|
Dynamique de l'endettement public extérieur et croissance économique au Burundi (1980-2010)( Télécharger le fichier original )par Hervé NDAYININAHAZE Université Lumière de Bujumbura - Licence 2013 |
Section 2 : Source des données et spécification du modèleIl convient ici d'indiquer la source des données qui sont utilisées dans nos régressions et le modèle théorique retenu pour la vérification de notre hypothèse. 0 6 2.1. Source des données Les données de la présente étude proviennent des rapports de la Banque de la République du Burundi (BRB), du Ministère des Finances et de la Planification du Développement Economique, des annuaires statistiques du FMI ainsi que de la base de données de la Banque Mondiale (disponible sur le lien www.databank.worldbank.org). La période de l'étude s'étend de 1980 à 2010 et se justifie par le souci de couvrir un nombre suffisant d'années pour dégager des tendances plus ou moins significatives. En outre, l'année 1980 est prise comme point de départ car c'est à cette période que les problèmes liés à la dette publique extérieure se sont manifestés avec grand éclat et l'année 2010 est motivée par la disponibilité des données publiées par la Banque Centrale. 2.2. Spécification du modèle Compte tenu des variables retenues, nous adoptons une régression multiple pour expliquer la croissance économique captée à travers la variation relative du PIB réel par habitant (PIBRH) : PIBRH= f (DPIB, SDX, INV, IPC, APD, TEC) En effet, toutes les variables du modèle à l'exception des variables DPIB et SDX, ont été transformées sous forme logarithmique. L'équation est la suivante : 55 Avec ..., paramètres à estimer et le terme d'erreur. 56 Section 3 : Tests économétriques et analyse des résultatsDans le souci d'éviter des régressions fallacieuses, il nous importe de connaître les caractéristiques stochastiques des variables retenues, ce qui renvoie à la nécessité d'effectuer les tests de multicolinéarité et de stationnarité. 3.1. Le test de multicolinéarité de KLEIN La multicolinéarité apparaît quand il existe une relation linéaire parfaite ou presque parfaite entre deux ou plusieurs variables explicatives du modèle. Dans cette situation, il n'est pas possible de mesurer l'impact séparé de chaque variable explicative sur la variable à expliquer. Il permet en effet de voir si la matrice des variables exogènes est régulière (c'est-à-dire inversible) et finie. Pour y parvenir, le test de Klein est appréhendé. Ce test est fondé sur la comparaison du coefficient de détermination R2 calculé sur le modèle à k variables et les coefficients de corrélation simple r2xi xj entre les variables explicatives. La règle de décision est la suivante : Si R2< r2xi xj, il y a présomption de multicolinéarité Ce test est utile en ce sens qu'il permet d'éviter de faire des régressions avec des séries liées entre elles. Il permet de supprimer les variables qui n'ont pas d'influence dans le modèle. L'application de ce test nous a permis de choisir les variables ci-après pour expliquer le modèle traduisant la relation entre dette extérieure et la croissance économique : PIBRH= f (SDX, INV, IPC, APD, TEC) Après avoir sélectionné les variables explicatives du modèle, tous les tests classiques reposent sur ces dernières. 3.2. Définition et propriétés de la stationnarité La plupart des données temporelles macroéconomiques sont des réalisations des processus non stationnaires (NELSON et PLOSSER, 1982). Lorsqu'on travaille avec des séries temporelles, il faut vérifier au préalable que celles-ci sont stationnaires. S'il s'avère que ce n'est pas le cas, il faut trouver une bonne façon de les rendre stationnaires. 57 C'est pour cette raison qu'avant tout traitement économétrique, il convient de s'assurer de la stationnarité des variables. Une série chronologique est donc stationnaire si son espérance et sa variance restent inchangées dans le temps (BOURBONNAIS, 2003). En d'autres termes, une série stationnaire ne comporte ni saisonnalité, ni tendance. Dickey et Fuller ainsi que Philips et Perron ont mis au point un test permettant non seulement de détecter l'existence d'une tendance mais aussi de déterminer la bonne manière de stationnariser une série. Cette condition de stationnarité doit être vérifiée pour chacune des séries afin d'éviter des régressions fallacieuses pour lesquelles les résultats pourraient être « significatifs », alors qu'ils ne le sont pas. La stationnarité renvoie au caractère infiniment persistant des séries à la suite d'aléa. Cette propriété est souhaitée dans le cadre des estimations sur les données temporelles car elle évite les risques de régressions fallacieuses. Il existe une grande variété de tests de stationnarité des variables. Ainsi, les tests usuels sont ceux d'ADF et PP suite à leur simplicité. Tous les deux obéissent à la même règle de décision : Si la valeur calculée du test est inférieure la valeur critique, la série est stationnaire. Par contre, si la valeur calculée est supérieure la valeur critique, la série est non stationnaire. 