WP2007-9 - Association Française de Cliométrie

Nr. 9, 2007
Transport, croissance et démographie.
Une analyse cliométrique
Riadh HARIZI
TRANSPORT, CROISSANCE ET DEMOGRAPHIE
UNE ANALYSE CLIOMETRIQUE
Riadh HARIZI1
Résumé : Bien qu’une relation très étroite ait été établie entre le transport et la croissance dans
de nombreuses approches théoriques, les mécanismes régissant les différentes causalités entre
les deux sphères sont très peu étudiés de manière empirique. L’objet de cet article est, dès
lors, de proposer une analyse cliométrique permettant d’étudier et de déterminer les
différentes relations entre les variables du système de transport et la croissance économique et
démographique, ici pour le cas de la Tunisie (1962-2005). Est-ce que les transports
influencent la croissance économique ? Cette influence est-elle réciproque ? Si oui, existe-il
un effet de « boucle rétroactive » entre les investissements dans le domaine de transport et la
croissance économique et démographique ?
Indexation : C32 C51 N77 R41
Mots-clefs : croissance économique et démographique, cliométrie, transport, trafic.
Transport, Growth and Demography
A Cliometric Analysis
Abstract:
Although there is an establishment of a close relationship between transport and growth in
many theoretical approaches, causal mechanisms are empirically less studied. The purpose of
this paper is to propose a cliometric analysis of the relationships between transport system
variables, economic growth and demography. This analysis is applied to Tunisian data (19622005). More precisely, does transport affect economic growth? is this effect bidirectional?
And is there any retroactive effect between transport investment and economic and
demographic growth?
Keywords: Economic and demographic growth, cliometrics; transport, traffic.
INTRODUCTION
A la différence des autres composantes du capital public, les infrastructures de transport
constituent un élément essentiel de la mobilité des individus et des marchandises2. Les
transports, comme d’autres branches d’activités économiques et domaines d’interventions
publiques, favorisent la croissance économique et démographique à travers l’emploi et les
dépenses qui leurs sont consacrées (Berndt & Hansson, 1991 ; Ralle 1993 ; Dalenberg et
Partridge, 1995).
1
LAMETA/CNRS, Université de Sousse (Institut Supérieur du Transport et de la Logistique). 12, rue Abdallah
ibn Ezzoubeir, B.P. 247, 4029, Sousse – Tunisie. Je remercie vivement Claude Diebolt, pour l’aide qu’il m’a
apporté dans la confection de cet article. Les éventuelles insuffisances demeurent bien sûr miennes.
2
En conditionnant notamment les déplacements professionnels et de loisir des individus et en facilitant
l’écoulement des biens sur les marchés, l’achat et la livraison entre fournisseurs et clients géographiquement
dispersés.
2
Les transactions économiques nécessitent une infrastructure de transport particulière
permettant de relier l’offre et la demande de biens et de services. Le bon fonctionnement
d’une économie implique un niveau de trafic de marchandises et de personnes permettant la
réalisation de ces différentes transactions (Orus, 1997 ; Fritsch, 1995). Toute croissance
économique a donc besoin de trafic et sans trafic il n’y a pas d’échanges sur le marché des
biens et des services. Ces différentes liaisons entre trafic et croissance peuvent être
modélisées et traitées de point de vue économétrique. L’analyse implique l’utilisation de
séries longues appelées «séries temporelles» nécessitant un traitement économétrique
particulier. L’analyse de la coïntégration, par exemple, a pour avantage l’identification de la
véritable relation entre deux variables en recherchant d’abord l’existence éventuelle d’un
vecteur d’intégration et en éliminant ensuite son effet (Engle et Granger, 1983 et 1987).
La mesure la plus judicieuse des bénéfices induits par les infrastructures de transport ne
réside pas dans l’évaluation de la part de la production ou de la productivité imputable aux
dépenses correspondantes (Garcia Milà et al., 1996). D’abord parce que ces infrastructures ne
constituent qu’une partie d’un stock de capital beaucoup plus vaste et englobant de nombreux
biens privés (comme le parc automobile). Ensuite parce qu’une grande partie de leurs effets
transite par les gains de temps induits par la construction et l’amélioration des réseaux. Ces
gains de temps résultent à la fois d’une décongestion du réseau traditionnel, de
l’accroissement des vitesses moyennes sur les nouvelles infrastructures, ou encore des progrès
techniques liés généralement au secteur des transports (Lafourcade, 1999).
Partant de là, nous proposons d’étudier la relation entre les transports et la croissance
économique et démographique en Tunisie depuis les années 1960. Notre ambition est aussi de
nous inscrire dans une approche cliométrique permettant d’accéder à une certaine historicité
de trafic en Tunisie « …il s’agit désormais d’établir les conditions d’un troc efficace qui
permettrait la fusion entre l’histoire et l’économie »3. Cette approche cliométrique permet la
combinaison de certaines variables de natures différentes et apporte ainsi une série
d’éclairages et une nouvelle interprétation économique de quarante ans d’histoire de l’activité
économique et de trafic de marchandises et de voyageurs en Tunisie.
Dans un premier temps, nous présentons les sources statistiques des données utilisées et
les différentes variables caractérisant la sphère économique, celle des transports et celle de la
population. Dans un second temps, nous formulons le modèle empirique sujet d’étude en
respectant les étapes théoriques nécessaire. Enfin, dans un troisième temps nous apportons
quelques interprétations sur la dynamique du système de transport tunisien et son lien à la
croissance économique et démographique. Nos interprétations partent d’une étude de la
causalité, des résultats des chocs effectués sur les variables (fonctions de réponse
impulsionnelles) et d’une décomposition de la variance. Comment les transports influencentils la croissance économique et démographique ? Le trafic est-t-il sensible aux mutations
structurelles de l’économie ? Peut-on parler d’un effet de retour de la croissance économique
et démographique sur les politiques des transports ? Si ces effets existent, quels sont les
mécanismes régulateurs de cette « boucle rétroactive » s’exerçant entre les investissements
dans le domaine de transport, le trafic des personnes et des marchandises et la croissance
économique et démographique ?
3
Diebolt C., 2001, « Présentation de l’Association Française de Cliométrie » p. 1 et Diebolt C., 2005, « La
Cliométrie se rebiffe ». Le lecteur intéressé trouvera tous les détails sur le site web de l’AFC :
http://www.cliometrie.org.
3
1 Sources statistiques et variables retenues
Signalons tout d’abord que notre étude part de la combinaison d’un certain nombre de
variables appartenant aux sphères du transport et de la croissance ainsi que de la population
totale du pays étudié. Contrairement aux techniques de l’économétrie traditionnelle, nous
utilisons les techniques de modélisation des séries temporelles dans le but, non pas de relier
des variables entre elles, mais plutôt d’étudier la dynamique d’une variable. Cette dernière est
en effet essentielle pour deux raisons : les avancées de l’économétrie ont montré qu’on ne
peut relier que des variables qui présentent des propriétés similaires, en particulier une même
stabilité ou instabilité ; les propriétés mathématiques des modèles permettant d’estimer le lien
entre deux variables dépend de leur dynamique.
Notre ambition est de savoir si certaines relations sont économétriquement possibles tout
en évitant les équations trop compliquées qui, le cas échéant, n’ont pas nécessairement de
sens. L’approche dynamique que nous présentons sous forme d’étapes permet aussi de
s’intéresser aux relations de causalité. En effet, pour qu’un mouvement d’une variable en
provoque une autre, il est nécessaire qu’il le précède. Une simple concomitance de deux
évènements révèle davantage une source commune. L’utilisation de retards d’une variable4
dans les équations autorise la mesure des effets de causalité et permet également de connaître
la durée de transmission entre une source et son effet. Nous présentons, dans un premier
temps, les données retenues ainsi que les diverses sources statistiques utilisées. Ensuite, dans
un second temps, nous présentons les variables retenues dans notre modèle empirique.
