Memoire Online - Impact de la performance du secteur agricole sur la performance des autres secteurs et le niveau de vie au Bénin

L'Ecole Nationale d'Economie Appliquée et de Management (ENEAM) n'entend donner aucune approbation, ni improbation aux opinions émises dans ce mémoire ; ces opinions doivent être considérées comme propres à leurs auteurs.

DEDICACE

REMERCIEMENTS

Nous tenons à remercier toutes les personnes qui ont contribué de près ou de loin à la réalisation de ce mémoire qui est le résultat d'influences de plusieurs personnes.

Une pensée particulière à Monsieur Assogba HODONOU, Ingénieur Statisticien Economiste, Directeur de la Programmation et de la Prospective du Ministère de l'Agriculture, de l'Elevage et de la Pêche, qui n'a ménagé aucun effort pour notre encadrement.

Nos remerciements vont également à l'endroit de Monsieur Franck GOHOUNGBE et Césaire AJAVON pour leur appui technique.

Nous témoignons toute notre gratitude à Monsieur Mathieu ABALLO pour ses précieux conseils.

Notre reconnaissance va à l'ensemble du corps professoral et à l'Administration de l'Ecole Nationale d'Economie Appliquée et de Management.

Nous tenons aussi à remercier tous nos camarades de promotion dont l'indispensable solidarité et la sympathie nous ont été d'un très grand apport pendant la formation ainsi que les amis du groupe G₇+1.

Enfin, nous remercions tous ceux qui, de près ou de loin, nous ont soutenus pendant cette formation.

RESUME

Le présent document porte sur le thème « Impact de la performance agricole sur la performance des autres secteurs et le niveau de vie au Bénin ». L'objectif de ce travail est d'évaluer l'influence des performances économiques du secteur agricole sur le niveau de vie et les performances des secteurs service et industriel à l'aide d'un modèle économétrique. Les données utilisées pour mesurer les performances sont celles du Produit Intérieur Brut de 1970 à 2011 pris en logarithme pour permettre de faire l'analyse en termes d'élasticité. Les méthodes de cointégration ont été appliquées dans le but d'éviter les problèmes de régression fallacieuse.

Les résultats des tests de racine unitaire et de cointégration ont permis de postuler un modèle VAR avec les variables en différence première. Un test de causalité de Granger entre les différentes variables a été fait. Des chocs ont été aussi provoqués sur les variables pour apprécier leur effet sur les autres variables.

Les résultats obtenus et confirmés par l'analyse de la décomposition de la variance de l'erreur de prévision montrent que la performance du secteur agricole cause et influence positivement le niveau de vie de la population Béninoise et la performance du secteur service. La performance du secteur non agricole n'a pas d'effet sur celle du secteur agricole. Une croissance de 1% du PIB agricole au cours d'une année « n » entraine une croissance de 0,320166% et 0,398734% respectivement sur le niveau de vie de la population Béninoise et sur le secteur service à l'année (n+1). En outre la performance du secteur service a aussi une influence positive sur le PIB par habitant au Bénin. Une augmentation de 1% de la performance du secteur service à l'année « n » a une influence positive de 0,386359% sur le niveau de vie de la population l'année suivante. On note une indépendance totale entre la performance du secteur industriel et la performance des autres secteurs.

Un choc subit par sur le secteur agricole a plus d'impact sur les autres variables, ce qui signifie donc que le décollage dans tous les secteurs et l'amélioration du niveau de vie au Bénin, toute chose étant égale par ailleurs reste lié à l'activité économique dans le secteur agricole.

Au vu des résultats, il est important de créer une liaison entre le secteur agricole et les autres secteurs en général et avec le secteur industriel en particulier pour atteindre les objectifs de croissance et de réduction de la pauvreté.

Mots clés : Cointégration, Causalité, Modèle VAR, Performance des secteurs, , niveau de vie.

SOMMAIRE

1- LISTE DES TABLEAUX

2- LISTE DES GRAPHIQUES

LISTE DES ANNEXES

LISTE DES SIGLES ET ACRONYMES

ADF	Augmented Dickey-Fuller
CEDEAO	Communauté Economique des Etats de l'Afrique de l'Ouest
DPP	Direction de la Programmation et de la Prospective
DS	Differency Stationnary
DSCRP	Document de Stratégie de Croissance pour la Réduction de la Pauvreté
DSRP	Document de Stratégie de Réduction de la Pauvreté
FAO	Food and Agriculture Organisation
FMI	Fond Monétaire International
IDH	Indicateur du Développement Humain
INSAE	Institut National de la Statistique et de l'Analyse Economique
IPH	Indicateur de Pauvreté Humaine
ISS	Indice de Santé Sociale
LDPDR	Déclaration de Politique de Développement Rural
MAEP	Ministère de l'Agriculture, de l'Elevage et de la Pêche
MCE	Modèle à Correction d'Erreur
MCO	Moindre Carré Ordinaire
MVCE	Modèle Vectoriel à Correction d'Erreur
NEPAD	Nouveau Partenariat Pour le Développement de l'Afrique
NLTPS	Etudes Nationales de Perspectives à Long Terme
OCDE	Organisation de Coopération et de Développement Economique
OMC	Organisation Mondiale du Commerce
OMD	Objectifs du Millénaire pour le Développement
OSD	Orientations Stratégiques de Développement
PAG	Programmes d'Actions du Gouvernement
PAS	Programmes d'Ajustement Structurel
PIB	Produit Intérieur Brut
PNB	Produit National Brut
PNUD	Programme des Nations Unies pour le Développement
PPA	Parité de Pouvoir d'Achat
PRSA	Projet de Restructuration des Services Agricoles
PSO	Plan Stratégique Opérationnel
PSRSA	Plan Stratégique de Relance du Secteur Agricole au Bénin
PVD	Pays en Voie de Développement
SDDR	Schéma Directeur du Développement Rural
TS	Trend Stationnary
TVA	Taxe sur Valeur Ajoutée
UEMOA	Union Economique et Monétaire Ouest Africaine
VAR	Vectoriel Auto Régressif
VECM	Vectorial Error Correction Model

INTRODUCTION

L'agriculture, dans les pays en développement occupe une place de choix tant sur le nombre d'actifs qu'elle emploie que par sa contribution au Produit Intérieur Brut (Agbadjagan, 1999). Selon ASSOUNI (2004), l'agriculture est de loin le plus grand secteur de l'économie dont la majorité des Africains dépendent pour leur bien-être et leur existence. La montée en puissance de la libéralisation économique ces dernières années n'a pas diminué l'intérêt porté à la formulation et à la conduite de nouvelles stratégies et politiques agricoles. Au contraire, c'est souvent la réalisation des programmes d'ajustement économique qui a amené à accorder une priorité croissante à la recherche de politiques qui revitalisent les secteurs des ressources naturelles et agricoles. MELLOR (1966) écrivait « une croissance agricole rapide tend à s'ajouter à la croissance des autres secteurs, ainsi qu'à stimuler la croissance du secteur non-échangeable à excédent de main d'oeuvre » en parlant du rôle important du secteur agricole dans l'économie. NORTON (2005) soutient que « l'agriculture doit beaucoup augmenter sa production, mais elle doit aussi apporter des contributions nettes importantes aux besoins en capital d'autres secteurs de l'économie »

Au Bénin, l'agriculture emploie près de 70% de la population active et contribue à 34% environ au Produit Intérieur Brut. Elle contribue à 85% des recettes d'exportations. De nombreuses politiques ont été adoptées dans le sens de placer l'agriculture au coeur de l'activité économique. Le Document de Stratégie de Croissance pour la Réduction de la Pauvreté dans son volet agricole et le Plan Stratégique de Relance du Secteur Agricole au Bénin (PSRSA), adopté en 2011 par le Gouvernement défini les axes prioritaires, les domaines d'intervention et les objectifs de croissance liés à la lutte contre la pauvreté au regard des Objectifs du Millénaire pour le Développement (OMD).

A travers ces documents, on note que l'agriculture reste la principale source pour l'amélioration du niveau de vie au Bénin et à même d'avoir un impact sur l'activité économique dans tous les autres secteurs. Le rapport économique sur l'Afrique, 2005, de la commission économique pour l'Afrique montre l'importance d'une interconnexion entre les différents secteurs de l'économie dans le but d'une croissance soutenue et la réduction de la pauvreté. Elle note d'ailleurs que cette liaison n'est pas assurée dans beaucoup de pays Africains et que le secteur agricole ne joue pas encore le rôle qu'elle est censée jouer dans l'économie en général et en matière d'amélioration du niveau de vie de la population sur le continent.

Tout ceci met en évidence l'intérêt de savoir comment les performances agricoles obtenues au Bénin ont évolué, ainsi que les performances des autres secteurs et le niveau de vie, si les performances agricoles ont influencées celles des autres secteurs et la nature du lien entre ces performances et le niveau de vie au Bénin. D'où le thème : « Impact de la performance du secteur agricole sur la performance des autres secteurs et le niveau de vie au Bénin »

La première partie de ce document expose le cadre théorique et la revue de littérature. La deuxième partie quant à elle, est consacrée à la méthodologie utilisée pour la conduite de cette étude. L'estimation, l'analyse des résultats et les suggestions font l'objet de la troisième partie du présent travail.

CHAPITRE I : CADRE THEORIQUE DE L'ETUDE ET REVUE DE LITTERATURE

I. CADRE THEORIQUE DE L'ETUDE

1.1. Problématique de l'étude

De plus en plus, il est admis que, la croissance agricole est la clé de l'expansion de toute l'économie. En effet, l'importance d'une politique agricole raisonnable a été reconnue depuis les temps anciens dans toutes les nations. Au VI^e siècle avant J.-C., en Chine, Lao Tseu écrivait : « rien n'est plus important que l'agriculture pour gouverner les peuples et servir le Ciel ». SMITH (1776) avait à son tour, perçu « une relation importante entre l'amélioration de la productivité agricole et la richesse des nations»^1(*).

Aujourd'hui, le secteur agricole est de nouveau considéré comme un secteur prioritaire et un moteur de développement. En effet, l'engagement des gouvernements africains, exprimé en 2003 au Sommet de l'Union Africaine à Maputo et réitéré en 2006, de consacrer, 10% des dépenses publiques à l'agriculture et au développement rural semble être le signe d'une reconnaissance de l'importance de ce secteur. Le même sommet a adopté comme objectif majeur une augmentation de la productivité agricole et un taux de croissance agricole annuel de 6% à l'échéance de 2015 avec pour finalité la réduction de la pauvreté. Dans son rapport sur le développement dans le monde, 2008, la Banque Mondiale notait « dans les pays agricoles d'Afrique sub-saharienne, l'agriculture est essentielle pour la croissance, qui est elle-même nécessaire pour lutter contre la pauvreté et l'insécurité alimentaire »

Au Bénin, l'Etat a consenti, de 2007 à 2011, en moyenne 11,96% de son budget d'investissement au secteur agricole selon le rapport de performance (2011) du MAEP. Le secteur agricole contribue environ à 34% au PIB. Le secteur service contribue à 53% et le secteur industriel à 13% environ. Mais l'agriculture reste au centre de tous les débats économiques. Quels peuvent être les effets sur la performance économique des autres secteurs et du niveau de vie d'un tel ciblage de l'activité économique sur le secteur agricole au Bénin ? Ou encore l'amélioration de la production agricole peut- elle entrainer celle des autres secteurs notamment le secteur industriel et le secteur des services dans le contexte Béninois ?

L'expérience nous a montré que le développement du secteur agricole est une condition préalable à l'essor économique d'un pays. En outre, ce secteur étant étroitement lié à tous les autres éléments de l'économie, il est un facteur principal de la croissance de l'ensemble de l'économie. S'il est vrai que, cette liaison a pu être observée à une certaine période dans certains pays, il faut se garder de tirer des conclusions hâtives, quant à son caractère rigide. Ce qui implique que, tout accroissement de la production agricole entrainerait ipso facto une croissance économique. Au Bénin, où il y a peu d'industries de transformation des produits agricoles d'une part et où l'intrant agricole est entièrement importé d'autre part, cette liaison est-elle vérifiée?

C'est donc pour élucider ces types de relations dans le contexte Béninois que l'intérêt a été porté au thème « Impact de la performance du secteur agricole sur la performance des autres secteurs et le niveau de vie au Bénin ». Le présent thème suscite les interrogations suivantes : la performance économique au Bénin dépend elle de la performance du secteur agricole ? L'amélioration du PIB du secteur agricole influence le niveau de vie au Bénin ? Les secteurs non agricoles sont-ils positivement influencés par le développement du secteur agricole ?

1.2. Objectifs de l'étude

L'objectif principal de cette étude est de déterminer l'impact de la performance du secteur agricole sur la performance économique des autres secteurs et le niveau de vie au Bénin.

Pour atteindre cet objectif global, trois objectifs spécifiques sont définis. Il s'agit de :

Objectif spécifique 1 : décrire le lien entre l'agriculture, les autres secteurs et le niveau de vie des populations au Bénin ;

Objectif spécifique 2 : déterminer le sens de la causalité entre les performances du secteur agricole et celles des secteurs industriel et de service en général et le niveau de vie de la population Béninoise en particulier ;

Objectif spécifique 3 : déterminer l'effet d'un choc du secteur agricole sur les secteurs industriel et service en général et sur le niveau de vie au Bénin en particulier.

1.3. Hypothèses de l'étude

Hypothèse 1 : la performance du secteur agricole a une influence positive sur celle des autres secteurs et le niveau de vie de la population au Bénin.

Il existe une certaine unanimité au sein des économistes sur l'importance du secteur agricole dans une économie en développement comme la nôtre. En raison de la contribution du PIB agricole au PIB total, 34% environ, on peut supposer une fois encore que cette idée largement partagée serait aussi vraie au Bénin.

Hypothèse 2 : le développement du secteur agricole a causé le développement des autres secteurs non agricoles notamment le secteur industriel et le secteur des services puis du niveau de vie au Bénin.

C'est la causalité au sens de Granger qui sera utilisée pour la vérification de cette hypothèse.

Hypothèse 3 : un choc sur la performance du secteur agricole a plus d'effet sur la performance des autres secteurs que l'effet d'un choc sur les autres secteurs n'en a sur la performance du secteur agricole.

Cette hypothèse pose le problème de la structuration de l'économie Béninoise. Elle sera vérifiée à l'aide des fonctions de réponse impulsionnelle et de la décomposition de la variance. En effet ces dernières nous permettront de connaître les signes de changement, et des périodes de chocs, en d'autres termes, elles permettent de faire l'analyse des chocs et d'apprécier l'impact de la variabilité de la croissance d'un secteur sur celle d'un autre secteur.

II. REVUE DE LITTERATURE

Plusieurs économistes du développement ont abordé le rôle que l'agriculture est censé jouer dans une économie. Après une clarification des concepts, les fondements théoriques et le résumé de quelques travaux effectués dans le cadre de l'analyse de l'impact de l'agriculture sur la croissance économique seront présentées.

2.1. Performance économique

La notion de performance économique a fait l'objet d'un long débat dans l'histoire notamment au sujet de ses instruments de mesure, leurs efficacités et leurs pertinences. Nous proposons dans cette section de faire ressortir les instruments de mesure de la richesse nationale et les politiques économiques au Bénin.

A- Le PIB et ses limites

Le Produit Intérieur Brut (PIB) est un indicateur économique utilisé pour mesurer l'ensemble des richesses produites dans un pays. Elle mesure la santé économique du pays.

