricité ; le scénario de référence indique que le potentiel énergie issue du bois s'épuisera avec un déficit estimé à 8,99 millions de ??³à l'horizon 2025 à 19,70 millions de ??³en 2050, à 41, 4 millions de ??³en 2075 et à 85,36 millions de ??³à l'horizon 2100. Mais, les scénarios du potentiel lié aux changements climatiques prévoient une légère augmentation du potentiel de bois par rapport au scénario de référence permettant de réduire le déficit de 2% à l'horizon 2025. Cette augmentation du potentiel est liée à l'augmentation des précipitations. Ceci montre que les changements climatiques futurs

notamment l'augmentation des précipitations auront un effet bénéfique pour la biomasse énergie.

Au Togo, la fourniture de l'énergie électrique est assurée par la CEET (basse tension), qui partage les services de distribution avec la communauté électrique du Bénin (CEB) (haute tension). Le CEB est fourni en électricité par le Ghana, la Côte d'Ivoire et le Nigéria. Selon la Direction de l'Economie (2013), l'énergie électrique totale livrée au réseau s'élève à 918 Kwh dont 878 kwh livrés par le CEB et 40 Kwh par la CEET. Le taux d'électrification est de 26 %. Par ailleurs, à la fin de l'année 2012, il est remarqué une baisse en disponibilité totale de l'énergie électrique au niveau de la CEET qui atteignent 901 255 944 Kwh contre 907 162 812 en 2011. La production locale a augmenté de 27.4 % tandis que les achats auprès de la CEB ont diminué de 1 % pour se situer respectivement à 14 001 392 Kwh et 887 254 552 Kwh. La consommation d'énergie moyenne tension facturée au cours des douze mois de l'année 2012 se chiffre à 229 470 953 Kwh, soit une hausse de 8.7 % par rapport à l'année 2011.

Le Togo à l'instar des pays subsahariens, connait des difficultés d'accès à l'énergie électrique. En effet, selon les résultats du 4ème recensement général de la population et de l'habitat (RGPH) en 2010, près de 36.9 % des ménages togolais utilisent l'électricité de la communauté d'énergie électrique du Togo (CEET) comme mode principal d'éclairage. Sur le plan mondial la part de l'électricité dans la consommation finale d'énergie s'élevait à 18,9 % en 2017. La production mondiale d'électricité est issue en 2018 des combustibles fossiles pour 64 %, du nucléaire pour 10 % et des énergies renouvelables pour 26 % (hydroélectricité 16 %, éolien 5 %, biomasse 3 %, solaire 2 %). Les deux principaux pays producteurs d'électricité totalisent 42,5 % de la production mondiale : Chine 25,8 % et États-Unis 16,7 %.

Dans la mesure où les questions relatives à la variabilité du climat sur la planète constituent un débat dans tous les continents du monde et surtout que ces questions font partie aujourd'hui des domaines privilégiés de la recherche scientifique à travers le Groupe Intergouvernemental sur l'Etude du Climat (GIEC), cette étude se propose de répondre à une principale inquiétude : Quel est l'effet du changement climatique sur la demande d'électricité au Togo ?

Ainsi l'objectif général de ce mémoire est d'analyser les effets de la variabilité de la température et des précipitations sur la demande d'électricité au Togo ; Plus spécifiquement il s'agira :(i)

D'analyser l'effet des variations annuelles de la température sur la demande de l'électricité par habitant au Togo ; (ii) D'estimer à partir de différents scénarios de la GIEC l'effet à long terme des variables climatiques sur la demande d'électricité

Des articles voire les papiers de conférences et ouvrages ont démontré la relation entre le changement climatique et la demande d'électricité citons « l'impact du changement climatique sur la demande d'électricité en Chine » ; le papier de conférence « Impact du changement climatique sur la demande d'électricité au Singapour » en aout 2013 sont des études qui se positionnent souvent sur les effets des variables socioéconomiques comme le revenu par habitant, prix de l'électricité et d'autres part les paramètres climatiques. Notre recherche permettra de voir l'effet des deux variables climatiques tel que la température et les précipitations. Le Togo disposant deux saisons à savoir la saison sèche et la saison pluvieuse ; ce qui a particulièrement retenu notre attention d'où le choix de la variable température en saison sèche et pluvieuse. Notre recherche portera donc sur l'effet de la température en saison sèche et en saison pluvieuse celui des précipitations et les variables socioéconomiques. Tout ceci rend cette recherche peu différente de ce que nous avons exploré antérieurement et sera un atout pour notre pays le Togo dans la gestion de la planification en matière de consommation électrique.

La suite de ce mémoire est organisée de la manière suivante. Le chapitre I nous présente l'état des lieux de la relation entre la demande d'électricité et le climat au Togo. Le chapitre II se positionnera sur les éléments théoriques et empiriques qui fondent la relation entre le changement climatique et la demande d'électricité. En fin, le chapitre III exposera de façon détaillée les approches méthodologiques adoptées et les résultats et interprétations suite aux estimations avant de conclure ce mémoire.

Chapitre 1 : Etats des lieux de la relation entre la demande d'électricité et le climat

Dans cette partie nous allons aborder un aspect descriptif sur le climat et de la demande d'électricité tout en faisant ressortir les relations entre les paramètres climatiques et de la consommation d'électricité sur la période allant de 1990 à 2020

1.1. Aperçue de l'environnement climatique du Togo 1.1.1. Milieu géographique

Pays d'Afrique occidentale, le Togo est situé entre 6°et 11°de latitude Nord et 0° et 1°40 de longitude Est. Avec une superficie de 56 600 km², il est assimilé à un corridor qui s'étire sur 650 km de long, entre le Burkina Faso au Nord et l'océan Atlantique au Sud, sur une largeur maximale de 150 km, entre le Bénin à l'Est et le Ghana à l'Ouest. Cette configuration explique la grande diversité climatique, biologique, économique et humaine qui caractérise le pays. Le Togo dispose d'une côte sableuse d'environ 50 km.

1.1.2. Milieu physique

Le Togo jouit d'un climat tropical sous influence de deux alizés : harmattan et la mousson. De la côte à 8° Nord, règne un climat subéquatorial caractérisé par deux saisons sèches et deux saisons pluvieuses de durées inégales. Les précipitations annuelles oscillent entre 800 et 1400 mm réparties entre les deux saisons de pluies. Le nombre de jours de pluies varie de 130 à 240 avec une humidité relative généralement forte fluctuant autour d'une moyenne de 90% et une température moyenne annuelle de 27°C. Au-delà de 10° de latitude Nord règne un climat soudanien de type semi-aride, caractérisé par une saison de pluies de cinq mois pour une pluviosité de 900 à 1100 mm étalée sur 175 jours. Les températures varient entre 17 et 41°C en saison sèche et entre 22 et 34°C en saison des pluies avec une évaporation intense et une humidité relative variant entre 15 et 86%. Entre ces deux zones climatiques règne un climat de type guinéo-soudanien correspondant à une zone de transition. Dans cette zone, les précipitations annuelles fluctuent entre 1400 et 1500 mm avec une température moyenne annuelle de 26,5°C. L'humidité relative moyenne varie entre 60 et 80%. La vitesse moyenne du vent est de 1,93 m/s et la durée moyenne de l'insolation est de 6 heures 37minutes par jour avec des valeurs maximales enregistrées dans les régions septentrionales. L'évapotranspiration

moyenne nationale est de 1 540 mm/an. L'analyse des niveaux et des effets des variables climatiques à l'échelle régionale permet de dire que la région des Savanes qui enregistre un volume de précipitation assez bas, un nombre de jours de pluies réduit, la température la plus élevée, le degré hygrométrique le plus bas et la durée d'insolation la plus longue, est la plus défavorisée au plan climatique ; suivie de la région Maritime qui, bien que créditée du degré hygrométrique le plus élevé au plan national, enregistre une faible pluviométrie, un nombre de jours de pluies et une thermométrie défavorables. De ce fait, le taux de dessiccation de la strate herbacée est élevé dans les régions septentrionales. Aussi, les dégâts sur la qualité des sols causés par les feux de végétation sont-ils importants du fait que l'agriculture itinérante sur brûlis est la pratique agricole généralement répandue au Togo.

Les études de tendance sur la période 1961-2012 révèlent une augmentation de la température contre une diminution de la pluviométrie et du nombre de jours de pluies ainsi que l'altération des régimes pluviométriques qui bouleversent les calendriers culturaux. Sur la période 1961 à 2012 le Togo a enregistré un réchauffement d'environ 1°C et la période 1986 à 2012 est la plus chaude qu'a connue le Togo depuis 1961, par rapport à la période 1961-1985, avec des écarts annuels compris entre 0,7 et 1,2°C. Les mois de février, mars et avril, sont les mois les plus chauds avec des températures pouvant dépasser 35°C.

1.2. Etats des lieux du climat et de la demande d'électricité 1.2.1. Consommation d'électricité par secteur

Trois secteurs se répartissent la quasi-totalité de la consommation finale d'énergie ; nous avons les Ménages qui consomment 67 %, suivi du secteur du Transport 22 %, des Services marchands et publics 9 % ; et enfin le secteur de l'Industrie moins développé dans notre pays qui consomme que 2%. La puissance disponible aujourd'hui sur le plan national est de 54MW, soit un déficit de 56MW avec 54% des consommations d'électricité, les ménages viennent en première position ; ensuite l'industrie avec 31% des consommations et les services marchands et publics, avec 15%.

Figure 1:Répartition de la consommation d'électricité par secteur (Source : DGE) 1.2.2. Consommation d'énergie par habitant dans la CEDEAO

Le secteur de l'énergie occupe une place importante dans le domaine économique ; elle permet de tourner beaucoup de secteurs dans l'économie. Important de connaitre le taux de consommation dans un pays voire dans la sous-région ; le graphique ci-dessous nous donne un aperçu de la place qu'occupe le Togo en matière de l'énergie dans la sous-région avec un pourcentage de 0, 29. Le niveau de consommation d'énergie par tête d'habitant place le Togo dans la moyenne sous régionale.

1.2.3. Evolution du Produit intérieur brut

Comme un indicateur économique permettant de mesurer la production de richesse d'un pays, le Produit Intérieur Brut mesure la valeur des biens et services produits dans un pays sur une année. Le Togo enregistre une évolution du Produit intérieur brut au cours ces dernières années ; notons qu'en 2011 la production de la richesse a connu une monté jusqu'en 2016, ce qui a été suivit d'une baisse figurante en 2017 d'une valeur de -0,2% en moyenne annuelle. Ce résultat négatif s'explique par la crise politique qui a frappé le pays en 2017 affectant ainsi le secteur économique

Source : élaboré d'après les données de la direction de la Météorologie et de la Banque mondiale (WDI).

1.2.4. Précipitation moyenne suivant les différents sites météorologiques au Togo

Le Togo dispose de cinq sites météorologiques disposant des données météorologiques de précipitations et températures ; le graphique qui suit nous montre l'évolution des précipitations entre mars et septembre de 1990 à 2020. On remarque qu'au mois de juillet et septembre les précipitations sont plus importantes sur le site de Kara (200mm) et Sokodé (150mm) mais faible à Lomé qui enregistre une moyenne de 50m.