1.1. Sphères du transport et de la croissance économique et démographique : une brève
présentation
Les décisions prises à un moment donné dans le cadre des politiques économiques et de
développement régional se traduisent ultérieurement par des mutations structurelles des
activités économiques. La concrétisation de ces politiques économiques s’accompagne
généralement de certaines mesures concernant essentiellement le domaine de transport. Ce
domaine constitue à son tour un vecteur stimulant la mobilité de la population et des
marchandises. Si la mobilité des hommes et des marchandises conditionne la croissance
économique, les mutations d’une économie inhibent ou déclenchent des flux de transport. Ces
flux de marchandises et de personnes sont nécessaires à la fois aux activités économiques de
production et de consommation. L’examen des interactions de la croissance économique et du
trafic en Tunisie au moyen d’un indicateur d’intensité montre que cette économie en
développement a vu se développer un secteur dont l’intensité de transport en trafic
kilométrique de marchandises est faible5. Ce pays a connu un glissement de son activité
économique du secteur agricole, nécessitant un important volume de trafic kilométrique de
marchandises, vers les services et à moindre degré vers l’industrie, deux secteurs qui
nécessitent beaucoup plus de trafic kilométrique de personnes que de celui de marchandises
(Harizi, 2006).
4
Ce sont les valeurs des mêmes variables au cours des périodes précédentes.
L’intensité de transport est le trafic par dinars de valeur ajoutée. Elle est calculée par le rapport entre le trafic
considéré (voyageurs ou marchandises) et la valeur ajoutée d’une économie. Ce rapport exprime le besoin d’une
économie en trafic pour pouvoir créer chaque année sa valeur ajoutée. D’autres détails se trouvent dans Harizi,
2006.
5
4
Ceci dit, le choix des variables nécessaires à la présente étude reste un problème délicat
à résoudre. Si la croissance économique peut être représentée par le Produit Intérieur Brut
(PIB), la sphère des transports peut contenir plusieurs variables de natures différentes. Nous
pensons que la population est, a priori, un facteur central, car sans lui il n’y a pas de force
travail qui soit prête à concrétiser le développement. La partie de cette force de travail
intéressante dans notre sujet est celle qui exerce directement dans le domaine des transports.
C’est pour cette raison, que nous retenons les effectifs travaillant dans le secteur des
transports, le nombre d’emplois créés annuellement dans ce domaine et l’emploi total de
l’économie. Certes, les investissements dans les transports sont énormes, mais ils ne sont pas
répartis d’une manière égales. Ceci s’explique par les priorités dictées par les Plans de
Développement Economique et Social (PDES) depuis les années 1960 et les priorités des
Plans d’Aménagement des Territoires (PAT). La prise en compte des dépenses publiques de
chaque mode à part pose désormais des problèmes de multicolinéarité dans la modélisation6.
Aussi, nous retenons les dépenses totales du domaine des transports tous modes confondus.
La restructuration de l’économie tunisienne au cours des années 1980 a changé
indirectement les logiques de la mobilité. En effet, le parcours moyen d’une tonne de
marchandises a connu une baisse depuis la fin des années 1980 alors que le parcours moyen
d’un voyageur a au contraire progressé depuis la même date (Harizi, 2007). Ce constat nous
conduit à penser à des effets de retour de la croissance économique et démographique sur les
politiques de transport.
1.2. Les variables retenues
L’étude des interactions entre le PIB, la population et les divers facteurs de croissance
relatifs au domaine des transports suppose l’existence d’une ou de plusieurs chaînes de
causalité entre les variables appartenant aux deux sphères. La croissance est désormais
représentée par le PIB, alors que l’ensemble des variables appartenant au transport peut
regrouper tous les facteurs s’articulant autour de ce domaine et pouvant, d’une part exercer un
effet direct ou indirect sur le développement de ce secteur, d’autre part contribuer à la
croissance économique et démographique.
Le trafic est une variable intéressante pour cette étude. Les changements des logiques de
mobilité nous amène à intégrer le trafic kilométrique des voyageurs et le trafic kilométrique
des marchandises. L’emploi du domaine de transport constitue à son tour une variable
pertinente appartenant à la fois aux deux sphères. Ainsi, nous considérons les variables
suivantes en logarithmes depuis 1962 :
-
les dépenses totales relatives au domaine du transport (LDTDT) ;
-
le nombre d’emplois créés dans le domaine du transport (LECDT) ;
-
l’emploi total dans les transports, tous modes confondus (LEDT) ;
-
l’emploi total dans l’économie (LETE) ;
-
le trafic kilométrique des voyageurs (LTKV) ;
-
le trafic kilométrique des marchandises (LTKM) ;
-
la population totale (LPOP) ;
-
la croissance économique, évaluée par le PIB (LPIB).
6
Ceci est dû à la simple raison que la somme des dépenses par mode (aérien, routier, ferroviaire, maritime et
télécommunications) est égale aux dépenses totales du domaine de transport.
5
Il faut toutefois signaler qu’on ne dispose pas de données immédiatement utilisables ni
sur le PIB et la population, ni sur les autres variables relatives aux transports. Les chiffres que
nous présentons dans cette étude sont donc des évaluations personnelles, que nous avons
recomposées en combinant des sources diverses détaillées dans l’annexe 1.
2 Formulation du modèle empirique
Afin d’étudier les différentes liaisons statistiques, nous utilisons une modélisation VAR
(Vector Auto Regressive) ainsi que la notion de causalité au sens de Granger. Ce type d’étude
cliométrique se déroule en cinq étapes et est inspiré des travaux cliométriques de Diebolt (Cf.
notamment Diebolt et Litago, 1997).
2.1. La stationnarisation des variables
La stationnarité est la qualité d’un processus dont les paramètres statistiques (moyenne
et écart type) ne se modifient pas dans le temps. Il s’ensuit qu’une série temporelle non
stationnaire (ou stochastique) évolue au fil du temps. Elle peut avoir des trends autour de la
moyenne ou de la variance. Beaucoup de séries économiques temporelles sont non
stationnaires et ont besoin de transformations, telles que la différenciation ou l’élimination de
la tendance, pour être rendues stationnaires. Tatom (1993b) a renouvelé les estimations de ses
prédécesseurs (Aschauer, 1989a ; Munnell, 1990) en y incorporant une tendance de long
terme. En différenciant les séries de ces deux auteurs, il obtient une relation liant les taux de
croissance de la production et du capital public. Les estimateurs obtenus traduisent l’absence
d’effets significatifs des infrastructures. Lynde et Richmond (1993b) obtiennent cependant
des résultats contraires à ceux de Tatom (1993b) : après stationnarisation des séries, le déclin
de la part du capital public expliquerait à hauteur de 40% celui de la productivité du travail.
Tatom (1993a) affirme toutefois que la méthodologie utilisée par les deux auteurs ne les
prémunit pas de résultats fallacieux.
Ces faits empiriques nous obligent, avant de passer au traitement économétrique des
variables, de nous assurer de cette propriété. Un processus Xt n’est stationnaire que lorsque
tous ses moments sont invariants pour tout changement de l’origine du temps. Deux types de
processus sont au contraire non stationnaires : les processus TS (Trend Stationary Processes)
qui présentent une non stationnarité de type déterministe et les processus DS (Difference
Stationary Processes) pour lesquels, la stationnarité est de type aléatoire. Les processus de
type TS sont stationnarisés par écart à la tendance alors que ceux de type DS sont
stationnarisés par un filtre aux différences. Il est important à noter à ce niveau que le nombre
de filtres aux différences permet de déterminer l’ordre d’intégration de la variable : s’il est
nécessaire de différencier d fois une variable afin de la stationnariser, on dit que cette
variable est intégrée d’ordre d , noté I (d ) . En présence de variables non stationnaires, il peut
se produire ce que Granger et Newbold (1974) appellent une régression factice. On voit
apparaître une corrélation significative entre les variables, alors que les résultats sont en fait
dépourvus de toute signification économique. Afin de discriminer entre les deux types de
processus et d’appliquer la méthode de stationnarisation adéquate, on utilise notamment les
tests de Dickey-Fuller (1981). Pour s’assurer de la stationnarité des variables, il faut
commencer par une étude de leurs graphiques (Annexe 2).
6
L’inspection des séries brutes indique qu’elles exhibent une tendance à la hausse dans le
temps7. Donc les séries ne sont pas stationnaires, c’est-à-dire que leurs moyennes ne sont pas
stationnaires et cela nous laisse à penser à la non stationnarité de leurs variances. En effet, si
on trace pour chaque série le graphique de l’écart type par rapport à la moyenne, nous
trouvons une variabilité (croissance ou décroissance) de l’écart type par rapport à la moyenne.
C’est la raison pour laquelle nous faisons appel à une transformation logarithmique des séries
brutes (représentées et notées avec L). L’examen de ces graphiques (Annexe 2) confirme bien
que pour toutes les variables, les séries transformées sont devenues stationnaires en variances.
En effet, on remarque une chute accrue des écarts types. Ce résultat renforce la légitimité
d’une transformation logarithmique.