Le PIB est un agrégat de la comptabilité nationale qui mesure la production d'un pays en additionnant toutes les valeurs ajoutées des entreprises et les services collectifs non marchands des administrations auxquelles on ajoute la TVA et les droits de douane. Afin d'éviter que la même production entre plus d'une fois dans le calcul, ne font partie du PIB que les biens et services finaux (c'est-à-dire la valeur ajoutée, soit les biens et services de consommation et les biens d'équipement), les biens intermédiaires de production étant exclus. Par exemple, la farine avec laquelle on fait le pain est exclue (car étant une consommation intermédiaire) du calcul de la richesse produite par le boulanger. Le PIB offre donc une certaine mesure quantitative du volume de la production. Comment procède-t-on pour le comparer dans le temps et dans l'espace ? La comparaison dans le temps suppose un système de prix commun, les prix constants. En effet, on ne peut additionner des quantités de voitures avec des heures d'enseignement ou avec des services de télécommunications. On ne peut additionner que des valeurs, c'est à dire des quantités multipliées par leur prix unitaire du moment, le prix courant. Cependant, d'une année à l'autre, le prix d'un bien évolue. Il devient donc impossible de comparer des productions d'années différentes car les quantités n'ont pas été évaluées avec les mêmes prix. On est donc obligé de déflater la production en multipliant les quantités de chaque année par un système de prix commun, celui d'une année de référence. On obtient ainsi le PIB réel ou en volume ou à prix constant qui sert pour les calculs de la croissance. En ce qui concerne la comparaison dans l'espace, elle suppose un système de prix commun et un taux de change réel. Les quantités produites par chaque pays doivent être évaluées avec un système de prix commun. Quel système retenir ? On calcule un système de prix fictif qui est égal à la moyenne des prix pratiqués dans chaque pays, les prix moyens internationaux. Mais, pour calculer ces prix moyens, il faut passer par un taux de change. Le taux de change du marché ne convient pas car il fluctue sans cesse au gré des offres et des demandes. On va donc calculer un taux de change réel en Parité de Pouvoir d'Achat (PPA). C'est le taux qui égalise les valeurs nationales de paniers de consommation identiques. Ainsi, au taux de change courant, le poids de l'Asie dans le PIB mondial n'est que de 16% alors qu'au taux de change en PPA il est proche de 25% car le taux de change de marché des pays asiatiques est sous-évalué. La comparaison des PIB en PPA nous donne le poids de chaque économie dans l'économie mondiale, leur capacité à s'imposer au reste du monde. Ce n'est pas un hasard si l'économie des États-Unis, qui réalise à elle seule 1/5^ème de la production mondiale, est capable d'imposer sa monnaie (le dollar), ses produits (coca-cola) et sa culture (Hollywood, l'anglais) aux autres pays.

Le ratio PIB par habitant mesure, le niveau de vie. En effet, comme le total des valeurs ajoutées est égal à la somme de l'ensemble des revenus, le PIB par habitant est aussi égal au revenu par habitant. Cependant, que ce soit par son évolution ou par son ratio par habitant, le Produit Intérieur Brut n'est qu'une mesure globale, une moyenne. Il ne permet d'appréhender ni les inégalités sociales, ni leur évolution. On peut très bien avoir un PIB moyen qui augmente alors que les revenus (qu'il est censé mesurer) diminuent pour une majorité de la population et augmentent fortement pour une minorité, ce qui renforce les inégalités. En claire, le PIB est incapable de rendre compte de la qualité et des genres de vie. Il fait d'ailleurs l'objet de plusieurs critiques. Il ne nous dit pas comment il est réparti (le PIB par tête n'est qu'une moyenne qui peut masquer de profondes disparités). Il ne nous dit pas de quoi il est composé (de livres ou d'armement). Il ne nous renseigne pas sur son utilisation. Le PNUD a donc ajouté au PIB par tête, l'espérance de vie et des indicateurs de scolarisation pour construire l'IDH qui est censé mieux mesurer la satisfaction des besoins humains au delà des simples besoins matériels. Par exemple, en 2009, la Norvège est le vingt troisième pays au monde en termes de PIB réel par tête, pourtant le classement à partir de l'IDH lui donne la première place. D'autres indicateurs comme l'IPH : Indicateur de Pauvreté Humaine sont utilisés dans le cadre de la mesure du niveau de développement.

Il faut donc noter que dans un premier temps, le PIB ne tient pas compte de l'économie informelle. En effet, une grande partie de la production des pays du Tiers-Monde et une partie non négligeable de celle des pays développés se font hors marché (autoproduction des ménages agricoles, production domestique, travail au noir...) échappe donc aux statistiques. Ensuite, il prend en compte la production des services publics gratuits, sans pour autant, mesurer l'activité de production domestique (ménage, potagers, etc.). Selon la boutade d'Alfred Sauvy (1952), il suffit de se marier avec sa cuisinière pour faire baisser le PIB. Enfin, il ne prend en compte que les valeurs ajoutées, et non la richesse possédée, par un pays. Une catastrophe naturelle, qui détruit de la richesse, va pourtant contribuer au PIB à travers l'activité de reconstruction qu'elle va générer. Cette contribution ne reflète pas la destruction antérieure, ni le coût du financement de la reconstruction. Une société où il y a beaucoup d'accidents de la route, qui vont exiger des soins médicaux, des réparations de véhicules, des services d'urgence, etc., aura tendance, toutes choses égales par ailleurs, à avoir un PIB plus gros qu'une société où les gens conduisent prudemment. Plus précisément, elle aura tendance à orienter une plus grande partie de ses ressources économiques et de ses activités vers la réparation des dégâts, sans progression globale du bien-être, plutôt que vers la production de bien-être supplémentaire La contribution des services de santé à la croissance n'est mesurée (dans le meilleur des cas) que par le volume des consultations, des admissions à l'hôpital, des soins, et non pas sur la base de la contribution de ces services à l'amélioration de l'état de santé et des conditions de vie. Le PIB se distingue du Produit National qui, lui, prend en compte la nationalité des entreprises, et non leur lieu d'implantation.

B- Politique économique au Bénin

Depuis son indépendance en 1960 jusqu'à nos jours, le Bénin a connu trois stratégies de développement économique :

ü la première est dite économie de marché basée sur le libéralisme économique couvrant la période de 1960 à 1971 ;

léniniste est caractérisée par le plan centralisé et impératif où toutes les décisions sont imposées à tous, bien, qu'étant prises par les gouvernements ;

Ainsi au cours de la période caractérisée par le plan centralisé et impératif, la période 1981-1989 a été celle d'une morosité économique ayant comme source de nombreuses distorsions économiques (déséquilibres macroéconomiques aigus, effondrement du système bancaire, incapacité de l'Etat à assurer le service de la dette et à payer régulièrement les salaires aux fonctionnaires). Pour remédier à cette situation, le Bénin s'est engagé à partir de l'année 1989 dans un processus de libéralisation de son économie. Des mesures énergiques seront mises en oeuvre pour faire disparaître les entraves aux échanges qui ont eu cours sur la période 1972-1989. On retiendra entre autres : La levée des mesures de prohibition et de contingentement frappant certains produits à l'importation ou à l'exportation ; la suppression des licences à l'importation sur tous les produits ; et la suppression de la plupart des droits et taxes dont étaient frappées les exportations.

Ces distorsions ont aussi conduit le Bénin, appuyé par le FMI et la Banque Mondiale, à souscrire aux programmes d'ajustement structurel (PAS1 : 1989-1991, PAS2 : 1992-1993, PAS3 : 1995-1997) dont les objectifs principaux étaient la réduction des charges de l'Etat et le rétablissement des grands équilibres. La mise en application de ces programmes qui a permis d'amorcer le redressement économique, a par ailleurs engendré de vives tensions sociales. Ce qui a obligé le gouvernement à convoquer la Conférence Nationale des forces vives de Février 1990. Cette conférence a permis au Bénin d'enclencher un processus démocratique avec une orientation vers le libéralisme économique. De plus, l'appartenance du Bénin à certains regroupements régionaux comme l'UEMOA, la CEDEAO, le groupe ACP ainsi que son adhésion à l'OMC l'ont amené à avoir une politique commerciale plus ouverte sur l'extérieur.

Les mesures de politique macroéconomique au cours de la décennie qui s'achève ont trouvé leurs fondements dans des documents de stratégies et de politiques élaborés au cours de la période^2(*). La base de cet ensemble de documents est le rapport des études nationales de perspectives à long terme ayant conduit à la vision Bénin 2025 Alafia : « Le Bénin est, en 2025, un pays-phare, un pays bien gouverné, uni et de paix, à économie prospère et compétitive, de rayonnement culturel et de bien-être social ». Ce document a été réalisé en 2000 (avec la Stratégie intérimaire 2000-2003) et est depuis lors, la base de la politique économique du Gouvernement. En dehors des NLTPS, on a distingué deux séries de documents. Il s'agit pour la première série des Programmes d'Actions du Gouvernement (PAG) 1 et 2 qui ont constitué la source principale d'orientation des politiques du gouvernement jusqu'en 2005.

En 2007, la vision Bénin 2025 Alafia a été déclinée en six orientations stratégiques Orientations Stratégiques de Développement (OSD). L'opérationnalisation des OSD a été faite à travers la Stratégie de Croissance pour la Réduction de la Pauvreté (SCRP) qui est le cadre fédérateur et intégrateur des politiques sectorielles de l'Etat et dont la première en date est la SCRP 2007-2009. En 2009, le Gouvernement a fait élaborer « la Stratégie d'Opérationnalisation et de Déclinaison en Plan d'Investissements Sectoriels de la Vision Bénin 2025 ». Ce document est encore connu sous le non d' « Agenda vers une Economie Emergente ». Selon cet Agenda, la construction du Bénin pour atteindre la vision de 2025 est semblable à la construction d'une maison dont les fondements sont : (i) un environnement des affaires de classe internationale ; (ii) la disponibilité des infrastructures économiques de base ; (iii) la réforme et la modernisation de l'Etat ; (iv) l'aménagement du territoire. Sur ces fondements se dresseront cinq (5) piliers qui sont : i) le pilier central : Transport, Commerce et Services logistiques ; ii) le pilier Coton-Textile ; iii) le pilier Agroalimentaire ; iv) le pilier BTP et Matériaux de construction incluant le bois ; v) le pilier Culture, Tourisme et Artisanat. Cet agenda qui est la nouvelle boussole de la politique économique du Gouvernement devrait permettre de réaliser un Bénin émergent à l'horizon 2025. Aux OSD et à l'Agenda pour un Bénin Emergent, il faut ajouter comme document ayant inspiré les politiques macroéconomiques, la Stratégie de Croissance pour la Réduction de la Pauvreté.

Au total, les politiques macroéconomiques dont la plupart se fondent sur les politiques et stratégies contenues dans les documents présentés plus haut, ont imprimé, dans une certaine mesure, à l'économie nationale un rythme de croissance du PIB dont l'évolution est décrite sur le graphique ci -après.

Graphique 1 : Evolution du taux de croissance (1991-2011) du PIB à prix constants de 1985

La croissance du PIB a évolué de façon erratique sur la période de 1991 à 2011 avec une moyenne de 4,1%. La plus forte croissance obtenue est celle de 2001 avec pour valeur 6,2%. Depuis cette période on note une décroissance du taux de croissance jusqu'à 2,9% obtenu en 2005 proche du minimum obtenu en 1994 avant sa reprise en 2006. Cette situation pourrait s'expliquer notamment par la crise de délestage de 2004 et les interdictions du Nigéria en ce qui concerne les réexportations béninoises entre 2003 et 2005. De 2006 à 2009, il est noté une reprise de la croissance qui s'est très tôt essoufflée avec la décélération observée à partir de 2008 et la chute de 2011 (2,4%). Cette dernière évolution pourrait s'expliquer notamment par les crises successives - énergétique ; alimentaire ; économique et financière.

L'évolution de la structure du PIB en ce qui concerne la contribution de chaque secteur à l'économie Béninoise est présentée sur le graphique suivant :

L'analyse du graphique montre clairement la prépondérance du secteur service sur les autres secteurs dans l'économie Béninoise. Il est suivi du secteur agricole qui a aussi une part non négligeable dans la formation de la richesse nationale. Le secteur industriel est celui qui contribue le moins à la formation du PIB au Bénin. Les contributions moyennes obtenues au cours de la période 1990 à 2011 dans les secteurs agricole, industriel et service sont respectivement 33,7%, 13,0% et 53,3%.

2.2. Agriculture

L'agriculture est essentielle à la réalisation des objectifs mondiaux de réduction de la pauvreté. Elle est le secteur productif le plus important dans la plupart des pays à faible revenu, souvent en termes de partage du PIB et presque toujours en termes du nombre d'individus qu'elle emploie. Avant de mettre en exergue, les différentes approches concernant l'impact de l'agriculture sur la croissance de l'économie, il est opportun de clarifier ces concepts.

A- Définition

L'agriculture dans son acception large désigne l' « ensemble des travaux transformant le milieu naturel pour la production des végétaux et des animaux utiles à l'homme ». En plus donc de la culture des végétaux, sont également prises en compte les activités d'élevage, de pêche et de chasse. Du point de vue économique, l'agriculture représente un secteur d'activité, une activité génératrice de revenu à partir de l'exploitation des terres, de l'élevage des animaux, etc. A ce titre, elle contribue à la formation du revenu national et emploie de la main d'oeuvre. Les principes d'économie politique peuvent donc s'appliquer à l'agriculture afin de comprendre les différents mécanismes qui concourent à son fonctionnement en tant qu'activité économique. Il s'agit des mécanismes de production, de maximisation du profit, de formation des prix, d'écoulement du produit, etc. Ce secteur d'activité a un caractère spécifique pour l'économie d'un pays : il répond au besoin le plus important de l'être humain qui est l'alimentation. L'activité agricole est dotée de nombreuses spécificités indispensables à la compréhension de son fonctionnement:

ü La terre : La terre joue un rôle particulier dans l'activité agricole. Les techniques

agricoles exigent d'être développées sur des grandes étendues de terre, les superficies des exploitations agricoles se mesurent souvent en hectares. L'abondance ou non des terres peut justifier le système de production pratiqué. Ainsi, dans les zones où le facteur terre est limitant, l'activité agricole sera plus intense en capital ou en travail. Contrairement aux zones dans lesquelles ce facteur est abondant où l'activité sera extensive.

ü Les conditions naturelles et les saisons : La dépendance de l'agriculture vis

à-vis des conditions naturelles et des saisons sont très marquées. Elle l'est davantage dans les pays en développement où la maîtrise des techniques sophistiquées n'est pas encore un acquis. Cette dépendance entraîne certaines conséquences : la saisonnalité de l'emploi des facteurs et le risque. La saisonnalité des facteurs, même si elle n'est pas spécifique à l'agriculture impose à la fonction de production agricole des caractéristiques particulières. On parle par exemple de tomates pluviales, de tomates irriguées. Quant au risque, aucune activité économique n'y échappe. En agriculture, au risque classique qui provient de l'incertitude quant au prix auquel une marchandise sera vendue, s'ajoute une incertitude sur la quantité de produits obtenus avec des moyens de production et une technique de production donnée. Un orage peut par exemple ravager l'ensemble des résultats, une pluviométrie peu abondante peut entraver le développement normal des plantes, une épidémie peut détruire la production d'un élevage.

ü La rigidité de la demande : Concernant la demande des produits alimentaires, elle est peu sensible aux prix (loi de KING, 1688)^3(*) et au revenu (loi de ENGEL, 1857)^4(*). Il faut tout de même faire la distinction entre produit alimentaire et produit agricole. Tout produit alimentaire n'est pas agricole et tous les produits agricoles ne sont pas alimentaires. Cependant, il apparaît que la rigidité de la demande alimentaire se transmet pour l'essentiel à la demande des produits agricoles. Cette situation a pour effet une difficile intégration de l'agriculture dans une économie en croissance.

B- Agriculture et le reste de l'économie

La notion d'une agriculture au service du développement du reste de l'économie, réservoir de main d'oeuvre et de capital à exploiter, recule de plus en plus devant celle qu'il faut s'engager dans la voie du développement agricole pour lui-même et que l'agriculture peut parfois s'avérer un secteur en tête de l'économie, surtout en période d'ajustement économique. CHENERY et SYRQUIN^5(*) ont souligné que l'agriculture devrait être source de transferts de capital et de main d'oeuvre vers les zones urbaines pour encourager le développement général de l'économie. Dans son rapport sur le développement dans le monde, la Banque Mondiale ((1990) a mis en lumière plusieurs cas de programmes d'ajustement où l'agriculture a réagi plus rapidement que les autres secteurs à la nouvelle politique et connu un taux de croissance plus rapide que les autres branches d'activité pendant quatre à cinq ans, ce qui a permis de sortir les économies de la récession. Au Chili et au Brésil, l'agriculture s'est développée plus rapidement que l'industrie pendant la décennie 1990. Au Chili, elle a constitué la principale source des nouveaux emplois scientifiques, techniques, qualifiés, managériaux et administratifs pendant la même période. Si l'on prend en compte aussi les industries agroalimentaires, les secteurs des intrants agricoles et les activités de commercialisation, la contribution de l'agriculture au PIB total est en général de 35 à 45 pour cent pour les pays en développement à revenus faibles, soit une part très supérieure de ce que la production agricole primaire à elle seule représente, et presque toujours très supérieure à celle de la seule industrie. La pauvreté étant souvent concentrée en majorité en milieu rural, son éradication et la lutte contre l'expansion des bidonvilles urbains justifient que le développement agricole figure dans les priorités nationales.

L'élément central des modèles de développement expliquant le rôle de l'agriculture sur la croissance est la notion de surplus, généré dans le secteur agricole. A cet effet, les physiocrates reconnaissaient que l'importance d'un surplus agricole était essentielle pour la bonne santé des finances publiques et le niveau de l'activité économique. Trois préoccupations majeures ressortent de la littérature sur le rôle de l'agriculture dans la croissance et le développement économique^6(*) : les déterminants de la génération d'un surplus dans le secteur agricole à travers des gains de productivité dus à l'investissement et aux innovations ; les différents mécanismes de transfert de ce surplus ; l'utilisation de ce surplus pour réaliser le développement industriel via les investissements publics, lorsque ce surplus est transféré par les taxes.

