Effets du changement climatique sur la dynamique des prix des produits agricoles en République du Congo

1- Résultats de l'estimation

La méthode de Cointégration en système VECM « Modèle vectoriel à correction d'erreur » permet l'estimation des modèles à correction d'erreur avec plusieurs vecteurs de Cointégration. Ceci diffère de la méthode à deux étapes d'Engel et Granger qui estime seulement une relation de Cointégration à la fois. Le VECM présente un avantage dans la capacité de capturer une structure et les interactions dynamiques riches. Il permet de corriger la Cointégration des variables à l'infini afin de faire une régression. En effet, l'utilisation de cette méthode est justifiée dans la mesure où il existe plusieurs relations de Cointégrations. Ce modèle est le mieux adapté parce qu'il permet une meilleure interprétation économétrique des variables.

Les résultats issus de l'estimation du modèle se répartissent comme suit: Les résultats relatifs à l'estimation du modèle à long terme, les résultats de la vitesse d'ajustement vers la cible à long terme (la force de rappelle) et enfin, les résultats de l'estimation du modèle à court terme.

Les résultats de l'estimation du VECM sont présentés dans les tableaux ci-dessous:

Le tableau 6, présente les estimations du modèle à long terme des différentes variables de l'étude.

Tableau 6: Modèle à long terme

Iprix	Precip	Precip^2	Temp	Temp^2	Vaag	Constante
1,000000	-2,679668	0,002048	-2727,179	0,278175	-2.780704	128.6034
	(0,004103)	(0,00052)	(1033,13)	(0,10789)	(0,004705)
	[ -3,21263]	[3,92154]	[ -2,63972]	[2,57842]	[-0.60257]

Source : Auteur extrait à partir d'Eviews9

Le tableau 7, présente les estimations du modèle à court terme des différentes variables de l'étude.

Tableau 7 : Modèle à court Terme

Iprix	Precip	Precip^2	Temp	Temp^2	Vaag	Constante
-0,780030	-0,617115	0,000430	-930,9256	2,340749	14,97171	15,08330
	[-1,17933]	[ 1,17756]	[-1,47262]	[ 0,24588]	[ 2,01072]	[ 1,31303]

Source : Auteur extrait à partir d'Eviews9

Le tableau 8 nous présente, après estimation du modèle les résultats de la vitesse d'ajustement des différentes variables.

Tableau 8 : Vitesse d'ajustement

Iprix	Precip	Precip^2	Temp	Temp^2	Vaag
-0,130587	-2,152342	3918,950	-0,000387	0,026921	-0,001147
(0,21319)	(0,00258)	(1513,30)	(0,00378)	(0,19343)	(0,00546)
[ -1,42122]	[ -2,10898]	[ 2,58968]	[ -0,10243]	[ 0,13917]	[ -0,21033]

Source : Auteur extrait à partir d'Eviews9

Le tableau 9 nous présente le R-carré du modèle.

Tableau 9. R-carré

R-squared		0,654411	0,654273	0,668273		0,868402	0,692011	0,766803
Adj. R-squared		0,390136	0,389893	0,414599		0,767768	0,456490	0,588476
Sum sq. resids		9000,648	206253,4	4,53E+11		2,829526	7409,303	5,898515
S.E. equation		23,00978	110,1479	163328,5		0,407974	20,87681	0,589043
F-statistic		2,476256	2,474749	2,634379		8,629331	2,938213	4,299981
Log likelihood		-131,8886	-180,4316	-406,7842		-6,881985	-128,8729	-18,26815
Akaike AIC		9,412167	12.54398	27,14737		1,347225	9,217607	2,081816
Schwarz SC		10,05977	13,19158	27,79497		1,994832	9,865214	2,729423
Mean dependent		0,220968	-0,684096	-1145,891		0,007502	1,315857	0,022414
S.D. dependent		29,46429	141,0176	213469,2		0,846587	28,31786	0,918225
Determinant resid covariance (dof adj.)			9,11E+10
Déterminant resid covariance			2,48E+09
Log likelihood			-599,2039
Akaike information criterion			44,46477
Schwarz criterion			48,62796
Number of coefficients			90

Source : Auteur extrait à partir d'Eviews9

Après estimation du modèle, la lecture du tableau 8 présente une force de rappel de -0,130587et une valeur absolue de la statistique de Student de 1,42122. Cela nous permet de confirmer l'existence d'une relation d'ajustement vers la cible à long terme.

De plus, le tableau 9 montre que le coefficient de détermination R² s'élève à hauteur de 65,44%. Cela montre que les variables explicatives retenues dans le cadre de ce travail, expliquent bien le prix des produits agricoles. Ce résultat nous autorise à valider le modèle vectoriel à correction d'erreur.

Enfin, la lecture du tableau 10 (voir annexe) montre que les résultats du test d'auto corrélation des résidus par le corrélogramme des résidus, et les statistiques de Box-Pierce confirment l'absence d'auto corrélation des résidus. Car tous les termes de fonctions d'auto corrélation (simple et partielle) sont tous situés à l'intervalle de confiance matérialisé par les traits verticaux et ne sont pas significativement différent de zéro.

Aussi, la probabilité du test pour h=16 (0,173)est supérieure à 5%. Par conséquent, le résidu est un bruit blanc. Ce qui justifie et confirme la validation de l'application du modèle vectoriel à correction d'erreur (VECM). Ainsi, nous pouvons donc procédé à l'analyse et interprétation des résultats.