Cependant, on remarque que si certaines variables sont devenues stationnaires sous leurs
formes logarithmiques (LDTDT, LTKV et LTKM), d’autres séries ne le sont toujours pas
même avec la transformation logarithmique (leurs moyennes ne sont pas encore
stationnaires). Ce constat est confirmé aussi par l’analyse des corrélogrammes des
autocorrélations de ces variables (Annexe 3). On doit donc les différencier par un filtre « d ».
L’applicationdu test de Dickey-Fuller (Annexe 4) montre que trois d’entre-elles sont
stationnaires sous leurs formes logarithmiques (LDTDT, LTKV et LTKM) et sont donc
intégrées en niveau « I(0) » alors que les variables restantes deviennent stationnaires par une
différence première. Elles sont donc notées DLPIB, DLPOP, DLETE, DLECDT et DLEDT et
sont intégrées d’ordre 1.)
2.2. Analyse de la coïntégration entre les variables
Cette deuxième étape suppose qu’au cours de l’étape précédente nous avons
stationnarisé toutes les variables dont les processus sont non stationnaires. D’une façon
générale, les modèles VAR permettent, d’une part d’analyser les effets d’une variable sur
l’autre à travers des simulations de chocs aléatoires et, d’autre part de mener l’analyse en
terme de causalité. Un modèle VAR à k variables et à p décalages, noté VAR( p ) s’écrit sous
la forme suivante :
Yt = A0 + A1Yt −1 + A2Yt − 2 + ... + A p Yt − p + vt
(1)
⇔ A(D )Yt = A0 + vt
Dans cette expression, Yt représente un vecteur de dimension (k ,1) et vt un vecteur des
résidus. Tel qu’il se présente, ce modèle ne donne aucune idée sur le nombre de retards à
retenir et ceci nous amène, avant tout traitement économétrique, à déterminer le retard optimal
( p ). Il s’agit d’un retard qui minimise les critères d’Akaike ( AIC ) et Schwarz (SBC ) . La
connaissance de ce retard est en effet nécessaire pour passer aux étapes suivantes. Toutefois,
si le retard p reste inchangé durant toute l’étude, le modèle VAR déterminé au cours de cette
étape, peut faire l’objet d’une modification, en fonction des résultats obtenus lors de la
troisième étape. La formulation du modèle devient possible puisque le problème de la
stationnarité des variables est résolu. Nous construisons donc le modèle VAR sur des
variables stationnaires. Le nombre de retards minimisant les critère AIC et SC est p = 1 .
7
Ceci signifie l’existence d’une variation lente s’effectuant dans un sens déterminé qui se maintient pendant une
longue période.
7
Comme nous l’avons indiqué auparavant, la régression de séries de données non
stationnaires donne lieu à des problèmes de régressions factices et incohérentes. Toutefois,
dans un contexte multivarié, il peut y avoir une combinaison linéaire de variables intégrées
qui soit stationnaire. On dit que ces variables sont coïntégrées, dans la mesure où elles ont une
racine unitaire commune et où la séquence de chocs stochastiques est la même pour les deux.
Si deux séries non stationnaires sont coïntégrées, l’importance de leurs divergences aura
donc, par définition, des caractéristiques stationnaires et ne traduira que le déséquilibre. Ainsi,
la coïntégration est un concept fort, qui permet d’appréhender la relation d’équilibre, même
entre des séries non stationnaires (si une telle relation existe), au sein d’un modèle
stationnaire. L’analyse de coïntégration consiste à estimer la relation économique à long
terme entre des variables non stationnaires intégrées. L’analyse de la coïntégration présentée
par Engle et Granger (1983, 1987) a pour avantage l’identification de la véritable relation
entre deux variables en recherchant d’abord l’existence éventuelle d’un vecteur d’intégration
et en éliminant ensuite son effet.
Si nous considérons deux séries temporelles X t et Yt , elles sont dites coïntégrées si et
seulement si les deux conditions suivantes sont remplies :
-
X t et Yt sont affectées du même ordre d’intégration, « d » ;
-
Une combinaison linéaire de X t et Yt permet de se ramener à une série d’ordre
d’intégration inférieur, ce qui implique que :
X t → I (d ) et Yt → I (d ) , telle que (a. Xt + b.Yt ) → I (d − b ) avec d ≥ b ≥ 0.
On note :
( Xt , Yt ) → CI (d , b ) .
(2)
La mise en place de ce test est possible grâce à la statistique ( λ ) de Johansen, calculée à
partir des valeurs propres ( λi ) de la matrice définissant les relations de long terme du modèle.
Cette statistique se présente comme suit :
λ = −n∑i = r +1 Ln(1 − λi )
k
(3)
Cette statistique suit une loi de probabilité (similaire à khi–deux) tabulée à l’aide des
simulations de Johansen et Josélius. Le test fonctionne par exclusion d’hypothèses
alternatives quant au nombre de relations de coïntégration ( r ). Dans un premier temps, on
teste l’hypothèse H 0 : r = 0 contre l’hypothèse alternative r >0. Si H 0 est acceptée, la
procédure de test s’arrête sinon on passe à l’étape suivante. Ce schéma est reproduit tant que
H 0 est rejetée. Si pour le test H 0 : r = k contre r >k, H 0 est rejetée, nous parvenons à
conclure que les variables ne sont pas coïntégrées. Le traitement économétrique des séries
chronologiques impose ce test dans le but d’éviter les risques de régressions fallacieuses. En
plus, dans le cadre d’une modélisation VAR , la présence de coïntégration nécessite une
correction du modèle (Vector Error Correction Model, VECM) qui tienne compte de cette
relation. Enfin, la réalisation de ce test est possible sur des logiciels d’économétrie. Dans le
présent travail, nous utilisons le logiciel E–Views 4.1 et les résultats sont reportés dans le
tableau suivant :
8
Tableau 1 : Test de coïntégration de Johansen
Date: 10/11/06 Time: 16:05
Sample(adjusted): 1964 2005
Included observations: 42 after adjusting endpoints
Trend assumption: No deterministic trend
Lags interval (in first differences): 1 to 1
Variables intégrées
en niveau
(Series)
LTKV-LTKM
LTKM-LTKV
LTKV-LDTDT
LDTDT-LTKV
LTKM-LDTDT
LDTDT-LTKM
λ trace
(Trace Statistic)
Valeur Critique
au seuil de 5% *
(5 Percent Critical Value) *
-2.933158
-3.580267
-2.461973
-2.977821
-2.131267
-2.914529
-1.027967
-2.652429
-1.043398
-1.167215
-1.098101
-1.029336
Date: 10/11/06 Time: 16:09
Sample(adjusted): 1964 2005
Included observations: 41 after adjusting endpoints
Trend assumption: No deterministic trend
Lags interval (in first differences): 1 to 1
Variables intégrées
D’ordre 1
(Series)
DLPIB-DLPOP
DLPIB-DLEDT
DLPIB-DLETE
DLPIB-DLECDT
DLPOP-DLPIB
DLPOP –DLEDT
DLPOP –DLETE
DLPOP –DLECDT
DLEDT-DLPIB
DLEDT-DLPOP
DLEDT –DLETE
DLEDT –DLECDT
DLETE-DLPIB
DLETE-DLPOP
DLETE –DLEDT
DLETE –DLECDT
DLECDT-DLPIB
DLECDT-DLPOP
DLECDT –DLEDT
DLECDT –DLETE
λ trace
(Trace Statistic)
Valeur Critique
au seuil de 5% *
(5 Percent Critical Value) *
17.47320
13.32012
19.43298
12.44117
17.47320
16.74404
16.00653
19.04337
13.32012
16.46712
11.51414
13.43098
19.43298
16.10234
11.51414
18.09816
13.42405
19.88531
13.88429
19.55129
15.35
11.21
10.16
10.52
15.35
14.76
14.82
16.77
11.21
14.55
12.53
11.62
16.52
14.91
12.53
14.97
11.74
16.34
11.09
16.18
* Ces test sont effectués avec un retard (p = 1) qui minimise les critères de AIC et SBC.
D’abord, nous effectuons le test pour les variables intégrés en niveau (LTKV, et LTKM )
notées « I(0) », ensuite le même test est effectué aux variables restantes qui sont intégrées
d’ordre 1. Elles sont notées « I(1) ». Le test de Johansen conduit à rejeter l’existence de
relations de coïntégrations.
