Etude de la participation du port de Cotonou à l'essor économique du Bénin

ANNEXES

Annexe 1: Détails de la méthodologie

Stationnarité :

Avant tout traitement économétrique, il convient de s'assurer de la stationnarité des variables retenues car la stationnarité constitue une condition nécessaire pour éviter les relations fallacieuses. Les tests de racine unitaire permettent de mettre en évidence le caractère stationnaire ou non d'une chronique par la détermination d'une tendance déterministe ou stochastique.

Un processus est dit stationnaire si tous ces moments sont invariants pour tout changement de l'origine du temps. Il existe deux types de processus non stationnaires. Les processus TS (Trend Stationnary Process) qui présentent une non stationnarité de type déterministe et les processus DS (Difference Stationnary Process) pour lesquels la stationnarité est de type aléatoire. Ces processus sont respectivement stationnarisés par écart à la tendance et par un filtre aux différences permettant de déterminer l'ordre d'intégration de la variable.

Les tests de Dickey-Fuller, Dickey-Fuller Augmenté et de Phillips-Perron permettent de rendre compte de la stationnarité ou non d'une série. Le test de Dickey-Fuller Augmenté a été proposé pour améliorer le test de Dickey-Fuller en prenant en compte le fait que les erreurs ne soient pas des bruits blancs mais puissent être corrélées. Le test de Phillips-Perron intègre en complément l'hétéroscédasticité des erreurs.

Afin de discriminer entre les deux types de processus et d'appliquer la méthode de stationnarité adéquate, nous utilisons le test de Dickey-Fuller (ADF) (qui permet de déterminer l'ordre de différentiation d'une série macro-économique suivant son évolution au cours du temps) et le test de Phillips-Perron (qui englobe les autres tests). Il faut bien noter que le test d'ADF a été mené en tenant compte des trois modèles suivantes :

Modèle (3) modèle avec constante et avec tendance:

,

Modèle (2) modèle avec constante et sans tendance:

, et le

Modèle (1) modèle sans constante et sans tendance :

.

Rappelons que avant tout traitement, il convient de déterminer le retard p optimal. Il s'agit de celui qui minimise les critères d'information d'Akaike (AIC) et de Schwartz. La connaissance de ce retard est en effet nécessaire pour les étapes suivantes.

Test de stationnarité

On teste l'hypothèse nulle ?=o (non stationnarité) contre l'hypothèse alternative ? < 0 en se référant aux valeurs tabulées par Dickey et Fuller. Dans la mesure où les valeurs critiques sont négatives, la règle de décision est la suivante :

- Si la valeur de la t-statistique associée à ? est inférieure à la valeur critique, on rejette l'hypothèse nulle de non stationnarité.

- Si la valeur calculée de la t-statistique associée à ? est supérieure à la valeur critique, on accepte l'hypothèse nulle de non stationnarité.

Il est fondamental de noter que l'on n'effectue pas le test sur les trois modèles. Il convient en effet d'appliquer le test de Dickey-Fuller à un seul des trois modèles.

Etape 1 : On estime le modèle 3. On commence par tester la significativité de la tendance. Deux cas peuvent se présenter :

- Si la tendance n'est pas significative, on passe au modèle 2.

- Si la tendance est significative, on a deux possibilités :

- Si l'on accepte l'hypothèse nulle, c'est-à-dire que est non stationnaire, dans ce cas, il faut la différencier et recommencer la procédure sur la série de différence première.

· Si l'on rejette l'hypothèse nulle, est stationnaire et dans ce cas, la procédure s'arrête. On a donc à faire à un processus TS (Trend Stationnary).

Etape 2 : Cette étape ne doit être abordée que si la tendance dans le modèle précédent n'est pas significative.

On estime le modèle et on commence par tester la significativité de la constante. Deux cas de figure peuvent se présenter :

- Si la constante n'est pas significative, on passe au modèle 1.

- Si la constante est significative, on passe au test.

- Si l'on accepte H_o, est non stationnaire. Dans ce cas, il faut différencier la série et recommencer la procédure sur la série en différence première.

- Si l'on rejette H_o, est stationnaire. Dans ce cas, la procédure de test s'arrête et on peut directement travailler sur la série.

Etape 3 : Cette étape ne doit être appliquée que si la tendance et la constante ne sont pas significatives.

