II.2 : Résultats et
Interprétations
Cette seconde sous-section s'articulera autour de deux
principaux points. Dans un premier temps, nous présenterons les
principaux résultats issus de nos estimations. Dans un second temps, il
sera question pour nous d'apporter une signification économique à
ces différents résultats.
II.2.1 :
Résultat des estimations
Afin de d'identifier quelles sont les ressources naturelles
contribuant le plus à la croissance de la productivité totale en
Afrique, nous avons eu recours à l'estimateur GMM en système
Arellano et Bover (1995) / Blundell et Bond (1998). Ainsi, nous avons
effectué quatre (04) régressions pour parvenir à notre
fin. Dans la première estimation Modèle (1a), nous avons
estimé la contributionde la rente pétrolière à la
croissance de la productivité totale en Afrique étant
donné le fait que, les variables macroéconomiques et de
gouvernances sont considérées comme étant les
déterminants de la croissance économique, ils ont
été ajoutées dans les différents modèles. Le
modèle (1b) intègre la rente gazière ; le
Modèle (1c) intègre la rente minière et enfin la
rente forestière est intégrée dans le Modèle
(1d).Tout comme dans le modèle 1a, les mêmes variables
macroéconomiques et de gouvernances susceptibled'expliquer cette
relation de causalité avec la croissance de la productivité
totale ont été ajoutées dans le modèle 1b, 1c et
1d. Le tableau 2.1 fait une présentation synthétique de nos
principaux résultats.
Tableau
2.2:Résultat des estimations
|
(1a)
|
(1b)
|
(1c)
|
(1d)
|
|
VARIABLES
|
PTF
|
PTF
|
PTF
|
PTF
|
|
|
|
|
|
|
L.PTF
|
0.634***
|
0.909***
|
0.916***
|
0.849***
|
|
(0.733)
|
(0.369)
|
(0.555)
|
(0.403)
|
|
RPetro
|
0.0379***
|
|
|
|
|
(0.0123)
|
|
|
|
|
RMin
|
|
|
0.0885**
|
|
|
|
|
(0.0347)
|
|
|
RGaz
|
|
-0.0549
|
|
|
|
|
(0.0671)
|
|
|
|
RForest
|
|
|
|
0.0740
|
|
|
|
|
(0.0198)
|
|
PIB
|
0.0205***
|
0.0295***
|
0.0274***
|
0.0310***
|
|
(0.0382)
|
(0.0500)
|
(0.0505)
|
(0.0557)
|
|
FBCF
|
-0.0855
|
0.0337
|
0.0877
|
-0.0606
|
|
(0.0109)
|
(0.0771)
|
(0.0757)
|
(0.0121)
|
|
IDE
|
0.0124**
|
-0.0280**
|
-0.0896***
|
3.17e-05
|
|
(0.0753)
|
(0.0572)
|
(0.0630)
|
(0.0986)
|
|
OuvCom
|
-0.0277***
|
-0.0251*
|
-0.0211**
|
-2.08e-06
|
|
(0.0402)
|
(0.0126)
|
(0.0131)
|
(0.0131)
|
|
DepPub
|
-0.0268
|
2.77e-05
|
-0.0552
|
-0.00156
|
|
(0.0132)
|
(0.0111)
|
(0.0759)
|
(0.0947)
|
|
Elect
|
0.0166***
|
0.0761**
|
0.0759*
|
0.0846**
|
|
(0.0557)
|
(0.0294)
|
(0.0390)
|
(0.0366)
|
|
ScolPrim
|
-0.00235***
|
-0.0474***
|
-0.000348***
|
-0.0555***
|
|
(0.0677)
|
(0.0700)
|
(0.0436)
|
(0.0957)
|
|
lnPopAct
|
-0.0742
|
0.0275
|
-0.0290
|
-0.0596
|
|
(0.0135)
|
(0.0873)
|
(0.0654)
|
(0.0739)
|
|
EGov
|
-0.0615*
|
-0.0546**
|
-0.0621**
|
-0.0359
|
|
(0.0343)
|
(0.0240)
|
(0.0232)
|
(0.0277)
|
|
Corrupt
|
0.110**
|
0.0358*
|
0.0413
|
0.0330
|
|
(0.0414)
|
(0.0208)
|
(0.0270)
|
(0.0333)
|
|
SP
|
0.0790
|
0.0135
|
0.0932
|
0.0968
|
|
(0.0140)
|
(0.0131)
|
(0.0971)
|
(0.0119)
|
|
Constant
|
0.390
|
0.0100
|
0.0734
|
0.210*
|
|
(0.234)
|
(0.167)
|
(0.131)
|
(0.103)
|
|
|
|
|
|
|
|
|
|
|
|
Observations
|
346
|
346
|
346
|
346
|
|
Nombre de Pays
|
26
|
26
|
26
|
26
|
|
Nombre d'instruments
|
26
|
26
|
26
|
26
|
|
Fischer (p-value)
|
0.000
|
0.000
|
0.000
|
0.000
|
|
AR (1) (p-value)
|
0.084
|
0.035
|
0.044
|
0.036
|
|
AR (2) (p-value)
|
0.146
|
0.153
|
0.147
|
0.145
|
|
Test de Hansen (p- value)
|
0.429
|
0.841
|
0.608
|
0.648
|
|
|
|
|
|
Notes : Les valeurs entre
parenthèses correspondent aux Ecart-type corrigés de
l'hétéroscédasticité ; ***p < 0.01,
**p < 0.05, *p < 0.1.
Source :Auteur, à
partir des données de WDI (2018), WGI (2018) et de PWT (9.1) sur Stata
14.0
| 