9
2.3. Détermination du modèle VAR optimal
Dans cette étude, la possibilité d’utiliser un VECM8 est rejetée puisqu’il n’existe pas de
relations de coïntégration entre les variables du modèle. L’utilisation d’une modélisation VAR
permet d’analyser les effets d’une politique économique à travers deux outils : d’une part, les
fonctions de réponse impulsionnelles permettent de mesurer les chocs sur les variables du
modèle et d’autre part, la décomposition de la variance de l’erreur de prévision de chaque
variable nous permet de conclure sur l’endogéïnité ou l’exogéïnité de la variable en question.
Si, par exemple, un choc sur l’erreur de prévision de y1t n’affecte pas la variance de l’erreur
de prévision de y 2t , on peut conclure que celle-ci est exogène et elle évolue de manière
indépendante.
Comme le test de Johansen conduit à rejeter l’existence de relations de coïntégration
(tableau 1), on conserve le modèle VAR (1) sous sa forme normale. Ce modèle se présente
sous la forme suivante :
⎡ A11 ............................. A18 ⎤ DLPIB
⎤
⎡ DLPIBt ⎤
t −1
⎥ ⎡⎢
⎢ 1
⎢ DLPOP ⎥
⎥ ⎢ DLPOPt −1 ⎥⎥
⎢ A2
t
⎥
⎢
⎥
⎢ A1
⎥
⎥
⎢ LTKVt
⎥ ⎢ LTKVt −1
⎢ 3
⎢
⎥
⎢
1
⎥ ⎢ LTKM t −1 ⎥⎥
⎢
⎢ LTKM t ⎥ = [A ] + ⎢ A4
+ [v t ]
⎥.⎢
0
1
⎢ LDTDTt ⎥
⎥ LDTDTt −1 ⎥
⎢ A5
⎥
⎢
⎥ ⎢ DLEDTt −1 ⎥
⎢ A1
⎥
⎢ DLEDTt ⎥
⎥ ⎢⎢
⎢ 6
⎢ DLETE ⎥
⎥ ⎢ DLETE t −1 ⎥⎥
⎢ A71
t
⎥
⎢
⎥
⎢ 1
7 ⎢ DLECDTt −1 ⎦
⎥
⎣⎢ DLECDTt ⎦⎥
⎢⎣ A8 .............................. A8 ⎥⎦ ⎣
( 4)
3 La recherche de causalités
Dans cette section nous exposons et interprétons les différents résultats obtenus en
commençant tout d’abord par les fonctions de réponse impulsionnelles, en provoquant des
chocs sur les résidus des variables. Ensuite, nous présentons et interprétons le circuit de
causalité. Enfin, nous entamons l’étude par une interprétation des résultats de la
décomposition des variances.
8
Rappelons à cet égard qu’un VECM est un modèle dynamique dans lequel le mouvement des variables en toute
période est lié à l’écart de la période précédente vis-à-vis de l’équilibre à long terme. La coïntégration donne un
moyen de diviser l’évolution des données de séries temporelles en ses deux composantes (c’est-à-dire les
caractéristiques de l’équilibre à long terme et la dynamique du déséquilibre à court terme), en utilisant un lien
direct entre la coïntégration et ce que l’on appelle le VECM. Ce lien est formalisé par le théorème de
représentation d’Engle-Granger : si deux séries sont coïntégrées, elles seront représentées de la façon la plus
efficiente par une spécification de correction d’erreurs. En outre, si la série est coïntégrée et le MCE validé, elle
englobera toute autre spécification dynamique. Pour tout ensemble de variables I (1) , la correction d’erreurs et
la coïntégration sont des représentations équivalentes. Ainsi, une spécification de VECM est la façon la plus
efficiente de représenter les propriétés à long terme ou d’équilibre du système, les propriétés à court terme ou de
déséquilibre et la nature de l’ajustement vers l’équilibre.
10
3.1. Analyse des fonctions de réponse impulsionnelles
Nous conservons le modèle (4). Il est désormais possible d’étudier les impacts que les
variables ont les unes sur les autres. Pour une meilleure appréhension des phénomènes
économiques (notamment le sens de causalité), il est nécessaire de passer à une analyse de
causalité.
Les fonctions de réponse impulsionnelles retracent la réponse de chaque variable
intéressante dans l’étude à un choc exogène. On représente souvent la réponse graphiquement
avec l’horizon sur l’axe horizontal et la réponse sur l’axe vertical. Dans un modèle linéaire,
les réponses impulsionnelles ne sont pas historiquement dépendantes et l’ordre de grandeur du
choc n’altère pas leur profil temporel. En outre, les effets d’un choc de deux unités sont
simplement deux fois ceux d’un choc d’une unité, tandis que les effets d’un choc négatif sont
seulement le négatif de ceux d’un choc positif9. Mais l’interprétation des fonctions de réponse
impulsionnelles pour un modèle non linéaire est plus difficile, car les réponses
impulsionnelles sont historiquement dépendantes. En d’autres termes, l’effet d’un choc sur le
sentier temporel dépend des magnitudes des chocs actuels et suivants, le signe du choc
pouvant aussi avoir une importance. L’analyse des fonctions de réponse impulsionnelles
(figure 1) montre que les chocs sont tous transitoires puisque les variables retenues retrouvent
leur équilibre de long terme au bout de cinq ans maximum.
Figure 1 : Les fonctions de réponse impulsionnelles
9
D’autres explications plus détaillées sont présentées par Enders, W. (2004). Applied econometric time series,
John Wiley and Son.
11
12
Quand les résidus du PIB varient significativement, les chocs sur les variables restantes
indiquent une influence positive sur les dépenses totales du domaine de transport dès la
première année qui devient négative la seconde année puis s’amortit progressivement. Dans
une moindre proportion, l’emploi total dans l’économie et l’emploi du domaine de transport
sont affectés dès la première année, respectivement de manière positive et négative. En
revanche, au cours de la deuxième et de la troisième période l’influence sur l’emploi du
domaine des transports est devenue positive.
D’autres variables ne sont affectées que l’année suivante, et ce de manière positive : le
nombre d’emploi créés dans le domaine de transport, le trafic kilométrique des voyageurs et
celui de marchandises. Cette influence s’amortit ensuite et les variables retrouvent leur
équilibre de long terme au bout de cinq ans. Seule la population n’est affectée que la troisième
année, et ce de manière négative. Cette affectation reste négative l’année suivante et s’amortit
au bout de la cinquième année.
Les impacts sur le PIB sont très différents d’une variable à une autre. La première
année, le PIB n’est affecté que lorsque se produit un choc sur les résidus de la population, du
nombre d’emplois créés dans le domaine de transport, du trafic kilométrique des voyageurs ou
encore du trafic kilométrique des marchandises. Cette influence est positive dans le cas d’un
choc sur les résidus de la population ou sur ceux du nombre d’emplois créés dans les
transports. Au contraire elle est négative dans le cas d’un choc sur les résidus des deux autres
variables (le trafic en général).
Au cours de la deuxième année, l’influence positive sur le PIB continue à apparaître
lorsque le choc est effectué sur les résidus de la population mais elle devient négative dans le
cas d’un choc sur les résidus du nombre d’emplois créés dans le domaine de transport.
Au contraire, et au cours de la deuxième période, alors qu’elle devient positive puis
s’amortit avec un choc sur les résidus du trafic kilométrique des voyageurs, l’influence sur le
PIB s’amortit tout en demeurant négative lorsque le choc concerne les résidus du trafic
kilométrique des marchandises.
13
Au cours des années suivantes, le PIB est affecté positivement par une variation
significative des résidus de la population et négativement par un choc sur le nombre
d’emplois créés dans les transports, le trafic kilométrique des voyageurs et celui des
marchandises. Dans le cas de l’emploi créé dans les transports, l’influence devient positive
avant de s’amortir. Elle reste négative dans le cas de trafic kilométrique des voyageurs alors
qu’elle s’amortit dès la troisième année dans l’autre trafic et de la population. Ainsi, le PIB est
apparemment sensible aux chocs sur les différentes variables du domaine de transport.
Quand à la population, elle est aussi sensible aux chocs sur les variables de la sphère des
transports. En effet, elle est affectée positivement la première année par une variation
significative de résidus de l’emploi du domaine des transports et de trafic en général, la
seconde année, elle est affectée positivement par les dépenses et l’emploi des transports,
l’emploi total de l’économie et le trafic kilométrique des voyageurs. L’emploi créé dans les
transports l’affecte plus fortement la première année, alors que l’emploi dans les transports
l’affecte plus fortement dans la deuxième année pour s’amortir ensuite.