On estime le modèle 1 et on commence le test

- Si l'on accepte l'hypothèse nulle, est non stationnaire. Dans ce cas, il faut différencier la série et recommencer la procédure sur la série différenciée.

- Si l'on rejette H_o, est stationnaire et la procédure s'arrête. On peut directement travailler sur la série.

Toutefois, il arrive que l'on souhaite travailler avec des variables plutôt en niveau qu'en différence première (donc plutôt avec des variables non stationnaires). Dans ce cas, comment régresser des variables non stationnaires et savoir si la régression obtenue n'est pas fallacieuse ?

C'est alors qu'intervient la notion de cointégration. Nous n'avons pas de régression fallacieuse lorsque les variables sont cointégrées.

La cointégration:

Engel et Granger ont montré que si on avait deux variables non stationnaires ( ~> I(1) et ~> I(1)), on pouvait avoir : - a - b = _t ~> I(1) ou - a - b = _t ~> I(0).

L'idée sous-jacente de la cointégration est la suivante : à court terme, et peuvent avoir une évolution divergente (elles sont toutes les deux non stationnaires) mais elles vont évoluer ensemble à long terme. Il existe alors une relation stable à long terme entre et La relation de long terme ou relation de cointégration est donnée par = a + b.

L'inconvénient de la méthode de Engle et Granger (1987) est qu'elle ne permet pas de distinguer plusieurs relations de cointégration. En effet, si on étudie simultanément N variables avec N > 2, on peut avoir jusqu'à (N-1) relations de cointégration. La méthode de Engle et Granger (1987) ne nous permet d'obtenir qu'une seule relation de cointégration.

Afin de pallier cette difficulté, Johansen (1988) a proposé une approche multivariée de la cointégration fondée sur la méthode du maximum de vraisemblance.

Cette méthode est intéressante car elle permet de donner le nombre de relations de cointégration estimés, ce qui n'était pas le cas dans la précédente méthode. La séquence du test de Johansen consiste à trouver le nombre de relations de cointégration (r) ; pour cela on utilise la méthode de maximum de vraisemblance.

1^ére technique: Le test de la trace: on teste l'hypothèse suivante:

Avec r le nombre de relations de cointégration

Règle de décision: On accepte H_o si Trcal < Trtab, Sinon on accepte H₁.

Si q = 0 et Trcal > Trtab, au seuil de 5%, alors on accepte H₁ qui signifie qu'il y a au moins une relation de cointégration.

Si q=1 et Trca l < Trtab, au seuil de 5%, alors on accepte H_o qui signifie qu'il y a une seule relation de cointégration dans le modèle.

2^ème technique: Le test de la valeur propre maximale: On teste l'hypothèse suivante :

On respecte la même règle que la précédente.

La cointégration est donc une notion de relation à long terme entre plusieurs variables non stationnaires, elle permet de définir une ou plusieurs tendances stochastiques communes c'est à dire, il s'agit de trouver une relation statique à long terme entre les variables étudiées.

Il est possible que deux séries soient divergentes à court terme mais évoluent d'une façon identique ou proportionnelle à long terme.

S'il n'existe pas de relation de cointégration, il est possible d'estimer un modèle VAR. Dans le cas contraire, on ne peut estimer un modèle ECM.

Ainsi, lorsque tous les coefficients sont significatifs dans la relation de cointégration, on peut faire une représentation ECM (Error Correction Model).

Le modèle à correction d'erreurs

Lorsque des séries sont non stationnaires et cointégrées, il convient d'estimer leurs relations au travers d'un modèle (ECM : Error Correction Model). Engel et Granger (1987) ont démontré que toutes les séries cointégrées peuvent être représentées par un ECM.

Lorsqu'on a décelé que les séries et sont I (1), il faut donc faire le test proposé par Granger et Engel avant d'établir la relation entre et . Ce test se fait en deux étapes :

1ère étape : On fait la régression de Y sur X et on récupère le résidu û

2ème étape : On fait le test de racine unitaire sur û

Si û est stationnaire, alors la relation est bonne.

Si û n'est pas stationnaire, on fait la régression Dy = â₀+ â₁ D x avec D, l'opérateur de différence première et â les élasticités.

Le test de Granger- Engel n'étant pas suffisante pour prendre des décisions, il faudra faire ce qu'on appelle le modèle à correction d'erreurs puisque Y et X sont cointégrées, c'est-à-dire qu'il existe une relation de long terme et statique^16(*) entre Y et X.

