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