L’application du test de causalité de Granger fournira des indications quant aux liaisons
qu’ont les variables entre elles.
3.2. Causalités entre variables (Granger, 1988)
L’analyse des causalités au sens de Granger amène des informations supplémentaires
quant à l’antériorité des évènements entre eux. La mise en évidence de relations causales entre
les variables d’une étude nous permet de mieux comprendre les phénomènes économiques.
Théoriquement, la variable y1t cause la variable y 2t , si et seulement si la prévision de cette
dernière s’améliore lorsqu’on incorpore à l’analyse des informations relatives à y1t et à son
passé. Plus précisément, soit le modèle VAR( p ) suivant :
[y ] = [A ] + [A B ].[y ] + [A B ].[y ] + ... + [A B ].[y ] + [ε ]
i ,t
0
i
1
i
1
i
2
i ,t −1
i
2
i ,t − 2
(i *1) (i *1) (i * i ) (i *1) (i * i ) (i *1)
i
p
i
p
i ,t − p
i ,t
(i * i ) (i *1) (i *1)
(5)
Pour définir le sens de la causalité entre deux variables, on est amené à tester deux hypothèses
( H 0 et H 0' ) de la manière suivante :
•
On teste d’abord l’hypothèse H 0 (contre l’hypothèse alternative H 1 ) : y 2t ne cause
pas y1t , c’est-à-dire que les coefficients des blocs matriciels B sont nuls.
•
Ensuite, on teste H 0' (contre l’hypothèse alternative H 1' ) : y1t ne cause pas y 2t , c’està-dire que les coefficients des blocs matriciels A sont nuls.
Si on est amené à accepter les deux hypothèses alternatives H 1 et H 1' , on parle de
« boucle rétroactive ». Le test s’effectue par comparaison des modèles VAR contraints
( UVAR ) par les hypothèses nulles et non contraints ( RVAR ). Le ratio de vraisemblance
correspondant se calcule selon la formule suivante :
(
L* = (n − c ) Ln ∑ RVAR − Ln ∑UVAR
14
)
(6)
Où
∑
est la matrice des « variances/covariances » des résidus du modèle
correspondant, n est le nombre d’observations et c représente le nombre de paramètres
estimés dans le modèle contraint. L* suit une loi de khi–deux à 2 p degrés de liberté
( X 2 (2 p ) ).
Le rejet de la validité des contraintes (c’est-à-dire que l’on admettra la présence d’une
relation causale) est imposé lorsque la valeur de L* est supérieure à la valeur critique tabulée.
Enfin, au niveau du traitement statistique, on acceptera une relation causale lorsque la
probabilité calculée ( PROB ) est inférieure au risque de première espèce (5 %).
Les résultats du test de causalité de Granger (tableau 2) permettent d’accepter la
présence de nombreuses relations de causalités entre les différentes variables de notre
recherche. Pour simplifier l’étude, nous reportons ces différentes relations causales sur la
figure suivante :
Figure 1 : Dynamique interne entre transports, croissance et population
DTDT
ECDT
POP
EDT
ETE
TKV
PIB
TKM
15
Tableau 2 : Résultats du test de causalité de Granger
Pairwise Granger Causality Tests
Date: 10/11/06 Time: 00:18
Sample: 1962 2005
Lags: 1
Null Hypothesis:
Obs
F-Statistic
Probability
DLPOP does not Granger Cause DLPIB
42
0.73391
0.39685
1.35469
0.25153
0.30397
0.58455
0.65711
0.42250
0.22582
0.63729
0.32402
0.57247
11.0934
0.00278
4.77211
0.02862
0.71207
0.69838
0.20626
0.40581
3.08287
0.05047
0.00349
0.56079
1.56754
0.39156
0.06439
0.84753
0.43013
0.48157
1.73008
0.32158
0.01427
0.90554
0.63492
0.43038
13.4752
0.00236
0.00395
0.02280
1.76423
0.49908
0.86655
0.12555
0.29182
0.64028
0.14623
0.30424
0.9587
0.25850
1.81940
0.30091
4.71514
0.03589
0.32788
0.05701
DLPIB does not Granger Cause DLPOP
LTKV does not Granger Cause DLPIB
42
DLPIB does not Granger Cause LTKV
LTKM does not Granger Cause DLPIB
42
DLPIB does not Granger Cause LTKM
LDTDT does not Granger Cause DLPIB
42
DLPIB does not Granger Cause LDTDT
DLEDT does not Granger Cause DLPIB
42
DLPIB does not Granger Cause DLEDT
DLETE does not Granger Cause DLPIB
42
DLPIB does not Granger Cause DLETE
DLECDT does not Granger Cause DLPIB
42
DLPIB does not Granger Cause DLECDT
LTKV does not Granger Cause DLPOP
42
DLPOP does not Granger Cause LTKV
LTKM does not Granger Cause DLPOP
42
DLPOP does not Granger Cause LTKM
LDTDT does not Granger Cause DLPOP
42
DLPOP does not Granger Cause LDTDT
DLEDT does not Granger Cause DLPOP
42
DLPOP does not Granger Cause DLEDT
DLETE does not Granger Cause DLPOP
42
DLPOP does not Granger Cause DLETE
DLECDT does not Granger Cause DLPOP
42
DLPOP does not Granger Cause DLECDT
LTKM does not Granger Cause LTKV
LTKV does not Granger Cause LTKM
16
43
Pairwise Granger Causality Tests
Date: 10/11/06 Time: 00:18
Sample: 1962 2005
Lags: 1
Null Hypothesis:
Obs
F-Statistic
Probability
LDTDT does not Granger Cause LTKV
43
0.00098
0.96841
0.06623
0.89358
0.43416
0.49863
4.89064
0.03174
0.59952
0.43945
1.02125
0.38401
0.21987
0.58862
0.39517
0.58094
0.18387
0.67037
0.02898
0.86569
0.36442
0.54956
0.92933
0.34098
0.08657
0.77014
0.05075
0.82294
1.51310
0.22604
0.60479
0.44145
0.60271
0.43538
2.27136
0.13984
1.43513
0.24578
0.12816
0.72935
0.23486
0.64458
5.29852
0.00359
2.31921
0.17579
4.39404
0.02074
9.01112
0.00954
0.69594
0.27819
1.21202
0.24774
0.094224
0.76234
LTKV does not Granger Cause LDTDT
DLEDT does not Granger Cause LTKV
42
LTKV does not Granger Cause DLEDT
DLETE does not Granger Cause LTKV
42
LTKV does not Granger Cause DLETE
DLECDT does not Granger Cause LTKV
42
LTKV does not Granger Cause DLECDT
LDTDT does not Granger Cause LTKM
43
LTKM does not Granger Cause LDTDT
DLEDT does not Granger Cause LTKM
42
LTKM does not Granger Cause DLEDT
DLETE does not Granger Cause LTKM
42
LTKM does not Granger Cause DLETE
DLECDT does not Granger Cause LTKM
42
LTKM does not Granger Cause DLECDT
DLEDT does not Granger Cause LDTDT
42
LDTDT does not Granger Cause DLEDT
DLETE does not Granger Cause LDTDT
42
LDTDT does not Granger Cause DLETE
DLECDT does not Granger Cause LDTDT
42
LDTDT does not Granger Cause DLECDT
DLETE does not Granger Cause DLEDT
42
DLEDT does not Granger Cause DLETE
DLECDT does not Granger Cause DLEDT
42
DLEDT does not Granger Cause DLECDT
DLECDT does not Granger Cause DLETE
DLETE does not Granger Cause DLECDT
.
17
42
Le circuit de causalité montre que le PIB est influencé par de nombreuses variables du
système de transport, et ce de manière directe (dépenses totales dans les transports et emploi
total de l’économie) ou indirecte (nombre d’emplois créés dans les transports, l’emploi dans
ce secteur et le trafic en général) via l’emploi total de l’économie. Ainsi, tout changement
dans le système de transport a des répercussions sur le PIB. De plus, l’influence directe de la
population sur les dépenses dans ce domaine public mais aussi indirecte sur les autres
variables du système de transport via ces dépenses et ainsi sur le PIB laisse supposer que le
facteur démographique a un rôle non négligeable dans tout le système économique.