Avant 1950, de nombreux auteurs affirmaient que la croissance du secteur agricole a précédé ou peut être causé la révolution industrielle. En 1767, à l'aube de la révolution industrielle, MILL affirmait que la productivité de l'agriculteur limite la taille du secteur industriel. Les historiens de la révolution industrielle ont noté la récurrence d'une certaine logique par laquelle la révolution agricole a précédé la révolution industrielle par un décalage de cinquante à soixante années. Mais à partir de 1950, les économistes considéraient de plus en plus le secteur agricole comme un secteur retardé dans l'économie, générateur d'un surplus de main d'oeuvre tel que l'a formalisé LEWIS (1955). L'intérêt était porté sur la croissance résultant dans le secteur non agricole. Le secteur agricole devait fournir à ce dernier les éléments nécessaires à son expansion.

En s'inscrivant dans cette logique, l'économiste KUZNETS (1964) distingue quatre voies par lesquelles l'agriculture concourt au développement économique^7(*) :

ü Les produits : Le secteur agricole fournit la nourriture permettant d'alimenter

les travailleurs des autres secteurs. Il fournit également à l'industrie les matières premières. Un secteur agricole productif fournira des produits bon marché, d'où une amélioration du niveau de rémunération réel et donc une possibilité d'accumulation pour les autres secteurs. De plus, l'augmentation de la production agricole a un effet sur la croissance du Produit Intérieur Brut (PIB).

ü Le marché : Le secteur agricole peut constituer une demande de biens industriels et de services. Une amélioration de la productivité dans ce secteur devrait permettre l'amélioration des revenus du monde paysan et par conséquent l'accroissement de leur consommation. Le secteur agricole peut ainsi faciliter l'émergence de nouvelles débouchées pour les industries.

ü Les devises : L'exportation de produits agricoles est une source de devises pour

l'économie. Dans un contexte où l'activité agricole est importante, ces devises peuvent servir à l'importation des machines et matières premières dont a besoin l'industrie pour se développer. D'un autre côté, l'agriculture peut permettre l'économie de devises en produisant des denrées qui étaient autrefois importées.

ü Facteurs de production : L'agriculture fournit aux autres secteurs le surplus de

main d'oeuvre dont elle dispose. Ces analyses de KUZNETS (1964) se retrouvent dans différents travaux des économistes du développement d'alors. L'accent était mis sur le développement industriel, car lui seul était à même de fournir des conditions d'un véritable développement économique. KRUEGER (1995) a résumé ces premières théories du développement comme composées de plusieurs fils directeurs :

v la méfiance à l'égard du secteur privé et du marché et la conviction que le

gouvernement, en sa qualité de tuteur paternaliste et bienveillant, devrait prendre la direction du développement;

v la méfiance vis-à-vis de l'économie internationale et le manque de confiance

dans les possibilités de développement des exportations des pays en développement.

C- Politique agricole au Bénin

Le dernier document de stratégie élaboré dans le secteur agricole est le Plan Stratégique de Relance du Secteur Agricole (PSRSA). Le PSRSA adopté en octobre 2011 par le Gouvernement, décrit la mise en oeuvre de la vision « Le Bénin, une puissance agricole dynamique à l'horizon 2015, compétitive, respectueuse de l'environnement, créatrice de richesse répondant aux besoins de développement économique et social de la population ». L'objectif global est d'améliorer les performances de l'Agriculture béninoise, pour la rendre capable d'assurer de façon durable la souveraineté alimentaire et nutritionnelle et de contribuer au développement économique et social du Bénin, à l'atteinte des Objectifs du Millénaire pour le Développement (OMD) et à la réduction de la pauvreté. Cet objectif global est décliné en deux objectifs spécifiques, à savoir :

ü contribuer à la croissance et à la sécurité alimentaire à travers une production

efficace et une gestion durable des exploitations. Le résultat attendu est de réduire de 33% à 15% la proportion de la population béninoise souffrant de la faim et de malnutrition à l'horizon 2015 en conformité avec l'objectif de réduction de pauvreté des OMD.

ü assurer la compétitivité et l'accès des productions et produits aux marchés

grâce à la promotion des filières agricoles. Il s'agira en termes de résultat d'augmenter de 50% d'ici à 2015 le volume des exportations de produits agricoles. Avant ce dernier document de référence, beaucoup d'autres ont été élaborés. Au début des années 90, le Bénin a définit les grandes orientations de sa politique agricole à travers la Lettre de Déclaration de Politique de Développement Rural (LDPDR) signée le 31 mai 1991 qui a été suivie de la mise en oeuvre du Projet de Restructuration des Services Agricoles (PRSA) et de la tenue de la Table Ronde du Secteur Rural en septembre 1995.

Tenant compte de ces différentes évolutions, le ministère en charge de l'agriculture a entrepris depuis début 1999, un processus d'ajustement des réflexions sur la stratégie de développement du secteur rural au nouveau contexte national et international, avec notamment l'élaboration et la formulation générale d'une nouvelle politique agricole contenue dans les documents fondamentaux ci-après :

(version finale de juin 2000) reprend et adapte le document précédent de 1991. Elle présente les grandes options et les choix stratégiques retenus par le gouvernement pour les années à venir ;

2000, propose une première synthèse des nombreuses études réalisées pour préciser les problématiques sectorielles et transversales ;

v le Plan Stratégique Opérationnel (PSO), approuvé par le Ministère en août 2000, résume le SDDR et en reprend les différents points sous une forme opérationnelle. Il traduit la stratégie globale en actions de mise en oeuvre de la politique nationale de développement rural ;

Le graphique 3 présente l'évolution de 1990 à 2011 la contribution de chaque sous-secteur du secteur agricole.

Graphique 3 : Evolution de la contribution des sous secteurs au PIB agricole de 1990-2011

Le sous-secteur agriculture contribue plus au PIB du secteur agricole. La contribution moyenne obtenue au cours de la période pour ce sous- secteur est de 23,4%. Dans ce sous-secteur, on note des cultures de rente avec le coton comme principale culture qui a atteint 427.000 tonnes durant la campagne 2004/2005. Les cultures d'ananas et de noix de cajou connaissent une certaine émergence aux côtés du coton. Les cultures vivrières concernent le maïs, le manioc, le sorgho, le mil, l'igname, le niébé, l'arachide, le riz.

Selon les données statistiques de la Direction de la Programmation et de la Prospective (DPP) du Ministère de l'Agriculture, de l'Elevage et de la Pêche, le maïs vient au premier rang des cultures vivrières et connaît une évolution croissante depuis 1995.

Globalement^8(*), le niveau de production animale (viande, lait et oeufs) est estimé à 174 269 tonnes en 2011 contre 169 216 tonnes en 2010, soit un taux d'accroissement de 2,99% en progression de 0,97 point par rapport à 2010, avec une croissance moyenne de 2,75% depuis 2007.

La production halieutique est estimée à 38727,44 tonnes en 2011 contre 41120 tonnes en 2010, soit une baisse de 5,82% par rapport à 2010. Avec une production basée essentiellement sur la pêche continentale, le taux de couverture de la population en produits halieutiques est de 35,68% contre 34,55% en 2010, soit une augmentation de 1,13 point par rapport à 2010. Les forêts occupent 65% du territoire du Bénin (environ 73.450 km2).

2.3. Quelques résultats empiriques

Les études les plus récentes sur la croissance économique au Bénin ont porté sur ses déterminants, et l'effet induit par quelques facteurs. Elles n'ont toutefois pas abordé l'impact de l'agriculture sur les autres secteurs au Bénin. Par exemple, DEDEHOUANOU (2009) en analysant l'effet de la dette extérieure sur la croissance économique au Benin les données de 1974 à 2008. Il montre en utilisant la cointégration que, les élasticités au niveau de l'encours de la dette et l'aide public au développement ont une relation positive. De même TCHINTCHIN et SAVY (2012) en utilisant les modèles de croissance endogènes et en se fondant sur le modèle de référence de Barro (1990, 1991) ainsi que les modèles les plus récents développés par Agenor (2000) et Rajhi (1996), et la cointégration ont analysé l'impact des dépenses publiques sur la croissance économique au Bénin de 1985 à 2010. Il ressort de leurs estimations que quelque soit le terme, les dépenses publiques ont un impact positif tout de même inférieur à celui du capital privé. Ils ont observé par ailleurs que la taille de l'Etat qui procure une croissance optimale au PIB est 38,17% et que la composition optimale devrait consacrer 60,32% des dépenses publiques aux dépenses publiques productives.

AMINOU et KINKPE (2009) ont utilisé essentiellement les modèles économétriques pour étudier les effets des exportations agricoles sur la croissance et le bien-être à travers la consommation des ménages par tête. Ils montrent que les exportations agricoles sont une source de la croissance au Bénin et que les exportations agricoles sont globalement bénéfiques à l'activité économique du pays. En outre, il ressort également de leur étude que, les exportations agricoles contribuent à une amélioration des conditions de vie des populations de par son impact positif sur leur consommation par tête.

D'autres auteurs ont également abordé le sujet en utilisant les nouveaux développements de l'économétrie dans plusieurs pays. YAO (2000) en utilisant des méthodes de cointégration a montré qu'en chine : l'agriculture a entraîné la croissance des autres secteurs et la croissance du secteur non agricole n'a pas d'effet sur le secteur agricole.

KATIRCIOGLU (2006) a étudié la relation entre la production agricole et la croissance économique dans la partie nord de Chypre en utilisant la cointégration sur des données allant de 1975 à 2002. Il recherchait le sens de la causalité selon Granger entre la croissance du secteur agricole et la croissance économique générale. Les variables qu'il emploie sont les taux de croissance du PIB réel et du PIB réel agricole. Une deuxième étude du même auteur recherche la cointégration et les relations causales entre les différents secteurs d'activité du Chypre du Nord. L'auteur utilise les valeurs en logarithme du PIB réel, du PIB réel agricole, du PIB réel industriel et du PIB réel des services. L'agriculture reste encore l'épine dorsale de l'économie de ce pays, elle a une relation d'équilibre de long terme avec la croissance économique et donne la direction du développement de l'industrie. L'étude la plus récente sur le sujet est celle de BELLA (2009). Il utilise également ce nouveau développement de l'économétrie sur l'économie camerounaise. Il est arrivé aux conclusions ci après : des estimations faites à l'aide des données sur l'activité économique au Cameroun montrent qu'il existe une relation de long terme entre les taux de croissance du PIB réel par tête, des PIB réel agricole, industriel et des services. Ainsi, l'économie camerounaise a évolué dans une certaine stabilité au niveau de sa structure. Cette relation de long terme montre qu'une hausse du PIB réel agricole a eu en moyenne une baisse du PIB réel par tête. Les estimations révèlent également que le développement du secteur agricole n'a pas causé celui des autres secteurs. Il montre aussi que le secteur industriel s'est révélé comme celui qui a positivement influencé la croissance du PIB réel par tête au Cameroun dans le long terme. Ainsi, une croissance du PIB industriel a jusqu'ici été la plus à même d'induire en moyenne une amélioration du niveau de vie mesurée par le PIB réel par habitant.

L'évaluation de l'impact du secteur agricole sur les autres secteurs et le niveau de vie au Bénin se fera par la cointégration et l'estimation éventuelle d'un modèle vectoriel à correction d'erreur (VECM : Vectorial Error Correction Model). Les variables utilisées sont : le PIB réel par tête, le PIB réel agricole, le PIB réel du secteur industriel et le PIB réel du secteur service. Afin d'effectuer les analyses en termes d'élasticité, toutes ces variables sont prises en logarithme.

La partie suivante décrit la méthodologie à adopter dans le cadre de cette étude.

CHAPITRE II : METHODOLOGIE DE L'ETUDE

CHAPITRE II : METHO DE L'ETUDE

I. APPROCHE METHODOLOGIQUE

1.1. Choix et présentation de la méthode

L'objectif de ce travail est de déterminer l'impact du secteur agricole sur l'économie Béninoise. Cela se fera à l'aide d'un modèle économétrique. Il s'agit d'estimer une relation entre les performances économiques du secteur agricole, celles des autres secteurs, et du niveau de vie au Bénin. Afin de s'affranchir des aléas dus à l'application des méthodes de régression linéaire classique sur des données évoluant dans le temps, il sera utilisé les développements récents sur l'économétrie des séries temporelles.

Dans la littérature économique, l'approche traditionnelle utilisée pour mesurer l'impact du secteur agricole sur la croissance économique consistait à déterminer l'effet de la croissance du secteur agricole sur les autres secteurs dits "modernes" et sur l'économie dans son ensemble. Le secteur agricole est considéré comme exogène. Ses performances servent à expliquer une part de l'évolution du reste de l'économie. Mais cette méthodologie sera critiquée. KANWAR (2000) a suggéré que pour évaluer la relation entre l'agriculture et le reste de l'économie, le secteur agricole ne devrait pas être considéré comme exogène, le cas échéant, cela doit être prouvé a priori. Il a également proposé l'utilisation des méthodes de cointégration afin d'éviter les problèmes de régression fallacieuse. De plus, comme le souligne YAO (2000), des liens entre les secteurs peuvent exister dans plusieurs sens. Si l'industrie bénéficie des ressources issues du secteur agricole comme le montrent les différentes théories présentées dans la revue de littérature, la productivité du secteur agricole s'améliore aussi par l'utilisation des machines et engrais issus du secteur industriel. Ainsi, le développement du secteur non agricole peut également causer celui du secteur agricole.

La prise en compte de toutes ces considérations nous a amené à retenir pour cette modélisation un modèle Vectoriel Auto Régressif (VAR), éventuellement un modèle à correction d'erreur (MCE) en cas d'une seule relation de cointégration ou un modèle vectoriel à correction d'erreur (MVCE) en cas de plusieurs relations de cointégration entre les variables. Les modèles VAR ne font pas de restrictions a priori sur l'exogénéité des variables. Il s'agit d'une « modélisation sans autre restriction a priori que le choix des variables sélectionnées et du nombre de retard »

v estimation selon le cas d'un modèle VAR simple ou d'un modèle à correction d'erreur ou encore d'un modèle vectoriel à correction d'erreur

Après une présentation des données à utiliser dans le modèle, nous ferons une description du modèle VAR et ses applications, puis exposerons en détail, les différentes étapes à suivre dans le cadre de ce travail.

1.2. Présentation des données

Cette étude s'intéresse à la théorie de la cointégration de Johansen, de la causalité de Granger pour l'analyse des relations entre l'agriculture et les autres secteurs de l'économie au Bénin sur la période de 1970 à 2011. Elle permettra de tirer des enseignements et de déduire des implications sur les liens de causalité entre les variables étudiées. L'idée générale est qu'à partir des données sur les différentes activités au Bénin couvrant la période citée, il est mis en exergue, grâce aux techniques statistiques et économétriques la relation qui existe entre les performances économiques obtenues dans le secteur agricole et les performances économiques des autres secteurs dans son ensemble au Bénin.

La grandeur utilisée pour mesurer les performances économiques est le PIB. Il représente l'ensemble des richesses créées au sein d'une économie au cours d'une année. Il donne la meilleure mesure du niveau d'activité. Le niveau de vie est représentée par le PIB par habitant

Les variables PIB réel par tête et PIB réel agricole sont les principales variables d'intérêt du modèle qui sera mis en oeuvre. Il s'agit ici de vérifier si une variation du niveau de richesse créée dans le secteur agricole induit une variation significative du niveau moyen de bien être de l'économie mesuré par le PIB réel par tête. Si cette influence de la croissance du secteur agricole sur celle de la croissance économique s'avère significative, son sens et sa valeur sont des éléments à déterminer.

Les variables PIB réel des secteurs industriel et service sont utilisés parce qu'elles constituent des déterminants du PIB réel dans son ensemble ; ne pas les prendre en compte augmenterait les chances d'avoir un modèle au pouvoir explicatif très réduit. De plus, la théorie économique postule à un impact indirect du développement agricole sur la croissance économique via les secteurs dits modernes. Ainsi, hormis l'impact de l'agriculture sur le niveau de vie qui constitue l'objectif principal du modèle, il sera également estimé un impact du développement du secteur agricole sur le secteur industriel et sur celui du secteur service. Enfin, l'effet du développement des secteurs modernes sera observé sur le secteur agricole.

Les valeurs du PIB utilisées ici sont annuelles, calculées aux prix de l'année 2000 et proviennent de la Banque Mondiale. Afin de faire les analyses en termes d'élasticité, toutes les variables sont prises en logarithme. Les estimations ont été faites à l'aide du logiciel EVIEWS version 5.0. Avant d'aller un peu plus en détail, examinons chaque variable.

