|
Etude de la participation du port de Cotonou à l'essor économique du Bénin( Télécharger le fichier original )par HOUNSINOU Carlos et AMOUSSA Roukayath Ecole Nationale d'Economie Appliquée et de Management ENEAM - Diplome de Technicien Supérieur 2009 |
CHAPITRE IIPRESENTATION ET ANALYSE DES RELATIONS ENTRE LES ACTIVITES PORTUAIRES, CROISSANCE ECONOMIQUE ET RECETTES FISCALES SECTION 1 : PRESENTATION DES RESULTATS D'ESTIMATIONOn ne saurait débuter cette section sans avoir fait au préalable les tests préalablement cités dans la section précédente. Les détails de toute la méthodologie sont en annexe 1. Présentation des résultats du test de stationnarité 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). Il faut bien noter que le test d'ADF a été mené en tenant compte des trois modèles suivants : 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 : . Les détails de la méthodologie sont en annexe 1. Tableau 2 : Synthèse des résultats du test de stationnarité
Source : Nos calculs sur la base de nos données (détails des tests en annexe 3) NB : Lx est le logarithme népérien de la variable x. D'après le test de stationnarité, la variable LPA est stationnaire à niveau contrairement aux autres variables qui sont intégrées d'ordre 1. Présentation des résultats du test de cointégration sur les séries: Test de Johansen Engle 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'analyse des résultats du test de la trace sur les variables intégrées de même ordre à savoir : LR_F, LTP, LPIBR et LIMP révèle que la statistique de Johansen relative à la première valeur de la trace est supérieure à la valeur critique au seuil de 5% (75.50690> 69.81889) ; on rejette donc l'hypothèse nulle d'absence de cointégration (R=0) au seuil de 5%. Par contre, on accepte l'hypothèse (R=1) selon laquelle il existe au plus une relation de cointégration entre les différentes variables. (Voir résultats en annexe 4). Paragraphe 1 : ESTIMATION DE LA RELATION ACTVITE PORTUAIRE - CROISSANCE ECONOMIQUE ET PRESENTATION DES RESULTATS Il s'agira ici d'estimer le modèle de la croissance économique en fonction du trafic portuaire puis de présenter les résultats relatifs aux différents tests y afférents. 1.1 Estimation de la croissance économique (PIBR) A la lumière du cadre de référence et de la théorie économique, la formulation du modèle part nécessairement d'une fonction de production de type Cobb Douglas qui exprime la production en fonction du volume de travail et du capital. PIB = Avec PIB = Produit Intérieur Brut ; K = capital, L = travail et A= facteurs technologie ( sont les élasticités de la production aux différents facteurs de production). = 1. Mais dans notre étude, nous ne tiendrons pas compte de cette contrainte. En effet, les variables utilisées dans notre modèle sont loin d'expliquer à elles seules la formation du PIB. Pour étudier l'impact de l'activité portuaire sur le PIB, il a été retenu les variables FBCF et TP qui sont des variables qui peuvent agir sur le facteur de technologie. La variable FBCF a été choisie pour son influence reconnue sur la production de toute économie et le trafic portuaire compte tenu des objectifs du modèle. Il devrait alors ressortir des résultats une corrélation positive entre le revenu et les deux variables choisies. Le modèle originel se présente comme suit : LPIBRt = C + LTPt + LFBCFt Avec L la fonction logarithme. Les résultats du test de cointégration sur les séries étudiées révèlent qu'il n'y a pas cointégration entre ces séries (voir annexe 3). 1.1.1 Présentation des résultats d'estimation Tableau 3: Résultats de l'estimation du modèle.