Les relations causales les plus importantes dans ce circuit sont celles qui reflètent un
« effet feedback » entre variables et c’est ce que les économistes appellent « boucle
rétroactive » :
•
Le premier « feedback » s’exerçant entre le PIB et les dépenses montre que les transports,
à travers ces investissements qui leurs sont consacrés, influenceraient le PIB mais seraient
influencés en retour par ces derniers. Dans ce cas, une politique d’aide aux transports
serait théoriquement favorable à la croissance mais d’un autre coté, une relance
économique aurait des répercussions positives sur les transports. Dans une étude effectuée
en 1996, Garcia Milà et al., montrent que la mesure la plus judicieuse des bénéfices
induits par les infrastructures de transport ne réside pas dans l’évaluation de la part de la
production ou de la productivité imputable aux dépenses correspondantes. D’abord, parce
que ces infrastructures, ainsi leurs dépenses, constituent une partie seulement d’un stock
de capital beaucoup plus vaste et englobant de nombreux biens privés (comme le parc
automobile). Ensuite, parce qu’une grande partie de leurs effets transite par les gains de
temps induits par la construction et l’amélioration des réseaux. Ces gains de temps sont le
résultat combiné d’une décongestion du réseau traditionnel, de l’accroissement des
vitesses moyennes sur les nouvelles infrastructures, ou encore des progrès techniques liés
plus généralement au secteur de transport. Ils se traduisent concrètement par la réduction
des délais de livraison, l’extension des aires de marché, l’intensification de la concurrence
et la multiplication des échanges commerciaux, autant de phénomènes dont les
conséquences ne peuvent être appréhendées via la simple endogenéisation
macroéconomique des dépenses publiques d’infrastructures dans les fonctions de production.
•
Le deuxième « feedback » s’exerçant entre la population et les dépenses totales des
transports montre que l’accroissement de la population influencerait les dépenses des
transports mais serait influencé en retour par ces dernières. Dans ce cas, toute
augmentation de la population nationale engendrerait une augmentation des dépenses des
transports et ceci est justifié par le recours des autorités publiques à l’amélioration des
réseaux existants et à l’investissement dans de nouveaux projets. D’un autre coté, la
croissance des transports, à travers les dépenses qui leurs sont consacrés, aurait une
influence positive sur la population. Bien que ce constat majeur ait justifié dans le cadre
d’une économie ouverte, nos résultats le prouvent dans un cadre d’une économie fermée.
L’explication de ce phénomène doit passer par les modèles d’économie géographique. En
effet, d’une part, la réalisation des projets de transport, à travers les dépenses, peut être
considéré comme un facteur d’agglomération et ainsi ces facteurs favorisent la
concentration des agents (entreprises et ménages) dans des lieux aux détriments des autres
(Fritsch, 1998 ; Combes et Lafourcade 2001 ; Harizi, 2007). D’autre part, les progrès
techniques associés aux transports impliquent une réduction des coûts de transaction, ce
qui, en économie ouverte, influence les choix de localisation des agents en favorisant la
concentration des agents dans des lieux au détriment des autres (Lafourcade et Tropeano,
2000). Ainsi, l’explication de ces mécanismes doit passer par une étude plus fine de ces
18
deux variables : il faut passer à une décomposition de ces deux variables nationales en
variables régionales pour montrer surtout l’effet des dépenses sur les flux de migrations.
•
Le dernier « feedback » s’exerçant entre trafics montre que l’accroissement du trafic
kilométrique des voyageurs influencerait celui des marchandises mais serait influencé en
retour par ce dernier. Dans ce cas, tout accroissement de l’un d’eux s’accompagne
théoriquement d’un accroissement de l’autre trafic kilométrique mais d’un autre coté,
toute baisse de l’un des deux trafics aurait des répercussions négatives sur l’autre. Ce
résultat vérifié dans le cas d’un pays émergent est justifié notamment par la croissance
considérable du mode de transport routier qui absorbe la majorité du trafic de voyageurs et
de marchandises. La hausse du trafic routier de marchandises et de voyageurs en Tunisie,
encouragée par une forte baisse des tarifs ou du coût généralisé de transport, a ainsi
permis d’étendre la révolution industrielle mais aussi, grâce à l’afflux des techniques
nouvelles, d’accélérer le processus d’industrialisation là où il était déjà amorcé. Le
développement des réseaux routiers a notamment favorisé l’essor des villes, qui sont
devenues les carrefours de la circulation routière.
Le circuit de causalité montre l’existence de réseaux d’influence entre les deux sphères,
mais ne renseigne en rien sur la quantification de ces impacts. Ceci fait l’objet du paragraphe
suivant.
3.3. Résultats de la décomposition de la variance
La décomposition de la variance va nous permettre de connaître dans quelle direction ou
sens le choc a le plus d’impact. Les résultats de cette décomposition indiquent les véritables
interactions entre variables :
Tableau 3 : Analyse de la variance
Variance decomposition of DLPOP:
Period
S.E.
DLPOP
DLECDT
1
0.003105
0.000000
86.997690
2
0.003361
83.186700
0.168577
3
0.003429
81.293430
0.219675
4
0.003437
81.946540
0.237113
5
0.003439
81.702610
0.232203
Variance decomposition of DLECDT:
Period
S.E.
DLPOP
DLECDT
1
0.011322
29.982028
38.123217
2
0.009308
33.285611
36.123288
3
0.010715
32.433210
34.123719
4
0.010805
32.446542
34.004555
5
0.010832
31.457077
34.399321
Variance decomposition of LTKV:
Period
S.E.
DLPOP
DLECDT
1
0.041354
2.082999
0.000000
2
0.045773
2.085111
0.023287
3
0.047652
2.001212
0.113710
4
0.048111
2.005641
0.174555
5
0.048226
2.000341
0.219321
Variance decomposition of DLPIB:
Period
S.E.
DLPOP
DLECDT
1
0.026111
0.000000
0.000000
2
0.027528
1.005188
0.027281
3
0.030114
1.001327
0.465510
4
0.030155
1.335671
0.514544
5
0.030513
1.689427
0.595213
Variance decomposition of DLETE:
Period
S.E.
DLPOP
DLECDT
1
0.067982
0.000000
0.000000
2
0.071447
0.330027
10.819049
3
0.083062
14.571094
8.194550
4
0.080913
14.540769
8.773450
5
0.082408
14.271033
8.996720
LTKV
0.000000
3.208181
3.579062
2.481116
2.221122
DLPIB
4.016670
7.187210
6.819796
6.690960
6.673691
DLETE
7.291297
4.540140
5.618147
5.691679
5.634280
LTKM
0.000000
0.471121
1.217654
1.603212
1.701121
DLEDT
1.634041
0.074639
0.115464
0.398488
0.382899
LDTDT
0.060302
1.163432
1.136772
0.950892
1.453195
LTKV
6.058189
5.205541
5.055410
5.055202
5.005501
DLPIB
15.768108
14.768109
14.643121
13.760398
13.733309
DLETE
4.381212
4.240120
4.235432
4.220142
4.219987
LTKM
1.629460
1.030615
3.008121
3.006317
3.696849
DLEDT
0.982028
1.285611
1.433210
1.446542
1.457077
LDTDT
3.075758
4.061105
5.067777
6.060302
6.030879
LTKV
85.123179
84.004876
83.656543
82.880087
82.123174
DLPIB
0.123309
0.232409
0.341418
0.776631
0.867980
DLETE
0.381212
0.240120
0.235432
0.220142
0.219987
LTKM
5.430724
5.091835
5.140453
6.428369
6.081252
DLEDT
0.782720
1.261851
1.433555
1.454462
1.457066
LDTDT
6.075857
7.060511
7.077677
6.060113
7.030879
LTKV
0.000000
4.121300
4.461110
4.661098
4.990004
DLPIB
61.123364
49.134301
49.766704
49.543002
49.338759
DLETE
0.481555
1.240170
0.255425
0.290177
0.691234
LTKM
0.000000
6.121100
6.461112
6.661098
5.990004
DLEDT
3.782720
4.661000
4.461851
4.171666
4.060809
LDTDT
34.612361
39.810860
39.588072
39.483842
38.634554
LTKV
3.223690
3.004701
2.591971
3.524453
4.757134
DLPIB
0.000000
2.158109
2.991504
3.097283
3.140432
DLETE
72.829156
61.247770
49.554620
49.256618
48.234229
LTKM
0.000000
0.442473
2.014418
2.272295
2.246601
DLEDT
9.827211
8.219233
7.951978
7.421971
7.251712
LDTDT
14.119943
13.778638
12.129865
11.113161
11.102139
19
Variance decomposition of LTKM:
Period
S.E.
