L'aide au développement stimule-t-elle les réformes économiques ?Une analyse économétrique à partir des données de panel des pays en développement.

B. Agrégation et indice de mesure de la réforme économique.

Giuliano, Mishra, et Spilimbergo (2009) ont dérivé les indices de réforme pour chacun des six secteurs suscités. Maintenant, il se pose la question d'agrégation de ces six indices en une mesure agrégée de réformes économiques. Pour obtenir une mesure agrégée des réformes économiques nous adoptons deux approches.

La première approche pour calculer une mesure agrégée de réforme consiste à prendre une moyenne simple des indices de réformes des six secteurs. Dans ce cas nous utilisons la formule :

Ref ????????,?? = ? Ref ????????,??

6 ?? (1)
??=1

Dans cette formule, j désigne un pays, ?? une année et s un secteur économique.

La seconde approche utilise les méthodes d'analyse multidimensionnelle et de réduction de facteur pour créer un indice composite de réforme agrégée qui prend en compte tous les six secteurs. Cette approche se fonde sur l'idée que les réformes économiques dans un pays se font généralement de façon coordonnée voire simultanée. Ainsi, il y existe une forte corrélation entre les différents indices de réformes. Comme le tableau ci-dessous présente les coefficients de corrélations entre les différents indices de réformes. Les corrélations sont toutes positives et varient entre 0.362 et 0.740. Cela suggère que les différents indices contiennent une information commune ou un facteur commun. Etant donné la nature quantitative des variables, nous pouvons utiliser l'Analyse en Composante Principale (ACP) pour extraire cette composante commune.

L'aide au développement stimule-t-elle des réformes économiques?

Tableau 1 : Matrice des corrélations entre les différents indices de reformes

	Marchés agricoles	Marchés de produits	Commerce	Compte capital	Comptes courants	Finance et banques
Marchés
agricoles	1.000
Marchés de produits	0.362	1.000
Commerces	0.421	0.437	1.000
Compte capital	0.434	0.412	0.463	1.000
Comptes courants	0.462	0.366	0.535	0.740	1.000
Finance et banques	0.460	0.595	0.537	0.648	0.652	1.000

Source : Calculs de l'auteur

Les méthodes de réductions de données également connu sous le nom d'analyse multidimensionnelles en général se résume à ré-exprimer les informations des données multidimensionnelles avec moins de dimensions tout en capturant le maximum d'informations possible à partir des variables d'origine. Dans notre étude, nous utilisons l'analyse en composantes principales (ACP), qui vise à maximiser l'inertie expliquée par un ensemble de dimensions orthogonales z = (z₁,z₂,... z₆) exprimé comme une

combinaison linéaire u= (u₁, u₂,..., u₆) des variables d'origine ?? =

(?????? ???????1 ?,?? ,

?????? ???????2 ?,?? ,

?????? ???????3 ?,?? , ?????? ???????4?,?? , ?????? ???????5 ?,?? ,

?????????????6 ??? ). L'ACP maximise

la variance des éléments et la solution est obtenue en effectuant une décomposition en valeurs propres de la matrice de corrélation, en trouvant les axes principaux de la forme formée par le nuage de points de données. Les vecteurs propres représentent la direction de l'un de ces axes principaux

La solution de l'ACP dérive des valeurs propres X qui sont les variances des facteurs associés à z. Les facteurs les plus importants sont sélectionnés en utilisant la

Mémoire de fin de formation ISIA 27 Rédigé par : Marius KOUNOU

Mémoire de fin de formation ISIA 28 Rédigé par : Marius KOUNOU

L'aide au développement stimule-t-elle des réformes économiques?

règle de Kaiser qui recommande de conserver les facteurs dont les valeurs propres X dépassent l'unité. La corrélation F = corr. (y, u) entre les variables d'origine et les facteurs est qualifiée de saturations factorielles. Le sous-ensemble des variables les plus fortement corrélés avec un facteur caractérise ce facteur. Ces variables sont utilisées pour nommer le facteur correspondant et interpréter sa valeur en conséquence.

La première composante est donnée par la combinaison linéaire des variables initiales Y et représente la variance maximale possible. La seconde composante ne capte plus l'information captée par la première composante et est également non corrélée avec la première composante. L'ACP cherche à maximiser la variance de sorte qu'il soit sensible à l'échelle des différences dans les variables. Il est préférable de normaliser les données et de travailler avec des corrélations plutôt que les covariances entre les variables d'origine.

Dans le cadre de notre analyse, le facteur issu de l'ACP est interprété comme mesure composite de réformes économiques. Aussi bien dans le cas de l'indice de réforme obtenu par la moyenne simple et de celle par ACP, un pays dit avoir connue de réformes si l'indice augmente d'une année à l'autre. Si l'indice décroit, alors le pays régresse en termes de réforme. Par contre si aucune variation n'est observée, le pays est mode statique en ce qui concerne les réformes.

Mémoire de fin de formation ISIA 29 Rédigé par : Marius KOUNOU

L'aide au développement stimule-t-elle des réformes économiques?