133
4.1.2. Analyse causale croissance économique et
consommation d'énergie pour une meilleure production
décentralisée d'électricité
Pour mieux présenter le lien entre croissance
économique et consommation d'énergie électrique, il
importe pour nous dans ce travail de présenter dans le cadre d'une
analyse macroéconomique de soulever la méthodologie conduisant
à expliquer la double corrélation qui lie cette affirmation
exprimée par Chérif Sidy Kane dans sa publication au sein de la
Revue africaine de l'Intégration Vol. 3, No. 1, janvier 2009.
La corrélation dans le temps (l'énergie consommée
augmente parallèlement à la production mesurée par le
Produit intérieur brut) et une corrélation dans l'espace
(les pays les plus développés sont aussi ceux dont la
consommation d'énergie est la plus élevée). La double
corrélation entre l'intensité de la consommation d'énergie
et le niveau de revenu a elle même plusieurs avantages notamment :
· La création d'emplois
· La génération de revenus pour les
propriétaires terriens
· La réduction de l'exode rural
· Les connaissances acquises par les populations
locales en cas de formation de techniciens et de gestionnaires pour
l'installation
· L'attrait touristique engendré par le
projet (« projet de démonstration »)
· L'utilisation de ressources locales et la
création d'activité.
Mais celle-ci entraine des causes :
+ La première est que le développement
ajoute à l'activité économique, des industries souvent
consommatrices d'énergie (papier, chimie, sidérurgie,
métallurgie).
+ La seconde dans les secteurs traditionnels, le
développement est exigeant en énergie. L'agriculture moderne
permet par exemple de quintupler les rendements par rapport à
l'agriculture traditionnelle, mais au prix d'une consommation d'énergie
multipliée par quinze.
+ La troisième est les choix technologiques
faits au niveau des équipements producteurs, transformateurs et
utilisateurs d'énergie.
+ La quatrième est le taux
d'indépendance énergétique. Il semble exister une certaine
corrélation entre le contenu énergétique du PIB d'un pays
et son taux d'indépendance énergétique : plus ce dernier
s'accroît, plus le rapport consommation d'énergie (EC) sur le
Revenu (Y) : EC/Y, augmente car le pays a tendance à opter pour des
technologies et des comportements « energy using ».
En essayant d'expliciter cette corrélation de
manière succincte ici, cela signifie de présenter une relation de
cause à effet. Savoir si la connaissance du passé de l'une des
variables permet d'améliorer la prévision de l'autre (Granger,
1969, 1988) ou alors si les chocs qui affectent l'une des variables peuvent
modifier la variance de l'erreur de prévision de l'autre (Sims, 1980).
Dans ce cas, on dit qu'il existe une relation de cause à effet
(relation causale) entre les variables qui peuvent aller dans un seul
sens (causalité unidirectionnelle) ou dans les deux (causalité
bidirectionnelle). L'approche de Granger étant celle qui a eu le plus
d'échos chez les économètres, c'est elle qui sera retenue
dans le cadre de cette étude.
La méthodologie d'analyse consiste à
définir d'abord la liste des variables. Les variables suivantes sont
employées pour présenter cette relation causale : le PIB
réel comme indicateur de performance économique au niveau global
pour la Nation et la valeur ajoutée sectorielle (production nette) comme
proxy de la performance de chaque secteur d'activité. La performance
globale de l'économie est mesurée par le Produit intérieur
brut réel. C'est-à-dire la somme des valeurs ajoutées
générées par tous les producteurs résidents sur le
territoire national en monnaie locale constante. La performance du secteur
primaire sera mesurée par la
134
valeur ajoutée du secteur agricole ( AGRVA),
celle du secteur secondaire par la valeur ajoutée du secteur industriel
(INDUSVA) et celle du secteur tertiaire par la valeur ajoutée
du secteur des services (SERVVA).
Généralement, deux principaux indicateurs sont
utilisés pour capturer l'infrastructure énergétique : la
production ou la consommation totale d'énergie électrique (en KW
ou en KWh) comme indicateur quantitatif et les pertes d'énergie
électrique (en KW ou en pourcentage de la production totale) comme
indicateur qualitatif. La production ne reflète pas les besoins de
consommation. Pour cette raison, on utilise ici la consommation
d'énergie électrique (ELECONS) comme indicateur de
l'infrastructure énergétique.