DLPOP
DLECDT
1
0.041532
1.083002
0.000000
2
0.047021
1.084098
0.024290
3
0.048054
1.001323
0.113600
4
0.048123
2.005630
0.174597
5
0.048158
2.000340
0.219342
Variance decomposition of DLEDT:
Period
S.E.
DLPOP
DLECDT
1
0.063879
0.000000
0.000000
2
0.082572
19.330021
0.319111
3
0.083898
18.471092
0.494550
4
0.084080
19.540769
0.571734
5
0.085022
20.002710
0.696770
Variance decomposition of LDTDT:
Period
S.E.
DLPOP
DLECDT
1
0.033237
0.000000
1.660259
2
0.039701
0.103102
0.649296
3
0.039540
1.343199
1.337864
4
0.040048
1.652999
1.831181
5
0.044021
1.770001
2.371775
LTKV
4.430727
4.092830
4.140452
6.428369
6.081231
DLPIB
0.381202
0.241117
0.235643
0.220131
0.219999
DLETE
0.113314
0.233414
0.341519
0.776600
0.867968
LTKM
88.133190
87.005879
85.656654
82.880076
82.123074
DLEDT
0.792607
1.271854
1.433544
1.454361
1.457066
LDTDT
5.085959
6.050508
7.077688
6.060214
7.030900
LTKV
0.000000
1.129828
1.798289
1.812222
1.821512
DLPIB
0.000000
3.000545
2.894551
2.773451
3.099672
DLETE
0.000000
8.158106
8.791504
9.097238
9.040432
LTKM
0.000000
1.320875
1.934328
1.476862
2.492446
DLEDT
100.000000
63.951971
62.964477
61.976751
60.231330
LDTDT
0.000000
2.789543
2.651209
2.750973
2.615128
LTKV
0.000000
1.025200
1.692801
1.910021
1.985432
DLPIB
0.000000
5.660921
5.783000
5.907121
5.998704
DLETE
0.000000
3.010990
4.010933
4.010944
4.120911
LTKM
0.000000
0.157091
0.188000
0.189033
0.192041
DLEDT
3.231611
3.166000
3.105193
3.055211
3.031126
LDTDT
95.10813
86.22740
82.53901
81.44349
80.55001
Nos résultats indiquent que la variance du PIB est dû à 61,1% à ses propres innovations
et à 34,6% à celles des dépenses totales dans les transports ; ces dernières influencent
respectivement à hauteur de 14,1%, 6% et 5%, la variance de l’emploi total de l’économie, le
trafic kilométrique des voyageurs et le trafic kilométrique des marchandises. En revanche, la
variance des dépenses dans les transports est dû à 94,1% à ses propres innovations. Ainsi, un
choc sur les dépenses de transports a plus d’impact sur le PIB, l’emploi total de l’économie, et
le trafic en général qu’un choc sur ces derniers n’en a sur les dépenses dans les transports.
Ceci explique bien la difficulté à faire évoluer les dépenses du domaine de transport.
D’un autre coté, étant donné que la variance de la population est dû à 87% à ses propres
innovations mais que les emplois créés dans les transports, le trafic kilométrique des
voyageurs et le trafic kilométrique des marchandises sont influencés respectivement à hauteur
de 30%, 2% et de 1% par les innovations sur la variance de la population, un choc sur la
population a plus d’impact sur l’emploi dans les transports et sur le trafic en général que ces
derniers n’en ont sur la population.
Conclusion
Nous avons cherché les différents liens de causalités entre les variables du modèle. La
présente étude cliométrique montre qu’il existe une interaction entre le système de transport,
la population et la croissance économique et démographique. Qui plus est, lorsque les
transports influencent la croissance, cette influence est réciproque. Notre analyse aboutit aux
résultats suivants :
-
influence du PIB sur les transports par l’intermédiaire des investissements qui leurs
sont consacrés ;
-
influence de la population sur la sphère des transports notamment sur les emplois
créés dans ce domaine et sur le trafic kilométrique de voyageurs et de marchandises ;
-
influence directe sur le PIB de l’emploi total de l’économie et des dépenses des
transports et influence indirecte de la population, des emplois créés dans les
transports et de l’emploi total de ce domaine via l’emploi total de l’économie.
Les résultats empiriques de l’étude permettent d’affirmer l’existence d’une boucle
rétroactive qui se produit au cours de la période considérée entre le PIB, la population et la
sphère des transports :
20
-
un effet rétroactif entre d’une part, les dépenses des transports et le PIB et, d’autre
part entre la population et ces dépenses ;
-
un autre effet rétroactif s’exerce entre le trafic kilométrique des voyageurs et celui
des marchandises.
Les transports apparaissent ainsi comme un élément très important de l’appareil
productif. Les investissements dans ce domaine sont ainsi poussés par la croissance.
Nous estimons que ces effets ne sont perceptibles que dans une perspective historique.
Ils sont peu visibles sur courte période et sur longue période ils sont noyés au milieu de
nombreuses autres causes de changements. Nous pensons qu’ils ne s’exercent pas seulement
dans le domaine de transport, mais s’étendent, à travers des chaînes causales complexes, à
l’occupation des sols, à la répartition spatiale des activités, à l’organisation des firmes et des
programmes d’activité des individus. Ces réflexions sur domaines et disciplines diverses ne
sont pas faites pour faciliter l’élucidation des phénomènes. Elles montrent que les
changements dans l’offre et la demande de transport ont à terme des conséquences qui
s’étendent au-delà du secteur.
Annexe 1 : Définitions et sources statistiques des variables
Variables
DTDT
PIB
Définitions
Dépenses totales du domaine de
transport
Produit intérieur brut
Sources
INS, Comptes de la Nation et PDES (1) et calculs de
l’auteur aux prix de 1990.
INS, Comptes de la Nation et Rapports de la Banque
Centrale et calculs de l’auteur aux prix de 1990.
POP
Population tunisienne
ETE
ECDT
Emploi total de l’économie
Nombre d’emplois créés dans le
domaine des transports
EDT
Dépenses de la poste et de la
télécommunication
Recensements généraux de la population et de
l’Habitat (2), Enquêtes « emplois – populations » (3)
et estimations de l’INS.
INS, PDES et calculs de l’auteur
INS « Rapports annuels sur la réalisations des PDES »
(4), Comptes de la Nation et PDES et calculs de
l’auteur.
INS « Rapports annuels sur la réalisations des
PDES », Comptes de la Nation et PDES et calculs de
l’auteur.
TKV
Trafic kilométrique des voyageurs
TKM
Trafic kilométrique des marchandises
INS, SNCFT, CSGCF (5), OACA, DGTT, et calculs
de l’auteur tels qu’ils sont présentés dans le deuxième
chapitre de cette thèse.
INS, SNCFT, OACA, DGTT, et calculs de l’auteur
tels qu’ils sont présentés dans le deuxième chapitre de
cette thèse.
Notes :
(1) Les dépenses totales du domaine de transport sont issues des publications de l’Institut Nationale de la
Statistique et des rapports annuels relatifs à la réalisation des Plans de Développements Economiques et Sociales
et des Plans de Développement Economiques et Sociales : 1962-1964, 1965-1968, 1969-1971, 1972-1976, 19771981, 1982-1986, 1987-1991, 1992-1996, 1997-2001, 2002-2006. Ces dépenses comprennent celles du mode
routier, maritime, ferroviaire, aérien, transport par pipe, poste et télécommunications. Depuis l’année 1982, ces
dépenses sont disponibles dans les Comptes de la Nation. Nous avons établie des séries au prix 1990 pour
pouvoir comparer ces dépenses avec les autres variables du modèle.
(2) Les Recensements Généraux de la Population et de l’Habitat de 1964, 1975, 1984, 1994 et 2004.
(3) Les Enquêtes « Emplois – Populations » sont effectuées par l’INS et elles sont relatives aux années
suivantes : 1966, 1977, 1987, 1989, 1996, 1997, 1999, 2000, 2001, 2002, 2003, 2004 et 2005.
21
(4) Ces rapports sont établis par le Ministère de Développement Economique et publiés par l’INS chaque deux
ans. Ils résument les réalisations des projets et les dépenses réalisées dans tous les domaines de l’intervention
publique.
(5) Données relatives aux deux compagnies de chemins de fer : la Campagne Nationale de Chemins de fer
Tunisienne (CNCFT) et la Compagnie Sfax – Gafsa de Chemin de Fer (CSGCF) avant la fusion des deux
sociétés en 1972. Ensuite, nous avons utilisé les rapports relatifs aux comptes d’exploitation de la Société
Nationale de Chemins de Fer Tunisienne (SNCFT) jusqu’à 2005.