A- PIB réel par habitant

Le PIB réel par habitant noté PIBA représente la valeur du PIB réel rapporté à la population totale. Il donne une idée de la part moyenne qui revient à chaque habitant dans la richesse totale créée au cours d'une année. Il est utilisé comme un indicateur du niveau de vie d'une population.

Le graphique suivant donne l'évolution au Bénin du PIB par tête de 1970 à 2011

Entre la période 1970-1990, le niveau de vie de la population Béninoise a évolué de façon irrégulière. Depuis 1990, le PIB par habitant est sans cesse croissante au Bénin. Toutefois on note une diminution de sa valeur entre 2004 et 2005. La valeur moyenne obtenue est de 320,7 avec un maximum de 382,3 obtenu en 2011.

B- PIB réel agricole

Le PIB de l'agriculture notée PIBA comprend la valeur ajoutée de la foresterie, de la chasse, de la pêche ainsi que des cultures et la production animale. Le PIB agricole est évalué selon la même méthodologie que le PIB global. D'ailleurs, le PIB agricole n'est qu'une composante du PIB global. Il ne prend en compte que la part de la richesse totale créée par le secteur agricole.

C- PIB réel industriel

Le PIB du secteur industriel noté PIBI comprend la valeur ajoutée dans la fabrication, les industries extractives et manufacturières, la construction, l'électricité, l'eau et le gaz et les Bâtiments et les Travaux Publics.

D- PIB réel des services

Le PIB réel des services noté PIBS comprend la valeur ajoutée dans le commerce de gros et au détail (y compris les hôtels et restaurants), les transports, les services gouvernementaux, les services financiers, professionnels et personnels tels que l'éducation, les soins de santé et les services immobiliers, les frais de services bancaires à payer, les droits sur les importations et les TVA.

L'allure est presque la même que dans le secteur industriel. A partir des années 1990, le PIB du secteur service a pris de l'ampleur. Notons que sa valeur en logarithme est notée L_PIBS.

1.3. Modèles Vectoriel Auto Régressif (VAR)

Il s'agit d'un modèle qui ne s'intéresse qu'aux relations statistiques qui existent entre les variables. La modélisation VAR permet en effet d'exprimer chaque indicateur ou agrégat endogène comme fonction linéaire des valeurs passées (retardées) de tous les indicateurs endogènes et valeurs présentes ou retardées des exogènes. Ce modèle offre des facilités de calcul et des possibilités de prévisions. Il est bien utilisable dans le cadre de l'analyse des impacts de la production agricole sur la croissance économique au Bénin à cause de sa simplicité, ses facilités et des applications qu'il permet de réaliser.

A- Présentation du Modèle VAR

Considérons un vecteur

constitué d'indicateurs ou d'agrégats macroéconomiques supposés endogènes et un vecteur

constitué de variables de politique économique (exogènes) et un vecteur

des innovations du processus.

Dans ce système, les composantes du vecteur

peuvent être corrélées entre elles pour un instant t donné mais elles ne sont ni corrélées avec leurs valeurs passées ni avec les membres de droites de l'équation. Comme ce ne sont que les valeurs retardées des variables endogènes qui apparaissent du côté droit de chaque équation, Il n'y a pas de problèmes de spontanéité et les MCO sont simplement applicables. Ainsi, le modèle VAR présente l'avantage d'être facilement estimable tout en prenant en compte les relations entre les valeurs présentes des variables et leurs valeurs retardées. Il permet aussi :

· de faire des chocs (impulsions) afin d'évaluer les impacts de la variabilité d'une variable endogène sur les autres endogènes ;

· d'opérer une décomposition de la variance pour mieux cerner l'importance relative de chaque innovation aléatoire des variables du VAR ;

· de procéder aux tests de causalité à la Granger (1969) qui aident à estimer la part d'explication que les valeurs passées ou retardées d'un vecteur apportent à un autre vecteur ;

· d'étudier la cointégration des variables macroéconomiques pour appréhender les relations de long terme.

· des restrictions dues à des identités comptables et aux structures de certains domaines de l'économie (il s'agit dans ce cas de VAR structurels) ;

· de vérifier si à un moment donné une structure a changé, puis d'en évaluer

les conséquences éventuelles (VAR avec rupture structurelle à un point inconnu) ;

b- Quelques applications du modèle VAR

Cette application sert à effectuer des chocs sur les innovations d'une variable à une date t donnée et à mesurer l'influence de ce choc sur tout le système. Cependant cette analyse s'effectue en postulant la constante de l'environnement économique^9(*) « toutes choses étant égales par ailleurs ». En un premier temps le choc n'affecte que la valeur de la variable ciblée en cas d'orthogonalité des innovations. Puis grâce à la dynamique du système, ce choc est transmis aux valeurs suivantes ou futures de toutes les variables.

Cette application sert à expliquer la variance d'une variable endogène par les variances des autres variables. Cela permet d'apprécier l'impact de la variabilité d'une variable sur une autre. La décomposition de l'erreur de prévision a pour objectif de calculer pour chacune des innovations sa contribution à la variance de l'erreur. Par une technique mathématique, on peut écrire la variance de l'erreur de prévision à un horizon h en fonction de la variance de l'erreur attribuée à chacune des variables, il suffit ensuite de rapporter chacune de ces variances à la variance totale pour obtenir son poids relatif en pourcentage.

Contrairement à l'impulsion ou choc, la décomposition de la variance essaye d'expliquer la contribution de l'innovation d'une variable aux fluctuations d'une autre.

A ce propos, Hairault (1995) soutient qu'elles (fonction de réponse et de la décomposition) « constituent deux exercices qui permettent de synthétiser l'essentiel de l'information contenue dans la dynamique interne d'un système VAR. Elles mesurent l'influence relative, à différents horizons, des différents chocs dans la dynamique de chaque variable ».

Une des questions que l'on peut se poser à partir d'un modèle VAR est de savoir s'il existe une relation de causalité entre les différentes variables du système. Au niveau théorique, la mise en évidence de relations causales entre les variables économiques fournit des éléments de réflexions propices à une meilleure compréhension des phénomènes économiques. D'une manière pratique, « the causal knowledge » est nécessaire à une formulation correcte de la politique économique. En effet, connaître le sens de causalité est aussi important que de mettre en évidence une liaison entre des variables économiques.

Il existe plusieurs définitions de la causalité : la causalité au sens de Granger et la causalité au sens de Sims. La causalité au sens de Granger qui est utilisée pour cette étude se définit comme la capacité d'une variable à expliquer par ces valeurs passées et/ou présentes la valeur présente d'une autre variable. Il se base sur le principe simple ci-après.

Intuitivement,

causerait

selon Granger lorsque les coefficients des valeurs retardées de

dans l'estimation de

ne sont pas tous nuls.

Il s'agit ici d'utiliser les informations sur les valeurs passées pour prévoir en partie ou totalement les valeurs présentes et futures des variables. C'est à juste titre que le test de causalité se base sur la contribution à la réduction de la variance de l'erreur sur la prévision de

, de la connaissance de

explique connaissant

En d'autres termes, On dit que la variable

cause au sens de Granger la variable y si et seulement si la connaissance du passé de

améliore la prévision de y à tout horizon.

De cette définition découle un corollaire : On dit que la variable

ne cause pas la variable y au sens de Granger, si et seulement si :

De façon équivalente on dit que la variable y est exogène au sens des séries temporelles.

Etant donné qu'en cas de non causalité la première variance est supérieure à la deuxième, cette quantité reste positive. Elle sera très grande lorsque la causalité n'est pas valable et nulle dans le cas contraire. L'interprétation de cette statistique de test est que :

cause

si la connaissance de

en plus de celle de

permet de réduire sensiblement les erreurs de prévision de

sachant

II. PROCEDURE ADOPTEE

Le test de Dickey-Fuller Augmenté est tout d'abord pratiqué sur les variables. Le résultat permet de déterminer leur degré d'intégration. Mais comme pour la plupart des agrégats économiques exprimés à prix constant, il est logique de s'attendre à une intégration d'ordre un (1). Lorsque cette intégration se révèle, l'étude de la cointégration des variables endogènes intégrées d'un même ordre est envisagée et pratiquée. Cette dernière étude se fera par le test de Johansen. Les résultats de ces tests permettent de décider de l'utilisation d'un VAR simple opéré directement sur les variables à niveau (en cas de stationnarité), d'un VAR simple opéré sur les variables différenciées une fois (en cas d'intégration et de non cointégration) ou d'un VEC (en cas d'une seule relation de cointégration) ou d'un VECM (en cas de plusieurs relations de cointégration). Un test de causalité est aussi effectué sur les variables pour apprécier l'influence des valeurs passées de chaque variable endogène sur les autres variables endogènes. Des chocs sont de même provoqués sur ces variables afin d'observer graphiquement les impacts d'une variation aléatoire de l'innovation notamment de la croissance agricole sur les autres variables.

2.1. Stationnarité et test de stationnarité

A- Concept de stationnarité

On distingue la notion de stationnarité au sens strict de celle de stationnarité de second ordre ou stationnarité faible. C'est la notion de stationnarité au sens faible qui est le plus souvent utilisé. Un processus est stationnaire au second ordre si l'ensemble de ses moments d'ordre un et d'ordre deux sont indépendants du temps. C'est-à-dire un processus

) est dit stationnaire au second ordre, ou stationnaire au sens faible, ou stationnaire d'ordre deux si les trois conditions suivantes sont satisfaites^10(*) :

Par opposition, un processus non stationnaire est un processus qui ne satisfait pas l'une ou l'autre de ces deux conditions. Ainsi, l'origine de la non stationnarité peut provenir d'une dépendance du moment d'ordre un (l'espérance) par rapport au temps et/ou d'une dépendance de la variance ou des autocovariances par rapport au temps. Le fait qu'un processus soit stationnaire ou non conditionne le choix de la modélisation que l'on doit adopter.

En règle générale, si l'on s'en tient notamment à la méthodologie de Box et Jenkins, lorsque la série étudiée est issue d'un processus stationnaire, on cherche alors le meilleur modèle parmi la classe des processus stationnaires pour la représenter, puis on estime ce modèle. En revanche, lorsque la série est issue d'un processus non stationnaire, on doit avant toutes choses, chercher à la »stationnariser», c'est à dire trouver une transformation stationnaire de ce processus. Puis, on modélise et l'on estime les paramètres associés à la composante stationnaire. La difficulté réside dans le fait qu'il existe différentes sources de non stationnarité et qu'à chaque origine de la non stationnarité est associée une méthode propre de stationnarisation. Depuis les travaux de NELSON et PLOSER (1982), les cas de non stationnarité les plus fréquents sont analysés à partir de deux types de processus:

Ø les processus TS (Trend Stationnary) qui représentent une non-stationnarité de type déterministe.

où

est une fonction du temps et

est un processus stochastique stationnaire. On montre immédiatement que

où

, dépend du temps, ce qui viole la seconde condition de la définition d'un processus stationnaire. La méthode de stationnarisation utilisée dans ce cas est celle des moindres carrés.

Ø les processus DS (Differency Stationnary) pour les processus non stationnaires aléatoires.

Un processus non stationnaire

est un processus DS (Differency Stationnary) d'ordre d, où d désigne l'ordre d'intégration, si le processus filtré défini par

est stationnaire. On dit aussi que

est un processus intégré d'ordre d, noté I (d). Ce type de processus est donc stationnarisé par l'application du filtre aux différences.

Les propriétés de stationnarité ou de non stationnarité des séries utilisées déterminent le type de modélisation et les propriétés asymptotiques des méthodes économétriques correspondantes. En d'autres termes, le fait de savoir si la série statistique est une réalisation d'un processus stationnaire, non stationnaire DS ou non stationnaire TS conditionne d'une part le choix du modèle économétrique qui doit être utilisé. Mais de façon plus fondamentale et insidieuse, cela conditionne les propriétés asymptotiques des estimateurs des paramètres de ce modèle et donc par conséquent les propriétés asymptotiques des statistiques des tests usuels sur les paramètres. Si le processus est stationnaire on retrouve les propriétés standards, mais si le processus est non stationnaire, et en particulier DS, on a alors des propriétés asymptotiques particulières.

La stationnarité des séries est vérifiée à l'aide de tests. Plusieurs tests existent dans la littérature à cet effet. Dans le cadre de ce travail, il sera utilisé les tests de Dickey-Fuller Augmentés (ADF : Augmented Dickey-Fuller) dont le principe est présenté ci-dessous.

B- Test de Dickey Fuller Augmenté

Le test ADF est une correction paramétrique des tests de Dickey-Fuller Simple qui supposent que les erreurs des modèles sont des bruits blancs. Le test ADF est un cas étendu dans lequel l'erreur suit un processus AR (p).

En effet, les distributions asymptotiques des statistiques de test de racine unitaire ont été construites sous l'hypothèse que

est un bruit blanc. Dès que l'on lève cette hypothèse les statistiques des tests de Dickey Fuller ne suivent plus les mêmes distributions asymptotiques, et donc les seuils de significativité des tests de racine unitaire sont différents. Il apparaît donc nécessaire de tenir compte de l'éventuelle autocorrélation des résidus dans la construction des tests de racine unitaire. Il existe alors deux approches différentes pour tenir de cette éventuelle autocorrélation. La première approche, proposée par Phillips (1987) et Phillips et Perron (1988) consiste à proposer une correction des estimateurs des MCO et des statistiques de Student associées à ces estimateurs prenant en compte la possible autocorrélation des résidus. La seconde approche, développée par Dickey et Fuller (1979), consiste à contrôler directement l'autocorrélation dans le modèle (et non au niveau des estimateurs) en incluant un ou plusieurs termes autorégressifs différenciés.

La stratégie de test ADF consiste en une première étape, à déterminer le nombre de retard p nécessaire pour blanchir les résidus. Pour ce faire, plusieurs approches peuvent être envisagées, parmi celles-ci, on peut citer : le contrôle ex-post de l'absence d'autocorrélation des innovations et la minimisation de critères d'information. C'est l'approche par la minimisation des critères d'information qui sera utilisée dans ce document.

Un critère d'information est un critère fondé sur le pouvoir prédictif du modèle considéré et qui tient compte du nombre de paramètres à estimer. De façon concrète ces critères sont construits comme des fonctions de la variance des résidus estimés du modèle

et du nombre de paramètres à estimer. L'objectif étant bien entendu de minimiser cette fonction par rapport à ces deux arguments. Ces critères s'appliquent de façon générale à tout type de modèle et pas uniquement aux modèles des tests ADF. Nous n'en retiendrons que deux : le critère d'Akaike et le critère de Schwarz (1978). Pour un modèle, incluant k paramètres, estimé sur T périodes et dont la réalisation de l'estimateur de la variance des résidus est

le critère d'Akaike, ou AIC, est :

Dans la seconde étape du test, il suffit d'appliquer la stratégie séquentielle du test de Dickey Fuller Simple aux trois modèles suivants.

Soit une série

dont on désire tester la stationnarité. Ce test s'appuie sur les trois modèles suivants :

Le principe du test consiste à tester

(présence de racine unitaire) contre

. Si l'hypothèse

est retenue alors le processus n'est pas stationnaire. Le test de Dickey-Fuller augmenté consiste à estimer les trois modèles avant de spécifier le type de processus auquel la série

obéit et de procéder à sa stationnarisation. Les étapes du test sont les suivantes :

3- Dans le cas contraire, reprendre la régression avec le modèle (2) et vérifier si la constante (

est significative.

4- Si la constante n'est pas significative alors il faut reprendre la régression avec

le modèle (1) et vérifier si

est significativement différent de 1. Si oui alors la série est stationnaire. Si non alors elle ne l'est pas.

2 .2. Cointégration

A- Concept de cointégration

Après des tests de racines unitaires, on serait certainement confronté au problème de l'utilisation des séries non stationnaires dans le modèle VAR. Lorsque les séries ne sont pas stationnaires, il existerait donc un risque de Cointégration entre ces variables.

En effet, plusieurs propriétés statistiques ne s'appliquent qu'à des séries stationnaires. Dès lors, il se pose des problèmes dans la mesure où la plupart des séries représentant des variables économiques sont affectées par une tendance de long terme. Des simulations empiriques ont permis à Granger et à Newbold de montrer que la distribution du t de Student dans un modèle simple du type

en présence de racine unitaire ne peut plus être interprété selon la loi de Student Fisher. Entre les séries admettant des racines unitaires, il existe des corrélations fortuites « spurious correlation » qui n'ont aucune signification véritable et qui n'ont pas de véritables fondements. On peut donc conclure à l'existence de relations qui, en réalité, n'existent pas. Granger et Newbold ont montré que ce cas est très probable si la régression a un Durbin Waston (DW) faible et un R² élevé. Ces résultats ont été également confirmé de façon mathématique par PCB Phillips qui a montré qu'en présence de racine unitaire, le DW était aussi biaisé et tend vers la valeur zéro. De ce fait, la question de travailler sur des séries non stationnaires s'est trouvée poser.

