Sciences Economiques

1. MODELE THEORIQUE ET REVUE DE LA LITTERATURE

1.1.Modèle théorique

Le concept « énergie » remonte de l’Antiquité et est perçue de manière générale comme la capacité d’effectuer un travail[1]. Ce terme recouvre plusieurs réalités ; au sens physique, l’énergie est une mesure de la capacité d’un système à modifier un état, à produire un travail entraînant un mouvement, un rayonnement magnétique ou de la chaleur.

Et au sens de l’écologie et de l’économie, elle est une ressource énergétique naturelle qui est consommée par les agents (sociétés humaines) pour divers usages industriels et domestiques en vue de satisfaire des besoins.

Il existe plusieurs formes d’énergie notamment énergie cinétique, celle qui est associée aux mouvements d’un corps ou d’une particule,  l’énergie potentielle, qui n’est pas liée aux mouvements du corps, et tant d’autres

L’électricité vient du mot grec « êlektron », signifiant ambre jaune. Elle désigne un effet du déplacement des particules chargées, à l’intérieur d’un conducteur, sous l’effet de différence de potentiel aux extrémités de ce conducteur.

Dans son ouvrage, le professeur BOFOYA KOMBA[2]divise la théorie de croissance économique  en deux grandes catégories à savoir : les théories de croissance économique exogène d’une part, (la croissance keynésienne (Harrod et Domar) et la théorie de croissance néoclassique (dont le modèle de Solow et de Ramsey en constituent les références). D’après ces théories, l’économie reste régie par les fondamentaux (progrès technique et croissance démographique) sur lesquels la politique économique n’a pas d’effet. Et d’autre part la théorie de croissance endogène dont les modèles de référence sont Modèle de Romer (1986), capital privé, moteur de la croissance ; Modèle de Lucas (1998), capital humain, moteur de la croissance ; Modèle de Barro (1990), capital public, moteur de la croissance ; Modèle de Romer (1990), capital technologique, moteur de la croissance

1.2. Revue de la littérature empirique

La consommation de l’énergie qui détermine le revenu, cela indique que l’économie dépend de l’énergie de telle sorte que la consommation de celle-ci affecte directement le revenu, impliquant qu’une déficience dans l’approvisionnement de l’énergie peut avoir des conséquences néfastes sur la croissance (Masih et Masih, 1998).

Cependant, Akarca et Long (1980), en réduisant l’échantillon des données de Kraft (1978), n’ont pas pu obtenir des résultats similaires, ce qui prouve que la période choisie peut fortement influencer les résultats. On parle de « l’instabilité temporelle ».

Yu et Choi (1985), utilisant les données des 5 pays, ont confirmé l’absence de la causalité entre le produit national brut et la consommation totale d’énergie pour les USA, le Royaume-Uni et la Pologne, mais un lien causal du produit national brut sur la consommation d’énergie a été détecté pour la Corée du Sud et le contraire pour les Philippines.

Yu et Jin (1992) ont utilisé les tests d’Engle et Granger pour tester la cointégration entre la consommation d’énergie et le revenu pour les Etats-Unis sur la période 1970-1990 et ont abouti à l’absence de relation de long terme entre ces deux variables.

Yang (2000) a trouvé une causalité bidirectionnelle entre la consommation d’électricité et la croissance économique pour Taiwan, ainsi que Glauser et Lia (1997) pour la Corée du Sud et le Singapour.

Une causalité allant de la croissance économique à la consommation d’électricité a été trouvée pour l’Inde par Ghosh (2002), pour l’Australie par Narayan et Smyth (2005) et par Fatai et Al (2004) et pour les Etats-Unis par Thoma (2004).

En revanche, Shiu et Lam (2004) ont trouvé que pour la Chine, c’est la consommation d’électricité qui cause la croissance économique[3].

Bien que les résultats soient très variés, la tendance dominante est le cas de figure où la consommation d’énergie détermine la croissance.