3.3. Résultats des tests de stationnarité Lorsqu'on utilise des données temporelles, il est primordial qu'elles conservent une distribution constante dans le temps. Etant donné qu'on exploite des séries chronologiques, il y a la nécessité d'effectuer des tests de stationnarité pour déterminer le degré d'intégration des variables. Contrairement au test ADF qui prend en compte uniquement la présence d'autocorrélations dans les séries, le test de PP considère en plus de l'hypothèse de présence d'autocorrélations, une dimension d'hétéroscédasticité dans les séries. Les résultats du test de stationnarité sont consignés dans les tableaux ci-après : 58 Tableau n°5 : Les tests de racine unitaire des variables en niveau
Source : Les auteurs à partir des données de la régression Le tableau ci-après présente les résultats du test de stationnarité sur les variables en différence première. 59 Tableau n°6 : Les tests de racine unitaire des variables en différence première
Source : Les auteurs à partir des données de la régression 60 Au vu des résultats obtenus par les tests ADF et PP, nous remarquons que toutes les variables de notre modèle sont stationnaires en différence première (car valeur calculée est inférieure à la valeur critique). Elles sont alors intégrées d'ordre 1. Comme toutes les séries sont I(1), on peut s'interroger sur l'existence ou non de relation de cointégration entres les variables, d'où le test de la cointégration. Pour ce test, nous adoptons la méthodologie d'ENGLE et GRANGER (1987) en deux étapes qui consiste d'abord à estimer par les moindres carrés ordinaires (MCO) la relation de long terme. A partir de cette dernière, nous effectuons ensuite le test de stationnarité du résidu ainsi extrait de cette estimation. 3.4. Test de cointégration à la ENGLE-GRANGER et le Modèle à Correction d'Erreur 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. 3.4.1. Test d'ENGLE et GRANGER Le concept de cointégration traduit donc l'existence de la relation de long terme entre les variables économiques et est reconnu par beaucoup d'économistes comme étant une des innovations les plus importantes dans le domaine de l'économétrie des séries temporelles. Ce vocable traduit, en effet, l'idée selon laquelle des variables non stationnaires individuellement peuvent suivre une évolution parallèle dans le long terme et leur relation dégage donc un résidu stationnaire de moyenne et variance bien définies. L'analyse de la cointégration nous permet d'appréhender clairement la relation entre les variables. Ainsi, deux séries Xt et Yt sont dites cointégrées et liées par une relation de long terme si et seulement si elles ont une même évolution à LT. Une combinaison linéaire de ces séries permet de ramener à une série d'ordre d'intégration inférieure. 61 Le test d'ENGLE et GRANGER se fait en deux étapes. La première étape estime la relation statique de long terme par la méthode des moindres carrés ordinaires (MCO) et extraire le résidu. La deuxième étape procède au test de stationnarité de la série résiduelle de l'équation statique. En effet, la cointégration nécessite que le résidu soit stationnaire en niveau. Si l'hypothèse est retenue, on estime le Modèle à Correction d'Erreur (MCE). ENGLE et GRANGER (1987) ont montré à travers le théorème de la représentation de GRANGER que toutes les séries cointégrées peuvent être représentées par un MCE qui permet de corriger les écarts afin de converger vers l'équilibre de long terme. Néanmoins, l'analyse de la cointégration entre les variables exige que celles-ci soient intégrées de même ordre, I(1). Puisque toutes les variables explicatives sont intégrées de même ordre I(1), elles peuvent donc être cointégrées au sens de GRANGER selon la théorie économétrique, ce qui nous laisse le droit de les considérer toutes dans l'équation de long terme. On estime par les MCO la relation de LT : Le tableau ci-après rapporte les coefficients de régression de cette relation statique : Tableau n°7: Estimation de la relation de long terme