Graphique 3: Précipitation moyenne suivant les différents sites météorologiques au Togo

Source : élaboré d'après les données de la direction de la Météorologie et de la Banque mondiale (WDI).

1.2.4.1. Consommation d'électricité suivant la température

La variation de température est un phénomène naturel du climat ; en effet elle affecte le vécu quotidien de la population sur la demande de l'électricité provenant du besoin de consommation. Suivant la figure ci-dessous. La consommation d'électricité par habitant change au fur et à mesure que la température l'est aussi ceci au même rythme ; plus la température augmente elle augmente aussi. Donc l'électricité est demandée dépendamment de la variation de température.

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Figure 2: Evolution de la consommation d'électricité suivant la température de 1990 à 2019.

Source : élaboré d'après les données de la direction de la Météorologie et de l'OCDE

1.2.4.2. Consommation d'électricité suivant produit intérieur brut

Le Produit Intérieur Brut mesure la valeur des biens et services produits dans un pays sur une année. Le Togo enregistre une évolution du Produit intérieur brut au cours ces trente années. La consommation mesure la demande qui pour sa part est fonction du revenu, du prix et de la quantité. Cette figure ci-dessous nous montre l'évolution de la consommation par rapport à la valeur des biens et services produits. De 1990 à 2020 il est remarqué que du moment où les ménages consomment en quantité supérieur l'électricité, le produit intérieur brut augmente. Retenons de ceci que la consommation d'électricité dépend du Produit Intérieur Brut par habitant ; plus la production des biens et services augmentent les habitants en demandent plus de l'électricité.

Source : élaboré d'après les données de l'OCDE et de la Banque mondiale (WDI)

1.3. La consommation d'énergie finale 1.3.1. Consommation d'électricité

La consommation d'électricité (84 ktep) par secteur d'activité présentée, montre que les ménages représentent de nouveau la plus grande part des consommations avec 62%, mais c'est l'industrie qui arrive en deuxième position avec 25% des consommations, suivie du secteur des services marchands et publics, qui représentent 13%. La consommation en électricité a plus que doublé sur la période de 2000 à 2016 de 110%, ce qui traduit une accélération de l'électrification et l'intensification des branchements des abonnés avec l'approche de branchements promotionnels.

1.3.2. Consommation des énergies traditionnelles

Ce sous-secteur est dominé par la biomasse. Les évolutions des consommations finales par type d'énergie entre 2000 et 2016 montrent que la consommation de la biomasse augmente de façon régulière sur cette période pour atteindre 56% en 2016. Cette évolution suit par hypothèse la croissance démographique du pays où l'augmentation de la consommation énergétique sur la période est de 56% contre 52% pour celle de la population.

1.3.2.1. Sous-secteur des hydrocarbures

La répartition de la consommation des produits pétroliers (387 tep) par secteur d'activité montre que le secteur des transports représente 67%, les ménages 22% et l'industrie 10%. La consommation des produits pétroliers présente d'importantes fluctuations avec un pic à 150% en 2010 suivi d'une diminution qui porte à 66% l'augmentation entre 2000 et 2016. Cette consommation présente une augmentation de 285% entre 1987 et 2017 avec un pic entre les années 2010 et 2012 essentiellement lié à l'intensification des travaux d'infrastructures

Figure 4: Répartition de la consommation finale par source d'énergie en 2016 Sources : DGE, CEET, CEB, STSL

1.3.3. Potentiel hydroélectrique du Togo

Le Togo dispose d'un potentiel hydroélectrique sur de différents sites qui alimente sa réserve De nombreuses études ont été menées durant les années 1960 à 2017 et ont identifié 22 sites pouvant potentiellement être équipés pour des puissances supérieures à 2 MW (AT2ER, 2016) ; la figure ci-dessous nous donne un détail de celle-ci

Figure 5:Potentiel hydroélectrique du Togo. Source : (AT2ER) 1. 3.4. Densité de la consommation d'électricité par habitant

La figure ci-dessous nous montre une dense consommation de l'électricité ; de 0 à 80 on a une densité de 0,1 ensuite de 90 à 130 elle est de 0.15, et moindre entre 140. La population togolaise utilise beaucoup l'électricité pour diverses fins et aussi dans le quotidien comme pour les ménages et les sociétés ; ce qui sous en tend cette masse importante de consommation

Graphique 4:Densite de la consommation d'électricité Source : : élaboré d'après les données de l'OCDE

1.3.5. Consommation d'électricité et les précipitations

La consommation électrique dépend de certaines variables lesquelles sont les variables climatiques et non climatiques. La figure ci-dessous nous montre l'évolution de la consommation d'électricité suivant la variable climatique qui est la précipitation. D'après la figure, on remarque que l'évolution de la consommation d'électricité ne prend pas la même allure que celui de la pluviométrie, pas au même rythme que les précipitations. Par l'exemple en 2015 lorsque les précipitations augmentent, la consommation d'électricité a connu une baisse. On peut dire que la consommation d'électricité ne dépend pas des précipitations moyennes.

Figure 6: Evolution de la consommation d'électricité suivant les précipitations. Source : élaboré d'après les données de la direction de la Météorologie et de l'OCDE. 1.4. Evolution du PIB sur trente ans

La valeur des biens et services produits appelé Produit Intérieur Brut est un déterminant important pour un pays et dans beaucoup d'analyse ; le graphique qui suit nous expose ses chiffes au cours des trente dernières années. Le Produit Intérieur Brut du Togo suit une évolution ascendante depuis les années 90 jusqu'à nos jours ; la seule remarque faite est qu'en 2017, il y a eu une baisse considérable qui vaut-0,2. L'année 2017 étant frappé par une crise politique dû aux élections présidentielles qui affectent l'activité économique ce qui réduit considérablement le revenu des habitants d'où le résultat négatif du Pib.

Source : Les données de Banque Mondiale (WDI) 1.4.1 Consommation d'énergie par habitant

Le bilan énergétique de 2016 présente la consommation finale d'énergie par type de produit et par secteur d'activité. La consommation d'énergie par habitant au Togo s'élève à 0,27 tep pour 2016, une légère baisse par rapport à 2011 (0,29 tep) puisque la population a augmenté de 13% pendant que les consommations ont augmenté de 5%. Ce taux reste très nettement inférieur aux moyennes de la CEDEAO (0,52 tep/hbt), africaine (0,46 tep/hbt) et mondiale (1,3 tep/hbt). Le développement d'un pays étant mesuré à l'aune de son niveau de consommation finale d'énergie ou encore comme un des indicateurs de développement, le bas niveau de consommation finale d'énergie par le citoyen togolais traduit le retard pris dans le développement par rapport à certains pays voisins et à la moyenne de développement au niveau de la CEDEAO, de l'Afrique et à l'échelle mondiale. Cela se justifie par le peu de développement du tissu industriel au Togo.

Nous verrons le graphique qui illustre la consommation d'énergie par habitant ci-dessous.

Figure 7: Répartition de la consommation finale par source d'énergie en 2016 Source : DGE, SIE, Banque mondiale (pour le PIB)

Conclusion partielle

L'analyse fait dans ce chapitre sur la description du climat et du système électrique national nous a permis de comprendre comment évoluent au cours des années la température, les précipitations et la consommation d'électricité. Tout d'abord en commençant par les évolutions constatées au niveau du climat national et ensuite des déterminants de la demande d'électricité, on peut conclure à cet effet que la consommation d'électricité est conditionnée par les variations au niveau du climat et que la consommation d'électricité a connu une évolution au cours de ces trentaines années.

Chapitre II : Revue de la littérature sur les effets du changement climatique sur la demande d'électricité

L'évaluation de l'effet du changement climatique sur la demande d'électricité a fait objet de plusieurs travaux dans la littérature. Les travaux effectués dans ce sens nous permettront de présenter dans un premier temps une analyse théorique et dans un second temps d'aborder les recherches empiriques des effets du changement climatique sur la demande d'électricité.

2.1. Revue théorique

La question de l'énergie a de tout temps préoccupée les penseurs économiques. En effet les gains de productivité engendrées par la révolution industrielle, due à l'utilisation de nouvelles sources d'énergie, ont conduit les auteurs classiques à s'intéresser au problème de la place de l'énergie dans leur analyse.

Selon Adam Smith, les déterminants du prix d'une marchandise sont liés aux facteurs de productions ayant contribué à sa fabrication (le travail, le capital, la terre). Pour prendre en compte le facteur énergie qu'il considère comme participant à la production des biens, il intégra sa rémunération aux salaires et aux profits. Les tentatives de Jean-Baptiste Say d'intégrer l'énergie comme facteur de production, n'ont pas été convaincantes. Ricardo, quant à lui, relativise l'idée de Smith selon laquelle, la valeur des marchandises échangeables serait précisément en proportion, la quantité de travail employée. Cependant, ce sont les travaux de Stanley Jevons qui ont marqué la réflexion sur la question énergétique dans l'analyse classique. On pourra consulter Isa, et al., 2015 pour une revue assez complète sur ces travaux. La théorie classique fait de la croissance démographique et la croissance économique les principaux - déterminants macroéconomiques de la demande de consommation d'électricité mise à part les facteurs climatiques. La considération de la croissance démographique en tant que facteur explicatif de la consommation d'électricité peut s'apercevoir dans les besoins d'énergie exprimés par les habitants. Plus il y a d'habitants, plus ces besoins augmentent. Une relation positive existe ainsi entre la consommation d'électricité et la croissance démographique. La croissance économique quant à elle favorise la création de nouvelles machines, de nouveaux investissements, d'emplois, la construction de nouveaux logements et l'augmentation du revenu par tête. Ce qui accroît la consommation notamment d'électricité.

En outre, d'autres facteurs autres que ces deux derniers permettent d'expliquer l'évolution de l'électricité d'une année à une autre ou d'un mois à un autre de la même année. Déjà, les facteurs climatiques peuvent expliquer les changements à très court terme constatés dans la consommation d'électricité. En harmattan par exemple, la demande d'électricité peut devenir plus faible qu'en mousson où la température élevée pousserait les populations à consommer davantage d'électricité. Les comportements des individus dans les foyers comme dans les entreprises peuvent jouer sur le niveau de consommation d'électricité. En effet, certaines personnes ont la possibilité de contrôler le lien entre le changement climatique et l'économie. Dès que les économistes trouvent des voies de développement, la discussion se dirige vers les ressources énergétiques et les combustibles fossiles. C'est la principale raison pour laquelle les économistes participent au débat sur le changement climatique (Bleu, 2008). Alors que l'écologiste et le géologue se préoccupaient du réchauffement climatique , de la même manière, l'économiste a également commencé à ramener ces sujets dans le domaine de l'économie au niveau de la consommation, et par là un comportement de lissage et d'économie d'énergie. L'énergie électrique est définie selon les classiques comme un bien de congestion, ainsi donc le cout de l'externalité est supporté par chaque agent. C'est une autre manière de dire que l'État ne s'impose pas nécessairement dès que le marché est défaillant. Le théorème de Coase (1960), exposé par Stigler en 1966 « Le problème du coût social » disait : Si les droits de propriété sont définis et si les agents économiques peuvent négocier un arrangement à coût nul quant à l'allocation des ressources, alors ces agents économiques sauront résoudre le problème des externalités de manière décentralisée et allouer les ressources de manière efficace.