2. PRESENTATION DU MODELE APPLIQUE (OU MODELE D’ANALYSE) 2.1. Spécification Mathématique

La relation de long terme devant être estimée ici se présente comme suit :

                                                                                 (1)

Avec :

: La série du taux de croissance de 1975 à 2010 ;

: La série du ratio de la consommation d’électricité pour la même période ;

: Le coefficient structurel des variables autres que la consommation d’électricité non insérées dans le modèle ;

: La pente de long terme indiquant la variation structurelle de taux de croissance économique par rapport à une variation à priori de la consommation d’électricité ;

: Le résidu de l’estimation

La méthode d’Engle et Granger, part de l’hypothèse que la relation de long terme entre la consommation d’électricité et le taux de croissance économique est décrite par la relation

                            (2)

Les résidus donnent une estimation du déséquilibre et pour obtenir des informations sur la vitesse d’ajustement à l’équilibre, il sera procédé à l’estimation du modèle à correction d’erreur.

2.2. Spécification Economique

La croissance économique est influencée par plusieurs facteurs économiques, la théorie économique suggère que certaines paires de variables économiques doivent être liées par une relation d’équilibre de long terme. Bien que ces variables puissent s’éloigner de l’équilibre à un certain temps, on s’attend à ce que des forces économiques rétablissent en quelque sorte cet équilibre[4].

L’analyse de la cointégration présentée par Granger (1983) et Engle (1987) permet d’identifier clairement la relation véritable entre deux variables en recherchant l’existence d’un vecteur de cointégration[5]. Toutefois, il faut noter que l’analyse de la cointégration suppose que[6] :

ü   Les séries temporelles sous examen respectent l’hypothèse selon laquelle, il n’existe pas de changement dans l’intercept et dans la pente de la fonction de tendance;

ü   Les paires des variables sont intégrées de même ordre c’est-a-dire suffisamment différenciées pour devenir stationnaires.

La notion de cointégration traduit l’idée qu’il existe des forces économiques fondamentales qui ont pour effet d’induire une variation stochastique conjointe des variables. Dans ce cas, les variables ne s’écartent pas trop l’une de l’autre et leur écart est bordé.

L’intérêt pratique de cette notion est qu’elle traduit en termes stochastiques une notion économique de long terme. Ainsi, il permettrait de préciser si la consommation d’électricité et la croissance économique renferment des relations de long terme.

Condition decointégration

Sireprésente un processus vectoriel, ses composantes sont dites cointégrées si premièrement elles sont touteset si deuxièmement il existe un vecteur non nul tel que

Test decointégration

Afin de tester la cointégration entre deux variables, on recourt à l’algorithme mis en place par Granger et Engle (1987). Cet algorithme s’effectue en deux étapes :

1.                Tester l’ordre d’intégration des variables : Une des conditions nécessaire pour qu’il y ait cointégration est que les deux séries doivent être intégrées de même ordre. A cet effet, nous allons recourir aux tests de Dickey-Fuller Augmenté.

2.                Estimer une relation de long terme : Compte tenu du théorème de la représentation de Granger, il est possible de tester la cointégration en estimant le modèle à correction d’erreur associé. Cette estimation peut se faire en deux étapes, en estimant par MCO de la relation de long terme :

Ensuite, on tire les résidus de l’estimation?_t qui, appliqués au test d’ADF permettent de déterminer la nature de la relation existant entre les deux variables :

, il ya présence de la racine unitaire, donc pas de cointégration

 Il n’ya pas présence de la racine unitaire, donc il ya cointégration.

Tableau 1 : Test de cointégration

 Source: Eviews

1 cointegrating Equation(s)               Log likelihood  

Etant donné que letest de cointégration nous indique le degré de cointégration, qui est égal à 1, le modèle n’a qu’un seul vecteur cointégrant. D’où l’hypothèse nulle est acceptée. (Tableau 10)

2.3. Présentation du modèle à correction d’erreur (ECM)

Les modèles dits à correction d’erreur ont été introduits au début des années 1980. Ces modèles dynamiques permettent d’intégrer les évolutions à long terme et à court terme des variables.

