Financement de l'investissement public par emprunt

Section 1 : Processus d'estimation

L'analyse économétrique d'un phénomène économique impose une certaine discipline dans la démarche à suivre. De ce point de vue, après avoir collecté les données, il convient de les analyser afin d'éviter des régressions fallacieuses.

1.1. Analyse des données

Les tests économétriques s'appuient sur des séries macroéconomiques annuelles. Nous utilisons la base de données de la Banque mondiale (Cdroom, World Bank Indicators, 2007), des annexes des rapports de la BAD (2009) et de la BEAC (2009). La période couverte est de 20 ans (1990-2009). Les séries sont exprimées en milliards de franc CFA.

L'analyse des données dans une démarche économétrique passe nécessairement par des tests préliminaires (TODA, 1995). Il s'agit pour l'essentiel des tests de racine unitaire et de cointégration. Notre désir de mettre en évidence la relation causale entre l'emprunt et l'investissement public oriente notre choix vers le test de cointégration.

Le test de cointégration de JOHANSEN (1988) permet de vérifier s'il est possible d'établir une relation d'équilibre entre différentes variables explicatives et expliquée d'un phénomène donné. Ce test a été réalisé en trois

24

étapes : en premier lieu, il nous a permis de déterminer le décalage optimal à expliquer pour l'estimation du modèle. Dans notre étude, le décalage optimal est d'une période et correspond au décalage maximal obtenu selon la méthode de NEWEY WEST (1987)⁶

Il est ensuite indispensable d'effectuer le résumé du test de rang de cointégration tableau de l'annexe n° 2. Ce dernier relève l'existence d'une seule relation de cointégration entre les variables retenues. En plus de la présomption d'existence de la relation de cointégration, le test de rang de cointégration a également permis de choisir le modèle qui ajuste au mieux les données disponibles. Il s'agit du modèle qui minimise l'un des deux critères d'information ci après : le critère d'AKAIKE et le critère de SCHWARS.

Enfin, Nous avons effectué notre test de cointégration sous l'hypothèse suivante :

H0 : Il existe une relation cointégration ;

H1 : Il n'existe pas de relation de cointégration.

Règle de décision du test de cointégration de JOHANSEN :

Pour un seuil de significativité donné, l'hypothèse nulle situant l'existence de relation de cointégration entre les variables du modèle est acceptée, si la valeur de la trace (TR) est inferieure à sa valeur critique tabulée (OSTERWALD-LENUM, 1992). En revanche, une valeur de la trace supérieure à sa valeur critique implique qu'il n'existe pas de relation de cointégration entre les variables.

6 Selon NEWEY WEST le lag optimal est approximé par la formule suivante : lag=(4(n/100))² ; n= nombre d'observation

Résultats du test

Le test indique l'existence d'une relation de cointégration au seuil de 5 % d'après le critère de la trace et de la valeur propre maximale, d'une part (cf. annexe n° 1), et le critère d'information de SCHWARZ, d'autre part (cf. annexe n° 2). En effet, nous rejetons l'hypothèse de plusieurs vecteurs de cointégration entre la variable expliquée et les variables explicatives du modèle. Le fait que les variables soient cointégrées implique que leurs évolutions au cours du temps soient parallèles.

Le tableau ci-dessous présente le résumé du test de rang de cointégration de JOHANSEN (cf. annexe n° 2).

Data

Trend: None None Linear Linear Quadratic

No

Test Type Intercept Intercept Intercept Intercept Intercept No Trend No Trend No Trend Trend Trend

Trace 1 1 2 2 4

Max-Eig 1 1 1 2 2

A la lecture de ce tableau nous avons cinq types de modèle ayant une relation de cointégration. Les critères de la valeur propre maximale et la trace nous permettent de conclure qu'il existe une relation de cointégration. Le critère d'information de SCHWARZ nous permet ainsi de choisir le modèle 2 (c'est-à-dire le modèle non linéaire avec constante et sans tendance) (cf. annexe 1).

Etant donné l'existence de la relation de cointégration, nous pouvons passer à l'estimation du modèle vectoriel à correction d'erreur (MVCE).

26

Section 2 : Résultat de l'estimation du modèle vectoriel à correction d'erreur (MVCE)

La relation de cointégration étant certifiée, il est possible de recourir au modèle vectoriel à correction d'erreur (MVCE). Ce modèle, lorsque les variables sont intégrées d'ordre 1, aboutit à des relations très intéressantes.

L'équation ci-après du modèle vectoriel à correction d'erreurs est une équation du long terme. Ce choix se justifie clairement du fait que l'endettement est beaucoup plus une question structurelle (donc de long terme) que conjoncturelle.

Les principaux résultats de l'estimation du modèle vectoriel à correction d'erreur (MVEC) sont consignés dans le tableau ci après (cf. annexe 3).

Variables	FBCF (-1)	DP	SB	TX
Elasticités	-0.742095	-0.278	2.089	5.087
T-Student	-5.81003	-7.26113	+5.47166	+9.94129
	0.782515
T-Fischer	8.635264

La fiabilité des résultats s'apprécie à travers la valeur et le signe des coefficients des paramètres estimés. La régression de la formulation du modèle vectoriel à correction d'erreur (MVCE) donne les résultats suivants pour le long terme. Ces derniers sont obtenus après calcul des coefficients de la représentation de l'équation par le logiciel Eviews 5.

La relation dynamique de long terme peut alors s'écrire comme suit :

D(FBCF)= - 0.742*FBCF (-1) - 0.278*DP + 2.089*SB + 5.087 *TX - 0.144

(-5.810) (-7.271) (5.461) (9.941)

Les chiffres entre parenthèses représentent la statistique de STUDENT.

Globalement, l'ajustement statistique est de bonne qualité. La représentation à correction d'erreur est validée puisque le coefficient du terme de correction d'erreurs(force de rappel) qui représente, d'une part, les déviations des valeurs d'équilibre de long terme et, d'autre part, la réponse à court terme nécessaire pour que l'investissement public se déplace vers son niveau d'équilibre de long terme, est significativement négatif et inferieur à l'unité en valeur absolue (-0.742) au seuil de 5 % car le T-Student est supérieur à 1.96⁷ en valeur absolue (5.810) et toutes les variables sont significatives à long terme. Ainsi, d'une année à l'autre, la variable endogène (FBCF/PIB t) converge lentement vers son niveau d'équilibre de long terme (FBCF/PIB*t).

De même, globalement, les coefficients sont significativement différents de zéro (T-Fischer = 8.635). La valeur de R² (78.25 %), signifierait que notre modèle n'est expliqué qu'à hauteur 78.25 % par les variables explicatives. Autrement dit, l'évolution de l'investissement public n'est pas seulement sensible aux seuls ratios de la dette et de la taxation mais aussi à d'autres facteurs.

S'agissant des signes attendus, seul le ratio de la dette sur le Produit Intérieur Brut (PIB) présente un coefficient négatif. Ce qui n'est pas le cas des ratios taxation sur le PIB et déficit budgétaire sur le PIB. Néanmoins, la significativité de la force de rappel permet de souligner la pertinence du modèle à fournir une explication du moins en partie de l'évolution de l'Investissement Public.

7 Valeur tabulée du Student

CHAPITRE IV

INTERPRETATION DES RESULTATS

28

Partant des observations faites des résultats ci-dessus présentés, il est question dans ce chapitre de procéder à leurs analyses, ce qui nous permettrait de mettre en évidence les implications en matière de politique économique.