En claire, la cointégration se définit comme une relation de long terme qui relie les valeurs contemporaines des variables étudiées, bien qu'à court terme cette relation peut ne pas être observée. Elle est, en fait, identifiée aux combinaisons linéaires stationnaires des variables du VAR. L'identification de cette relation lorsqu'elle existe et sa prise en compte dans l'estimation du modèle VAR permet d'éviter de se retrouver avec une régression fallacieuse.

B- Test de cointégration

Les tests de cointégration servent à vérifier statistiquement l'existence des relations de cointégration et évaluent en réalité le nombre de relations de cointégration qui existent entre les variables. Il existe deux méthodes :

Lorsque les variables sont intégrées d'un même ordre, cette méthode propose de faire d'abord une régression statistique entre ces variables, récupérer les résidus comme de nouvelles variables, puis de tester la stationnarité des résidus à l'aide des tests de DFA. Il faut noter que l'utilisation des tables de Dickey et Fuller n'est plus possible. En effet, le test porte sur les résidus estimés à partir de la relation statistique et non pas sur les « vrais » résidus de la relation de cointégration. MacKinnon (1991) a donc simulé des tables qui dépendent du nombre d'observations et du nombre de variables explicatives figurant dans la relation statistique.

Ces variables sont alors dites cointégrées, lorsque ce test conclut en la stationnarité desdits résidus.

La matrice

peut s'écrire sous la forme

où le vecteur

est la force de rappel vers l'équilibre,

le vecteur dont les éléments sont les coefficients des relations de long terme des variables. Chaque combinaison linéaire représente donc une relation de cointégration et

est stationnaire. Le rang de la matrice

détermine donc le nombre de relations de cointégration. En effet, de façon générale, dans un modèle à une variable à expliquer et k variables explicatives (soit k+1 variables au total), il peut exister k vecteurs de cointégration linéairement indépendante. C'est le nombre de vecteurs de cointégrations linéairement indépendants qui est appelé le rang de la cointégration. Johansen (1988) propose un test fondé sur les vecteurs propres correspondant aux valeurs propres les plus élevés de la matrice

. A partir des valeurs propres de la matrice

, on calcule une statistique :

Cette statistique suit une loi de probabilité (similaire à un

) tabulée à l'aide de simulations par Johansen et Juselius (1990). Ce test de Johansen fonctionne par exclusion d'hypothèses alternatives :

- rang de la matrice

égal 0 (r =0), soit H₀: r=0 contre H₁: r>0 ; si H₀ est

refusé, on passe au test suivant (si

> à la valeur critique lue dans la table, on rejette H₀) ; dans le cas contraire, la procédure est arrêtée, et le rang de la matrice est r = 0

- rang de la matrice

égal = 1 (r=1), soit H₀: r=1 contre H₁: r>1 ; si H₀ est refusé, on passe au test suivant :

- rang de la matrice

égal = 2 (r=2), soit H₀: r=2 contre H₁: r>2 ; si H₀ est refusé, on passe au test suivant, etc.

Si après avoir refusé les différentes hypothèses H₀ à la fin de la procédure, on teste H₀: r = k-1 contre H₁: r=k et que l'on soit amené à refuser H₀, alors le rang de la matrice est r = k et il n'existe aucune relation de cointégration car les variables sont toutes I(0).

En se basant sur le nombre de vecteurs propres (Eigen values) ordonnés ou sur la valeur du rapport de vraisemblance ou le Likelihhod Ratio (LR), fournis par les logiciels d'économétrie en fonction du seuil choisi, on accepte ou on rejette H₀. En effet, si la statistique LR est supérieure aux valeurs critiques données au seuil fixé on rejette H₀ et on accepte H₁ et on admet qu'il y a ou non de relation de cointégration entre les séries étudiées.

Pour mener ce test, Johansen propose cinq spécifications concernant soit les vecteurs de cointégration soit les séries (le VAR proprement dit)

v Absence d'une tendance linéaire dans les séries et d'une constante dans les relations de cointégration ;

v Absence d'une tendance linéaire dans les séries mais présence d'une constante dans les relations de cointégration.

v Présence d'une tendance linéaire dans les séries et d'une constante dans les relations de cointégration ;

v Présence d'une tendance linéaire dans les séries et dans les relations de cointégration.

v Présence d'une tendance quadratique dans les séries et d'une tendance linéaire dans les relations de cointégration.

Le choix d'une de ces spécifications s'effectue en fonction des données et de la forme supposée de la tendance.

2.3. Vecteurs ou modèles à correction d'erreur

A- Vecteur à Correction d'Erreur (VEC)

Comme souligné dans l'étude de la cointégration, le VEC est une forme de VAR qui tient compte des relations de cointégration. La théorie économique n'indique pas toujours clairement comment les ajustements permettent d'arriver à une situation d'équilibre ou à un objectif prédéterminé. A l'aide de l'économétrie, on arrive à combler cette lacune par des mécanismes d'ajustement cohérents. La problématique consiste à modéliser la variable endogène de sorte à coïncider avec une cible (la relation de cointégration indiquant une relation d'équilibre) qui constitue l'objectif de long terme. Le modèle à correction d'erreur peut être construit de façon simple selon deux approches :

En effet, le test de cointégration permet de déterminer

. Ensuite les relations de cointégration sont utilisées pour corriger les éventuelles erreurs qui peuvent se retrouver dans le modèle s'il arrivait que les relations de cointégration ne soient pas respectées à une période donnée.

La cointégration ayant été révélée par les tests précédents, deux cas de figure sont à envisager, il existe :

Si le vecteur de cointégration est unique, nous pouvons employer les méthodes d'estimation par exemple, celle en deux étapes de Engel et Granger.

Etape1 : estimation par les MCO de la relation de long terme et calcul du résidu

Etape2 : estimation par les MCO de la relation du modèle dynamique (court terme)

Cependant, le plus souvent, le vecteur de cointégration n'est pas unique et la méthode de Engel- Granger n'est plus valide. En effet, les estimateurs des MCO ne sont plus consistants quels que soient les vecteurs de cointégration. Nous devons, dans ce cas, faire appel à la représentation vectorielle à corretion d'erreur

b- Procédure d'estimation du VECM

Nous résumons ici les grandes étapes relatives à l'estimation d'un modèle VECM.

Etape1 : Détermination du nombre de retards p du modèle (en niveau ou en log) selon les critères AIC ou SC.

Etape2 : Estimation de la matrice

et test de Johansen permettant de connaître le nombre de relations de cointégration (les logiciels proposent un certain nombre de spécifications alternatives, telles que l'existence d'un terme constant dans la relation de cointégration, l'existence d'une tendance déterministe, etc).

Etape3: identification des relations de cointégration, c'est-à-dire des relations de long terme entre les variables.

Etape4: estimation par la méthode du maximum de vraisemblance du modèle vectoriel à correction d'erreur et validation à l'aide des tests usuels : significativité des coefficients et vérification que les résidus sont des bruits blancs (test de Ljung-Box).

Enfin, nous pouvons vérifier si l'estimateur par les MCO de la relation de long terme fournit des résultats à peu près similaires (en termes de significativité et de valeurs estimées des coefficients) à ceux obtenus par la méthode de vraisemblance.

La partie suivante nous donne les résultats obtenus à partir de nos estimations.

CHAPITRE III : PRESENTATION, ANALYSE DES RESULTATS ET SUGGESTIONS

I. PRESENTATION DES RESULTATS

1.1. Test de racine unitaire et test de cointégration de Johansen

a- Test de racine unitaire, détermination de l'ordre d'intégration

Une étude des relations structurelles entre les performances économiques des différents secteurs d'activité au Bénin nécessite au préalable d'effectuer des tests de stationnarité afin de déterminer l'ordre d'intégration de chaque série. Eviews 5 nous donne le nombre de retard nécessaire pour effectuer le test. Les corrélogrammes des séries étudiées se trouvent en annexe de ce document. Les résultats du test ADF appliqué sur les séries sont consignés dans le tableau ci après :

Variables	En niveau						En différence première						Ordre d'intégration
	Valeur			Lag	Avec		Valeur			Lag	Avec
	Empirique	Théorique	Probabilité		Constante	Trend	Empirique	Théorique	Probabilité		Constante	Trend
L_PIBH	-2.251733	-3.523623	0.4496	9	OUI	OUI	-5.575145	-1.949319	0.0000	9	NON	NON	I (1)
L_PIBA	-3.162448	-3.523623	0.1062	9	OUI	NON	-7.130728	-2.936942	0.0000	9	OUI	NON	I (1)
L_PIBI	-2.184504	-2.935001	0.2148	9	OUI	NON	-5.050001	-1.949319	0.0000	9	NON	NON	I (1)
L_PIBS	3.879710	-1.949097	0.9999	9	NON	NON	-5.928194	-2.936942	0.0000	9	OUI	NON	I (1)

Les résultats détaillés des tests sont présentés en annexe. On se contentera d'expliquer la procédure et d'analyser les résultats pour la variable L_PIBH. La tendance et la constance de la variable L_PIBH sont significatives, ce qui permet de retenir le modèle (3) appliqué à la série à niveau. Dans ce modèle, la valeur de la statistique ADF est (-2 ,251733) supérieure à la valeur critique à 5% qui vaut (-3,523623). Ainsi, l'hypothèse nulle de non stationnarité n'est pas rejetée. Donc, cette série n'a donc pas stagné entre 1970 et 2011. Elle est dite non stationnaire. On différencie la série et on reprend la procédure pour choisir le meilleur modèle. La constance et la tendance ne sont pas significatives respectivement sur les modèle (2) et (3). On retient le modèle (1). La statistique ADF est significative dans ce modèle. Sa valeur (-5,575145) est inférieure à la valeur critique au niveau de 5% (-1,949319). L'hypothèse nulle de non stationnarité de la série en différence première est alors rejetée. On conclut donc que la série est intégrée à l'ordre 1.

En appliquant la même procédure aux trois autres variables, les résultats montrent que les variables sont intégrées à l'ordre 1. On note qu'elles sont toutes I (1), il y a donc risque de cointégration qui devra être confirmé ou infirmé par le test de cointégration de Johansen.

B- Test de cointégration de Johansen

Les résultats du test à base des statistiques de la trace sont consignés dans le tableau suivant.



Hypothesized		Trace	0.05
No. of CE(s)	Eigenvalue	Statistic	Critical Value	Prob**


None	0.252039	29.35323	47.85613	0.7513
At most 1	0.194771	17.73705	29.79707	0.5856
At most 2	0.171309	9.071929	15.49471	0.3588
At most 3	0.038144	1.555614	3.841466	0.2123

Aucune relation de cointégration n'a été observée entre les séries étudiées. En effet, les résultats des tests de l'hypothèse nulle d'absence de cointégration ont été acceptées au seuil de 5% (29,35323<47,85613 ou encore 0,7513>0,05), ce qui explique l'absence d'une relation de cointégration. Les résultats sont confirmés par les résultats de la valeur propre maximale (voir annexe 13).

Les résultats de ces tests permettent de décider de l'utilisation, d'un VAR simple opéré sur les variables différenciées une fois car dans notre cas ici il y a intégration et non cointégration. Mais avant, déterminons le nombre maximal de retard pour l'estimation du modèle VAR.

1.2. Nombre de retard du modèle VAR et test de causalité

a- Détermination du nombre de retard du modèle VAR

La détermination du nombre de retard du VAR a été faite à l'aide des critères d'information.

L'analyse du tableau montre que tous les critères d'informations Akaike (AIC) et de Schwarz (SC) acceptent un retard maximal de 1. Nous retenons donc un VAR(1). Avant d'estimer le VAR proprement dit, il est recommandé de faire le test de causalité afin de connaître les équations les plus pertinentes à analyser.

B- Test de causalité de Granger



Null Hypothesis:	Obs	F-Statistic	Probability


L_PIBH does not Granger Cause L_PIBA	41	2.00744	0.16468
L_PIBA does not Granger Cause L_PIBH		6.80102	0.01295


L_PIBI does not Granger Cause L_PIBA	41	0.05260	0.81987
L_PIBA does not Granger Cause L_PIBI		0.19904	0.65810


L_PIBS does not Granger Cause L_PIBA	41	0.57656	0.45235
L_PIBA does not Granger Cause L_PIBS		7.19207	0.01078


L_PIBI does not Granger Cause L_PIBH	41	3.70164	0.06187
L_PIBH does not Granger Cause L_PIBI		0.45823	0.50255


L_PIBS does not Granger Cause L_PIBH	41	4.14582	0.04875
L_PIBH does not Granger Cause L_PIBS		0.02297	0.88035


L_PIBS does not Granger Cause L_PIBI	41	0.03968	0.84318
L_PIBI does not Granger Cause L_PIBS		0.70578	0.40610

- Nous constatons dans le tableau que l'hypothèse nulle (H0₁) selon laquelle L_PIBH ne cause pas au sens de Granger L_PIBA est acceptée (Probabilité > 0,05). En revanche, l'hypothèse nulle (H0₂) selon laquelle L_PIBA ne cause pas L_PIBH au sens de Granger est rejetée au seuil de 5%. La probabilité associée est 0.01295, elle est inférieure au seuil statistique de 5%, ce qui explique que L_PIBA cause au sens de Granger L_PIBH, il s'agit donc d'une causalité unidirectionnelle.

- Les résultats de tests concernant les hypothèses nulles (H0₀₃ et H0₀₄) selon lesquelles L_PIBI ne cause pas au sens de Granger L_PIBA et inversement L_PIBA ne cause pas L_PIBH au sens de Granger sont acceptée (Probabilité > 0,05). Il existe une certaine indépendance entre les deux séries.

- Les résultats de tests concernant les hypothèses nulles (H0₅ et H0₆) montrent également que L_PIBA cause au sens de Granger L_PIBS, il s'agit dans ce cas aussi d'une causalité unidirectionnelle.

- Nous notons également à l'analyse de ce tableau que, les résultats des tests des hypothèses (H0₇ et H0₈) selon lesquelles L_PIBI ne cause pas au sens de Granger L_PIBH et inversement L_PIBH ne cause pas au de Granger L_PIBI, sont acceptées (Probabilités > 0,05) au seuil de 5%. Il existe une certaine indépendance entre les deux séries.

- Les résultats de tests concernant l'hypothèse nulle (H0₉) selon laquelle L_PIBS ne cause pas au sens de Granger L_PIBH est rejetée (Probabilité < 0,05). En revanche, l'hypothèse nulle (H0₁₀) selon laquelle L_PIBH ne cause pas L_PIBS au sens de Granger est acceptée au seuil de 5%. Ce qui explique que L_PIBS cause au sens de Granger L_PIBH, il s'agit donc d'une causalité unidirectionnelle.

- Enfin, les résultats de tests concernant les hypothèses nulles (H0₁₁ et H0₁₂) selon lesquelles L_PIBS ne cause pas au sens de Granger L_PIBH et inversement L_PIBH ne cause pas au de sens Granger L_PIBS, sont acceptées (Probabilités > 0,05). Il existe une certaine indépendance entre les deux séries.

En claire les performances du secteur agricole causent le PIB par habitant et le PIB du secteur service. Aucun lien de causalité n'a été constaté entre les performances des secteurs agricole et industriel. Les performances du secteur service causent aussi celles de l'économie en général. Aucun secteur ne cause le secteur agricole. L'hypothèse n° 2 de la présente étude est donc validée en partie.

1.3. Estimation du modèle VAR

A- Sélection du modèle optimal

En se référant aux résultats de causalité, on peut se permettre d'exclure la variable DPIBI de la représentation VAR. Néanmoins, comme il est recommandé en cas de choix entre plusieurs modèles, on s'est référé aux critères d'information ; ainsi avons-nous estimé le modèle VAR avec la variable DL_PIBI et le modèle VAR sans ladite variable. Dans chacun des cas, nous avons distingué les sous cas avec constante et sans constante. Les résultats des critères d'informations se trouvent dans le tableau ci après :

On retient donc un modèle VAR avec les quatre variables avec constante. Les autres modèles se trouvent en annexe de ce document.