Selon les keynésiens, l'approche standard utilisée pour la réglementation économique de l'environnement est basée sur la théorie des externalités. Ceci dit l'externalité est l'effet d'une action d'un agent économique sur un autre, action qui s'exerce en dehors du marché (d'où le qualificatif d'externe) et qui n'est pas compensée financièrement. Cet effet externe (ou externalités dans le jargon des économistes) représente la différence entre le coût supporté individuellement et le coût supporté collectivement par la société, dit coût social (collectivement par la société). L'incapacité du marché à prendre en compte la totalité des conséquences des actions réalisées par les agents (des producteurs et des consommateurs) sur l'atmosphère est due au fait que celle-ci soit considérée comme publique. L'atmosphère est supposée gratuite, les agents étant dépourvus d'incitation quant à sa valorisation ou quant à sa

bonne gestion. Il s'agit d'une défaillance de marché, qui représente le fondement de l'intervention publique. Face à ce problème, la préconisation politique est d'exiger, de ceux qui polluent, la prise en compte complète de leur action sur l'environnement. Il s'agit d'internaliser les effets externes négatifs des activités polluantes. Pour ce faire, il faut confronter les agents à un prix qui reflète la totalité des dommages subis par l'environnement, dommages qui découlent de leur activité.

Pour Nasse (1973), l'étude des évolutions de la consommation des ménages sur séries chronologiques, a conduit à la mise au point de deux types de modèles ; les modèles détaillés, décrivant séparément l'évolution de chacun des biens pouvant être isolé dans la nomenclature de consommation ; les modèles complets donnant une représentation simultanée pour une nomenclature fixée des évolutions de la totalité des biens entrant dans la consommation des ménages (Aristide, 2005). En raison de la spécificité de notre étude qui est une analyse de la demande d'un bien précis, le premier type de modèles nous importe le mieux. Ainsi le choix du modèle d'analyse approprié s'en trouve réduit. Selon Amadou (1992), un modèle d'analyse économique n'a de valeur que par la pertinence des résultats qu'il fournit. Pour ce faire, il s'est basé sur la théorie classique de la demande et introduit des restrictions afin d'être simple et de réduire le nombre de paramètres à estimer. On peut citer parmi les plus importants : le modèle de demande différentiel de Rotterdam, Theil et Basten ; le modèle de demande indirecte logarithmique de Leser ; le modèle de demande linéaire des dépenses de Klein et Rubin.

Ces trois modèles sont des modèles complets pour lesquels en 1969, Parks a fait une étude comparative afin de montrer leurs avantages et inconvénients. En plus de ceux-ci l'on peut citer des modèles plus récents tels que : Le système de demande presque parfait de Deaton et Muelbauer qui selon ses auteurs offrent plus d'avantages que les modèles Rotterdam et translog, le système complet de fonction de demande de Fourgeaud et Nataf et le modèle translog utilisé par Christensen et al et Jorgensen et Lau. Ces modèles, bien que très performants, sont un peu trop sophistiqués pour notre usage. En effet, en leur qualité de modèles complets, ils sont conçus pour l'analyse de la demande globale alors que notre étude ne concerne qu'un seul bien de consommation (le gaz butane). Dès lors le modèle qui serait nécessaire serait un modèle détaillé, décrivant les évolutions du gaz butane dans l'ensemble des biens de consommation. Un autre avantage de ce choix est selon Nasse, cité par Amadou Koné, que le premier type de modèles

n'admet le plus souvent qu'un support très simple et leur spécification est essentiellement pragmatique. Il ne s'agit donc pas de tester les qualités ou capacités d'estimation ou de prédiction d'un modèle théorique, ni d'analyser le comportement général des consommateurs de gaz butane.

La théorie économique a beaucoup été sollicitée par les acteurs du secteur de l'énergie, mais en retour, les débats énergétiques ont permis aux théoriciens de l'économie d'alimenter certaines réflexions. C'est que le secteur de l'énergie fait appel à des ressources épuisables (les 3/4 de l'énergie consommée dans le monde appartiennent aux ressources dites épuisables), qu'il est très capitalistique et souvent organisé autour de monopole intégrés, privés ou publiques, pour ce qui est de la distribution de certains fluides (gaz et électricité). C'est en outre une activité génératrice de fortes externalités. Ces débats ne sont pas nouveaux : on se souvient de la "question charbonnière" soulevée par Jevons (1865) ou de la tarification des monopoles énergétiques abordée par Dupuit (1844) (Jacques, 2001) au XIXe siècle. Il est intéressant de voir comment les relations entre énergie et théorie économique ont évolué au cours de ces dernières années et quels sont les thèmes qui, aujourd'hui, sont au centre des préoccupations des économistes de l'énergie. La demande d'énergie a fait l'objet de plusieurs études économiques. Elle revêt un caractère important dès lors que l'on se rend compte que les principales sources d'énergie potentielles sont tarissables et la nécessité d'appréhender de façon minutieuse la demande. Tous les économistes s'accordent à penser que la meilleure mesure de l'évolution et de l'efficacité énergétique d'une économie, est le ratio d'intensité énergétique défini par le rapport de la consommation d'énergie primaire sur le PIB mesuré à prix constants.

Un consensus semble se dégager entre les économistes, en ce qui concerne les variables qui doivent entrer comme explicatives de la demande d'énergie des ménages : le prix réel, Pernille Joutz 2000 ; Jacques, 2001), ou le prix relatif, Vallet (1974 ; Jacques, 2001), le revenu et plus souvent les valeurs retardées de la variable explicative, pour prendre en compte les effets de long terme. La modélisation des préférences des ménages est induite par fondements de la théorie du consommateur. En effet l'objet de la théorie du consommateur permet d'expliquer comment un consommateur rationnel choisit ce qu'il va consommer quand il est confronté à une variété de prix et un budget limité. L'estimation de la sensibilité du consommateur par rapport à la variation de certains paramètres notamment le revenu et les prix peuvent être réalisés à

partir des méthodes partielles. La formule de Working qui régresse la part consommée sur le logarithme des dépenses totales est l'une des approches préconisées pour le cas des élasticités-revenu sur la base de la courbe d'Engel. Les élasticités-prix sont souvent estimées à partir de ces modèles simples en ajoutant simplement les variables exogènes à droite. Par ailleurs, ce modèle a été retenu pour ses applications nombreuses et satisfaisantes dans l'étude des préférences du consommateur car il est conforme avec les restrictions de la théorie économique qui sont nécessaires afin d'assurer une maximisation de l'utilité du consommateur (Savadogo et Brandt, 1988 et Savadogo, 1990, Ravelosoa, 1999, Tossou et al, 2002 ; Mahena, 2011).

Les auteurs Ahmed & Muttaqui, 2012 ont trouvé une solution à l'analyse des effets sur la demande d'énergie. Ils ont rapporté que les activités socio-économiques associées au prix et à la population sont les facteurs déterminants de la demande future d'électricité. Un outil d'analyse est nécessaire pour quantifier l'effet du changement climatique sur la demande d'électricité. L'analyse basée sur la régression multiple est utilisée pour examiner la sensibilité de la demande pour différentes variables. L'analyse des séries chronologiques est également effectuée pour prédire l'effet de futurs scénarios climatiques sur la demande d'électricité ; ils ont implémenté les modèles de régression multiples tenant compte du changement climatique, et des activités économiques et ont trouvé une relation significative entre demande d'électricité et changement climatique. L'avantage de ce modèle est qu'il permet aussi de faire une analyse à long terme des effets des variables climatiques et socio-économiques pour le futur grâce au séries chronologiques. Ceci permet donc d'analyser les effets du changement climatique sur la demande d'électricité. Ce modèle a utilisé uniquement la température comme variable climatique, ajoutée aux variables socio-économiques comme le prix, la population pour mesurer l'effet sur de la demande d'électricité. Notre recherche ne portera pas sur les mêmes variables mais à la température on y ajoutera les précipitations et pour les variables socio-économiques on considèrera le Pib et les données sur le prix par kwt et la population.

2.2. Revue empirique

Des études existantes menées dans différentes parties du monde ont montré que les fluctuations météorologiques ont un effet sur la demande d'électricité. Deux approches principales ont été utilisées pour étudier la relation entre les variables climatiques (en particulier la température ambiante) et la demande d'électricité. Le premier s'appuie sur des progiciels de simulation

énergétique du bâtiment (comme le logiciel de simulation de bâtiment DOE-2.1E développé par Lawrence Berkeley National Laboratory) dans lesquels un modèle détaillé d'un bâtiment représentatif peut être mis en place. À l'aide de ces programmes de simulation, l'effet de la modification de l'une des variables d'entrée (y compris la température) sur la demande d'énergie du bâtiment représentatif peut être calculé avec précision. Une étude utilisant cette approche a révélé que pour la Suisse, qu'une augmentation de 4 degrés Celsius de la température par rapport au scénario de référence entraînerait une diminution de 33 à 44% de la demande annuelle d'énergie de chauffage des bâtiments résidentiels suisses. L'étude d'Ahmed s'est concentrée sur la demande totale d'énergie en Nouvelle-Galles du Sud uniquement, mais l'étude actuelle a l'intention d'améliorer et d'étendre les études précédentes en examinant la relation à court et à long terme entre la demande d'énergie résidentielle, les facteurs climatiques et socio-économiques à l'aide d'un décalage distribué autorégressif à échantillon fractionné avec le modèle (ARDL).

Dans la première étape, trois types de données ont été récupérés et il s'agit de données énergétiques, qui ont été transformées en consommation d'énergie par habitant. Les données socio-économiques qui incluent les dépenses, les revenus, la population et le prix de l'énergie. Le jeu de données météorologiques récupéré était maximal et les données de température minimale converties en degré de refroidissement Jours (CDD) et degrés-jours de chauffage (HDD) . Le test de racine unitaire a ensuite été effectué pour vérifier la stationnarité des ensembles de données et les résultats ont montré que les ensembles de données comprennent des variables à la fois dans I (0) et I (1). Le modèle de décalage distribué autorégressif (ARDL) a été utilisé pour estimer la relation à long terme entre les variables. Les ensembles de données ont été divisés en quatre saisons qui sont les saisons d'été, d'automne, d'hiver et de printemps. Les résultats indiquent que pendant les mois d'été à court terme, une augmentation d'une unité de l'avance CDD a une variation de la demande d'énergie résidentielle par habitant de 0,14% en Nouvelle-Galles du Sud (NSW). Dans le Queensland (QLD), le CDD pendant les mois d'été à court terme conduit à une augmentation de 0,41% du QLD, tandis que le HDD diminue la demande d'énergie par habitant de -2,8%.

