Proposition d'une méthode d'évaluation du capital humain : cas de la filière riz pour le district de Mandoto et de Betafo

2.2.2 Nombre moyen d'années de scolarité versus score moyen en mathématiques et sciences (Hanushek et Kimko, 2000)

Hanushek et Kimko (2000) mesurent directement le capital humain à partir des données d'enquête sur les connaissances en mathématiques et en sciences dans 31 pays. Il s'agit d'une combinaison de données sur des évaluations internationales des réels acquis en mathématiques et sciences entrepris par l'IAEP (International Assessment of Educational Progress) et l'IEA (International Association of Education Achievement).

(1) Présentation des modèles

Le fond de la spécification du modèle reste dans le cadre de la théorie du capital humain : le stock et la variation du capital humain ont des influences significatives sur le niveau de croissance économique (H3.2). Se référant à la méthodologie que nous avons abordée dans le premier chapitre^38(*), il s'agit d'une approche fonction de production. Pour tester et évaluer la contribution du capital humain, les auteurs retiennent comme facteurs expliquant la croissance économique :

- Une constante ;

- Y60 : le revenu national en 1960 (en millier de $), pour tenir compte de la convergence vers l'état stationnaire ;

- S : le nombre moyen d'années de scolarité, mesure du capital humain ;

- GPOP : taux de croissance moyen de la population ;

- QL1 et QL2 : mesures des scores des tests

Pour évaluer la robustesse de la mesure du capital humain par S, les auteurs estiment six modèles à partir de la combinaison de ces variables explicatives.

La variable dépendante est le taux de croissance économique (GDP) et les modèles sont de type additif.

(2) Conclusions

Les auteurs ont conclu à partir de l'estimation de ces modèles que le niveau d'éducation est sensible et reflète mal le capital humain car celui-ci tend à perdre sa significativité face à d'autres mesures. En effet, comme nous pouvons le constater dans le Tableau 1, la considération des scores de test fait perdre la significativité de S (valeur erreur standard) et améliore les modèles en augmentant leur capacité à expliquer la croissance économique (voir colonne (1), (2) et (3)). De plus, par rapport à QL1 et QL2, S est sensible à l'introduction d'une nouvelle variable explicative (GPOP). A cet effet, il varie de 5 points de pourcentage alors que par exemple, QL1 ne varient que de 1 point de pourcentage (voir colonne (4) VS (1) et (5) VS (2)).

Tableau 1. Années d'études VS Acquis en mathématiques et Sciences ; Hanushek et Kimko, 2000

Source: Hanushed & Kimko, Dec 2000, 1190

* ³⁸ Voir Méthodologie, 1.2.2 , P. 9