L'erreur û est appelée erreur de long terme ou erreur d'équilibre. Cependant, l'une des séries peut s'écarter de cet équilibre. On parle de dynamique à court terme. C'est la modélisation de cet équilibre à court terme qui constitue le modèle à correction d'erreurs.

1ère étape : On réalise un MCO de l'équation :

y = â₀+ â₁ x

2ème étape : On récupère le résidu û et on génère le résidu û_t-1. On réalise la régression :

Dy = â₀+ â₁ D x + â₂ û_t-1 + å_t avec å_t ~>BB (Bruit Blanc)

3ème étape : On regarde le t-student associé à â₂ et son signe. Si â₂ < 0 et
statistiquement significatif^17(*), alors on a un ECM et l'équation

Dy = â₀+ â₁ D x + â₂ û_t-1 + å_t avec å_t ~>BB

est appelée dynamique de court terme et â₂ est appelé coefficient de rappel vers l'équilibre. C'est le coefficient de correction d'erreur.

La variation de Y entre deux périodes est affectée non seulement par la variation de X mais aussi par un choc de la période précédente.

Lorsque â2 < 0 et statistiquement significatif, alors â2 représente la force qu'il faut exercer sur le choc de la période Pt-1 pour ramener X et Y en équilibre.Annexe 2: Résultats des tests de stationnarité (test de ADF)

Ø Le PIB réel

Null Hypothesis: D(LPIBR) has a unit root
Exogenous: None
Lag Length: 1 (Automatic based on AIC, MAXLAG=6)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-2.031676		0.0423
Test critical values:		1% level				-2.653401
		5% level				-1.953858
		10% level				-1.609571
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIBR,2)
Method: Least Squares
Date: 11/17/09 Time: 17:07
Sample (adjusted): 1982 2008
Included observations: 27 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LPIBR(-1))		-0.327886		0.161387		-2.031676		0.0529
D(LPIBR(-1),2)		-0.245925		0.185123		-1.328446		0.1960
R-squared	0.282417		Mean dependent var		-0.001344
Adjusted R-squared	0.253713		S.D. dependent var		0.041284
S.E. of regression	0.035665		Akaike info criterion		-3.758124
Sum squared resid	0.031799		Schwarz criterion		-3.662136
Log likelihood	52.73468		Durbin-Watson stat		2.070859

Ø La production agricole

Null Hypothesis: D(LPIBA) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on AIC, MAXLAG=12)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-3.429709		0.0013
Test critical values:		1% level				-2.650145
		5% level				-1.953381
		10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIBA,2)
Method: Least Squares
Date: 09/14/09 Time: 18:00
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LPIBA(-1))		-0.635373		0.185256		-3.429709		0.0020
R-squared	0.302215		Mean dependent var		0.006221
Adjusted R-squared	0.302215		S.D. dependent var		0.149979
S.E. of regression	0.125283		Akaike info criterion		-1.281425
Sum squared resid	0.423786		Schwarz criterion		-1.233846
Log likelihood	18.93994		Durbin-Watson stat		2.060088

Ø La formation brute du capital fixe

Null Hypothesis: D(LFBCF) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on AIC, MAXLAG=3)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-4.392632		0.0001
Test critical values:		1% level				-2.650145
		5% level				-1.953381
		10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LFBCF,2)
Method: Least Squares
Date: 11/17/09 Time: 17:20
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LFBCF(-1))		-0.714037		0.162553		-4.392632		0.0002
R-squared	0.413826		Mean dependent var		-0.010219
Adjusted R-squared	0.413826		S.D. dependent var		0.146082
S.E. of regression	0.111844		Akaike info criterion		-1.508371
Sum squared resid	0.337742		Schwarz criterion		-1.460792
Log likelihood	22.11719		Durbin-Watson stat		2.100169