La demande de refroidissement pendant la saison d'automne était plus élevée que l'été en Nouvelle-Galles du Sud (1,1%) à long terme et 0,32% à court terme, tandis que QLD a montré

une sensibilité négative aux changements de température pendant la saison d'automne. En passant de l'été à l'automne, les résidents de NSW augmentent leur demande d'énergie par habitant en raison de l'augmentation des besoins en refroidissement. Les coefficients des mois d'hiver indiquent que le temps froid conduit les résidents de la QLD à augmenter leur consommation d'énergie par habitant en raison des besoins de chauffage. Sailor (2001) a appliqué plusieurs modèles de régression pour plusieurs États américains et a souligné que la sensibilité de la demande d'électricité par rapport à la température est positive dans certains états alors qu'elle est négative dans d'autres états. Les études réalisées par Ahmed et Muttaqui, (2012) pour le Maryland et pour la Grèce ont montré que le changement climatique entraîne une augmentation de la demande d'électricité significativement dans les deux régions. Parkpoom et Harrison (2012), utilisent un modèle de régression pour capturer le modèle de charge quotidienne en Thaïlande. Ils ont utilisé le tempérament stratégique de projection de température développée par le UK Hadley Center pour évaluer une sensibilité électrique horaire à la température.

En utilisant les futurs scénarios socio-économiques, les auteurs dans GIEC ont prédit que la demande d'électricité de pointe en Thaïlande augmentera de 1,5 à 3,1% dans les années 2020, de 3,7 à 8,3% dans les années 2050 et 6,6 à 15,3% dans les années 2080. Ils ont appliqué un modèle de régression pour capturer le modèle de charge quotidienne en Thaïlande. Ils ont utilisé le tempérament stratégique de projection développée par le UK Hadley Center pour évaluer une sensibilité électrique horaire à la température. Les auteurs Ruth et Lin ont implémenté les modèles de régression multiples tenant compte du changement climatique et activités économiques et ont trouvé une relation significative entre la demande d'électricité et changement climatique. Ils ont rapporté que les activités socio-économiques associées au prix et à la population sont les facteurs déterminants de la demande future d'électricité, un outil d'analyse est nécessaire pour quantifier l'effet du changement climatique sur la demande d'électricité.

L'analyse basée sur la régression multiple est utilisée pour examiner la sensibilité de la demande pour différentes variables. L'analyse des séries chronologiques est également effectuée pour prédire l'effet de futurs scénarios climatiques sur la demande d'électricité. La relation linéaire

entre la température et demande de l'énergie peut être représenté en utilisant des degrés-jours de température.

Dans une étude proposée, l'effet du SPG, des prix, de la population et de la température sur la diminution par habitant a été étudié à l'aide d'une régression et analyse de série chronologique. Avant l'analyse de régression, il est essentiel d'identifier les variables qui ont un impact significatif sur la demande d'électricité. Puisque l'analyse de régression basée sur la météo traite de grands ensembles de données, le cardage de variables non significatives nécessitera moins de traitement de données. Parmi toutes les variables météorologiques, la température contrôle principalement la demande d'électricité. Une étude en Australie a décrit le changement climatique en termes d'élévation du niveau de la mer et de changement en température. Cet article met l'accent sur la température comme une représentation de la variable sensible pour déterminer le changement climatique. La température est incluse en termes de deux variables dérivées à savoir, degré de refroidissement Jours (CDD) et degrés-jours de chauffage (HDD) dans le modèle de régression. Une température de point équilibrée, requise pour le calcul du CDD et du disque dur, est également identifiée pour analyser la dépendance à la température de la demande dans l'État de Nouvelle-Galles du Sud. Les variables socio-économiques telles que la population, les prix et le SPG sont également incluses dans le modèle de régression. Comme indiqué précédemment, les variables socio-économiques telles que la population, l'inflation, SPG et prix de l'électricité, et variables climatiques liées à la température, c'est-à-dire CDD et HDD , sont incluses dans le modèle de régression.

L'analyse des séries chronologiques en Australie montre que la température d'un jour change notamment en raison des variations météorologiques. Les jours d'été sont généralement chauds (température élevé) et les jours d'hiver sont froids (basse température). Cependant, le changement climatique s'altère annuellement avec un modèle de température. Les variations de température peuvent être analysées en appliquant un ajustement de courbe techniques aux données d'anomalies saisonnières de température au cours des années passées. L'algorithme de l'outil d'analyse proposé est en premier de calculer les valeurs saisonnières de CDD et HDD à partir de l'historique des données de température au cours des n dernières années. En second lieu, il faudra tenir compte des données sur la population, le SPG (Le produit brut de l'État) et les prix base pour les n dernières années. A l'étape trois, il faudra utiliser l'analyse de régression

pour trouver les coefficients de régression des variables climatiques et non climatiques. En étape 4 : effectuer une analyse des séries chronologiques pour estimer l'avenir de la température. En cinquième étape : estimer les valeurs futures du CDD et du disque dur à partir de la température dictée. A l'étape 6 : estimation de la demande future par habitant à partir de la régression des coefficients et des valeurs estimées du CDD et du HDD à l'avenir.

Ce modèle de données peut être représenté à l'aide d'une courbe quadratique. Les minimas de la courbe peuvent être décidés en différenciant l'équation. Ce minimum représente l'équilibre de la température ponctuelle pour l'État de la Nouvelle-Galles du Sud, qui est de 14,3 O C. Il est à noter que la déviation de la température du point d'équilibre à partir de 14,3 O C a un impact négatif important provenant de l'analyse de régression. Dans l'analyse de la régression, la sensibilité de la demande d'électricité aux conditions climatiques et les non variables climatiques sont examinées à l'aide de l'outil statistique SPSS. Les données associées à chaque variable est regroupée en quatre saisons qui sont l'été, l'automne, l'hiver et le printemps. Par la suite, le coefficient de l'équation de régression sont déterminés. De plus la valeur critique est fixée à 0,05 et toute valeur inférieure à 0,05 implique un effet de cette variable sur la demande d'électricité. L'outil SPSS fournit les valeurs R et R². La valeur de R représente la corrélation simple tandis que la valeur du R² indique dans quelle mesure la dépendance de la variable dépendent est expliquée par les variables indépendantes. La valeur de R² obtenues à partir de quatre analyses de régression pour quatre saisons différentes indiquent que le modèle s'adapte très bien avec les données correspondantes.

Les résultats de la régression indiquent que la demande d'électricité en été est sensible aux variations. Cependant, la demande de charge en hiver n'est pas aussi sensible que d'autres saisons. Les résultats indiquent que la demande d'électricité en été dépend du SPG, de la population et du CDD, tandis que la demande en automne dépend SPG, de la population et disque dur. La demande d'électricité en hiver dépend de GSP, tandis que la demande au printemps dépend à la fois du CDD et du disque dur. Les résultats des analyses de régression sont incorporés avec les futures valeurs des variables indépendantes, en particulier le CDD et HDD pour calculer la demande future. Les CDD et HDD à l'avenir sont estimés à partir de la tendance des changements de température à l'aide de l'analyse de séries chronologiques. Les taux du changement des températures moyennes à différentes saisons peuvent être accouplé. Il

a été constaté que si les tendances linéaires sont maintenues à l'avenir, les températures moyennes d'été, d'automne, d'hiver et le printemps devraient changer à des taux de 0,22 ° C / décennie,0,11 ° C / décennie, 0,11 ° C / décennie et 0,21 ° C / décennie respectivement. Cette étude, un scénario pour la demande future d'une zone régionale de la Nouvelle-Galles du Sud est modélisée, où la température seule est considérée comme un paramètre évolutif parmi toutes les variables. Après avoir examiné l'impact du changement climatique sur l'avenir de la demande d'électricité dans l'État de Nouvelle-Galles du Sud, en Australie, un outil analytique a été développé pour quantifier l'impact des variables du changement climatiques et socio-économiques sur la demande d'électricité en utilisant une analyse de régression linéaire.

Les coefficients de régression des variables liées à la température ont été utilisées en conjonction avec la température future, estimée à l'aide d'une analyse de séries chronologiques pour prédire l'évolution future de la demande uniquement due au changement climatique. Il a été constaté que les demandes futures en été et au printemps sont plus sensible au changement climatique. L'élévation de la température entraînera plus degrés-jours de chauffage dans le futur entraînant une augmentation des besoins en refroidissement et donc plus de production d'électricité sera nécessaire. Bien que la population et les autres conditions socio-économiques soient aussi censé être stationnaire à l'avenir, l'augmentation de la température moyenne elle-même aura un effet sur la croissance future de la demande d'électricité par habitant, surtout en été et au printemps. Sur la base des résultats, il a été estimé que la demande par habitant en été et au printemps pour l'année 2100 pourrait augmenter respectivement de 6,14% et 11,3%. Cependant, la demande d'électricité en hiver et en automne pour la même année peut diminuent respectivement de 4,11% et 0,45%. L'étude proposée met en lumière la façon dont la demande saisonnière d'électricité dans l'État de la Nouvelle-Galles du Sud, l'Australie sera affectée en raison des conditions du changement climatique.

Conclusion partielle

Cette partie de notre mémoire nous a présenté les éléments théoriques et empiriques qui fondent la relation entre le changement climatique et la demande d'électricité. Les économistes se concentrent sur l'effet des scénarios climatiques sur la demande d'électricité avec de différentes méthodes d'analyse, car sans source d'énergie, le développement économique et une croissance économique soutenue sont très difficiles à réaliser. On conclut donc que le changement

climatique est théoriquement lié à la demande d'électricité et que différentes méthodes d'analyses basées sur les modelés économétriques comme les modèles de régression simple, autorégressif le confirment.

Chapitre III : Méthodologie d'analyse résultats et interpretations

Cette partie présente en premier lieu le cadre théorique et la spécification empirique du modèle utilisé pour faire des analyses. Dans la seconde partie, il serait présenté les résultats et leurs interprétations.