B- Modèle VAR

	DL_PIBH	DL_PIBA	DL_PIBI	DL_PIBS
DL_PIBH (-1)	-0.547219	-0.230648	1.094120	-0.391367
	(0.34411)	(0.73974)	(2.30569)	(0.60164)
	(-1.59027)	(-0.31179)	(0.47453)	(-0.65050)

DL_PIBA (-1)	0.320166	-0.137282	-0.112787	0.398734
	(0.12738)	(0.27383)	(0.85348)	(0.18975)
	(2.51356)	(-0.50135)	(-0.13215)	(2.10137)

DL_PIBI(-1)	0.016312	0.020394	0.079658	-0.014641
	(0.02821)	(0.06065)	(0.18905)	(0.04933)
	(0.57816)	(0.33624)	(0.42136)	(-0.29680)

DL_PIBS(-1)	0.386359	-0.159775	-0.654035	0.375291
	(0.19512)	(0.44636)	(1.39126)	(0.36303)
	(1.98016)	(-0.35795)	(-0.47010)	(1.03377)

C	-0.013444	0.047952	0.077232	0.008016
	(0.01046)	(0.02249)	(0.07009)	(0.01829)
	(-1.28515)	(2.13230)	(1.10185)	(0.43829)

Le tableau précédent présente les quatre équations du modèle VAR. Chaque paramètre comporte trois valeurs : la première est la valeur du coefficient, la deuxième celle de l'écart type et la dernière est la valeur du t-student.

L'analyse des résultats de causalité à la Granger nous permet de nous fonder beaucoup plus sur l'équation (1) et l'équation (4) du modèle. En effet aucune des variables étudiées ne cause le PIB agricole et le PIB industriel donc l'interprétation de l'équation(2) et (3) serait donc hasardeuse.

Dans l'équation (1), on a pu observer une influence positive des performances des secteurs agricole et services retardées d'une période sur le niveau de vie de la population Béninoise. Dans l'équation (4) les performances du secteur service au cours d'une année sont influencées positivement par celles obtenues dans le secteur agricole à l'année antérieure. L'hypothèse n° 1 est aussi validée en partie.

C- Validation du modèle

La validation du modèle serait faite à travers des tests de stabilité du modèle VAR, l'autocorrélation des résidus et la normalité des erreurs.

L'analyse du graphique montre qu'aucune racine du polynôme caractéristique n'est en dehors du cercle unité, c'est-à-dire, toutes les racines sont inférieures en module à 1. Le modèle est donc stable.

On test l'hypothèse nulle de non autocorrélation des résidus. Le test a été fait en calculant la statistique de Box-Pierce/Ljung-Box.



Lags	Q-Stat	Prob.	Adj Q-Stat	Prob.	df

1	2.642708	NA*	2.710470	NA*	NA*
2	23.53287	0.1002	24.70011	0.0753	16
3	35.25177	0.3170	37.36919	0.2360	32
4	44.84656	0.6028	48.03007	0.4716	48
5	66.38249	0.3948	72.64257	0.2147	64
6	76.59355	0.5872	84.65557	0.3396	80
7	85.35107	0.7735	95.27076	0.5018	96
8	102.2500	0.7345	116.3944	0.3691	112
9	106.8183	0.9135	122.2890	0.6257	128

Ce test est fait grâce à la statistique de Jarque et Bera. On test l'hypothèse nulle de normalité des résidus.



Component	Skewness	Chi-sq	Df	Prob.


1	0.014636	0.001884	1	0.9654
2	-0.196202	0.334645	1	0.5629
3	0.271239	0.632879	1	0.4263
4	0.093043	0.075946	1	0.7829


Joint		1.045354	4	0.9028


Component	Kurtosis	Chi-sq	Df	Prob.


1	1.854587	3.140338	1	0.0764
2	2.097383	1.588753	1	0.2075
3	2.270269	0.946359	1	0.3306
4	2.604998	0.002266	1	0.9620


Joint		5.677716	4	0.2245


Component	Jarque-Bera	Df	Prob.


1	3.142222	2	0.2078
2	1.923398	2	0.3822
3	1.579238	2	0.4540
4	0.078212	2	0.9616


Joint	6.723070	8	0.5668

II. ANALYSE GLOBALE DES RESULTATS ET RECOMMANDATIONS

2.1. Analyse des fonctions de réponse impulsionnelle et de la décomposition de la variance

Dans cette partie, nous nous intéresserons essentiellement aux fonctions de réponse aux chocs et aux décompositions de la variance des erreurs de prévisions. Les décompositions de la variance nous indiqueront l'importance relative de chaque choc dans l'explication des autres variables du système. Quant aux fonctions de réactions aux chocs, elles nous permettront de mettre en évidence la nature des effets des différents chocs sur les variables. Les figures suivantes retracent les fonctions de réponse impulsionnelle ; les courbes en pointillés représentant l'intervalle de confiance. On considère que l'amplitude du choc est égale à deux fois l'écart type et l'on s'intéresse aux effets du choc sur 10 périodes (c'est-à-dire 10 ans). Cet horizon représente le délai nécessaire pour que les variables retrouvent leur niveau de long terme.

A- Fonctions de réponse suite à un choc sur le secteur agricole

Le graphique suivant représente les fonctions de réponse des autres variables.

Le choc affectant l'activité agricole a de répercussion sur les autres variables et se stabilise à long terme. On constate un effet positif sur le niveau de vie au cours des périodes [1 2] et [4 5]. L'effet négatif est constaté entre la période [3 5]. L'effet du choc tend à se stabiliser à partir de la cinquième période. Le même phénomène a été observé sur l'activité des secteurs service et industriel. Sur ces secteurs, on note des effets positifs sur l'intervalle [1 2] et des effets négatifs sur la période suivante [2 3] avant leur stabilisation au cours des périodes suivantes.

B- Fonctions de réponse suite à un choc sur le secteur service

La réponse des autres variables suite à ce choc est représentée par le graphique suivant:

Les réponses suite à l'effet d'un choc sur le secteur service ne sont pas aussi instantanées comme dans le cas du secteur agricole. L'effet est positif sur le niveau de vie de la population Béninoise au cours des périodes [1 2] et négatif sur la période [2 3] puis positif pendant la période [3 4] avant de s'amortir pour revenir à son niveau de long terme. L'effet est négatif pendant les premières périodes sur les secteurs agricole et industriel. L'effet devient positif à partir de la 2^ème et de la 4^ème période respectivement sur le secteur agricole et le secteur service avant de retrouver leur équilibre de long terme.

C- Fonctions de réponse suite à un choc sur le secteur industriel

Un choc positif sur le secteur industriel a un impact positif au cours de la première période sur le secteur agricole. Le même effet a été constaté sur le secteur service sur une période de quatre ans avant de s'estomper et retrouver son équilibre de long terme. A partir de la deuxième période, la performance du secteur agricole

connait une baisse avant de s'annuler autour de la 3^ème période et retrouver son équilibre. Le phénomène contraire a été observé sur le secteur service.

D- Décomposition de la variance de l'erreur de prévision

L'étude précédente, basée sur les fonctions de réponses impulsionnelles, peut être complétée par une analyse de la décomposition de la variance de l'erreur de prévision. L'objectif est de calculer la contribution de chacune des innovations à la variance de l'erreur en pourcentage. Quand une innovation explique une part importante de la variance de l'erreur de prévision, nous en déduisons que la variable étudiée est très sensible aux chocs affectant cette série. Les résultats relatifs à l'étude de la décomposition de la variance sont reportés dans les tableaux ci- après :



Period	S.E.	DL_PIBA	DL_PIBS	DL_PIBI	DL_PIBH


1	0.060612	100.0000	0.000000	0.000000	0.000000
2	0.062574	95.56182	4.121880	0.116234	0.200067
3	0.062739	95.30041	4.123651	0.156519	0.419416
4	0.062771	95.22088	4.191877	0.157838	0.429400
5	0.062772	95.21871	4.193591	0.158318	0.429386
6	0.062773	95.21858	4.193708	0.158326	0.429389
7	0.062773	95.21856	4.193718	0.158327	0.429392
8	0.062773	95.21856	4.193719	0.158327	0.429392
9	0.062773	95.21856	4.193719	0.158327	0.429392
10	0.062773	95.21856	4.193719	0.158327	0.429392


Cholesky Ordering: DL_PIBA DL_PIBS DL_PIBI DL_PIBH

La variance de l'erreur de prévision du PIB du secteur agricole, est due à 95,2% de ses propres innovations, 4,2% de l'activité économique du secteur service, 0,16% du secteur industriel et 0,43% du niveau de vie de la population Béninoise. Elle montre donc que le secteur service réagit le plus à un choc sur le secteur agricole



Period	S.E.	DL_PIBS	DL_PIBA	DL_PIBI	DL_PIBH


1	0.049296	100.0000	0.000000	0.000000	0.000000
2	0.052870	87.24791	10.84185	1.103329	0.806912
3	0.053041	87.11015	10.93133	1.148159	0.810365
4	0.053059	87.05234	10.97624	1.149152	0.822268
5	0.053061	87.04954	10.97888	1.149129	0.822455
6	0.053061	87.04934	10.97900	1.149172	0.822481
7	0.053061	87.04931	10.97904	1.149172	0.822482
8	0.053061	87.04931	10.97904	1.149172	0.822482
9	0.053061	87.04931	10.97904	1.149172	0.822482
10	0.053061	87.04931	10.97904	1.149172	0.822482

Cholesky Ordering: DL_PIBS DL_PIBA DL_PIBI DL_PIBH

La variance de l'erreur de prévision du PIB du secteur service, est due à 87% de ses propres innovations, 11% du PIB de l'activité économique du secteur agricole, 1,15% du secteur industriel et 0,82% du niveau de vie de la population Béninoise. Un choc sur le secteur agricole a plus d'impact sur le secteur service que l'impact du choc du secteur service sur le secteur agricole.


Period	S.E.	DL_PIBI	DL_PIBA	DL_PIBS	DL_PIBH

1	0.188921	100.0000	0.000000	0.000000	0.000000
2	0.191065	98.94204	0.495222	0.079856	0.482877
3	0.191139	98.91073	0.500282	0.085240	0.503750
4	0.191147	98.90250	0.500283	0.090807	0.506409
5	0.191148	98.90222	0.500318	0.091010	0.506455
6	0.191148	98.90220	0.500333	0.091011	0.506457
7	0.191148	98.90220	0.500333	0.091011	0.506458
8	0.191148	98.90220	0.500333	0.091011	0.506458
9	0.191148	98.90220	0.500333	0.091011	0.506458
10	0.191148	98.90220	0.500333	0.091011	0.506458

Cholesky Ordering: DL_PIBI DL_PIBA DL_PIBS DL_PIBH

Source: Résultat des travaux : Sortie Eviews

La variance de l'erreur de prévision du PIB du secteur industriel, est due à 99% de ses propres innovations, 0,5% du PIB de l'activité économique du secteur agricole, 0,1% du secteur industriel et 0,5% du niveau de vie de la population béninoise. L'impact d'un choc du secteur industriel sur les autres secteurs et le niveau de vie de la population béninoise est négligeable. Néanmoins, notons que l'activité économique dans le secteur service est plus sensible au choc dans le secteur industriel que le choc du secteur service n'a d'effet sur le secteur industriel.

Au vue des résultats des fonctions de réponse impulsionnelle et de la décomposition de la variance, on conclut que l'hypothèse n°3 est vérifiée.

2.2. Analyse globale des Résultats

Le modèle VAR utilisé pour analyser l'impact de la performance du secteur agricole et les autres secteurs a relevé une relation causale unidirectionnelle entre le secteur agricole, le secteur service et le niveau de vie de la population béninoise. La performance du secteur non agricole n'a pas d'effet sur celle du secteur agricole. On note une totale indépendance entre le secteur agricole et le secteur industriel.

Les résultats montrent que le secteur agricole cause et influence positivement le niveau de vie de la population béninoise et le secteur service. Une croissance de 1% du PIB agricole au cours d'une année « n », toute chose étant égale par ailleurs, entraine une croissance de 0,320166% et 0,398734% respectivement du niveau de vie de la population béninoise et du secteur service au cours de l'année suivante. En outre la performance du secteur service a aussi une influence positive sur le PIB par habitant au Bénin. Une augmentation de 1% de la performance du secteur service au cours d'une année « n », a une influence positive de 0,386359% sur le niveau de vie de la population, toute chose étant égale par ailleurs à l'année suivante. Ce qui signifie donc que le niveau de vie de la population béninoise et la performance du secteur service au cours d'une année reste lier aux résultats obtenus dans le secteur agricole au cours de la campagne agricole antérieure. En outre, le niveau de vie de la population béninoise dépend plus du secteur service que du secteur agricole. La relation constatée entre l'agriculture, le secteur service et le niveau de vie peut s'expliquer. En effet, si l'on considère que le segment portuaire est au coeur de ce secteur on observera une augmentation de ses activités suite à un accroissement de la production notamment en ce qui concerne les produits d'exportations comme le coton qui contribue seul à près de 85% de nos recettes d'exportations. On note d'ailleurs une légère organisation de la filière noix de cajou qui devra avoir aussi son impact. Par ailleurs, l'intrant agricole est totalement importé. Plus l'activité agricole est intense, plus la quantité d'intrants à importer sera grande et donc les Droits et Taxes à l'Importation (DTI) vont s'accroitre. Selon les résultats du suivi de l'Enquête Modulaire Intégrée sur les Conditions de Vie des Ménages (EMICoV) 2010, le seuil de pauvreté monétaire annuel est estimé à 145 279 FCFA en 2009 contre 116 545 FCFA en 2007 et connaît ainsi sur la période une hausse de 24,7%. On note sur le plan national que 35,2% de la population béninoise vivent en dessous du seuil de pauvreté monétaire. En milieu urbain, cette proportion est de 29,8% contre 38,4% en milieu rural. 51,8% de la population rurale dépense moins d'un dollar par jour contre 24,0% pour la population urbaine. On peut donc conclure que la pauvreté est plus rurale qu'urbaine. D'ailleurs ce rapport de suivi de EMICoV, 2010 signale que la pauvreté et l'insécurité alimentaire se sont aggravées notamment en milieu rural avec en particulier une incidence de la pauvreté monétaire qui est de 43,1% dans la branche d'activité agriculture. Or, nos producteurs sont dans les milieux ruraux. Lorsque les revenus agricoles sont accrus, toutes choses étant égales par ailleurs, cela améliore le niveau de vie dans les milieux ruraux. Cela favorise ainsi la commercialisation des denrées alimentaires, ainsi que la hausse de la demande en produits et en services intermédiaires. Ces revenus sont donc dépensés pour acheter des biens et des services qui sont pour la plupart importés, ce qui a donc un impact sur l'activité du secteur service.

Il est à noter une indépendance entre le secteur industriel et le secteur agricole. Ce résultat montre que le secteur agricole n'a pas encore totalement joué son rôle moteur de l'économie Béninoise, c'est- à dire, le secteur qui par sa performance peut induire le développement des autres secteurs. Si l'industrie était développée au Bénin, elle bénéficiera des ressources issues du secteur agricole comme le montrent les différentes théories présentées dans la revue de littérature, la productivité du secteur agricole s'améliore aussi par l'utilisation des machines et engrais issus du secteur industriel. Pourtant la contribution de ce secteur au PIB qui est environ 32%, laissait envisager qu'il serait le moteur du développement de tous les autres secteurs. En effet, le revenu tiré du secteur agricole était censé financer le développement du secteur industriel, plus apte à mettre sur pied de véritables conditions d'un développement économique, et, dans le même temps, la part du secteur agricole dans le développement était vouée à la décroissance telle que le prévoient les théories de développement. Ce résultat peut s'expliquer par la désarticulation des économies subsaharienne en général et du Bénin en particulier. En effet, l'économie Béninoise est extravertie. Les produits agricoles ne sont pas transformés, ce qui explique l'indépendance constatée entre les deux secteurs. L'intrant agricole est totalement importé alors qu'il devrait être produit sur place par nos industries pour tourner le secteur agricole. S'il l'était, on pouvait observer tout autre résultat. Par exemple, l'augmentation de la superficie emblavée dans le secteur agricole devrait avoir un impact sur la quantité d'intrant à produire dans les usines, ce qui devrait avoir un impact sur la valeur ajoutée des industries d'intrant et donc sur le PIB industriel. Le même phénomène devrait être observé dans les industries agro-alimentaires qui sont les plus utilisatrices des produits agricoles. Or au Bénin, les produits finis commercialisés sont issus des importations pour la plupart. Cependant l'agriculture étant le secteur le plus grand, elle joue un rôle important dans la fourniture de ressources pour le développement de l'économie dans son ensemble. D'ailleurs, les pays dits développés ont investi dans l'agriculture pour stimuler la croissance tout en taxant une partie des surplus générés afin de financer le développement industriel. Dans son rapport sur le développement dans le monde 2008, la banque mondiale a noté « La croissance agricole a préludé aux révolutions industrielles qu'a connues le monde tempéré, depuis l'Angleterre au milieu du XVIIIème siècle jusqu'au Japon à la fin du XIXème siècle. Plus récemment, en Chine, en Inde et au Viêt Nam, une croissance agricole rapide a précédé le développement de l'industrie. L'accroissement de la productivité agricole qui a entraîné un surplus agricole (en partie taxé pour financer le développement industriel) et permis une baisse des prix de l'alimentation a été à la base des succès de la transformation structurelle. Le paradoxe dans cette transformation est qu'une croissance agricole plus forte était nécessaire pour stimuler la croissance économique en général, ce qui a ensuite causé le déclin de la part du secteur agricole dans le produit intérieur brut (PIB) ».