Ø Le trafic portuaire

Null Hypothesis: D(LTP,2) has a unit root
Exogenous: None
Lag Length: 3 (Automatic based on AIC, MAXLAG=11)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-6.543842		0.0000
Test critical values:		1% level				-2.664853
		5% level				-1.955681
		10% level				-1.608793
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTP,3)
Method: Least Squares
Date: 09/14/09 Time: 18:19
Sample (adjusted): 1985 2008
Included observations: 24 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LTP(-1),2)		-3.421849		0.522911		-6.543842		0.0000
D(LTP(-1),3)		1.696643		0.402218		4.218212		0.0004
D(LTP(-2),3)		1.133528		0.278238		4.073945		0.0006
D(LTP(-3),3)		0.584374		0.168455		3.469018		0.0024
R-squared	0.841527		Mean dependent var		-0.014919
Adjusted R-squared	0.817756		S.D. dependent var		0.279730
S.E. of regression	0.119417		Akaike info criterion		-1.261376
Sum squared resid	0.285209		Schwarz criterion		-1.065034
Log likelihood	19.13652		Durbin-Watson stat		2.237288
Ø Les recettes fiscales
Null Hypothesis: D(LR_F) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on AIC, MAXLAG=12)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-3.018083		0.0039
Test critical values:		1% level				-2.650145
		5% level				-1.953381
		10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LR_F,2)
Method: Least Squares
Date: 09/14/09 Time: 18:23
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LR_F(-1))		-0.505729		0.167566		-3.018083		0.0055
R-squared	0.252259		Mean dependent var		0.000239
Adjusted R-squared	0.252259		S.D. dependent var		0.166322
S.E. of regression	0.143822		Akaike info criterion		-1.005416
Sum squared resid	0.558491		Schwarz criterion		-0.957837
Log likelihood	15.07582		Durbin-Watson stat		2.119602

Ø L'importation

Null Hypothesis: D(LIMP) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on AIC, MAXLAG=3)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-4.779721		0.0000
Test critical values:		1% level				-2.650145
		5% level				-1.953381
		10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LIMP,2)
Method: Least Squares
Date: 09/25/09 Time: 22:15
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LIMP(-1))		-0.916262		0.191698		-4.779721		0.0001
R-squared	0.458328		Mean dependent var		-0.000512
Adjusted R-squared	0.458328		S.D. dependent var		0.370868
S.E. of regression	0.272953		Akaike info criterion		0.276027
Sum squared resid	2.011591		Schwarz criterion		0.323606
Log likelihood	-2.864378		Durbin-Watson stat		1.786920

Ø Le taux de change effectif réel

Null Hypothesis: D(TCER) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=7)
					t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic	-7.480322		0.0000
Test critical values:	1% level				-2.650145
	5% level				-1.953381
	10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TCER,2)
Method: Least Squares
Date: 09/30/09 Time: 14:38
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable	Coefficient		Std. Error		t-Statistic	Prob.
D(TCER(-1))	-1.349240		0.180372		-7.480322	0.0000
R-squared		0.674495		Mean dependent var			0.008762
Adjusted R-squared		0.674495		S.D. dependent var			0.962333
S.E. of regression		0.549040		Akaike info criterion			1.673770
Sum squared resid		8.139015		Schwarz criterion			1.721349
Log likelihood		-22.43278		Durbin-Watson stat			2.040946

Ø La population active

Null Hypothesis: LPA has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on AIC, MAXLAG=7)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-19.39079		0.0000
Test critical values:		1% level				-4.309824
		5% level				-3.574244
		10% level				-3.221728
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPA)
Method: Least Squares
Date: 10/29/09 Time: 12:20
Sample (adjusted): 1980 2008
Included observations: 29 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
LPA(-1)		-0.687414		0.035451		-19.39079		0.0000
C		9.736106		0.498971		19.51237		0.0000
@TREND(1979)		0.021185		0.001180		17.95054		0.0000
R-squared	0.945789		Mean dependent var		0.038775
Adjusted R-squared	0.941619		S.D. dependent var		0.031114
S.E. of regression	0.007518		Akaike info criterion		-6.845384
Sum squared resid	0.001469		Schwarz criterion		-6.703940
Log likelihood	102.2581		F-statistic		226.8041
Durbin-Watson stat	2.096730		Prob(F-statistic)		0.000000

Ø Le taux de change effectif réel

Null Hypothesis: D(TCEN) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=7)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-7.480322		0.0000
Test critical values:		1% level				-2.650145
		5% level				-1.953381
		10% level				-1.609798
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TCER,2)
Method: Least Squares
Date: 09/30/09 Time: 14:38
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(TCER(-1))		-1.349240		0.180372		-7.480322		0.0000
R-squared	0.674495		Mean dependent var		0.008762
Adjusted R-squared	0.674495		S.D. dependent var		0.962333
S.E. of regression	0.549040		Akaike info criterion		1.673770
Sum squared resid	8.139015		Schwarz criterion		1.721349
Log likelihood	-22.43278		Durbin-Watson stat		2.040946