Pour une série donnée définissant un
processus stationnaire, ses propriétés ne sont pas
affectées par un changement de "repère temporel" que l'on regarde
au point « t » ou au point « t+ i ». Nos séries ne
sont pas stationnaires car les variables évoluent dans le temps. Le
théorème de la représentation de Granger sera
utilisé ici vu les raisons énoncées ci-dessus. Ce cas
montre que si deux séries non stationnaires sont
cointégrées, alors il devrait exister une causalité
unidirectionnelle dans au moins l'un des deux sens. Le test de Granger vise
à tester l'existence d'une relation causale entre variables
impliquées donc des tests préliminaires de racine unitaire
(montrer que l'hypothèse nulle est la non-stationnarité :
Test de Dickey Fuller, Test Dickey Fuller Augmenté (ADF)...etc.) et
de cointégration (permet d'identifier clairement la relation
véritable entre plusieurs variables en recherchant l'existence d'un
vecteur de cointégration et en éliminant son effet, le cas
échéant.). Lorsque la cointégration est
validée, le test de causalité peut être appliqué de
deux manières. En premier lieu, les variables intégrées
(Une série temporelle est dite intégrée d'ordre d, que
l'on note I(d), si la série obtenue après d
différenciations est stationnaire.) peuvent être
utilisées en niveau dans un modèle autorégressif
bivarié à cause des propriétés de consistance des
estimateurs en présence de cointégration (Altinay et Kragol,
2005). En second lieu, un modèle bivarié contenant un
mécanisme de correction d'erreur due au théorème de la
représentation de Granger, peut être utilisé pour tester la
causalité. Si les données sont non stationnaires mais non
cointégrées, alors le test de causalité peut être
fait en utilisant les différences premières des variables pour
stationnariser les séries (Oxley et Greasley, 1998). La
cointégration permet de traiter les séries non stationnaires.
Elle décrit la véritable relation à long terme existante
entre deux ou plusieurs variables. La cointégration réside sur
deux conditions. Tout d'abord l'intégrité des séries au
même ordre et la combinaison linéaire des séries donne une
série d'ordre d'intégrité inférieur ou égale
à la différence en valeur absolue de l'ordre
d'intégrité des séries à étudier.
Puisque nous allons utiliser le Test de racine unitaire, afin
de montrer si l'hypothèse nulle est non
stationnaire, nous devons avant tout définir
l'expression de notre série temporelle. Soient et deux
séries stationnaires. En effectuant la
régression linéaire de sur ses propres valeurs passées, et
sur les
valeurs passées de (s < t), si
l'on obtient des coefficients significatifs de, alors la connaissance du
passé de peut améliorer la prévision de.
On dit que cause uni directionnellement. Il y a causalité
instantanée, lorsque la valeur courante de
apparaît comme une variable explicative supplémentaire dans
la
régression précédente. Le test de Granger issue
directement de la représentation autorégressive, consiste
à
estimer le modèle linéaire de nos séries
temporelles et par la méthode des moindres carrés.
Les
différentes variables d'une série chronologique
économique ont souvent une tendance (trend) temporelle. Pour notre
modèle économique, le modèle de régression est
définit par les deux équations suivantes :
k k
x =a+ ? ? x ? + ? yIy
? +s
t j t j j t j t
j = 1 j=1
k k
y? ? x ?
t = ? ? ? ? ? y ? ? ?
j t j j t j t
j = 1 j=1
(4.1)
(4.2)
appelé variable dependante comporte trois
paramétres (,,) à chaque paramétre est associé une
variable independante. De même pour appelé variable
indépendante, on aura (,,) avec ses
paramétres associés. est appelé
résidu (ou erreur observée) entre et ou bien entre et , c'est
un
signe de précision du modèle pour la prédiction.
x ? x ?
t t 1
? ? ? ? x ? ? ?
j t j t
j ?
L\ =
x ? x ?
t t 1
+1u + ? OL\x ?
