Capital humain et croissance économique en RDC de 1970-2021

Conclusion partielle

Le chapitre avait pour objectif de présenter les évolutions du capital humain et de la croissance économique, en utilisant des données en séries temporelles. Ainsi, il en découle de notre analyse qu'au regarde de l'indice de capital humain et du produit intérieur brut par habitant de manière globale que la RDC aconnu des décennies de conflits, d'instabilité et de fragilité qui sont expliquées par plusieurs facteurs notamment, la guerre, la corruption généralisée, la mauvaise gestion publique, l'insécurité etc. Le pays a toutefois réussi à améliorer son capital humain et son niveau d'investissement, ce qui lui a permis de préserver un certain potentiel de développement.

A présent nous avons vu la description des différentes évolutions du capital humain et de la croissance économique qui nous ont permis de voir certains faits marquants qui ont eu de l'influence sur le capital humain et la croissance économiquependant la période de l'étude, le prochain chapitre porte sur le modèle économétrique utilisé afin d'estimer l'effet du capital sur la croissance économique en RDC.

CHAPITRE 3 : MODELISATION ECONOMETRIQUE UTILISEE

Le présent chapitre a pour objectif deprésenter l'approche économétrique à laquelle le travail a recouru pour atteindre l'objectif principal. Il comporte deux sections : la première présente le modèle ARDL, tandis que la deuxième décrit les variables utilisées dans ces modèles.

Section 1 : Présentation du modèle ARDL et spécification des modèles

A ce niveau, nous construisons un modèle ARDL (AutoregressiveDistributedLag) pour vérifier empiriquement la relation entre le capital humain et la croissance économique. Nous spécifions donc un modèle qui permet de saisir l'impact du capital humainsur la croissance économique. Ceci dans le but d'atteindre les objectifs spécifiques exposés dans l'introduction générale.

M'Amanja et Morrissey (2005), Akpan (2011), ainsi que Govindaraju et al. (2011) ont également recouru à cette approche économétrique moderne, respectivement pour les cas du Kenya, du Nigéria et de la Malaisie. La forme générale du modèle qui est appliqué dans cette étude est la suivante :

Y_t = a₁ +...+ + +...+ +et

(1)

Dans ce modèle nous avons une partie où la variable dépendante est expliquée par ses propres valeurs décalées. Un tel modèle est appelé modèle autorégressif (AR) dont voici la forme générale :

Y_t = a₁ +...+ +

... (2)

Et une autre partie où la variable endogène est expliquée par la variable (X_t) et leurs valeurs décalées dans le temps . Il s'agit ici des modèles à retards échelonnés (DL) et qui peuvent s'écrire :

Y_t = + +...+ +zt

Y_t = +

Où «   » traduit l'effet à court terme de X_t sur Y_t. Ce faisant ; l'effet à long terme de X_t sur Y_t « soit  ?» sera obtenu en partant de la relation de long terme suivant :

Yt = k+ X_t+u

Ainsi, nous écrirons :

=?????/ (1 - ?????)

Il sied de préciser, comme l'a montré Kibala (2018) que ces genres de modèles dynamiques sont souvent butés à des problèmes d'autocorrélation des erreurs dû à la présence de la variable endogène décalée comme variable explicative à cause de la partie AR du modèle et de multi-colinéarité dû au choix des variables exogènes contenues la partie DL du modèle.

Le modèle de la forme fonctionnelle que nous allons estimer, va nous permettre de saisir l'effet du capital humain sur la dynamique de la croissance.