On peut aussi noter qu'au vue de ses résultats, l'activité industrielle due à la production cotonnière au Bénin n'est pas significative dans le cadre de l'analyse du secteur.

L'absence d'une relation de cointégration entre les séries montre une non stabilité de l'économie béninoise à long terme. Ainsi, dans le long terme, la structure économique a changé. On entend par structure la part de chaque secteur dans l'économie. Ce résultat est tout de même surprenant car cette part n'a pas forcement changé de façon significative de 1970 à 2011 pour les trois secteurs.

L'analyse des résultats des fonctions de réponse impulsionnelle permet de noter encore que le secteur agricole reste au centre de tous les autres secteurs. Un choc sur ledit secteur se répercute immédiatement sur les autres secteurs malgré l'indépendance constatée entre le secteur industriel et le secteur service. Par contre l'effet sur les autres variables n'est pas instantané quand on produit un choc sur le secteur service et le secteur industriel sauf que le choc du secteur industriel sur le secteur service est immédiat. Ces résultats confirment que l'amélioration du niveau de vie au Bénin passe par l'accroissement de la performance agricole. Aussi faut-il noter le résultat important observé au niveau du secteur service qui peut connaître un accroissement sur plusieurs périodes suite à un choc positif sur le secteur industriel. Donc une meilleure politique industrielle peut permettre d'avoir un meilleur résultat dans le secteur service.

Tous ces résultats ont été confirmés par l'analyse de la décomposition de la variance de l'erreur de prévision. Un choc sur le secteur agricole a plus d'impact sur les autres variables, ce qui signifie donc que le décollage dans tous les secteurs et du niveau de vie au Bénin, toute chose étant égale par ailleurs reste liée à l'activité économique dans le secteur agricole.

2.3. Suggestions

La performance agricole a un effet bénéfique sur la performance du secteur service et sur le niveau de vie de la population béninoise. Une relation très importante pour le vrai décollage économique d'un pays entre le secteur agricole et le secteur industriel n'a pas été observée sur la période d'étude. On peut donc tirer plusieurs enseignements suite à ces résultats de l'estimation et faire des propositions d'orientation des politiques économiques. A cet effet, les recommandations suivantes peuvent être formulées :

A- Créer une liaison entre l'agriculture et le secteur industriel

Le développement du secteur agricole n'a pas causé celui du secteur industriel. Or selon ROSTOW, une liaison de l'agriculture vers l'industrie s'impose lors des premières phases du développement. A cet effet, de nombreuses mesures s'imposent.

La performance du secteur agricole pouvait induire celle du secteur industriel si les intrants agricoles étaient produits sur place. Ceci devrait permettre d'ailleurs de réduire les coûts de cession des intrants aux producteurs et donc réduire leurs charges d'exploitation. Ce qui aura encore un impact sur le revenu des producteurs.

De même que le secteur agricole utilise les intrants agricoles provenant du secteur industriel, les produits agricoles devraient servir de matières premières aux industries agro-alimentaires. L'industrie alimentaire est l'une des industries utilisant les produits agricoles. La transformation des produits de base donne une plus grande valeur ajoutée au produit, et donc augment la richesse créée dans l'économie. Au même moment ceci aura un impact sur le niveau d'emploi dans le pays. En claire, la promotion des agro-industries créera vraisemblablement des emplois supplémentaires aussi bien dans l'agriculture qu'en dehors de celle-ci, en stimulant la demande de produits de base agricoles utilisés pour ces activités et en augmentant la demande de travailleurs dans ce secteur. C'est certainement ce qu'à compris le gouvernement avec l'installation de six usines de transformation des produits agricoles. Avec l'essor considérable de ces industries, la structure de la demande à l'agriculture serait modifiée afin que le secteur agricole serve de secteur en amont des autres secteurs d'activités.

B- Créer des interactions sectorielles

Des interactions intersectorielles plus étroites, en particulier entre l'économie agricole, le secteur des services et l'industrie moderne, sont nécessaires pour renforcer les effets de la croissance sur l'emploi et la réduction de la pauvreté^11(*). Dans cette optique, une transformation structurelle doit intervenir dans notre économie afin de générer une augmentation de l'emploi qui soit au moins à la hauteur de l'accroissement de la population active. La transformation structurelle est un processus par lequel la contribution relative des secteurs non agricoles à l'économie augmente à mesure que la part de l'agriculture diminue en termes relatifs. En termes absolus, toutefois, l'agriculture continue de s'accroître et de contribuer à la croissance économique globale. La progression de la productivité agricole et l'augmentation des revenus tirés de l'agriculture sont indispensables à la transformation structurelle.

Le renforcement des interactions entre l'agriculture et les autres secteurs passe par des activités rurales non agricoles dynamiques indispensables pour soutenir la croissance du secteur agricole et pour amplifier les effets de la croissance dans ce secteur sur les autres segments de l'économie. Les activités rurales non agricoles sont donc nécessaires pour assurer une large croissance économique, en mesure de générer des emplois et de réduire la pauvreté. Pour faciliter la croissance de ces activités, les efforts de transformation de l'agriculture doivent s'accompagner d'incitations en faveur de la production de biens et de services orientée par le marché ainsi que de l'expansion des villes rurales. Ces incitations consistent notamment à favoriser l'expansion des institutions financières rurales à même de fournir des crédits, à développer les services d'éducation et de formation professionnelle, à encourager les liens entre les marchés, à construire des infrastructures (par exemple des routes de desserte, des réseaux électriques et des réseaux d'alimentation en eau), à promouvoir la gestion participative des ressources naturelles et à établir des conditions favorables aux entreprises grâce à des politiques macro-économiques et budgétaires appropriées. A cet effet il faut :

marchés : approfondir et compléter les réformes de la politique agricole et les processus de restructuration des marchés en cours de façon à adopter des cadres institutionnels, juridiques et financiers qui encouragent l'investissement privé dans l'agro-alimentaire et dans l'agro-industrie. L'accent devrait être mis sur les petites industries capables de diversifier les productions alimentaires et agricoles, en fournissant des intrants agricoles de façon opportune et ainsi que des services de transport et de commercialisation de base. La promotion de l'intégration régionale et à l'amélioration de l'accès aux marchés internationaux sont aussi importante

zones rurales, faire participer plus largement les communautés rurales décentralisées à l'investissement direct et à l'entretien afin de créer des emplois en zones rurales

marchés efficaces et solides en s'employant à mobiliser la participation privée pour la construction et le renforcement des systèmes nationaux de collecte et d'analyse des informations sur les marchés. La Bourse des produits agricoles du Kenya constitue un exemple de la façon dont les technologies de l'information et des communications peuvent être maîtrisées pour fournir des données sur la commercialisation pouvant contribuer à intégrer les marchés agricoles et à accroître les rendements des activités agricoles tout au long de la chaîne de valeurs des produits agricoles

d'emplois grâce à de solides partenariats entre le secteur privé et le secteur public, afin d'améliorer la fourniture d'infrastructures, de crédits, d'intrants, de débouchés, de formations et d'autres services.

C- Améliorer la productivité agricole

L'agriculture est la principale source de revenu pour environ 70% de la population active, INSAE (RGPH 3). Elle est aussi indispensable pour assurer la sécurité alimentaire de la population. Compte tenu de ce rôle important joué par le secteur agricole, il est indispensable de déclencher une modernisation susceptible de contribuer à la création d'emplois et à la réduction de la pauvreté. L'économiste P. HUGON note qu'en Afrique, l'augmentation de la production agricole est généralement plus due à une augmentation de la surface cultivable qu'à une amélioration des rendements. En effet, contrairement à ce qui est le cas dans les autres parties du monde, l'agriculture africaine et particulièrement du Bénin ne s'est pas encore engagée durablement sur la voie d'une révolution verte. Pour accroître sa productivité et sa compétitivité, il est impératif de réduire sensiblement les coûts unitaires de production et de distribution en augmentant la productivité agricole. Le problème, toutefois, est que le stock cumulé de technologies améliorées utilisables au Bénin est limité. Nombre d'agriculteurs Béninois utilisent encore des techniques agricoles à faible rendement, qui contribuent non seulement au bas niveau de la production mais aussi à la productivité limitée du travail et souvent à la dégradation de l'environnement.

Ø développer les recherches, les connaissances la génération et la diffusion de

technologies nécessaires à un accroissement de la productivité à toutes les phases des chaînes de produits agricoles dont ont besoin les producteurs à faible revenu pour soutenir efficacement la concurrence sur les marchés nationaux, régionaux et mondiaux;

Ø procéder à une reforme agraire et les réformes institutionnelles associées

pour assurer l'accès à la terre et la sécurité des droits fonciers, facilitant ainsi l'investissement privé ;

Ø Diversifier la production agricole : Elle permettra de répartir les risques de

détérioration des termes de l'échange sur plusieurs produits. Le pays présente un éventail de possibilités à travers notamment l'ananas, les noix de cajou, le manioc et les crevettes.

En somme, l'amélioration de la productivité agricole grâce à des techniques d'exploitation de pointe, des projets d'irrigation à petite échelle, l'amélioration du stockage et de l'emballage ainsi qu'un renforcement des infrastructures agro alimentaires et de commercialisation permettront de relier l'agriculture aux autres secteurs de l'économie.

CONCLUSION

L'objectif principal de cette étude était de déterminer l'impact de la performance du secteur agricole sur le niveau de vie et la performance économique des autres secteurs au Bénin. Elle a permis de tirer des enseignements et de déduire des implications sur les liens de causalité entre les variables étudiées. L'idée générale est qu'à partir des données sur les différentes activités au Bénin couvrant la période de 1970 à 2011, il soit mis en exergue, grâce aux techniques économétriques la relation qui existe entre les performances économiques obtenues dans le secteur agricole et les performances économiques des autres secteurs dans son ensemble et le niveau de vie au Bénin.

Afin d'éviter les problèmes d'exogénéité des variables, nous avons postulé à un modèle Vectoriel Auto Régressif (VAR), éventuellement un modèle à correction d'erreur (MCE) en cas d'une seule relation de cointégration ou un modèle vectoriel à correction d'erreur (MVCE) en cas de plusieurs relations de cointégration entre les variables.

Les résultats des tests de racine unitaire et de cointégration ont permis d'estimer un modèle VAR avec les variables en différence première. Des chocs ont été aussi provoqués sur les variables pour apprécier leur effet sur les autres variables.

Les résultats montrent que la performance du secteur agricole cause et influence positivement le niveau de vie de la population béninoise mesurée par le PIB par habitant et la performance du secteur service. La performance du secteur non agricole n'a pas d'effet sur celle du secteur agricole. En outre la performance du secteur service a aussi une influence positive sur le PIB par habitant au Bénin. On note une indépendance totale entre les performances du secteur agricole et la performance du secteur industriel. Un choc sur le secteur agricole a un impact immédiat sur les autres secteurs et le niveau de vie de la population béninoise mais reste transitoire à tous les niveaux. Tous ces résultats ont été confirmés par l'analyse de la décomposition de la variance de l'erreur de prévision. Un choc sur le secteur agricole a plus d'impact sur les autres variables, ce qui signifie donc que le décollage dans tous les secteurs et du niveau de vie au Bénin, toute chose étant égale par ailleurs reste liée à l'activité économique dans le secteur agricole.

- Création des interactions sectorielles pour améliorer le niveau d'emploi et le niveau de vie au Bénin ;

Ces recommandations devraient permettre d'améliorer les résultats en ce qui concerne les performances économiques du Bénin et de l'amélioration du niveau de pauvreté.

Comme toute étude, la notre a des limites. On pourrait utiliser l'Indice du Développement Humain à la place du PIB par habitant. Les résultats seraient plus pertinents, cependant la non disponibilité des données sur une longue période n'a pas favorisé un tel exercice. En outre, faire l'analyse par secteur de façon globale est une limite. On peut voir par exemple au niveau du secteur service, quel est le sous-secteur qui a plus de relation avec la performance du secteur agricole et le niveau de vie de la population.

Cette étude pourrait susciter d'autres comme par exemple l'analyse de l'effet de la croissance agricole sur la croissance économique et la croissance des autres secteurs. On peut voir aussi l'impact de la croissance agricole sur le développement au Bénin en utilisant l'Indice du Développement Humain si on disposait plus de données.

REFERENCES BIBLIOGRAPHIQUES

1- AMINOU et KINKPE (2009), « effets des exportations agricoles sur la croissance et le

2- BANQUE MONDIALE (2008), « Rapport sur le développement dans le monde 2008 : L'agriculture au service du développement », Banque Mondiale ;

3- BELLA (2009), « Agriculture et croissance économique au Cameroun », Mémoire de fin de formation ;

5- BOURBONNAIS R., TERRAZA M. (2004), « Analyse des séries temporelles : Applications à l'économie et à la gestion », Dunod, Paris ;

6- CAPOD (2010), « Politiques macroéconomiques au Bénin : progrès, limites et perspectives », document de travail n° 010/2010 ;

7- CHENERY H. et SYRQUIN M. (1975), « Patterns of Development, 1950- 1970 », publié pour la Banque mondiale par Oxford University Press ;

8- Commission économique pour l'Afrique (2005), « Relever le défi posé par le chômage et la pauvreté en Afrique »

10- DEDEHOUANOU G. (2009), « effet de la dette extérieure sur la croissance économique au Benin », Mémoire de fin de formation ;

11- FEI J., RANIS G. (1964), « Development of the labor supply economy: theory and

12- GUERRIEN B. (2002), « Dictionnaire d'analyse économique», La Découverte, Paris ;

13- JOHANSEN S. (1991), « Estimation and hypothesis testing of cointegration vectors in Gaussian Vector Autoregressive models », Économétrica, 59, 1551-1580;

14- KANWAR S. (2000), « Does the dog wag the tail or the tail the dog? cointegration of indian agriculture with nonagriculture ». Journal of Policy Modeling, vol. 22, pp. 533-556;

15- KATIRCIOGLU S. T. (2006), « Causality between agriculture and economic growth in a small nation under political isolation: A case from North Cyprus », International Journal of Social Economics, pp. 331-343;

16- KATIRCIOGLU S. T., « Co-Integration and Causality Between GDP, Agriculture, Industry and Services Growth in North Cyprus: Evidence from Time Series Data, 1977-2002 », Review of Social, Economic & Business Studies, Vol.5/6, 173 - 187;

17- KRUEGER A. O. (1995), « Policy Lessons from Development Experience since the Second World War», dans: Jere Behrman et T. N. Srinivasan, éd., Handbook of Development Economics, vol. IIIB, North-Holland Publishing Company, Amsterdam ;

18- KRUEGER A. O., SCHIFF M., VALDÉS A. (1998), «Agricultural Incentives in Developing Countries: Measuring the Effect of Sectoral and Economy-Wide Policies», The World Bank Economic Review, vol. 2, n°3;

19- KUZNETS S. (1964), « Economic growth and the contribution of agriculture: notes for measurement », in C. EICHER and L. WITT, eds., Agriculture in economic development, New York: McGraw-Hill;

20- LAWRENCE W. (1965), « Role of Agriculture in Economic Development: a Review », Journal of farm economics;

21- LEWIS A. (1955), «The theory of economic growth», Homewood, Hill: Richard D. Irwin;

22- MAEP (2006-2011) « Rapport de performance du Budget- Programme », Bénin ;

23- MAEP (2011) « Plan Stratégique de Relance du Secteur Agricole », Bénin ;

24- MELLOR J. W. (1970), « Agriculture et développement », Tendances Actuelles ;

25- MELLOR J. W. (1966), « The economics of agricultural development », Ithaca, New York: Cornelle University Press;

26- Ministère du Commerce (2012), « les acquis économiques du Bénin de 1960 à 2010 », l'Harmattan, Paris;

27- MUNDLAK Y., CAVALLO D., DOMENECH R. (1989), « Agriculture and economic growth in Argentina, 1913-84 », International Food Policy Research Institute;

28- NORTON R. D. (2005), « Politiques de développement agricole: concepts et expériences », FAO, Rome;

29- SAVY et TCHINTCHIN (2012) « effets de la taille de l'Etat et de la composition des dépenses publiques sur la croissance au Bénin », Mémoire de fin de formation;

30- WINTERS P., DE JANVRY A., SADOULET E., STAMOULIS K. (1997), «The role of agriculture in economic development: visible and invisible surplus transfers», working paper n° 814, University of California;

31- YAO S. (2000), « How important is agriculture in China's economic growth?», Oxford Development Studies, vol. 28 (1), pp. 33-49;

LISTE DES ANNEXES

Null Hypothesis: L_PIBA has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


				t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic				-3.162448	0.1062
Test critical values:	1% level			-4.198503
	5% level			-3.523623
	10% level			-3.192902


*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_PIBA)
Method: Least Squares
Date: 02/20/13 Time: 12:10
Sample (adjusted): 1971 2011
Included observations: 41 after adjustments


Variable	Coefficient	Std. Error	t-Statistic		Prob.