Ø Résultats des tests de causalité de Granger

Pairwise Granger Causality Tests
Date: 09/18/09 Time: 14:55
Sample: 1979 2008
Lags: 3
Null Hypothesis:			Obs	F-Statistic		Probability
LR_F does not Granger Cause LTP			27	1.66985		0.20544
LTP does not Granger Cause LR_F	4.60111	0.01320
LPIBT does not Granger Cause LTP			27	0.93955		0.44010
LTP does not Granger Cause LPIBT	1.03413	0.39879
LPIBS does not Granger Cause LTP			27	0.63191		0.60300
LTP does not Granger Cause LPIBS	7.17474	0.00186
LPIBR does not Granger Cause LTP			27	2.25274		0.11351
LTP does not Granger Cause LPIBR	3.43676	0.03654
LPIBC does not Granger Cause LTP			27	0.89313		0.46181
LTP does not Granger Cause LPIBC	3.81817	0.02591
LPIBB does not Granger Cause LTP			16	0.62471		0.61680
LTP does not Granger Cause LPIBB	3.21570	0.07573

Ø Résidu issu de l'estimation des recettes fiscales

Null Hypothesis: RESID1 has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on AIC, MAXLAG=7)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-6.178257		0.0000
Test critical values:		1% level				-2.647120
		5% level				-1.952910
		10% level				-1.610011
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID1)
Method: Least Squares
Date: 11/17/09 Time: 00:02
Sample (adjusted): 1980 2008
Included observations: 29 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
RESID1(-1)		-1.146471		0.185565		-6.178257		0.0000
R-squared	0.576597		Mean dependent var		-0.001875
Adjusted R-squared	0.576597		S.D. dependent var		0.077564
S.E. of regression	0.050471		Akaike info criterion		-3.100980
Sum squared resid	0.071324		Schwarz criterion		-3.053832
Log likelihood	45.96421		Durbin-Watson stat		2.021411

Ø Le Pib nominal

Null Hypothesis: LPIBN has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 7 (Automatic based on AIC, MAXLAG=8)
						t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic	-4.485693		0.0091
Test critical values:		1% level				-4.440739
		5% level				-3.632896
		10% level				-3.254671
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIBN)
Method: Least Squares
Date: 11/17/09 Time: 23:29
Sample (adjusted): 1987 2008
Included observations: 22 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
LPIBN(-1)		-0.464411		0.103532		-4.485693		0.0007
C		2.495711		0.559471		4.460839		0.0008
@TREND(1979)		0.039991		0.008354		4.787122		0.0004
R-squared	0.842444		Mean dependent var		0.074754
Adjusted R-squared	0.724277		S.D. dependent var		0.084660
S.E. of regression	0.044454		Akaike info criterion		-3.085747
Sum squared resid	0.023714		Schwarz criterion		-2.589819
Log likelihood	43.94322		F-statistic		7.129256
Durbin-Watson stat	2.467529		Prob(F-statistic)		0.001249

Annexe 3 : Résultats des tests de cointégration

Ø Estimation du modèle des recettes fiscales

Date: 10/16/09 Time: 18:26
Sample (adjusted): 1980 2004
Included observations: 25 after adjustments
Trend assumption: Linear deterministic trend
Series: LR_F LTP LPIBR LIMP TCEN
Lags interval (in first differences): No lags
Unrestricted Cointegration Rank Test (Trace)
Hypothesized				Trace		0.05
No. of CE(s)		Eigenvalue		Statistic		Critical Value	Prob.**
None *		0.714091		75.50690		69.81889	0.0164
At most 1		0.587772		44.20483		47.85613	0.1057
At most 2		0.423727		22.05037		29.79707	0.2957
At most 3		0.268914		8.271032		15.49471	0.4369
At most 4		0.017463		0.440443		3.841466	0.5069
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Ø Estimation du modèle de la croissance

Date: 10/16/09 Time: 17:54
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments
Trend assumption: Linear deterministic trend
Series: LPIBR LFBCF LTP
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized				Trace		0.05
No. of CE(s)		Eigenvalue		Statistic		Critical Value	Prob.**
None		0.469688		24.81179		29.79707	0.1683
At most 1		0.222633		7.051687		15.49471	0.5716
At most 2		2.96E-06		8.30E-05		3.841466	0.9936
Trace test indicates no cointegration at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Annexe 4 : Résultats de l'estimation du modèle MCE

