C. Mondialisation et conséquences
environnementales en Chine
1. Indices utilisés ( Commerce et émission de
CO2 Kt)
Dans le but de pouvoir expliquer la relation entre
mondialisation et environnement en Chine nous avons choisi, comme
précédemment, l'indice du commerce afin de modéliser
l'ouverture du pays et donc son intégration au processus de
mondialisation.
Afin de mesurer l'impact sur l'environnement de celui-ci il
nous a fallut choisir un indice pouvant l'expliquer. Or, la multitude d'indice
et de donnée sur le thème de l'environnement ( indice de
déforestation, émission de méthane, de protoxyde d'azote
etc) nous à contraint à faire un choix quant à notre outil
de mesure. Ainsi notre choix des émission de CO2 en Kt résulte de
la grande base de donnée relative à ce sujet et de la
portée général et actuelle de cette outil de mesure sur la
qualité de l'environnement.
2. Données et sources
Les données que nous avons utilisé, ici sont
ceux, comme pour la partie précédente, de l'École de
politique appliquée de l'Université de Sherbrooke au Canada sur
leur site « perspective monde ». Celles- ci sont par ailleurs
directement issue de la base de données de la banque mondial.
Nous avons pu, de ce fait, constituer un panel donnée
allant de 1960 à 2019 pour l'indice de commerce et de 1960 à 2016
pour les émission de CO2.
Nos calculs se baseront donc sur la période 1960-2016
en conséquence de l'absence de données relative au
émission de CO2 de 2017 à 2019.
Le graphique 17 en annexe représente ainsi les courbes
relative au deux indices sur la période concerné.
3. Calculs et résultats
Nous avons ici un tableau des données en panel (tableau
n° 4 en annexe).
i= Chine Y= Emissions de CO2 en kt x = Commerce (en % du
PIB)
t= 1960 à 2016
Nous avons donc 57 observations allant de 1960 à 2016
inclus. Ces données nous donne les moyennes de chacune des variables,
leur écart type et leur données maximal et minimal.
Le tableau se rapportant à la variable CO2 nous montre
que la pollution en Chine a atteint un pic d'environ 10 300 000
d'émission de CO2 en kt.
En effet, la Chine est le premier pollueur mondial ce qui
explique ce résultat effarant.
Le graphique représentant l'évolution du
commerce en pourcentage du PIB a déjà été
donné dans les calculs précédents, je vais donc uniquement
partager celui de la variable CO2 (émissions de CO2 en kt).
Malgré la faible exactitude des données dans
l'histogramme (graphique 11 annexe) concernant les émissions de CO2 en
kt de 1960 à 2016 du fait de la grandeur des données, on peut
tout de même observer la tendance de cette variable durant ces 57
années.
En effet, on peut voir que malgré quelques baisses de
ces émissions à la fin des années 60 et des années
90, les émissions de CO2 n'ont cessé d'augmenter depuis 1960,
dépassant la barre des 10 000 000 kt de 2012 à 2015 puis
rechutant légèrement en 2016.
a) Corrélation : test du Chi2
On cherche à savoir si le commerce en Chine depuis leur
politique d'ouverture (c'est à dire depuis le développement du
commerce international en chine) a une conséquence sur l'aspect
environnemental du pays.
Nous allons donc réaliser un test de dépendance
comme dans le cas précédent afin de savoir si les variables
commerce et CO2 ( émission de CO2) sont liées .
Nous allons effectuer un test de corrélation et de
dépendance pour savoir si la variable explicative commerce a des
conséquences sur l'environnement.
Test de corrélation simple :
La corrélation entre les deux variables est forte et
positive. Test de dépendance choisi ici est le test de
CHI2:
Y= CO2 (émission en kt) X = commerce (en part du PIB)
H0: X et Y sont indépendantes H1: X et Y sont
dépendantes
Pour éviter d'avoir un trop grand tableau (60 lignes x
60 colonnes), j'ai modifié le tableau de contingence afin de le couper
en 4 classes. Cela nous permettra de pouvoir faire un test de CHI2.