Source : Nous-mêmes à partir des estimations 62 De façon plus claire, la régression de la relation de long terme obtenue se présente comme suit : KEHO (2006) indique que l'on doit obligatoirement s'assurer de la validité du modèle théorique retenu, c'est-à-dire que cette étape doit permettre d'évaluer la robustesse du modèle sur le plan statistique et la pertinence des théories économique qui leur ont donné naissance. Pour qu'un modèle soit statistiquement validé, il doit remplir un minimum de conditions telles sont notamment la qualité individuelle des variables et la significativité globale du modèle. Il doit également être économiquement validé car celui-ci est toujours construit sur des bases théoriques qui peuvent, selon les cas, s'avérer fausses ou vraies pour tel cas d'étude et non sur un autre. L'analyse de la qualité globale du modèle peut s'effectuer à travers le coefficient de détermination du modèle (R2). Le coefficient de détermination explique la part de la variabilité de la variable dépendante qui est expliquée par les variables exogènes considérées au niveau du modèle. En effet, ce coefficient est égal à 0,913 pour la relation de LT. Dit autrement, les fluctuations du taux de croissance du PIB réel par tête sont expliquées à 91,3 à LT, par les variables retenues. S'agissant de la validation statistique de la qualité individuelle des variables exogènes, elle est appréciée par le test de Student (T-Stat). Les probabilités critiques associées aux différents coefficients nous indiquent que certaines variables traduisant cette relation et au seuil de confiance de 5% sont statistiquement significatives (LINV, LIPC, LAPD) alors que les autres ne le sont pas (SDX, LTEC). En revanche, elles ont toutes les signes attendus conformément aux théories économiques. L'analyse de la relation statique nous montre que la dette publique extérieure a une influence négative sur la croissance économique au Burundi. Toutefois, cette influence est significativement négative au seuil de 10%. 63 Autrement dit, l'augmentation du service de la dette a des effets négatifs sur la croissance économique au Burundi. Son coefficient indique en effet qu'un accroissement de 10% du service de la dette, ceteris paribus, entraine une diminution de 0,01% du PIBRH. Le coefficient de l'indice de prix à la consommation est négatif et statistiquement significatif. Il implique qu'une augmentation du taux de l'inflation de 10%, ceteris paribus, entraîne une diminution du PIB de 1,41%. Un taux élevé d'inflation traduit un environnement interne défavorable aux investissements privés et agit donc négativement sur le taux de croissance du PIB. L'aide publique au développement (APD) influence positivement le revenu par tête au Burundi et cette influence est statistiquement significative. La mobilisation de l'APD a permis au pays de ne pas trop s'endetter à l'extérieur surtout en bénéficiant de la part des IFI de prêts hautement concessionnels, c'est-à-dire avec des taux d'intérêts bonifiés. En effet, à long terme, une augmentation de 10% de l'APD induit une augmentation du PIB par habitant de 0,73%, toutes choses égales par ailleurs. Nonobstant, la faible influence de l'APD à la croissance économique est en grande partie due au fait que les aides reçues ne sont pas directement liées à l'augmentation de la production. Elles seraient plutôt concentrées dans les secteurs autres que le secteur productif. L'investissement est unanimement reconnu par la théorie économique comme ayant un impact direct et positif avec la croissance économique. Conformément à la théorie économique, il ressort de notre régression que celle-ci exerce un impact positif et significatif sur PIB réel par tête. En effet, un accroissement de 10% de celui-ci, ceteris paribus, augmente la croissance économique de 0,56% toujours sur le LT. En revanche, cette influence reste très faible suite au faible niveau des investissements au Burundi. Dans l'ensemble, le modèle statique est donc cohérent du point de vue de la théorie économique et statistique pour toutes variables retenues. Pour que cette relation de LT estimée soit une relation de cointégration, le résidu issu de cette régression doit être stationnaire. Si la série résiduelle ne l'est pas, la relation estimée pourrait bien être une régression fallacieuse. On doit donc générer des résidus de cette équation et en étudier leur stationnarité. 64 Aussi le test de stationnarité sur le résidu issu de cette régression doit-il être fait pour valider de relation de cointégration entre les variables intégrées de même ordre, I(1). Pour qu'il y ait une relation de cointégration, il faut que le résidu issu de la régression de LT soit stationnaire en niveau : ~>I(0) Tableau n°8: Test de stationnarité sur la série résiduelle (au seuil de 5%) e t y t x t
Source : Les auteurs à partir des données de la régression yt x y t 1 x t 1 Les tests ADF et PP montrent que les valeurs calculées sont inférieures aux valeurs critiques, ce qui confirme la stationnarité du résidu. En effet, les statistiques du test d'ADF et celui de PP montrent que les valeurs calculées (-3,19 et -4,05) sont respectivement inférieures à la valeur critique (-1,95) et au seuil de signification de 5%, ce qui nous conduit à en déduire que la série résiduelle de l'équation statique est stationnaire en niveau. Ainsi, les variables sont donc cointégrées. Autrement dit, il existe une relation de long terme stable entre les variables et il est par conséquent possible d'estimer le MCE. 3.4.2. Estimation du Modèle à Correction d'Erreur ? Le MCE permet de modéliser conjointement les dynamiques de court terme (représentées par les variables en différence première) et de long terme (représentées par les variables en niveau). Si on a deux séries