3.1. Cadre théorique du modèle

Notre mémoire se concentre sur l'analyse des effets de la variabilité de la température et des précipitations sur la demande d'électricité au Togo. Notre étude utilise une fonction de demande proposée par Amadou (1992). Le choix d'une fonction de demande ne se fait pas de manière fortuite. Il faudrait qu'elle reflète effectivement les réalités du phénomène étudié et qu'en plus qu'elle soit plus représentative (explicative), concernant la robustesse de ces coefficients estimés. Amadou (1992), avait justifié l'utilisation d'une fonction de demande semi logarithmique (variable expliquée) par l'estimation de plusieurs fonctions de demande et avait trouvé que celle-ci rendait mieux compte de la structure de la consommation de charbon de bois des ménages ivoiriens. Notre contexte, bien que plus général, s'apparente à celui de Koné et l'analyse porte sur la demande d'un bien énergétique (électricité). La seule différence est que son étude a porté sur un échantillon de ménages alors que la nôtre porte sur l'ensemble de la population. Cette nuance se traduit par la structure des variables qui ne sont pas toutes les

mêmes (taille du ménage ; dépense de consommation ). En dehors de ce fait, l'objectif
recherché est le même, à savoir identifier et quantifier la nature de la relation entre la demande du bien et ses principaux déterminants. La forme générale de la fonction qui lie le changement climatique à la demande est la suivante :

?? ??=1 X?? Z?? (1)
Q, consommation d'électricité ; X?? variable d'interet ; Z?? variable de contrôle. Nous modélisons notre modèle comme suit :

Alors notre modèle s'inspire de celui d'Amadou Koné et s'illustre comme suit :

Ln Q = ??0+??1tempss+ ??2tempsp+ ??3precip+??₄?????? +??5pib+ ??6??????????????+ ??₇???????????? + ??t (3)

Où ????????sp représente la température saison pluvieuse ; tempss (la température saison sèche) et ???????????? (précipitation), emissco (émission de co2), pib (Produit intérieur brut) enfin pop (la population)

3.2. Spécification du modèle

Pour tester l'existence de l'effet du changement climatique sur la demande d'électricité ; on propose d'utiliser la méthodologie de l'auteur Ahmed qui porte sur la Nouvelle-Galles du Sud uniquement, tout en examinant la relation à court et à long terme entre la demande d'énergie résidentielle, les facteurs climatiques et socio-économiques à l'aide d'un décalage distribué autorégressif à échantillon fractionné avec le modèle. Dans la première étape, trois types de données ont été récupérés et il s'agit de données énergétiques, qui ont été transformées en consommation d'énergie par habitant ; les données socio-économiques qui incluent les dépenses, les revenus, la population et le prix de l'énergie ; le jeu de données météorologiques récupéré était maximal et les données de température minimale converties en CDD et HDD. Le test de racine unitaire a ensuite été effectué pour vérifier la stationnarité des ensembles de données et les résultats ont montré que les ensembles de données comprennent des variables intégrées à la fois dans I (0) et I (1). Le modèle de décalage distribué autorégressif (ARDL) a été utilisé pour estimer la relation à long terme entre les variables.

L'avantage de la méthode ARDL, peut se situer à deux niveaux. D'une part, elle peut s'appliquer à n'importe quel degré d'intégration des variables utilisées : purement I (0), purement I (1) ou mixte. D'autre part, il a des propriétés statistiques supérieures pour des petits échantillons.

Le modèle empirique dont nous nous sommes inspirés, a utilisé une seule variable pour les estimations. C'est à dire la température comme variable climatique, ajouter aux variables socio-économiques comme le prix, la population pour mesurer l'effet sur de la demande d'électricité. Notre étude ne portera pas sur les mêmes variables mais à la température on y ajoutera les

précipitations et le taux d'émission de dioxyde de carbone, les prix par Kwt ; pour les variables socio-économiques comme la population et on prendra le PIB pour remplacer le revenu compte tenu du manque de données.

???? = ?? + _??1????-1 + ? + ????????-?? + _??0???? + ? + ????????-?? + ???? (4)
Avec ???? : terme d'erreur ; « ??0 » traduit l'effet à court terme de ???? sur ????

Dans le cadre de notre étude, nous cherchons à saisir les effets sur la consommation d'électricité (consommation: variable dépendante, température : variable d'intérêt), tenant compte d'autres variables de contrôle indispensables dont l'influence améliore les résultats (ces variables sont couramment utilisées dans bien d'études mettant en relation la consommation d'électricité et changement climatique) : la température saison sèche (tempss) et la saison pluvieuse(tempsp), celui des précipitations(precip), de la population(pop), du produit intérieur brut (Pib),de l'émissions de C02(emissico), du prix du kwh (prixel). Ainsi, nous nous proposons d'estimer un modèle ARDL pour la fonction suivante (forme fonctionnelle linéaire)

???? = ?? (??????, ????????, ????????????, ??????, ????????????????, ????????????) (5)

Si l'on se propose de saisir les effets de court terme et ceux de long terme des variables explicatives ci-dessus sur la Consommation d'électricité, la représentation ARDL de la fonction (4) sera

??????????????? = ??₀ + ? ??1???????????????-?? + ? ??2???????????-?? + ? ??3?????????????????-?? +

? ??4?????????????????-?? + ? ??5???????????-?? + ? ??6???????????????????-?? + ? ??7??

?? ??=0 ???????????????-?? + ??₁????????????_??-1 + ??2????????-1 + ??₃????????????_??-1 + ??₄????????????_??-1 +

??₅????????????_??-1 + ??6????????-1 + ??₇??????????????_??-1 + ??₈????????????_??-1 + ???? (6)

Avec ? : opérateur de différence première ; ??₀: constante ; ??₁ ... ??₈: effets à court terme ;

??₁ ....??₈: dynamique de long terme du modèle ; ??~?????? ( 0 ,?? ) : terme d'erreur (bruit blanc).

Où tempsp représente la température saison pluvieuse ; tempss la température saison sèche et precip précipitation, emissco emission de co2, pib : Produit intérieur brut, prixel le prix d'électricité et enfin pop la population

3.3. Données d'analyse 3.3.1. Source de données

Le Togo, pays de l'Afrique de l'Ouest, est doté d'un Système Statistique National (SSN). Les données présentées dans notre mémoire proviennent des sources différentes. On a les données climatiques qui proviennent de la Direction nationale de la Météorologie, le PIB et la population proviennent de la base de données de World Indicators Data, la Consommation d'électricité extrait des données de l'Organisation de Coopération et de Développent Economique (OCDE). Le prix du KWH provient des données de la CEET. La période que prend en compte nos données s'étend de 1990 à 2019.

Variable

Libellé Observation Moyenne

Test de

Student. Minimum

Maximum

lconsel lpreci

tempsp tempss emissco lpib

Prixelp

Consommation

d'électricité (kwh) 30

Précipitation (mm) 30

Température saison

pluvieuse (° C) 30

Température saison

sèche(° C)

émission de co2

(%)

Produit Intérieur

Brut (us dollars) 30

prix

d'électricité(F/kwh) 30

4,682

7,062

30 ,988 28,14 7,878 27,821

89,9

0 ,178

0,102

6,715 1,162 7,219 0,614

10,72011

4,248

6,853

26,781 26,627 1,058 26,579

5,041

7,282

57,097 30,622 28 28,793

106

Ce tableau ci-dessus résume les tests statistiques de chacun des variables présentent dans notre modèle.

Les statistiques sommaires des données utilisées dans cette étude (tableau 1) montrent que la température annuelle moyenne est de 28°C en saison sèche et de 31°C en saison des pluies avec des précipitations annuelles moyennes de 1173mm. Les données climatiques et celles de l'évolution du climat montrent que les risques climatiques majeurs entre 1990 et 2019 se résument à des situations d'extrêmes sécheresses ou paradoxalement à des situations d'inondation. Au cours de ces 30 dernières années, la population moyenne au Togo est de 5673518 habitants pour une consommation énergétique de 110 kwt par habitant avec un produit intérieur brut de 1430 milliard de FCFA. Le taux d'émissions moyenne de co2 issue de la consommation d'électricité de l'électricité est de7.8 tonnes.

3.4. Présentation et étude de la stationnarité des séries de données

Comme toute méthode d'analyse, l'économétrie s'appuie sur un certain nombre de variables qui lui sont propres. Les principaux ingrédients d'un modèle économétrique sont les variables à expliquer et les variables explicatives, les perturbations et les paramètres.

3.4.1. Choix des variables

Dans notre travail, nous avons essayé de choisir au mieux les variables explicatives qui sont en corrélation directe avec la consommation de l'énergie électrique au Togo. Pour cela nous avons retenu la température saison sèche (Tempss), la température en saison pluvieuse (Tempsp), l'émissions de co2 (emissco), les précipitations (precip), la population (pop), le prix d'électricité et le produit intérieur brut (PIB).

3.4.1.1. Etudes de la stationnarité des séries de données

Une série temporelle est stationnaire si elle ne comporte ni tendance, ni saisonnalité, plus généralement, aucun facteur n'évoluant avec le temps. Ceci étant, nous devons d'abord déterminer l'ordre d'intégration des variables. On dit donc qu'une variable est intégrée d'ordre

p si sa différence p est stationnaire c'est-à-dire que sa différence d'ordre p est d'accroissement nul. Il permet de mettre en évidence la stationnarité d'une série. Donc on met en oeuvre le test de stationnarité de dickey-fuller (DF et ADF).

3.4.1.2. Test de racine unitaire

Ce test permet de détecter les existences de non stationnarité des séries, aussi de déterminer de quel type de non stationnarité s'agit-il, c'est donc la bonne méthode pour rendre stationnaire les séries. On distingue deux types de non stationnarité des séries que sont :

? Le processus DS (differency stationary) : c'est un processus de nature aléatoire et pour le rendre stationnaire on utilise les filtres de différence.

? Le processus TS (trend stationary) : c'est un processus de nature déterministe et pour le rendre stationnaire on utilise la méthode des moindres carrés ordinaires (MCO). L'application de ce test nécessite la détermination du nombre de retard pour chaque série.

Variable	Libellé	I(0)		I(1)
Variable	Libellé	Level	Trend	Level	Trend
		-4.343*
Lconsel	Consommation d'électricité
		0.549
		-3.584*
Tempss	Température saison sèche
		0.0319
		-3.725*
LPrecip	Précipitation
		0.0001
		-3.723*
Emissco	Emission co2
		0.0666
		3.723	-4.343		-3.233**
Lpop	Population	0.955	0.8959		0.0000
Tempsp	température saison pluie	-3.725
		0.0000
		-2,625	-3,23	-3,73
Prixel	Prix d'éléctricité
		0,889	0,64	0
Lpib	Produit Intérieur Brut	-2.625	-3.23	-3,73**
		0.889	0.4465	0

Le test de racine unitaire nécessite le choix du nombre de retard (p), afin de déterminer cette valeur, on utilise les critères d'information Akaike (AIC) et Schwarz (SC). Pour un ordre « p » allant de 1 à 4, on retient le retard qui minimise ces deux critères d'information.

Les symboles *, ** représente respectivement la stationnarité à niveau, en différence première

L'on note que les séries PIB par tête, Population et le prix d'électricité sont intégrées d'ordre 1 (stationnaire après la première différence), alors que la température saison pluvieuse et sèche, précipitation, consommation d'électricité, émission de co2 restent stationnaires à niveau (sans différenciation). Les séries sont ainsi intégrées à des ordres différents ce qui nous pousse à choisir un modelé autorégressif à distribution.

3.4.2. Spécification du modèle ARDL de cointégration

3.4.2.1. Etude de la cointégration : ARDL optimal et Bounds test

On procède maintenant à l'étude de la cointégration par la méthode de Pesaran et al.(2001) et celle de Naranyan (2004), sachant que l'adoption du test de Johansen est admise dans le cas où les séries sont intégrées du même ordre, alors que le «test de cointégration aux bornes» est adopté dans les cas où les séries sont intégrées de deux différents ordres I(0) et I(1), mais il faut préciser que cela n'exclut pas l'adoption du « bounds test » dans les cas ou les séries sont intégrées du même ordre. A ce propos, on s'est permis d'adopter cette approche vu l'intérêt que nous portions aux modèles ARDL (modèles autorégressifs à retards échelonnés ou distribués).

??????????????? = ??₀ + ? ??1???????????????-?? + ? ??2???????????-?? + ? ??3?????????????????-?? +

? ??4?????????????????-?? + ? ??5???????????-?? + ? ??6???????????????????-?? + ? ??7??