Seuil de significativité ( l'erreur de premier
espèce) est la probabilité de rejeter H0 alors qu'elle est vraie.
Nous allons choisir ici de prendre un seuil à 5%.
On va déterminer notre d qui va nous permettre de poser la
règle de décision, le d max va se lire dans la table statistique
du CHI2.
Lorsque d sera inférieur à d max alors on va
accepter H0 et si d est supérieur à d max alors on pourra rejeter
H0.
Tableau 12 en annexe :
d= 127,2625
Pour obtenir d max je vais regarder le tableau du CHI2, le
degré de liberté est de 9 ici et notre seuil de
significativité est de 5%, d max est donc égal à 16,92
dans le tableau.
Ici d est supérieur à d max , donc on rejette
l'hypothèse H0 qui dit que les variables sont indépendantes.
Cependant , on ne peut pas en être certain à 100% car nous avons
ici une erreur de première espèce car on peut s'être
trompé.
Toutefois, le test de CHI2 nous donne des preuves statistiques
qui sont beaucoup plus forte que la simple corrélation.
Ici la p valeur est égal à 0,000 , celle-ci va nous
permettre de conclure lorsque l'on ne va pas soumettre un test, elle va nous
permettre de conclure sans passer par la lecture de la table du CHI2. Lors que
la p valeur est supérieur à 5% , j'accepte H0 et lorsqu'elle est
inférieur à 5% alors je rejette H0.
Je vais donc rejeter mon H0 car la p valeur est de 0.
Ce qui renforce encore une fois le fait qu'il y a bien un lien
entre le commerce de la Chine et les émissions de CO2 dans le pays.
Toutes les commandes effectuées sur Stata sont
reportées en Annexe. b) Régression linéaire :
Afin de pouvoir étudier les conséquences du
commerce et plus particulièrement du commerce chinois depuis leur
ouverture au monde sur l'environnement et la pollution dans le pays, nous
allons établir une régression linéaire.
Je cherche à quantifier ici l'évolution de la
variable expliquée CO2 dans le cas ou la variable explicative commerce
augmenterai d'une unité.
Le tableau 13 en annexe reportant les coefficients de
régression nous donne la valeur de l'ordonnée à l'origine
de la droite, autrement dit la constante Beta 0 qui est égale à
-673778. Or, cela signifierait que si le commerce était au niveau 0,
c'est a dire que s'il n'existait pas, les émissions de CO2 seraient
égales à -673 778.
Cette donnée n'a aucun sens économique et reste peu
interprétable en règle générale.
Beta 1 ici est égal à 145 521 ce qui revient
à dire que si le commerce augmente d'une unité, les
émissions de CO2 augmenteraient de 145 521 Kt.
La valeur p teste l'hypothèse nulle que le coefficient
est égal à zéro et a aucun effet. Une faible valeur p
(<0,05) indique que l'on peut rejeter l'hypothèse nulle. Cela revient
à dire q'une variable explicative qui a une faible valeur p est
susceptible d'être un ajout significatif au modèle parce que
les changements dans sa valeur sont liés à des
changements dans la variable expliquée. Inversement, une valeur p plus
importante (non significative) suggère que les changements dans la
variable explicative ne sont pas associés à des changements de la
variable expliquée.
Ici la valeur p est égale à 0, ce qui signifie
que je peux rejeter l'hypothèse nulle et affirmer que la variable
explicative commerce a bien un effet significatif sur la pollution.
Mais quelle est la précision de notre
modèle ?
Il faut regarder le "R-squared", qui mesure la proportion de la
variance de Y (variable dépendante CO2) qui est expliquée par la
variation de la variable explicative (Commerce).
Le R-squared est compris entre 0 et 1 ; plus on se rapproche de
1, plus le modèle est précis.
Ici, R-squared est égal à 0,5016 ce qui revient
à dire que 50% de la variation de Y (CO2) peut-être
expliquée par les variations de X (variable commerce).
Ce résultat démontre le fait qu'il manque en effet
de nombreuses variables à notre modèle pour que celui ci
permettent d'estimer avec précision la variation des émissions de
CO2.
| 