Source : Nos calculs sur la base de nos données (détails des tests en annexe 3) L'équation se présente donc comme suit :
LPIBRt = 14.16794255 + 0.1848057285*LTPt + 0.3988416602*LFBCFt +
0.2728797603*D84 + Avec ~>BB (Bruit Blanc) et la variable dummy D84 marque la détérioration des termes de l'échanges avec le Nigéria. 1.1.2 Validation statistique du modèle La validation statistique du modèle passe par l'analyse de la significativité des coefficients et de la qualité des résidus. Ø Test de Student Toutes les variables explicatives du modèle sont significatives. Ø Test de normalité des résidus Ici on applique le test de normalité de Jarque-Bera dont l'hypothèse nulle est celle de normalité des résidus. La règle de décision consiste à accepter cette hypothèse si la statistique de Jarque-Bera est inférieure au seuil de normalité qui est de 5.99. Ici, Jarque-Bera = 2.0806 ; par suite, les résidus sont normaux. (En effet, JB <5,99). Cela s'illustre plus aisément en annexe 4. Ø Test de Fisher Pour étudier la significativité globale du modèle, on appliquera le test de Fisher. Ce test permet de voir si au moins une des variables explicatives du modèle explique la croissance économique. Le modèle est globalement significatif puisque la probabilité de Fisher (0.00000) obtenue est inférieure à 5%. De plus R-squared = 0.98, ainsi les variables explicatives utilisées expliquent bien la variable à expliquer. Ø Test d'autocorrélation des erreurs Pour ce faire, on applique le test de Durbin-Watson dont les hypothèses sont : La statistique de Durbin - Watson DW=1.259388. On ne peut donc pas conclure de l'autocorrelation des erreurs. On applique le LM-test (test de Breush Godfrey) pour confirmer si les erreurs sont non-autocorrelées. La probabilité est supérieure à 5%, (la probabilité est égale à 0.139835) alors les résidus sont non autocorrélés (voir résultat en annexe 4). Ø Test d'hétéroscédasticité des erreurs : Pour étudier l'hétéroscédasticité des résidus, on applique le test de White dont les hypothèses sont les suivantes : Il s'agira aussi d'accepter l'hypothèse nulle Ho (hypothèse d'homoscédasticité) si la probabilité est supérieure à 5%. La probabilité est égale à 0.545462 (voir annexe3). Les résidus sont homoscédastiques. Ø Test de stabilité : Pour étudier la stabilité du modèle, on applique le test de Cusum qui permet de détecter les instabilités structurelles. L'application du test de Cusum montre que la courbe ne coupe pas le corridor, alors le modèle est structurellement stable (voir annexe 4). Paragraphe 2 : ESTIMATION DE LA RELATION ACTIVITE PORTUAIRE- RECETTES FISCALES ET PRESENTATION DES RESULTATS Il s'agira ici d'estimer le modèle des recettes fiscales en fonction du trafic portuaire puis de présenter les résultats relatifs aux différents tests y afférents. 2.1 Présentation du modèle à correction d'erreur (MCE) Lorsque des séries sont non stationnaires et cointégrées, il convient d'estimer leurs relations à travers 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 âi (i = {0, 1}) les élasticités. Le test de Granger- Engel n'étant pas suffisant 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 statique13(*) entre Y et X. 2.2 Estimation des recettes fiscales (R_F) 2.2.1 Test de Engel-Granger La synthèse du test de racine unitaire sur le résidu est présentée dans le tableau suivant: Tableau 4: Résultats du test d'ADF sur le résidu
Source : Nos calculs sur la base de nos données (détails des tests en annexe 2) Le test a révélé l'absence de racine unitaire dans la série des résidus. La probabilité associée à la statistique de Dickey-Fuller étant inférieure à 5%, on conclut que le résidu de la relation de long terme est donc stationnaire. Il y a bien cointégration entre les variables du modèle. 2.2.2 Présentation des résultats d'estimation L'hypothèse de risque de cointégration a été mise en évidence dans le paragraphe précédent. Nous appliquerons donc la méthode de Engel-Granger mentionnée dans la méthodologie pour estimer le modèle à correction d'erreur. Ø Estimation de la relation de long terme L'estimation du modèle nous donne les résultats suivants obtenus à partir du logiciel Eviews (version 5). On obtient les résultats suivants : Tableau 5 : Résultats de l'estimation du modèle de long terme