L_PIBA (-1)	-0.317483	0.100391	-3.162448		0.0031
C	7.985487	2.517238	3.172321		0.0030
@TREND(1970)	0.014248	0.004397	3.240189		0.0025


R-squared	0.217180	Mean dependent var			0.036148
Adjusted R-squared	0.175979	S.D. dependent var			0.059995
S.E. of regression	0.054461	Akaike info criterion			-2.912319
Sum squared resid	0.112707	Schwarz criterion			-2.786936
Log likelihood	62.70254	F-statistic			5.271236
Durbin-Watson stat	2.042756	Prob(F-statistic)			0.009541

Null Hypothesis: D(L_PIBA) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-7.130728	0.0000
Test critical values:	1% level		-3.605593
	5% level		-2.936942
	10% level		-2.606857


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_PIBA,2)
Method: Least Squares
Date: 02/20/13 Time: 12:13
Sample (adjusted): 1972 2011
Included observations: 40 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


D(L_PIBA(-1))	-1.127788	0.158159	-7.130728	0.0000
C	0.042689	0.011113	3.841436	0.0005


R-squared	0.572300	Mean dependent var		0.001149
Adjusted R-squared	0.561045	S.D. dependent var		0.090337
S.E. of regression	0.059852	Akaike info criterion		-2.745189
Sum squared resid	0.136124	Schwarz criterion		-2.660745
Log likelihood	56.90378	F-statistic		50.84729
Durbin-Watson stat	2.053975	Prob(F-statistic)		0.000000

Null Hypothesis: L_PIBH has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-2.251733	0.4496
Test critical values:	1% level		-4.198503
	5% level		-3.523623
	10% level		-3.192902


*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_PIBH)
Method: Least Squares
Date: 02/20/13 Time: 12:20
Sample (adjusted): 1971 2011
Included observations: 41 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


L_PIBH(-1)	-0.225485	0.100138	-2.251733	0.0302
C	1.266563	0.562712	2.250818	0.0303
@TREND(1970)	0.001868	0.000779	2.399343	0.0214


R-squared	0.133422	Mean dependent var		0.006582
Adjusted R-squared	0.087813	S.D. dependent var		0.029653
S.E. of regression	0.028321	Akaike info criterion		-4.220052
Sum squared resid	0.030480	Schwarz criterion		-4.094668
Log likelihood	89.51106	F-statistic		2.925332
Durbin-Watson stat	1.646501	Prob(F-statistic)		0.065817

Null Hypothesis: D(L_PIBH) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-5.575145	0.0000
Test critical values:	1% level		-2.624057
	5% level		-1.949319
	10% level		-1.611711


*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D (L_PIBH,2)
Method: Least Squares
Date: 02/20/13 Time: 12:22
Sample (adjusted): 1972 2011
Included observations: 40 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


D(L_PIBH(-1))	-0.872126	0.156431	-5.575145	0.0000


R-squared	0.442968	Mean dependent var		0.001239
Adjusted R-squared	0.442968	S.D. dependent var		0.040183
S.E. of regression	0.029990	Akaike info criterion		-4.151208
Sum squared resid	0.035077	Schwarz criterion		-4.108986
Log likelihood	84.02416	Durbin-Watson stat		1.796316

Null Hypothesis: L_PIBI has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-2.184504	0.2148
Test critical values:	1% level		-3.600987
	5% level		-2.935001
	10% level		-2.605836


*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_PIBI)
Method: Least Squares
Date: 02/20/13 Time: 12:23
Sample (adjusted): 1971 2011
Included observations: 41 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


L_PIBI(-1)	-0.061884	0.028329	-2.184504	0.0350
C	1.617128	0.709830	2.278190	0.0283


R-squared	0.109021	Mean dependent var		0.067603
Adjusted R-squared	0.086175	S.D. dependent var		0.179218
S.E. of regression	0.171322	Akaike info criterion		-0.642991
Sum squared resid	1.144701	Schwarz criterion		-0.559402
Log likelihood	15.18131	F-statistic		4.772059
Durbin-Watson stat	1.879444	Prob(F-statistic)		0.035001

Null Hypothesis: D(L_PIBI) has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-5.050001	0.0000
Test critical values:	1% level		-2.624057
	5% level		-1.949319
	10% level		-1.611711


*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D (L_PIBI,2)
Method: Least Squares
Date: 02/20/13 Time: 12:25
Sample (adjusted): 1972 2011
Included observations: 40 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


D(L_PIBI(-1))	-0.784466	0.155340	-5.050001	0.0000


R-squared	0.395307	Mean dependent var		-0.002482
Adjusted R-squared	0.395307	S.D. dependent var		0.242227
S.E. of regression	0.188360	Akaike info criterion		-0.476236
Sum squared resid	1.383707	Schwarz criterion		-0.434014
Log likelihood	10.52473	Durbin-Watson stat		2.059069

Null Hypothesis: L_PIBS has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			3.879710	0.9999
Test critical values:	1% level		-2.622585
	5% level		-1.949097
	10% level		-1.611824


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(L_PIBS)
Method: Least Squares
Date: 02/20/13 Time: 12:27
Sample (adjusted): 1971 2011
Included observations: 41 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


L_PIBS (-1)	0.001146	0.000296	3.879710	0.0004


R-squared	0.000224	Mean dependent var		0.030134
Adjusted R-squared	0.000224	S.D. dependent var		0.049754
S.E. of regression	0.049748	Akaike info criterion		-3.139586
Sum squared resid	0.098996	Schwarz criterion		-3.097791
Log likelihood	65.36151	Durbin-Watson stat		1.919032

Null Hypothesis: D(L_PIBS) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)


			t-Statistic	Prob.*


Augmented Dickey-Fuller test statistic			-5.928194	0.0000
Test critical values:	1% level		-3.605593
	5% level		-2.936942
	10% level		-2.606857


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D (L_PIBS,2)
Method: Least Squares
Date: 02/20/13 Time: 12:35
Sample (adjusted): 1972 2011
Included observations: 40 after adjustments


Variable	Coefficient	Std. Error	t-Statistic	Prob.


D(L_PIBS(-1))	-0.959630	0.161876	-5.928194	0.0000
C	0.029323	0.009423	3.111750	0.0035


R-squared	0.480473	Mean dependent var		0.000318
Adjusted R-squared	0.466801	S.D. dependent var		0.069753
S.E. of regression	0.050934	Akaike info criterion		-3.067855
Sum squared resid	0.098583	Schwarz criterion		-2.983411
Log likelihood	63.35709	F-statistic		35.14349
Durbin-Watson stat	1.966510	Prob(F-statistic)		0.000001



Hypothesized		Max-Eigen	0.05
No. of CE(s)	Eigenvalue	Statistic	Critical Value	Prob**


None	0.252039	11.61618	27.58434	0.9470
At most 1	0.194771	8.665121	21.13162	0.8585
At most 2	0.171309	7.516315	14.26460	0.4300
At most 3	0.038144	1.555614	3.841466	0.2123

	DL_PIBH	DL_PIBA	DL_PIBI	DL_PIBS
DL_PIBH(-1)	-0.214843	-1.416178	-0.815325	-0.589554
	(0.22903)	(0.51143)	(1.52541)	(0.39238)
	(-0.93807)	(-2.76907)	(-0.53450)	(-1.50252)

DL_PIBA(-1)	0.182883	0.352387	0.675885	0.480593
	(0.07000)	(0.15632)	(0.46625)	(0.11993)
	(2.61247)	(2.25424)	(1.44961)	(4.00717)

DL_PIBI(-1)	-0.002745	0.088369	0.189140	-0.003278
	(0.02422)	(0.05408)	(0.16131)	(0.04149)
	(-0.11334)	(1.63396)	(1.17253)	(-0.07899)

DL_PIBS(-1)	0.162300	0.639407	0.633147	0.508891
	(0.11378)	(0.25408)	(0.75784)	(0.19494)
	(1.42641)	(2.51654)	(0.83546)	(2.61054)
R-squared	0.126203	-0.049296	-0.010484	0.133920
Adj. R-squared	0.053387	-0.136738	-0.094691	0.061747
Sum sq. resids	0.029136	0.145289	1.292520	0.085521
S.E. equation	0.028449	0.063528	0.189482	0.048740
F-statistic	1.733169	-0.563765	-0.124499	1.855531
Log likelihood	87.73541	55.60071	11.88817	66.19994
Akaike AIC	-4.186770	-2.580035	-0.394408	-3.109997
Schwarz SC	-4.017882	-2.411147	-0.225520	-2.941109
Mean dependent	0.007638	0.037982	0.065746	0.030543
S.D. dependent	0.029240	0.059585	0.181101	0.050318
Determinant Residual Covariance		6.81E-11
Log Likelihood		241.1638
Akaike Information Criteria		-11.25819
Schwarz Criteria		-10.58264

	DL_PIBH	DL_PIBA	DL_PIBS
DL_PIBH(-1)	-0.458574	-0.119821	-0.470931
	(0.30520)	(0.65405)	(0.53175)
	(-1.50255)	(-0.18320)	(-0.88563)

DL_PIBA(-1)	0.287912	-0.177607	0.427684
	(0.11345)	(0.24311)	(0.19766)
	(2.53790)	(-0.73055)	(2.16378)

DL_PIBS(-1)	0.338551	-0.219547	0.418201
	(0.18869)	(0.40437)	(0.32875)
	(1.79422)	(-0.54294)	(1.27208)

C	-0.010265	0.051926	0.005163
	(0.00882)	(0.01889)	(0.01536)
	(-1.16426)	(2.74820)	(0.33610)
R-squared	0.157610	0.068342	0.136479
Adj. R-squared	0.087410	-0.009296	0.064519
Sum sq. resids	0.028089	0.129000	0.085268
S.E. equation	0.027933	0.059861	0.048668
F-statistic	2.245177	0.880267	1.896600
Log likelihood	88.46749	57.97890	66.25914
Akaike AIC	-4.223375	-2.698945	-3.112957
Schwarz SC	-4.054487	-2.530057	-2.944069
Mean dependent	0.007638	0.037982	0.030543
S.D. dependent	0.029240	0.059585	0.050318
Determinant Residual Covariance		1.12E-09
Log Likelihood		241.8794
Akaike Information Criteria		-11.49397
Schwarz Criteria		-10.98730

	DL_PIBH	DL_PIBA	DL_PIBS
DL_PIBH(-1)	-0.217181	-1.340915	-0.592346
	(0.22503)	(0.52072)	(0.38550)
	(-0.96511)	(-2.57514)	(-1.53657)

DL_PIBA(-1)	0.182835	0.353930	0.480536
	(0.06906)	(0.15981)	(0.11831)
	(2.64738)	(2.21473)	(4.06168)

DL_PIBS(-1)	0.161098	0.678105	0.507456
	(0.11177)	(0.25862)	(0.19146)
	(1.44139)	(2.62200)	(2.65040)
R-squared	0.125891	-0.127114	0.133770
Adj. R-squared	0.078642	-0.188039	0.086946
Sum sq. resids	0.029147	0.156063	0.085536
S.E. equation	0.028067	0.064946	0.048081
F-statistic	2.664417	-2.086399	2.856908
Log likelihood	87.72827	54.16990	66.19648
Akaike AIC	-4.236414	-2.558495	-3.159824
Schwarz SC	-4.109748	-2.431829	-3.033158
Mean dependent	0.007638	0.037982	0.030543
S.D. dependent	0.029240	0.059585	0.050318
Determinant Residual Covariance		2.50E-09
Log Likelihood		225.9062
Akaike Information Criteria		-10.84531
Schwarz Criteria		-10.46531

TABLES DES MATIERES

* ¹ Adam Smith, Recherche sur la nature et les causes de la richesse des nations, traduction de Germain Garnier de 1881, à partir de l'édition revue par Auguste Blanqui en 1843, Les Classiques des sciences sociales

* ³ La loi de King ou loi King-Davenant - dans son énoncé le plus général- constate les effets sur les prix d'un défaut ou d'un excédent d'approvisionnement des produits agricoles de base. La demande et la consommation de ces produits représentant pour les ménages des postes budgétaires relativement stables.

* ⁴ D'après cette loi, la part du revenu allouée aux dépenses alimentaires (ou coefficient d'Engel) est d'autant plus faible que le revenu est élevé.

* ⁵ Hollis Chenery et Moises Syrquin, Patterns of Development, 1950 - 1970, publié pour la Banque mondiale par Oxford University Press, 1975

* ⁶ WINTERS P., DE JANVRY A., SADOULET E., STAMOULIS K. (1997), The role of agriculture in economic development: visible and invisible surplus transfers, p. 2

* ⁷ BRASSEUL J., Introduction à l'économie du développement, Armand Colin, Paris, 1989

* ¹⁰ Cours d'Econométrie Appliquée : Séries Temporelles de Christophe HURLIN, chapitre 2

* ¹¹ Commission économique pour l'Afrique, Rapport économique sur l'Afrique 2005

Impact de la performance du secteur agricole sur la performance des autres secteurs et le niveau de vie au Bénin

DEDICACE

REMERCIEMENTS

RESUME

SOMMAIRE

1- LISTE DES TABLEAUX

2- LISTE DES GRAPHIQUES

LISTE DES ANNEXES

LISTE DES SIGLES ET ACRONYMES

INTRODUCTION

CHAPITRE I : CADRE THEORIQUE DE L'ETUDE ET REVUE DE LITTERATURE

I. CADRE THEORIQUE DE L'ETUDE

1.1. Problématique de l'étude

1.2. Objectifs de l'étude

1.3. Hypothèses de l'étude

II. REVUE DE LITTERATURE

2.1. Performance économique

A- Le PIB et ses limites

B- Politique économique au Bénin

2.2. Agriculture

A- Définition

B- Agriculture et le reste de l'économie

C- Politique agricole au Bénin

2.3. Quelques résultats empiriques

CHAPITRE II : METHODOLOGIE DE L'ETUDE

CHAPITRE II : METHODE L'ETUDE

I. APPROCHE METHODOLOGIQUE

1.1. Choix et présentation de la méthode

1.2. Présentation des données

A- PIB réel par habitant

B- PIB réel agricole

C- PIB réel industriel

D- PIB réel des services

1.3. Modèles Vectoriel Auto Régressif (VAR)

A- Présentation du Modèle VAR

b- Quelques applications du modèle VAR

II. PROCEDURE ADOPTEE

2.1. Stationnarité et test de stationnarité

A- Concept de stationnarité

B- Test de Dickey Fuller Augmenté

2 .2. Cointégration

A- Concept de cointégration

B- Test de cointégration

2.3. Vecteurs ou modèles à correction d'erreur

A- Vecteur à Correction d'Erreur (VEC)

b- Procédure d'estimation du VECM

CHAPITRE III : PRESENTATION, ANALYSE DES RESULTATS ET SUGGESTIONS

CHAPITRE III : PRESENTATION, ANALYSE DES RESULTATS ET SUGGESTIONS

I. PRESENTATION DES RESULTATS

1.1. Test de racine unitaire et test de cointégration de Johansen

a- Test de racine unitaire, détermination de l'ordre d'intégration

B- Test de cointégration de Johansen

1.2. Nombre de retard du modèle VAR et test de causalité

a- Détermination du nombre de retard du modèle VAR

B- Test de causalité de Granger

1.3. Estimation du modèle VAR

A- Sélection du modèle optimal

B- Modèle VAR

C- Validation du modèle

II. ANALYSE GLOBALE DES RESULTATS ET RECOMMANDATIONS

2.1. Analyse des fonctions de réponse impulsionnelle et de la décomposition de la variance

A- Fonctions de réponse suite à un choc sur le secteur agricole

B- Fonctions de réponse suite à un choc sur le secteur service

C- Fonctions de réponse suite à un choc sur le secteur industriel

D- Décomposition de la variance de l'erreur de prévision

2.2. Analyse globale des Résultats

2.3. Suggestions

A- Créer une liaison entre l'agriculture et le secteur industriel

B- Créer des interactions sectorielles

C- Améliorer la productivité agricole

CONCLUSION

REFERENCES BIBLIOGRAPHIQUES

LISTE DES ANNEXES

TABLES DES MATIERES

CHAPITRE II : METHO DE L'ETUDE