cointégrées ( ~>I(0)), on
Le coefficient ä qui représente la force de rappel vers l'équilibre, doit être significatif et nécessairement compris entre -1 et 0 pour qu'il y ait un retour de à sa valeur ? d'équilibre de LT qui est . Sinon la spécification MCE doit être rejetée. 65 L'équation à estimer se présente sous la forme suivante :
Les résultats de l'estimation sont indiqués dans le tableau ci-après : Tableau n°9: Coefficients de régression du MCE
Source : Nous-mêmes à partir des résultats de la régression LPIBRH t 0,027 0,00 1 SDX0,0 1 2 LINV 0,3 5 8 t t 0,03 6 LAPD 0,526 * LIPC 0,066 La relation dynamique de CT obtenue par le MCE se présente comme suit :
TEC t t RES( 1) Le recours au MCE nous montre que ce modèle est valide car le coefficient à correction d'erreur (c'est-à-dire le coefficient associé à la variable RES(-1) qui est ici la force de rappel) est négatif, statistiquement significatif au seuil de 5% et inférieur à l'unité. Le MCE est ainsi validé. En effet, s'il advient qu'un choc sur le PIB réel per capita survient, il s'estompe après une année et 11mois qui est la vitesse d'ajustement vers son équilibre de LT. La valeur numérique du coefficient de rappel représente la vitesse à laquelle tout déséquilibre entre les niveaux désirés et effectif du PIB est résorbé dans l'année qui suit tout choc. 66 Après avoir vérifié la validité du modèle, nous pouvons maintenant procéder à l'analyse de la relation dynamique entre la croissance économique et ses variables explicatives retenues. Le ratio du service de la dette aux exportations agit négativement et significativement sur le PIB réel par habitant. Son coefficient négatif signifie que si la variable service de la dette augmente de 10%, toutes choses étant égales par ailleurs, le PIB par habitant diminue de 0,01%. Ce ratio d'endettement mesure la proportion du service de la dette extérieure couverte par les exportations. Il est extrêmement important car il permet de surveiller le niveau d'endettement du pays et à ce titre, il est souvent employé comme indice de référence dans les stratégies de gestion de la dette. Le résultat obtenu est conforme à celui de PATILLO et al (2002) et N'GARESSEUM (2005). Le remboursement de la dette extérieure (principal et les intérêts) a pour conséquence de détourner les ressources qui devraient servir aux programmes d'investissement indispensables à la croissance. Avec le service de la dette, les investissements diminuent avec comme implication logique une régression de la croissance économique. Pour la variable taux d'investissement, elle n'est pas statistiquement significative à CT, ce qui veut dire que le taux d'investissement n'influence pas la croissance économique sur un horizon de CT. Pour la variable indice de prix à la consommation, son impact sur la croissance est négatif et statistiquement significatif à CT. Cela veut dire que le niveau d'inflation influence négativement la croissance économique. Si le niveau de l'inflation s'élève de 10%, ceteris paribus, le revenu par tête diminue de 3,58%. La variation des termes de l'échange a un impact négatif et significatif sur la croissance car le Burundi est très vulnérable aux chocs extérieurs avec une balance commerciale structurellement déficitaire. Le coefficient négatif signifie que si la variable TEC varie de 10%, toutes choses étant égales par ailleurs, le PIB par habitant va diminuer de 0,66%. Cette relation négative entre les termes de l'échange et le PIB par habitant traduit l'insignifiance des recettes d'exportation sur le niveau de vie de la population qui opère pour la plupart dans le secteur agricole. La dégradation de termes de l'échange tend à amplifier le processus d'endettement. 67 L'APD a impact positif et statistiquement significatif sur la croissance économique sur le CT c'est-à-dire qu'elle agit positivement mais faiblement sur le PIBRH. En effet, son augmentation de 10%, ceteris paribus, induit une augmentation du PIB par habitant de 0,36% pour le CT. En définitive, le résultat obtenu des tests économétriques permet d'appréhender l'impact de la dette extérieure à court et à long terme dans une dynamique de croissance économique. Notre hypothèse a été vérifiée par le signe du coefficient associé à la variable d'intérêt (le ratio du service de la dette extérieure). C'est pourquoi nous affirmons qu'il existe, au Burundi, une corrélation négative entre l'endettement public extérieur (par le biais du service de la dette extérieure) et la croissance économique sur un horizon de CT confirmant notre hypothèse de travail selon laquelle l'endettement public extérieur affecte négativement la croissance économique au Burundi. 3.5. Tests supplémentaires La validité économétrique d'un modèle est sujette à quelques conditions qui doivent être remplies. C'est notamment l'absence d'autocorrélation des erreurs, l'homoscédasticité des erreurs et la stabilité des coefficients. 3.5.1. Test d'autocorrélation des erreurs : Test de BREUSCH et GODFREY Les séries temporelles sont souvent sujettes à l'autocorrélation des erreurs raison pour laquelle nous optons pour le test développé par BREUSCH et GODFREY (1978) afin de déceler tout le risque d'autocorrélation (de rang 1 et 2). Tableau n°10: Résultats du test de BREUSCH et GODFREY