+s
j t j t
j =
Un test d'hypothèse est une démarche
employée en statistique inférentielle consistant à rejeter
ou à ne pas rejeter (rarement accepter) une hypothèse
statistique, appelée hypothèse nulle, en fonction d'un jeu de
données (échantillon). Un test d'hypothèses jointes permet
de conclure sur le sens de la causalité c'est-à-dire
sur le lien entre les deux variableset. Ainsi, cause au sens de
Granger si l'hypothèse nulle
: peut être rejetée au profit de l'hypothèse
alternative : au moins un des .
De façon analogue, cause au sens de Granger si
l'hypothèse nulle : peut être
rejetée au profit de l'hypothèse alternative :
au moins un des .
Si l'on est amené à rejeter les deux
hypothèses nulles, on a une causalité bidirectionnelle.
?
? x ? x ? t t
1
? ? ? ? ? ? ? x ? ? ?
t j t j t
j ? H 0 :
? ? 0 Après l'étude des hypothèses
statistiques (hypothèses nulle) de la série temporelle conduisant
à déterminer le type de causalité, il importe de
procéder à un Test de stationnarité de celle-ci. Une des
grandes questions dans l'étude de séries temporelles (ou
chronologiques) est de savoir si celles-ci suivent un processus stationnaire.
On entend par là le fait que la structure du processus sous-jacent
supposé évolue ou non avec le temps. Si la structure reste la
même, le processus est dit alors stationnaire. Deux tests de racine
unitaire sont généralement utilisés : le test de
Dickey-Fuller Augmenté (ADF) et celui de Phillips-Perron (PP). Mais les
résultats de ces deux tests étant presqu'identiques, nous n'avons
présenté ici que celui de Dickey Fuller Augmenté.
L'estimation des moindres carrés des trois modèles suivants :
?
?
|
MODELE [1] sans constante ni tendance :
|
p
(4.3)
|
|
1
|
|
MODELE [2] avec constante et sans tendance:
p
(4.4)
MODELE [3] avec constante et tendance :
p
(4.5)
135
En se référant au cours
d'économétrie, On procède de la façon suivante :
1- Effectuer la régression à partir de
l'équation [3].
2- Déterminer si le coefficient du trend est
significativement différent de zéro.
3- Dans le cas contraire, reprendre la régression avec
l'équation [2] sans le trend et vérifier si la constante est
significativement différente de zéro.
Si la constante n'est pas significative, reprendre la
régression avec l'équation [1] sans trend ni constante et
déterminer si le coefficient est significativement différent de
zéro. Si oui, la série est stationnaire. Si non, il y a une
racine unitaire et la série n'est pas stationnaire.
Le test consiste à vérifier l'hypothèse
nulle contre l'alternative <1 et est basé sur
l'estimation des
moindres carrés des trois modèles ci-dessus.
xt
Au terme de la vérification de la stationarité
de la série temporelle, il faudrait analyser si les deux modèles
régressifs correspondent aux conditions du Test de cointegration.
Deux séries et dont les processus sont
intégrés sont dites cointégrées, s'il existe une
combinaison
linéaire unique des deux variables qui se
révèle être intégrée d'ordre 0,
c'est-à-dire qui est stationnaire. Une
136
telle combinaison peut s'écrire sous la forme telle que
soit une variable stationnaire. Ces
deux séries auront donc tendance à varier
ensemble dans le temps. Pour tester l'hypothèse nulle de
cointégration, deux approches sont souvent utilisées, la
méthodologie en deux étapes d'Engle et Granger et l'approche
multivariée de Johansen. L'approche d'Engle et Granger étant
très restrictive, elle pose un problème de normalisation et peut
conduire à des résultats différents selon que l'on
considère la combinaison
ou la combinaison . Le test de cointégration de Johansen
qui sera utilisé dans
cette analyse permet de déterminer le nombre de
relation d'équilibre de long terme entre des variables
intégrées quelle que soit la normalisation utilisée.
Il importe de savoir que toutes ces opérations
d'analyses sont parfaitement et facilement résolues grâce à
des logiciels spécialisés comme SPSS. Mais il nécessaire
de disposer d'une bonne base et statistique et microéconomie pour mieux
faire rentrer les données devant faire l'objet de calculs par le
programme utilisé à cet effet.
| 