Dans le cadre de ce modèle, il est estimé la fonction suivante :

lpibhab= f (lich, lfbcf, lapd)(4)

La représentation ARDL de cette fonction qui va nous permettre de saisir les effets de court et ceux de long terme des variables explicatives ci-dessus sera :

??Lpibhab_t = ??₀+ Ó??_1ip_i= 1 ??Lpibhab_t-i + Ó??_2iq_i = 0??Lich_t-i + Ó??_3i??_i = 0??Lfbcf_t-i + Ó??_4i??_i = 0??Lapd_t-i + b₁Lpibhab_t-1 + b₂Lich_t-1 + b₃Lfbcf_t-1 + b₄Lapd_t-1 + e_t(5)

?? est l'opérateur de différence première ; ??₀ est la constante ; ??₁...??₄ sont des effets à court terme ; b₁......b₄la dynamique de long terme du modèle ; e_t~ iid (0, ??) terme d'erreur (bruit blanc).

Les modèles dynamiques posent un problème sur le niveau de décalages. Ce faisant, pour palier à ce problème, nous allons nous servir des critères d'information (Akaike-AIC, Shwarz-SIC et Hannan-Quin) pour déterminer les décalages optimaux (p,q) du modèle ARDL.

L'application d'un modèle ARDL écrit ci-dessus suppose que les variables soient Co- intégrées, cette relation de cointégration conditionne l'estimation des coefficients de long terme de ces variables. La littérature économétrique fournit plusieurs tests de cointégration dont celui de Engel et Granger (1987), celui de Johansen (1988,1991), Johansen et Juselius (1990), celui de Pesaran et al. (1996), Pesaran et Shin (1995) et pesaran et al. (2001). Le test de cointégration de Engel et Granger (1991) fondé sur la modélisation à correction d'erreur, n'est applicable que pour deux variables intégrées de même ordre (soit ordre d'integration =1), il est donc moins efficace pour le cas multivarié. Bien que le test de Johansen pallie à ce souci, il est utilisé pour le cas mutivariés pour les variables intégrées de même ordre, soit d'ordre d'intégration égale à l'unité (1) ; il est fondé sur la modélisation vectorielle à correction d'erreur (VECM), il est ainsi moins efficace pour les variables intégrées d'ordre différent.

Dans le cadre de cette étude, nous allons recourir au test de cointégrationPesaran et al. (2001) appelé « test de cointégration aux bornes » ou « bounds test to coingration », ce test est applicable pour le cas multivarié, et pour les variables intégrées d'ordre différent (soit ordre d'intégration =0 et 1). (Kibala, 2018).

Avant d'en arriver là, nous avons testé l'ordre d'intégration de nos variables pour pouvoir valider l'estimation du modèle ARDL. Dans le cadre de ce travail, nous recourons aux tests de la racine unitaire développés par Dickey et Fuller ainsi que Andrews et Zivot (AZ) en vue de déterminer l'ordre d'intégration de nos séries temporelles.

Pour déterminer si une série chronologique comporte une racine unitaire, Dickey et Fuller (1981) proposent l'estimation par les MCO des modèles suivants :

(6)
(7)
(8)

Où ? désigne l'opérateur de différence, X_t la série dont on teste la stationnarité, å_t le terme d'erreur et è ainsi que ?_j les paramètres à estimer. La valeur de p est déterminée en minimisant l'un des critères d'information, notamment le critère bayésien de Schwarz (1978), en vertu du principe de parcimonie.

Tout d'abord, on mène le test classique de Student sur le coefficient b dans le modèle

En cas de rejet de l'hypothèse nulle, on conclut que le processus est non-stationnaire car la tendance linéaire dans le modèle est déterministe. Le processus {X_t} est donc un processus TS (Trend Stationnary). La méthode appropriée de stationnarisation dans ce cas est l'écart à la tendance. Il sera question pour ce faire de régresser X_t sur le temps, i.e. , puis récupérer la série des résidus de cette régression, i.e. , laquelle sera stationnaire.

Par contre, si l'hypothèse nulle n'est pas rejetée, alors la tendance n'est pas significative. Il y a donc lieu de la retirer du modèle, ce qui nous permet de basculer au modèle. Dès lors, on mène encore le test classique de Student mais sur le coefficient c cette fois-ci :

Si l'on rejette l'hypothèse nulle, alors le processus admet une dérive (drift, en anglais) car la constante dans le modèle est significative. Alternativement, le non-rejet de l'hypothèse nulle signifie que le processus est sans drift, le terme constant étant statistiquement non significatif. Ainsi, le retrait de la constante nous permettra de passer au modèle.