Source : Les auteurs à partir des données de la régression La probabilité critique relative à la statistique est largement supérieure au seuil de significativité de 5% (73,67%). D'où nous concluons l'absence d'autocorrélation des résidus. 68 3.5.2. Test d'hétéroscédasticité: test de WHITE Quant au test d'hétéroscédasticité de WHITE, il consiste à vérifier si le carré des résidus peut être expliqué par les variables du modèle. En principe, s'il est observé dans un modèle une quelconque hétéroscédasticité, c'est toujours le fait d'une ou de plusieurs variables. En pratique, ce test consiste à estimer par les MCO l'équation : où les variables Zik, k=1,...,p sont des variables explicatives du modèle, leurs carrés et leurs produits et représente l'aléa. Tableau n°11: Résultats du test d'hétéroscédasticité de WHITE
Source : Les auteurs à partir des données de la régression Le résultat nous renvoie à une probabilité critique associée à la statistique qui est largement supérieure au seuil de confiance de 5% (44,99%). D'où nous tirons la conclusion que les résidus sont homoscédastiques. 3.5.3. Test de stabilité des coefficients En dernier lieu, nous devons nous assurer de la stabilité des paramètres estimés sur toute la période sous étude. Pour ce faire, nous recourons aux tests du CUSUM et CUSUMSQ. Un simple examen graphique de l'évolution des coefficients du modèle (assortis de leurs intervalles de confiance à plus ou moins deux écart-types) nous permet de conclure qu'il y a stabilité du comportement du taux de croissance du PIB réel par tête sur toute la période en revue. 69 Graphique n°11 : Test de CUSUM
Source : Les auteurs à partir des données de la régression Graphique n°12 : Test de CUSUMSQ
86 88 90 92 94 96 98 00 02 04 06 oe10 CUSUM of Squares 5% Significance Source : Les auteurs à partir des données de la régression 70 Synthèse du troisième chapitre La revue de la littérature empirique du premier chapitre nous a permis de choisir le modèle théorique qui, selon nous, non seulement répond à la spécificité de l'économie burundaise mais nous permet également, soit d'infirmer ou confirmer, la réponse provisoire à notre problématique. Par la suite, conformément à notre objectif spécifique, des retouches ont été apportées au modèle développé par PATILLO et al.(2002). Les variables ainsi retenues sont : le service de la dette extérieure, le taux d'investissement, l'indice de prix à la consommation, l'aide publique au développement et les termes de l'échange. Différents tests économétriques ont été en outre effectués. En effet, lorsqu'on travaille sur des chroniques, il est conseillé d'en étudier, avant tout traitement, les caractéristiques stochastiques c'est-à-dire s'assurer qu'elles sont stationnaires (indépendantes du temps). Les résultats nous montrent que toutes les variables en présence sont stationnaires en différence première. De surcroit, il s'est avéré que lesdites séries sont cointégrées c'est-à-dire qu'elles sont liées par une relation de long terme car le résidu issu de celle-ci est stationnaire. Les conditions requises pour utiliser le MCE sont remplies et les relations, à la fois, de court et long termes ont été estimées. La dette publique extérieure affecte négativement et significativement la croissance économique sur le CT mais de façon non significative sur le LT via son service. Aussi, que ce soit la relation dynamique ou la relation statique, presque toutes les variables se comportent de la même manière quant à leur impact sur la croissance économique (hormis le taux d'investissement). En effet, les variables telles que le service de la dette, l'indice de prix à la consommation, exercent un effet négatif sur la croissance. Néanmoins, les autres variables du modèle (l'aide publique au développement et le taux d'investissement total pour le LT) exercent un effet positif sur la variable endogène. La force de retour à l'équilibre est de 52,6% c'est-à-dire que s'il y a un choc, il faut presqu'une année et 11 mois pour retrouver le sentier d'équilibre. Somme toute, la dette publique extérieure a un impact négatif et significatif sur la croissance économique par le biais du service de la dette extérieure, d'où notre hypothèse est confirmée. 71 |
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