Ø La croissance économique

Dependent Variable: LPIBR
Method: Least Squares
Date: 10/26/09 Time: 09:59
Sample: 1979 2008
Included observations: 30
Variable		Coefficient		Std. Error		t-Statistic		Prob.
LTP		0.184806		0.025700		7.190778		0.0000
LFBCF		0.398842		0.044767		8.909229		0.0000
D84		0.272880		0.030954		8.815612		0.0000
C		14.16794		0.824986		17.17356		0.0000
R-squared	0.988646		Mean dependent var		27.12710
Adjusted R-squared	0.987336		S.D. dependent var		0.329690
S.E. of regression	0.037101		Akaike info criterion		-3.626770
Sum squared resid	0.035789		Schwarz criterion		-3.439944
Log likelihood	58.40155		F-statistic		754.6618
Durbin-Watson stat	1.259388		Prob(F-statistic)		0.000000

Ø Test de validité du modèle

White Heteroskedasticity Test:
F-statistic	0.823158		Probability		0.545462
Obs*R-squared	4.391612		Probability		0.494515
Breusch-Godfrey Serial Correlation LM Test:
F-statistic	2.137740		Probability		0.139835
Obs*R-squared	4.536241		Probability		0.103507

Ø Les recettes fiscales (modèle de long terme)

Dependent Variable: LR_F
Method: Least Squares
Date: 11/05/09 Time: 10:30
Sample: 1979 2008
Included observations: 30
Variable		Coefficient		Std. Error		t-Statistic		Prob.
LPIBN		0.959664		0.118847		8.074790		0.0000
LTP		0.384924		0.053602		7.181089		0.0000
TCEN		-0.012279		0.013460		-0.912265		0.3707
LIMP		0.141162		0.048906		2.886430		0.0081
C		-11.09674		1.126166		-9.853550		0.0000
D84		-0.090842		0.033096		-2.744775		0.0113
R-squared	0.997301		Mean dependent var		4.585839
Adjusted R-squared	0.996739		S.D. dependent var		0.974134
S.E. of regression	0.055632		Akaike info criterion		-2.763265
Sum squared resid	0.074278		Schwarz criterion		-2.483026
Log likelihood	47.44898		F-statistic		1773.556
Durbin-Watson stat	2.269260		Prob(F-statistic)		0.000000

Ø Test de validité du modèle de long terme

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	0.283637		Probability		0.755752
Obs*R-squared	0.754110		Probability		0.685878
White Heteroskedasticity Test:
F-statistic	1.805421		Probability		0.129976
Obs*R-squared	13.44772		Probability		0.143371

Ø Les recettes fiscales (Modèle de court terme)

Dependent Variable: D(LR_F)
Method: Least Squares
Date: 11/10/09 Time: 12:37
Sample (adjusted): 1980 2008
Included observations: 29 after adjustments
Variable		Coefficient		Std. Error		t-Statistic		Prob.
D(LTP)		0.296436		0.138884		2.134421		0.0432
RESID1 (-1)		-0.926597		0.320500		-2.891099		0.0080
D(LIMP)		0.267227		0.064754		4.126842		0.0004
D(TCEN)		0.001180		0.015693		0.075179		0.9407
D84		0.060990		0.022737		2.682342		0.0130
R-squared	0.635730		Mean dependent var		0.098426
Adjusted R-squared	0.575019		S.D. dependent var		0.130173
S.E. of regression	0.084860		Akaike info criterion		-1.940031
Sum squared resid	0.172831		Schwarz criterion		-1.704290
Log likelihood	33.13045		Durbin-Watson stat		1.727110

Ø Resultats des tests de validités du modèle de court terme

White Heteroskedasticity Test:
F-statistic	0.829719		Probability		0.597762
Obs*R-squared	8.181992		Probability		0.515915
Breusch-Godfrey Serial Correlation LM Test:
F-statistic	0.293353		Probability		0.748630
Obs*R-squared	0.737057		Probability		0.691751

* 16 ^_ Résultat du test de Granger- Engel.

* 17 ^_ Significativement différent de zéro au seuil statistique de 5%.