?? ??=0 ???????????????-?? + ??₁????????????_??-1 + ??2????????-1 + ??3??????????-1 + ??₄????????????_??-1 + ??5????????-1 +

??₆??????????????_??-1 + _{??7??????????????-1+??8??????????????-1} + ????) (7)

3.4.2.2. Détermination du modèle ARDL optimal

Nous allons nous servir du critère d'information de Akaike pour sélectionner le modèle ARDL optimal, celui qui offre des résultats statistiquement significatifs avec les moins des paramètres. Ci-dessous les résultats d'estimation du modèle ARDL optimal retenu à partir de stata.

Selon l'estimation du modèle ARDL optimal il est constaté que les variables température en saison sèche, la température en saison pluvieuse et le prix d'électricité sont significative au seuil de 5% ; Les variables comme la population, le Pib, les précipitations et émission de co2 qui ne sont significatives. On conclut que la moitié des variables est significative

Variable	Coefficient	Erreur standard	P>t
lconsel
L1,	-0,369	0,302	0,249	L2, tempss
-0,172	0,174	0,344
--,	-0,079	0,029	0,02**
L1,	0,055	0,034	0,137		L2, tempsp --,
-0,131 0,019	0,044 0,005	0,014** 0,002*
L1,	0,016	0,007	0,034**			L2, precip
0,033 0	0,008 0	0,003* 0,507
lpib lpoptot --,	-0,614 29,874	0,293 15,389	0,062 0,081
L1, lprixel	-28,051	14,705	0,086**
--,	-1,058	0,619	0,118
L1,	1,668	0,638	0,026**				L2, emissco
-2,123	0,734	0,016**
--,	-0,02	0,005	0,003*
L1, cons	-0,008 4,682	0,005 3,934	0,173 0,262

3.4.2.3. Test de cointégration aux bornes du Modèle ARDL : Bounds test

Lorsqu'on dispose de plusieurs variables intégrées d'ordres différents I(0), I(1)), l'on peut recourir au test de cointégration de Pesaran et al. (2001) appelé « test de cointégration aux bornes » ou « bounds test to Cointégration ».

Variable	Coefficient	Erreur standard	P>t
lconsel
L1, tempss	-1,542 -0,101	0,319 0,03	0,001 0,007*
tempsp	0,044	0,009	0,001*
precip	0	0	0,471
lpib	-0,398	0,155	0,028**
lpoptot	1,182	0,386	0,012**
prixel	-0,01	0,004	0,016**
emissco lconsel	-0,018	0,005	0,003*
LD, tempss	0,173	0,174	0,344
D1,	0,077	0,056	0,201
LD, tempsp	0,131	0,044	0,014**
D1,	-0,05	0,014	0,006*
LD, lpoptot	-0,033	0,008	0,003*
D1, prixel	28,051	14,705	0,086**
D1,	0,005	0,007	0,526
LD, emissco	0,023	0,008	0,016**
D1, cons	0,008 -0,67	0,005 3,781	0,173 0,863

Ce test nous permet de vérifier la relation de cointegration entre les variables de notre modèle. Le tableau (5) fournit des valeurs du Bounds test qui fait recourt au test de Fisher pour vérifier les hypothèses de cointégration. Ainsi, nous testons l'hypothèse nulle de l'absence de cointégration contre l'hypothèse alternative de l'existence de relation de cointégration dans l'approche traditionnel de Pesaran et al (2001) et dans l'approche de Narayan(2004). La procédure du test est telle que l'on devra comparer les valeurs des bornes avec celle Fisher. Si la valeur de Fisher est supérieure à la borne supérieure on rejette l'hypothèse nulle alors que dans le cas inverse où la valeur du Fisher est inférieure à la borne inférieure on accepte l'hypothèse nulle.

Ci-dessous le tableau de Fisher nous donne le Fisher calculée qui nous permettra de faire l'analyse de l'existence ou non de cointégration entre les variables. Si le Fisher calculée au borne supérieur, il existe une cointégration. Si le ficher calculée < au borne inferieur, pas de cointégration. Si le Fisher calculée est compris entre la borne inferieur et la borne supérieure il n'y a pas de conclusion.

Il ressort d'après le tableau du test de cointégration que la statistique de Fisher qui prend la valeur de (4.803) est supérieure à la première borne supérieure qui est de (4,26) ainsi qu'à la deuxième (- 5,19). Ce qui nous amène à rejeter l'hypothèse nulle d'absence de relation de cointégration et par conséquent une acceptation de l'hypothèse alternative d'existence de relation de cointégration entres les variables retenues. La présence de cointégration entre ces variables traduit le fait qu»il existe une relation de long terme entre le changement climatique et la consommation électrique. Ainsi, il peut y avoir changement climatique et une hausse équivalente de la consommation électrique et des produits pétroliers, de même qu'il est possible d'avoir une diminution de la consommation nationale d'électricité. Cette évidence de l'existence de relation de cointégration nous donne donc la permission de procéder à l'estimation des relations à long et à court terme de notre modèle ARDL de cointégration.

3.5. Relations à court et à long terme : ARDL de cointégration

Grâce à la procédure de Pesaran et al. (2001), un modèle à correction d'erreur peut aider à confirmer l'existence ou non de la cointégration entre variables. Ce modèle aura la forme suivante dans le cadre de notre étude.

??????????????? = ??₀ + ? ??1???????????????-?? + ? ??2???????????-?? + ? ??3?????????????????-?? +

? ??4?????????????????-?? + ? ??5???????????-?? + ? ??6???????????????????-?? + ? ??7??

?? ??=0 ???????????????-?? + ??₁????????????_??-1 + ??2????????-1 + ??3??????????-1 + ??₄????????????_??-1 + ??5????????-1 +

??₆??????????????_??-1 + ??₇????????????_??-1 + ??₈??????????? _??-1 + _è????-1 + ????) (8)

Les estimations obtenues dans le tableau (7) ci-dessus montrent que le coefficient d'ajustement encore appelé force de rappel est négatif et statistiquement significatif, ce qui montre l'existence

d'un mécanisme de correction d'erreur et par conséquent une relation de long terme entre les variables de notre analyse. La valeur de ce coefficient est de 1,542 ce qui témoigne un désalignement de 154% de la consommation d'énergie électrique de son équilibre.

3.5.1. Analyse économique des résultats de l'estimation

A présent nous allons vérifier si les variables explicatives utilisées dans notre modèle ont les signes attendus et faire ressortir leur importance dans la consommation électrique.

3.5.1.1. Les signes des variables explicatives

Les signes des différentes variables explicatives de notre fonction de consommation sont les suivantes.

Variables	Coefficient Erreur standard P>t
lconsel
L1,	-1,542	0,32	0,001*
	Court terme
tempss	-0,101	0,03	0,007*
tempsp	0,044	0,01	0,001*
precip	0	0	0,471
lpib	-0,398	0,16	0,028**
lpoptot	1,182	0,39	0,012**
lprixel	-0,981	0,34	0,016**
emissco	-0,018	0,01	0,003*
lconsel	Long terme
LD, tempss	0,173	0,17	0,344
D1,	0,077	0,06	0,201
LD, tempsp	0,131	0,04	0,014**
D1,	-0,05	0,01	0,006*
LD, lpoptot	-0,033	0,01	0,003*
D1,	28,051	14,7	0,086**

-Le signe négatif de la variable TEMPSP est conforme, puisqu'elle confirme les décisions des consommateurs en cette période.

-La variable prix d'électricité (PRIXEL) a un coefficient dont le signe est positif, ce qui n'est pas conforme à celui escompté, l'augmentation du prix ne décourage pas les consommateurs.

-Le signe positif de la variable émission de co2(EMISSCO) est conforme à celui espéré. A long terme :

- Le signe négatif de la variable TEMPSS n'est pas conforme à celui attendu, puisqu'on s'attend à ce que la température en saison sèche influence positivement la consommation d'électricité.

-La variable PIB a un coefficient de signe négatif, ce qui est contraire à celui escompté puisque cette variable mesure le niveau du revenu sur le territoire.

-Le signe négatif de la variable PRIXEL est contraire à celui espéré, étant que variable est un indicateur de mesure de la demande.

-La variable émission de co2 a un signe négatif, ce qui n'est conforme au résultat escompté. 4.2.1.2. Interprétation des variables statistiquement significatives

Les variables significatives sont aux nombres de cinq (05) pour le court terme et de six (06) pour le long terme.

La variable température en saison de pluie explique la diminution de la consommation d'électricité en saison des pluies. L'effet négatif de cet indicateur vient confirmer nos développements théoriques.

Concernant la variable température en saison sèche, elle est corrélée significativement dans le sens de nos attentes. Elle indique un degré élevé de la température sur l'étendue du territoire. Ainsi les ménages augmentent leur consommation d'électricité.

La variable POPTOT qui indique le nombre d'habitants est corrélée positivement avec la variable indépendante. Elle montre que la consommation d'électricité augmente suite à une augmentation de la population. Ainsi au fur et à mesure que le nombres d'habitants s'accroit la demande aussi augmente. Le prix d'électricité est un facteur cité dans les études empiriques comme déterminant de la demande. La plupart des études empiriques montrent une relation négative entre le prix et la consommation d'électricité. Nos résultats ne sont pas conformes.

A partir des résultats obtenus, on peut conclure qu'à court terme la consommation d'électricité augmente au dépend de plusieurs facteurs notamment la température en saison sèche, la population, le taux d'émission de co2 et le prix. Il ressort des études empiriques que le degré élevé de la température en saison sèche pousse les ménages à une consommation accrue de l'électricité compte tenue du besoin de refroidissement. L'accroissement de la population créant des besoins supplémentaires en électricité. Ainsi plus le besoin augmentera les producteurs seront contraints d'augmenter leur production pour assoupir la demande.

Retenons aussi que la relation de positivité entre le prix et la consommation électrique serait dû au prix du kwh qui a subi une petite modification depuis 2010 et resté inchangé jusqu'à nos jours. Ce qui n'influence pas les décisions des ménages.

A cet effet si nous rapprochons ces résultats à la réalité de notre pays, le relation positive entre la population et la consommation électrique s'explique par la croissance démographique d'un pays à population jeune qui est le Togo, au fur et à mesure que la jeunesse s'accroit il rentre dans le monde professionnel et forme leur ménage, dès lors des besoins vitaux s'annoncent et nécessite l'utilisation de l'électricité pour couvrir certains de ces besoins ce qui crée un besoin supplémentaire de la consommation , d'où son augmentation.