Il s'agira maintenant de comparer la statistique empirique du test (ADF, AugmentedDickey-Fuller) à la statistique théorique de MacKinnon (VCM, Valeur Critique de MacKinnon). Si ADF < VCM, alors on ne rejette pas l'hypothèse nulle : le processus {X_t} contient donc une racine unitaire, i.e. le processus est non-stationnaire.

Alternativement, si ADF > VCM, alors on rejette l'hypothèse nulle : le processus {X_t} ne contient pas donc une racine unitaire, i.e. le processus est stationnaire.

Le test d'Andrews et Zivot (AZ), quant à lui, poursuit le même objectif que le test Dickey-Fuller présenté ci-dessus, à savoir la détermination de l'ordre d'intégration d'une série temporelle ainsi que la bonne méthode de stationnarisation pour une série qui accuse une rupture de structure ou un changement de régime identifié de façon endogène.

Cependant, à l'issue de ces différents tests de stationnarité, rien ne garantit que les variables du modèle seront toutes à la fois stationnaires en niveau ou intégrées du même ordre, étant donné leur nombre élevé. Face à cela, il sied de les différencier autant de fois jusqu'à ce qu'elles deviennent stationnaires. Or, l'application du filtre aux différences à une série temporelle fait perdre d'importantes informations en niveau pourtant indispensables dans l'explication de la dynamique de cette série (Gebhard - Wolters, 2007). En d'autres termes, la stationnarisation par la différenciation retranche à la série de départ ses propriétés de long terme, la nouvelle série ne captant désormais que la dynamique de court terme. Pour pallier à ce sérieux obstacle, il sera utile d'estimer un modèle à correction d'erreurs (MCE) pour pouvoir prendre en compte la dynamique de long terme. Avec cette 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. Dans le cadre de notre étude ces modèles auront les formes suivantes :

??LPibhab_t = á₀ + Ó??_1ip_i =1 ??LPibhab_t-i + Ó??_2iq_i = 0??Lich_t-i + Ó??_3iq_i = 0??Lfbcf_t-i + Ó??_4iq_i = 0??Lapd_t-i + ?u_t-1 + e_t (9)

Cette relation fera l'objet d'estimations. Cependant, nous allons avant tout :

v déterminer le degré d'intégration des valeurs (test de stationnarité) : le test d'Andrews et Zivot (AZ)

v tester l'éventuelle existence d'une relation de coïntégration entre les variables : test de Pesaran et al. (2001) ou le test de cointegration aux bornes.

Il y a deux étapes pour appliquer le test de test de coïntégration aux bornes dans un modèle ARDL « approach to cointegrating »

v Premièrement, il faut déterminer le décalage optimal (AIC, SIC HQ) ;

v Deuxièmement, implémenter le test de Fisher pour vérifier les hypothèses suivantes :

(i) : = Existence de la relation de cointégration

(ii) : = Absence d'une relation de cointégration

La procédure du test est telle que l'on devra comparer les valeurs de Fisher obtenues aux valeurs critiques (bornes) simulées pour plusieurs cas et différents seuils par Pesaran et al. L'on notera des valeurs critiques que la borne supérieure (2^ème ensemble) reprend les valeurs pour lesquelles les variables sont intégrées d'ordre 1 I(1) et la borne inférieure (1^er ensemble) concernent les variables I(0).

Si Fisher > borne supérieure : Cointégration existe

Si Fisher < borne inférieure : Cointégration n'existe pas

Si borne < Fisher < borne supérieure : pas de conclusion

Nous venons de présenter le modèle économétrique utilisé dans le cadre de ce travail. Dans la section suivante, nous décrirons les variables qui ont été retenues pour la vérification empirique dans le cas spécifique de l'économie congolaise.