Source : Nos calculs sur la base de nos données (détails des tests en annexe 4) L'équation de long terme se présente donc comme suit : LR_Ft = - 11.09673762 + 0.3849242136*LTPt + 0.9596636369*LPIBNt + 0.1411623906*LIMPt - 0.01227874603*TCENt - 0.09084192905*D84 +
Avec ~>BB (Bruit Blanc) et PIBN, la croissance économique qui est ici la production intérieure brute nominale, IMP l'importation, TCEN le taux de change effectif nominale et TP, le trafic portuaire. Le variable indicatrice dummy (D84) désigne la détérioration des termes de l'échange entre le Bénin et le Nigéria. Ø Validation statistique du modèle de long terme : La validation statistique du modèle passe par l'analyse de la significativité des coefficients et de la qualité des résidus. De plus R-squared = 0.99, ainsi les variables explicatives utilisées expliquent bien la variable à expliquer. Tableau 6 : résultats des tests de validité du modèle de long terme
Source : Nos calculs sur la base de nos données (détails des tests en annexe 3 et 4) Le modèle de long terme est globalement significatif puisque la probabilité de Fisher (0.00000 dans le long terme) obtenue est inférieure à 5%. Les p-value des variables LR_F, TCEN, LPIBN et LTP sont inférieures à 5%, donc ces variables sont significatives au seuil de 5% par opposition à la variable TCEN qui est supérieur à 5%. Ici, la statistique de Jarque-Bera est égale à 1,609781. Les résidus du modèle sont donc normaux. Cela s'illustre plus aisément par le graphe en annexe 4. Pour le test d'hétéroscédasticité de White, la probabilité est égale à 0.129976 (voir annexe 3). Les résidus sont homoscédastiques. La statistique de Durbin Watson DW est égale à 2.269260, On peut donc conclure de l'autocorrélation des résidus. L'application du test de Breush-Godfrey à l'ordre 2 nous donne une probabilité de 0.755752>0.05 ce qui confirme qu'il y a non autocorrélation des erreurs. L'application du test de Cusum montre que la courbe ne coupe pas le corridor, alors le modèle est structurellement stable (voir annexe 4). Le résidu issu de ce modèle (résidu) est stationnaire, on peut alors l'intégrer dans la dynamique de court terme tout en le retardant d'une année. Ø Estimation de la relation de court terme Tableau 7: Résultats de l'estimation du modèle de court terme
Source : Nos calculs sur la base de nos données (détails des tests en annexe 4) La relation de court terme se présente comme suit : D (LR_Ft) = 0.296436*D (LTPt) + 0.001180*D (TCENt) + 0.267227*D (LIMPt) -0.926597*résid1 (-1) + 0.060990*D84 + Avec ~>BB (Bruit Blanc). Les variables D(LR_F), D(LTP) D(TCEN) et D(LIMP), sont les différences premières respectives des variables LR_F, LTP, TCEN et LIMP. Ø Validation statistique du modèle de court terme Dans le modèle de court terme, R-squared = 0.63, ainsi les variables explicatives utilisées expliquent la variable à expliquer. Tableau 8 : résultats des tests de validité du modèle de court terme.
Source : Nos calculs sur la base de nos données (détails des tests en annexe 3 et 4) Dans le modèle de court terme, JB = 4,1963; les résidus sont donc normaux. (En effet, JB <5,99).La probabilité est égale à 0.597762 (voir annexe 4). Les résidus sont homoscédastiques. L'application du test de Breush-Godfrey à l'ordre 2 nous donne une probabilité égale 0.748630 > 5% (voir annexe 4) donc on conclut qu'il y a non auto corrélation. L'application du test de Cusum montre que la courbe ne coupe pas le corridor, alors le modèle est structurellement stable (voir annexe 4). Le coefficient (force de rappel à l'équilibre) de la variable résid1 (-1) est bien significativement négatif, la représentation à correction d'erreur est alors valide. SECTION 2 : INTERPRETATION DES RESULTATS ET VERIFICATION DES HYPOTHESES * 13 _ Résultat du test de Granger- Engel. |
|