Concernant à la température en saison pluvieuse qui a un lien négatif retenons que le Togo est un pays à climat tropical avec deux différents saisons avec leur particularité ; la particularité de la pluvieuse est que généralement le temps est normal et selon le commun des togolais sauf exception laissent libre les appareils refroidisseurs or ceux sont de gros consommateurs d'énergie d'où la diminution de la demande. L'effet inverse se produit lorsqu'on n'est en saison sèche, la chaleur intense dans les chambres et même dehors obligent bon nombres à faire recours aux climatiseurs et d'autres, ce qui explique le flamber de la consommation en cette période. Concernant le prix la relation est positive ce qui rarement le cas. Rappelons qu'au Togo le prix est resté inchangé jusqu'au de la de l'année 2010 et subit une brève modification les ménages togolais n'ont pas leur revenu augmenté mais le cours de la vie n'était pas trop ils arrivaient à contenir les dépenses en consommation électrique ; raison pour lequel il semble être indiffèrent à l'augmentation du prix, ce ne saurait être le cas dans le futur

Le prix d'électricité est un facteur cité dans les études empiriques comme déterminant de la demande. La plupart des études empiriques montrent une relation négative entre le prix et la consommation d'électricité. Nos résultats sont conformes ; puisque le coefficient de la variable explicative prix qui est de signe négatif.

Concernant la variable EMISSCO qui mesure le taux d'émission de co2, elle a une relation négative avec la consommation électrique. Elle démontre la conscience prise par le monde dû aux conséquences néfastes du taux élevé d'émission de co2 sur la planète.

La variable température en saison de pluie indique une augmentation de la consommation d'électricité en saison des pluies. L'effet positif de cet indicateur vient confirmer nos développements théoriques. Concernant la variable température en saison sèche, elle est corrélée significativement mais pas dans le sens de nos attentes. Elle indique un degré élevé de la température sur l'étendue du territoire qui auraient poussé les ménages à augmenter leur consommation d'électricité mais ce fut le cas contraire. En effet, ces résultats sont similaires à ceux de Ruth et Link (2012) (Ahmed & Muttaqui, 2012).

Les effets du changement climatique se feront voir à travers des dérèglements au niveau du climat, ce qui entreraient l'absence de pluie en saison sèche et vice versa. Ceci expliquerait le besoin de refroidissement au temps normal de pluie et donc une demande accrue d'électricité.

La variable PIB qui mesure le produit intérieur brut a servi de substituant au revenu, elle est corrélée négativement avec la consommation d'électricité. L'effet de causalité négatif sous attend que les politiques d'économie d'énergie électrique affectent négativement le PIB.

A partir des résultats obtenus, on peut conclure qu'à long terme la consommation d'électricité accroit avec plusieurs facteurs notamment la température en saison sèche, la population. Il ressort des études empiriques que les variations des caractéristiques climatiques intervenus sur une période donnée, aurait poussé les ménages à une consommation accrue de l'électricité compte tenu du besoin de refroidissement qui se créé dû aux irrégularités des pluies qui transmet un degré élevé de température et vice-versa. L'accroissement de la population crée des besoins supplémentaires en électricité. Ainsi plus le besoin augmentera les producteurs seront contraints d'augmenter leur production pour assoupir la demande, mais étant donné que le secteur d'énergie émet de co2 et conscient des graves retombées du réchauffement climatique, un recours à de nouvelles sources d'énergie moins destructeurs seront envisagés, d'où la diminution du taux d'émission de co2. La relation bidirectionnelle entre le PIB, indicateur de croissance économique et la consommation d'électricité montrent que les deux variables se complètent et les mesures d'économie d'énergie peuvent affecter négativement le PIB. Le prix

d'électricité à son tour fera diminuer la demande. L'énergie étant un bien normal au fur et à mesure que son prix s'élèverait, la demande diminuera.

Suivant la réalité que nous vivons au Togo les saisons sont affecté par le changement climatique, il est remarqué qu'en mousson les pluies sont moins fréquents ceci bouleverserait tout le système météorologique, la saison sèche qui est accablé de pluie avec une température moins élevée et vice-versa. Ceci explique bien le comportement des ménages par rapport à la diminution de consommation électrique en saison sèche et inversement. Par rapport à la population, le Togo comme un pays du sud chaque année on décompte bon nombres de nouvelles naissances et la jeunesse qui entre dans la vie active, forment leur petite famille et le besoin se crée encore plus ce qui explique l'effet positif de la population sur la consommation de l'électricité. Le Pib/Togo est en grande partie dû au secteur informel, un secteur qui subit beaucoup de fluctuations entrainant la baisse du produit intérieur brut et du moment où les revenus deviennent faibles les ménages sont contraints de revoir leur dépense voire la diminution de leur consommation électrique. Le prix est un indicateur prépondérant, notre pays le Togo est l'une des pays en Afrique où la population à un revenu faible. Bien que les ménages ont des activités, retenons que la grande partie ne revient qu'avec des revenus de substance ceci qui les poussent à opter pour le besoin de survie alimentaire au détriment même de l'éclairage. En effet pour un bien normal lorsque le prix augmente la demande diminue d'où la baisse de la consommation électrique. Notre pays est l'une des pays africains qui ont opté pour la lutte pour le changement climatique à cet effet la décision d'utilisation de nouvelles sources d'énergie moins émetteur de co2 ont été mise au point et surtout l'amélioration en terme d'imputs qui permettent de produire l'électricité ; raisons pour lesquelles la relation entre l'émission de co2 et la consommation de l'électricité est négatif.

D'après les résultats trouvés suite aux estimations effectués, il a été remarqué que les variables sont stationnaires d'ordre différents, ce qui a d'ailleurs motivé le choix du modèle autorégressif à retard échelonné qui est la méthodologie d'analyse utilisée. Une relation de cointégration entre la variable indépendante et les variables explicatives a été vérifié et nous a permis de faire

l'analyse à court terme et à long terme. Notons donc qu'à long terme il existe une relation positive entre la température en saison pluvieuse, la population et la consommation d'électricité et négatif avec le prix d'électricité et le PIB. A court terme, d'une part, un effet négatif entre la consommation d'électricité et la température en saison de pluies et d'autres part une relation positive entre le prix d'électricité, la population, l'émission de co2 et enfin température saison sèche.

Conclusion générale

Ce mémoire est une tentative de donner une réponse à la question de recherche principale suivante : quel est l'effet du changement climatique sur la demande d'électricité au Togo ? Les résultats trouvés nous révèlent qu'à court terme la consommation d'électricité augmente grâce à plusieurs facteurs notamment la température en saison sèche, la population, le taux d'émission de co2 et le prix du kwh. Le degré élevé de la température en saison sèche pousse les ménages à une consommation accrue de l'électricité compte tenu du besoin de refroidissement. L'accroissement de la population crée des besoins supplémentaires en électricité. Ainsi plus le besoin augmentera et les producteurs seront contraints d'augmenter leur production pour assoupir la demande. Mais étant donné que le secteur d'énergie émet de co2. Retenons aussi que la relation de positivité entre le prix et la consommation électrique serait due au prix du kwh qui a subi une petite modification depuis 2010 et est resté inchangé jusqu'à nos jours ; ceci n'influence pas les décisions des ménages. On peut conclure qu'à long terme la consommation d'électricité accroit avec plusieurs facteurs notamment la température en saison sèche, la population. Il ressort des études empiriques que les variations des caractéristiques climatiques intervenus sur une période donnée, aurait poussé les ménages à une consommation accrue de l'électricité compte tenu du besoin de refroidissement crée due aux irrégularités des pluies qui transmet un degré élevé de température et vice-versa. L'accroissement de la population crée des besoins supplémentaires en électricité. Ainsi plus le besoin augmentera, les producteurs seront contraints d'augmenter leur production pour assoupir la demande, mais étant donné que le secteur d'énergie émet de co2 et conscient des graves retombées du réchauffement climatique, un recours à de nouvelles sources d'énergie moins destructeurs seront envisagés, d'où la diminution du taux d'émission de co2. La relation bidirectionnelle entre le PIB, indicateur de croissance économique et la consommation d'électricité montrent que les deux variables se complètent et les mesures d'économie d'énergie peuvent affecter négativement le PIB. Pour la part du prix d'électricité annuelle moyenne il a augmenté il y'a de cela dix années si l'on suppose qu'après dix ans il monte, l'énergie étant un bien normal au fur et à mesure que son prix s'élèverait la demande diminuera.

Ainsi, une maitrise du marché de l'électricité et une diminution des actions humaines porteurs de dégradation du climat restent de conditions nécessaires pour permettre de répondre aux besoins de la demande d'électricité. L'une des limites de notre mémoire est l'inaccessibilité des données sur le revenu des ménages qui devraient être inclus dans nos estimations pour de meilleurs résultats. Pour les perspectives de recherches futures, il serait opportun d'approfondir les études en matière de source d'énergie électrique et que les pouvoirs publics devraient s'engager activement à oeuvrer pour une augmentation de la production basé sous d'autres matières moins émetteur de dioxyde de carbone et une sécurisation de la distribution de l'énergie électrique par un accroissement adéquat des investissements, tout en favorisant l'accès à de nouveaux producteurs privés de nouvelles sources d'énergie avec de meilleurs contrats de partenariat publics-privés, ainsi qu'un suivi adéquat des activités de régulation assurées par l'Autorité de Régulation du Secteur de l'Energie électrique au Togo (ARSE)

Bibliographie

Ahmed, T. & Muttaqui, K., 2012. Impacts du changement climatique sur la demande d'électricité dans l'État de New South Wales, Australie. Énergie appliquée, pp. 376-380.

Andressa, B., Ivan, F., Silva, S. & Ana Paula, S., 2017. Vinasse biogas for energy generation in Brazil: An assessment of economy feasibility, energy potential and avoided CO2 emmissions. Journal of cleaner production, Volume 151, pp. 260-271.

Aristide, D., 2005. Analyse des dterminants de la demande globale d'une source énergetique par les ménages: le cas du gaz butane. Abidjan: Université de Cocody.

Bas, J., van, R., Enrica, D. C. & Ian, S., 2019. Amplification of future energy demand growth due to climate change. Nature communications, Volume 10, pp. 1-12.

Bleu, P., 2008. Changement climatique et énergie en méditerranée. Sophia Antipolis.

Cruz Rios, F. et al., 2017. Analyzing the impact of outside temperature on energy consumption and production patterns in high-performance research buildings in Arizona. Journal of Architectural Engineering, Volume 23.

Field, C. B., 2014. Climate change 2014-Impacts, adaptation and vulnerability: Regional aspects. Cambridge University Press.

Howden, S. M. & Crimp, S. J., 2001. Effect of climate and climate change on electricity demand in Australia. Ghassemi.

Isa, Z., Alsayed, A. R. & Kun, S. S., 2015. Review paper on economic growth-aggregate energy consumption nexus. Review p International Journal of Energy Economics and Policy, 5(2).

Jacques, P., 2001. Energie et théorie economique: un survol. Revue d'économie politique, Volume 111, pp. 815-860.

Lancesseur, D. &. B. S., 2009. U.S. Patent No. 7,475,773. 34 éd. Washington, DC, U.S: Patent and Trademark Office.

Mahena, A., 2011. Consommation d"electricité et croissance economique en Cote d'ivoire.

Malagueta, D. et al., 2013. Assessing incentive policies for integrating centralized solar power generation in the Brazilian electric power system. Energy Policy, Volume 59, pp. 192-212.

Moral-Carcedo, J. & Vicéns-Otero, J., 2005. Modelling the non-linear response of Spanish electricity demand to temperature variations. Energy Economics, 27(3), pp. 477-494.