Annexe 2 : Variations des séries au cours du temps
(formes brutes et formes logarithmiques)
24000
4.4
4.3
20000
4.2
16000
4.1
4.0
12000
3.9
8000
3.8
4000
3.7
65
70
75
80
85
90
95
00
05
65
70
75
80
PIB
85
90
95
00
05
90
95
00
05
LPIB
11000
7.1
10000
7.0
9000
6.9
8000
7000
6.8
6000
6.7
5000
4000
6.6
65
70
75
80
85
90
95
00
05
65
70
75
80
POP
85
LPOP
900
3.0
800
2.8
700
2.6
600
500
2.4
400
2.2
300
2.0
200
1.8
100
0
1.6
65
70
75
80
85
90
95
00
05
65
DTDT
70
75
80
85
LDTDT
22
90
95
00
05
200
2.4
2.2
160
2.0
120
1.8
80
1.6
40
1.4
0
1.2
65
70
75
80
85
90
95
00
05
65
70
75
80
EDT
85
90
95
00
05
90
95
00
05
90
95
00
05
LEDT
3600
3.6
3200
3.5
2800
3.4
2400
3.3
2000
3.2
1600
3.1
1200
3.0
800
2.9
400
2.8
65
70
75
80
85
90
95
00
05
65
70
75
80
ECDT
85
LECDT
3200
3.5
2800
3.4
2400
3.3
2000
3.2
1600
3.1
1200
3.0
800
2.9
400
2.8
65
70
75
80
85
90
95
00
05
65
ETE
70
75
80
85
LETE
23
5500
4.0E+09
5000
3.5E+09
4500
3.0E+09
4000
2.5E+09
3500
2.0E+09
3000
1.5E+09
2500
1.0E+09
2000
5.0E+08
0.0E+00
1500
65
70
75
80
85
90
95
00
65
05
70
75
80
85
90
95
00
05
90
95
00
05
LTKM
TKM
5.E+09
12000
10000
4.E+09
8000
3.E+09
6000
2.E+09
4000
1.E+09
2000
0
0.E+00
65
70
75
80
85
90
95
00
05
65
70
75
80
85
LTKV
TKV
24
Annexe 3 : Corrélogrammes des autocorrélations
25
26
Tableau 4 : Résultats du test de racines unitaires de Dickey Fuller augmenté
Variables
Statistique de
Student
Valeur Critique de
MacKinnon
0rdre
d’intégration
Variables
retenues
LPIB
LPOP
LTKV *
LTKM *
LDTDT *
LETE
LECDT
-6.171
-3.413
-5.356
-6.819
-3.665
-5.195
-12.724
-2.933
-2.933
-2.931
-2.931
-3.518
-2.933
-2.933
1
1
0
0
0
1
1
DLPIB
DLPOP
LTKV
LTKM
LDTDT
DLETE
DLECDT
* Ces variables sont intégrées en niveau.
BIBLIOGRAPHIE
Aschauer DA (1989a) Is public expenditure productive? Journal of Monetary Economics 23 :
177-200.
Berndt ER, Hansson B (1991) Measuring the contribution of public infrastructure capital in
Sweden. NBER Working Paper 3842.
Dalenberg DR., Duffy-Deno T. (1993) The municipal wage and employment effects of public
infrastructure. Urban Studies 30 (9) : 1577-1589.
Dalenberg DR., Partridge MD. (1995) The effects of taxes, expenditures, and public
infrastructure on metropolitan area employment. Journal of Regional Science, 35 (4) :
617-640.
Dickey–Fuller (1981) Distribution of the estimators for autoregressive time series with unit
root. Journal of the American Statistical Association 74 : 427-431.
Diebolt C, Litago J (1997) Education and economic growth in Germany befor the second
world war. An econometric analysis of dynamic relations. Historical Social Research
22:132-149.
Enders W (2004) Applied econometric time series. John Wiley and Son.
Engle R, Granger C (1987) Co-Integration and error correction: representation, estimation and
testing. Econometrica 55 : 251-276.
Fritsch B (1995) La contribution des infrastructures au développement économique des
régions françaises. Thèse de doctorat en Urbanisme, aménagement et politiques urbaines
de l’Université de Paris XII Val de Marne, IUP.
Garcia-Milà T, McGuire TJ, Porter RH (1996) The effect of public capital in state-level
production functions reconsidered. The Review of Economics and Statistics : 177-180.
Granger C (1969) Investigating causal relationship between econometric methods and crossspectral methods. Econometrica 37 : 424-439.
Harizi R (2006) Impact de la restructuration d’une économie sur la mobilité des personnes et
des marchandises. 1er Colloque International Financement des Entreprises et Stratégies
de Développement dans les PED. Sousse-Tunisie, 3-4 mars 2006.
27
Harizi R 2007 Infrastructures de transport et développement économique. Une analyse
cliométrique sur données tunisiennes. Thèse de doctorat en Sciences Économiques,
Université Montpellier 1, 291 pages.
Lafourcade M (1999) L’impact des infrastructures de transport sur la localisation des activités
et la croissance locale : vers des fondements économiques d’une politique des
investissements publics. Thèse de doctorat en sciences économiques, Université Paris 1Panthéon Sorbonne.
Lafourcade M., Tropeano JP (2000) Choix de localisation, coûts de transports et asymétries
régionales, Revue Economique, 51 (6) : 1453-1476.
Lynde C., Richmond (1993a) Public capital and long-run costs in U.K. manufacturing, The
Economic Journal, 103: 880-893.
Lynde C, Richmond (1993b) Public capital and total factor productivity. International
Economic Review, 34 : 401-414.
Munnel AH (1990) Is there a shortfall in public capital investment?. New England Economic
Review: 11-32, Sep/Oct.
Ralle P (1993) Croissances et dépenses publiques : le cas des régions françaises. Document
d’études de la CDC : 1993-12/E.
Orus JP (1997) Les conséquences économiques des grandes infrastructures routières : bilan et
perspectives. In Autoroutes, Economie et Territoires.
Tatom JA (1993a) Is an infrastructure crisis lowering the nation’s productivity?. Federal
Reserve Bank of St Louis Review 75 (6) : 3-21.
Tatom JA (1993b) Paved with good intentions: the mythical national crisis. Policy analysis
196.
28
WORKING PAPERS DE L’AFC
Année 2007
WP2007-1
Charlotte LE CHAPELAIN
"Instruction publique et progrès économique chez Condorcet"
WP2007-2
Claude DIEBOLT, Magali JAOUL-GRAMMARE
"La masse salariale de l'Allemagne : 1810-1989.
Nouvelle mesure et analyse cliométrique des chocs"
WP2007-3
Claude DIEBOLT
"Cliometrics and General Equilibrium:
A Pathbreaking Figure Revisited"
WP2007-4
Théophile AZOMAHOU, Claude DIEBOLT, Tapas MISHRA
"Spatial Persistence of Demographic Shocks and Economic
Growth"
WP2007-5
Claude DIEBOLT, Magali JAOUL-GRAMMARE, Gilles SAN
MARTINO
"Les Lois Ferry : amorce ou simple institutionnalisation de la
scolarisation en France ?"
WP2007-6
Magali JAOUL-GRAMMARE
"Stratégie des étudiants et choix d’orientation : Une analyse
expérimentale de l’engorgement"
WP2007-7
Claude DIEBOLT, Cédric DOLIGER
"Retour sur la périodicité d’une nébuleuse :
le cycle économique"
WP2007-8
Jean-Luc DEMEULEMEESTER, Claude DIEBOLT
"Education et croissance : quel lien, pour quelle politique ?"
WP2007-9
Riadh HARIZI
"Transport, croissance et démographie.
Une analyse cliométrique"
WP2007-10
Magali JAOUL-GRAMMARE
"Enseignement supérieur et croissance économique. Analyse
économétrique de l’hypothèse d’Aghion & Cohen"
WP2007-11
Jean-Luc DEMEULEMEESTER, Claude DIEBOLT, Magali JAOULGRAMMARE
"Aggregate Wage Earnings in Germany: 1810-1989.
New Measurement and Cliometric Analysis of Shocks"
WP2007-12
Jean-Luc DEMEULEMEESTER, Claude DIEBOLT
"New Institutional History of the Adaptive Efficiency of Higher
Education Systems. Lessons from the Prussian Engineering
Education: 1806-1914"
La liste complète des
Working Papers est
disponible sur le site
www.cliometrie.org