L’objectif de l’ECM est donc d’une part, de retirer la relation commune de cointégration (la tendance commune), d’autre part de rechercher la relation réelle entre les variables. En fait, il est question ici de reproduire la dynamique d’ajustement vers l’équilibre de long terme. A l’équilibre, le terme 

  Est nul.

Pendant les périodes de déséquilibre, il mesure la distance à laquelle le système s’est éloigné de l’équilibre à la période t. L’estimation par la méthode des MCO du paramètre ? donne alors une indication sur la vitesse d’ajustement de vers son niveau d’équilibre, c’est-à-dire comment la variable varie lorsqu’il y a un déséquilibre.[7]

Suite à cette théorie, Granger est arrivé à émettre le théorème qui porte son nom et qui stipule que : « toutes les séries cointégrées peuvent être représentées par un modèle à correction d’erreur ».

Soient deux variables cointégrées tel que le vecteur de cointégration ; l’idée des modèles à corrections d’erreur est de considérer la relation ci-après :

Nous pouvons décomposer la relation précédente en une somme de deux processus stationnaires :

 est appelé le terme de rappel.

Ainsi, on peut donc écrire :

D’une manière générale, le modèle peut s’écrire comme suit :

Donc, l’onrejettera l’hypothèse d’une modélisation de la forme ECM que si et seulement si le coefficient ? n’est pas significativement négatif.

3. ANALYSE STATISTIQUE DES DONNEES

Les données analysées dans ce modèle, sont des séries chronologiques qui vont de 1975 à 2010.

3.1. Analyse Graphique (Source : Excel)

Graphique 1.Diagramme à béton

Graphique 2.Les courbes des séries

Ces deux graphiques représentent l’évolution des deux variables dans le temps, ils ont comme source Excel

3.2. ANALYSE DE LA STATIONNARITE

3.2.1. Test de stationnarité en niveau

Le test deracineunitaire ou test de Dickey-Fuller Augmenté se base sur le caractère unitaire de la racine (Unit Root Test). La présence ou l’absence de cette dernière fera de la série stationnaire ou non. Ce la nouspermet de poser les hypothèses suivantes :

:,

a.     Test de stationnarité d’Augmented Dickey Fuller en niveau sur la variable PIB

A la lecture du tableau 3 en annexe, ce test montre que la série de taux de croissance du PIB est non stationnaire. La méthode de stationnarité est le DS (Differency Stationary) c’est-à-dire qu’il s’agit d’une nuisance dans le processus non stationnaire aléatoire.

b.     Test ADFen niveau sur la variable consommation d’électricité   (en logarithme)

Le tableau 4 en annexe nous montre également que la série de la consommation d’électricité est non stationnaire de type DS (Differency Stationary). La méthode de stationnarité est la différentiation de la dite variable.

3.2.2. Test de stationnarité en différence première

a.     Test de stationnarité d’ADF en différence première sur la variable D (PIB)

Nous passons à la différence première pour rendre la série stationnaire. Les résultats obtenus après stationnarisation se présentent comme suit :

 Après application de la différence première sur la série de taux de croissance du PIB, l’on constate que celle-ci devient stationnaire, car toutes les valeurs critiques de Mackinnon deviennent inférieures à la statistique ADF en valeur absolue (tableau 5).

b.     Test de différence première sur la consommation d’électricité (en logarithme)

Toutes les séries deviennent stationnaires en différence première. En effet, rappelons à ce niveau que la stationnarité stipule que les moments statistiques d’une série sont indépendants du temps (voir tableau 6).

Tableau2. Synthèse sur les tests de stationnarisation