Narayan, P. K., 2004. « Reformulating Critical Values for the Bounds F-Statistics Approach to Cointegration : An Application to the Tourism Demand Model for Fiji. An Application to the Tourism Demand Model for Fiji , Issue 02/04.

Nordhaus, W., 2019. Critical assumptions in the Stern Review on climate change. Economics of the Environment: Selected Readings, p. 15.

Pesaran, M. H., Shin, Y. & Smith, R. J., 2001. « Bounds Testing Approaches to the Analysis of Level Relationships ». in Journal of Applied Econometrics, 16(3), pp. 289-326.

Ripple, W. J. et al., 2014. Ruminants, climate change and climate policy. Nature climate change, 4(1), pp. 2-5.

Sailor, D., 2001. Relation entre les charges d'électricité des secteurs résidentiel et commercial et le climat ,évaluer les sensibilités et les vulnérabilités au niveau des États. Energy, Issue 26, p. 645-57.

Torben, K., Mideksa, B. & Steffen, K., 2010. L'impact du changement climatique sur le marché de l'électricité: un bilan. Politique énergétique, Volume 38, p. 3579-3585.

Ürge-Vorsatz, D., Danny Harvey, L. D., Mirasgedis, S. & Levine, M. D., 2007. Mitigating CO2 emissions from energy use in the world's buildings. Building Research & Information , 35(4), pp. 379-398.

Annexes

	^Obs	^Mean		^Min
	³⁰	^4.682362	^.1788653	^4.248375
^Variable	³⁰	^27.82164	^{Std. Dev.} ^.6143059	^26.57914
	³⁰	^15.52447	^.2366031	^15.14373
^lconsel	³⁰	^1173.405	^121.3312	^946.98
^lpib	³⁰	^28.14062	^1.162655	^26.6279
^lpoptot ^precip	³⁰	^30.98859	^6.715893	^26.7819
^tempss	³⁰	^7.878548	^7.220002	^1.0582
	³⁰	^89.9	^10.72011	⁸³








			^t
	^{Sample: 1992} - ²⁰¹⁹			^{Number of obs} =
	^-.3697565	^.3021838	^-1.22	^{F( 17, 10)} = ^{0.249 -1.043064}
^{Log likelihood} = ^48.673284	^-.1726231 ^-.0793512	^.1737673 ^.0287426	^-0.99 ^-2.76	^Prob > ^F = ^R-squared = ^{Adj R-squared} = ^{Root MSE} = ^{0.344 -.5598008} ^{0.020 -.1433938}
	^.0545479	^.0337275	^1.62	^{0.137 -.0206016}
^lconsel ^lconsel	^Coef. ^-.1311944 ^.0185985	^{Std. Err.} ^.0440706 ^.0045882	^-2.98 ^4.05	^{P>\|t\| [95% Conf.} ^{0.014 -.2293898} ^{0.002 .0083752}
L1.	^.0164146	^.0066987	^2.45	^{0.034 .0014889}	L2.
^.0334341	^.0084989	^3.93	^{0.003 .0144975}
^tempss	^-.0001526	^.0002217	^-0.69	^{0.507 -.0006465}
--. L1. L2.	^-.6141055 ^29.87407	^.2925987 ^15.38891	^-2.10 ^1.94	^{0.062 -1.266056} ^{0.081 -4.414555}
^tempsp --. L1. L2.	^-28.05072 ^-1.057576	^14.70548 ^.6191787	^-1.91 ^-1.71	^{0.086 -60.81657} ^{0.118 -2.437192}
	^1.667693	^.6379061	^2.61	^{0.026 .2463497}
^precip ^lpib ^lpoptot	^-2.123449 ^-.0203474	^.7342652 ^.0053405	^-2.89 ^-3.81	^{0.016 -3.759494} ^{0.003 -.0322467}
--.	^-.0075805	^.0051595	^-1.47	^{0.173 -.0190765}
^L1.	^4.681863	^3.934385	^1.19	^{0.262 -4.084492}

^{Sample: 1992}

^48.673283

^{Number of obs}

^R-squared

^{Adj R-squared}

^{Root MSE}

^D.lconsel

^P>|t|

^ADJ

^lconsel

- ²⁰¹⁹

^-1.54238

^.3193274

^-4.83

^0.001

^-2.253885

^{Log likelihood} =

^L1.

^LR

^tempss ^tempsp ^precip ^lpib ^lpoptot ^prixel ^emissco

^Coef.

^-.101141 ^.0443777 ^-.0000989 ^-.3981546 ^1.18217 ^-.0104344 ^-.018107

^{Std. Err.}

^.0299882

^.0092199

^.000132 ^.1549709 ^.3859393 ^.0035916 ^.0047255

^-3.37

^4.81

^-0.75

^-2.57

^3.06

^-2.91

^-3.83

^0.007 ^0.001 ^0.471 ^0.028 ^0.012 ^0.016 ^0.003

^{[95% Conf.}

^-.167959

^.0238344

^-.0003931

^-.7434514

^.3222434

^-.018437

^-.0286361

^Interval]

^-.8308738

^SR

^lconsel

^LD.

^tempss

^D1.

^LD.

^tempsp

^D1.

^LD.

^lpoptot

^D1.

^prixel

^emissco

^_cons

^.1726231

^.0766466

^.1311945

^-.0498487

^-.0334341

^28.05072

^.0048468

^.0225823

^.0075805

^-.6695165

^.1737673

^.0559746

^.0440706

^.0142448

^.0084989

^14.70548

^.0073721

^.0078087

^.0051595

^3.780649

^0.99

^1.37

^2.98

^-3.50

^-3.93

^1.91

^0.66

^2.89

^1.47

^-0.18

^0.344

^0.201

^0.014

^0.006

^0.003

^0.086

^0.526

^0.016

^0.173

^0.863

^-.2145546

^-.0480726

^.0329991

^-.0815882

^-.0523708

^-4.715132

^-.0115792

^.0051834

^-.0039155

^-9.093328

^-.034323 ^.0649209 ^.0001953 ^-.0528578 ^2.042096 ^-.0024319 ^-.0075779

^.5598008

^.2013657

^.2293898

^{accept if F} < ^{critical value for I(0)
regressors} ^{reject if F} > ^{critical value for I(1)
regressors}

2.03 3.13

^{accept if t} > ^{critical value for I(0)
regressors} ^{reject if t} < ^{critical value for I(1)
regressors}

^{Sample: 1992}		- ²⁰¹⁹ ^48.673283			^{Number of obs} ^R-squared ^{Adj R-squared} ^{Root MSE}			=
^{Log likelihood} = ^D.lconsel				^t		^P>\|t\|	= =
^ADJ ^lconsel	^Coef.		^{Std. Err.}				^{[95% Conf.}		^Interval]
	^-1.54238		^.3193274	^-4.83		^0.001	^-2.253885
^L1. ^LR ^tempss	^-.101141		^.0299882	^-3.37		^0.007	^-.167959		^-.8308738
^tempsp	^.0443777		^.0092199	^4.81		^0.001	^.0238344
^precip	^-.0000989		^.000132	^-0.75		^0.471	^-.0003931
^lpib	^-.3981546		^.1549709	^-2.57		^0.028	^-.7434514		^-.034323
^lpoptot	^1.18217		^.3859393	^3.06		^0.012	^.3222434		^.0649209
^lprixel	^-.9811669		^.337722	^-2.91		^0.016	^-1.733658		^.0001953
^emissco	^-.018107		^.0047255	^-3.83		^0.003	^-.0286361		^-.0528578
^SR ^lconsel									^2.042096 ^-.2286754 ^-.0075779
^tempss	^.1726231		^.1737673	^0.99		^0.344	^-.2145546
^LD.	^.0766466		^.0559746	^1.37		^0.201	^-.0480726		^.5598008
^D1. ^tempsp	^.1311945		^.0440706	^2.98		^0.014	^.0329991		^.2013657
^LD.	^-.0498487		^.0142448	^-3.50		^0.006	^-.0815882		^.2293898
^D1. ^lpoptot	^-.0334341		^.0084989	^-3.93		^0.003	^-.0523708		^-.0181093
^LD. ^lprixel	^28.05072		^14.70548	^1.91		^0.086	^-4.715132		^-.0144975
^D1.	^.4557561		^.6932104	^0.66		^0.526	^-1.088813		^60.81657
^D1. ^emissco	^2.123449		^.7342652	^2.89		^0.016	^.4874043		^2.000325
^LD.	^.0075805		^.0051595	^1.47		^0.173	^-.0039155
^_cons	^4.681863		^3.934385	^1.19		^0.262	^-4.084492

Economic analysis of the effect of climate change on electricity demand in Togo: application of the ARDL model

CHAPITRE II : REVUE DE LA LITTERATURE SUR LES EFFETS DU CHANGEMENT CLIMATIQUE SUR LA

RESUME

Abstract

INTRODUCTION GENERALE

Chapitre 1 : Etats des lieux de la relation entre la demande d'électricité et le climat

1.1. Aperçue de l'environnement climatique du Togo 1.1.1. Milieu géographique

1.1.2. Milieu physique

1.2. Etats des lieux du climat et de la demande d'électricité 1.2.1. Consommation d'électricité par secteur

1.2.3. Evolution du Produit intérieur brut

1.2.4. Précipitation moyenne suivant les différents sites météorologiques au Togo

1.2.4.1. Consommation d'électricité suivant la température

1.2.4.2. Consommation d'électricité suivant produit intérieur brut

1.3. La consommation d'énergie finale 1.3.1. Consommation d'électricité

1.3.2. Consommation des énergies traditionnelles

1.3.2.1. Sous-secteur des hydrocarbures

1.3.3. Potentiel hydroélectrique du Togo

1.3.5. Consommation d'électricité et les précipitations

Conclusion partielle

2.1. Revue théorique

2.2. Revue empirique

Conclusion partielle

Chapitre III : Méthodologie d'analyse résultats et interpretations

3.1. Cadre théorique du modèle

3.2. Spécification du modèle

3.3. Données d'analyse 3.3.1. Source de données

3.4. Présentation et étude de la stationnarité des séries de données

3.4.1. Choix des variables

3.4.1.1. Etudes de la stationnarité des séries de données

3.4.1.2. Test de racine unitaire

3.4.2. Spécification du modèle ARDL de cointégration

3.4.2.1. Etude de la cointégration : ARDL optimal et Bounds test

3.4.2.2. Détermination du modèle ARDL optimal

3.4.2.3. Test de cointégration aux bornes du Modèle ARDL : Bounds test

3.5. Relations à court et à long terme : ARDL de cointégration

3.5.1. Analyse économique des résultats de l'estimation

3.5.1.1. Les signes des variables explicatives

Conclusion générale

Bibliographie

Annexes

2.03 3.13

CHAPITRE 1 : ETATS DES LIEUX DE LA RELATION ENTRE LA DEMANDE

1.2.4. PRECIPITATION MOYENNE SUIVANT LES DIFFERENTS SITES METEOROLOGIQUES AU TOGO

CHAPITRE II : REVUE DE LA LITTERATURE SUR LES EFFETS DU

CHAPITRE III : METHODOLOGIE D'ANALYSE RESULTATS ET