Mutations financières et canaux de transmission de la politique monétaire: cas de la Tunisie

IV-1- Choix et ordre des variables

Nous essayons d'analyser si l'évolution du système financier en Tunisie a entraîné une modification majeure des canaux de transmission de la politique monétaire. Pour cela, la période qui nous considérons, à savoir 1975-2006, a été divisée en deux périodes, en retenant la date de 1989 pour le début de la mutation financière en Tunisie. Le modèle que nous estimons, pour chaque sous période, est un VAR standard comportant cinq variables qui se présentent dans l'ordre suivant :

- le taux d'intérêt (taux d'escompte pour la première période et le TMM pour la seconde).

- Une variable monétaire : (lM2) le logarithme de l'agrégat M2.

- Une variable correspondant au canal du crédit : (lCD) le logarithme du crédit accordé à l'économie.

- Une variable correspondant au canal du taux de change (Tcre) taux de change effectif réel.

- Une variable représentative de l'activité réelle : (LIPI) l'indice de production industrielle.

Les séries temporelles doivent être filtré par le logarithme pour les rendre stationnaire en variance.

Dans une étude similaire, portant sur la politique monétaire en France, Goux (1998) a retenu le même type de séries, la seule différence résidant dans le choix de la variable taux d'intérêt et la variable tcre.

Nous adoptons, pour notre modèle VAR, l'ordre présenté ci-dessus des variables. Ceci suppose que la politique monétaire (choix du taux d'intérêt) soit exogène par rapport aux autres variables simultanées.

Le choix de cet ordre se justifie par le fait que les autorités monétaires fixent leur taux d'intérêt indépendamment des valeurs simultanées des autres variables économiques. En effet, bien que les autorités monétaires réagissent aux variables de l'économie pour fixer leur taux d'intérêt, elles se réfèrent généralement aux valeurs retardées déjà publiées car elles ne connaissent pas les variables simultanées au moment de leur décision.

IV-2- L'estimation

L'estimation est effectuée sur des séries mensuelles de Janvier 1975 à décembre 1988 et de janvier 1989 à décembre 2006. Les tests de Duckey & Fuller augmentés sur les séries mensuelles sur les deux sous périodes considérées montrent que toutes les variables sont I (1).

L'estimation du modèle nécessite qu'on détermine à priori le nombre du retard à inclure. Ainsi, pour déterminer le nombre de retard optimal de ce vecteur autorégressif nous pouvons utiliser les deux critères d'information AIC et Schwarz.

Tableau .5. Test sur le nombre de retard pour la première sous période

Critére/Retard	1	2	3	4
AIC	-18.79665	-18.81859	-18.66289	-18.39405
Schwarz	-18.23653	-17.78751	-17.15697	-16.40938

Tableau .6.  Test sur le nombre de retard pour la deuxième sous période

Critére/Retard	1	2	3	4
AIC	-25.43006	-25.43285	-25.44162	-25.33947
Schwarz	-24.81135	-24.29329	-23.77637	-23.14359

On s'aperçoit que le nombre de retard choisi par les critères est de un pour les deux périodes.

IV-3- Test de cointegration

Afin de tester le nombre de relations de cointégration dans ce système à cinq variables nous nous référons aux travaux de Johensen et Jeselius (1990). Ces derniers proposent deux types de tests : le test de la Trace et le test de la valeur propre maximale ( max).

Le test de trace permet de tester la présence de r relations de cointgration contre l'hypothèse alternative d'absence de relation de cointégration.

La statistique utilisé est Trace(r) =

Le test de lambda maximum permet de tester la présence de r relations de cointegration contre l'hypothèse alternative de r-1 relations de cointegration.

Le statistique employée est alors :

Les lois suivies par ces deux statistiques ont été simulées par Osterwald-Leunum(1991).

Dans ce type de procédures le choix d'introduire ou non des composantes déterministes dans le vecteur de cointégration est assez compliqué. En effet, la mauvaise identification de la relation de long terme peut conduire à des conclusions erronées sur la nature de la dynamique qui caractérise le mouvement des différentes variables. Ainsi, un exercice préliminaire consiste à identifier le modèle sous-jacent. A ce sujet, Johansen (1992) a développé une procédure séquentielle pour identifier le vrai modèle.

Tableau .7. Tests de trace et ëmax pour la deuxième sous période

Trace Test Test

Hypothèse nulle r=0 r r r r = 4 r=0 r=1 r=2 r=3 r=4

Hypothèse alternative r r r r=4 r=5 r=1 r=2 r=3 r=4 r=5

Valeur Statistique 154.6923 50.02836 29.30883 16.71198 5.461619 104.6639 20.71953 12.59685 11.2536 5.461619

Valeur critique au 5% 76.07 53.12 34.91 19.96 9.24 34.40 28.14 22.00 15.67 9.24

Nombre de relation de

Cointégration 1 1

Tableau .8. Tests de trace et ëmax pour la deuxième sous période

Trace Test Test

Hypothèse nulle r=0 r r r r = 4 r=0 r=1 r=2 r=3 r=4

Hypothèse alternative r r r r4 r=5 r=1 r=2 r=3 r=4 r=5

Valeur Statistique 75.53177 44.59662 23.38925 10.89514 1.080686 30.93516 21.20737 12.49410 9.814455 1.080686

Valeur critique au 5% 68.52 47.21 29.68 15.41 3.76 33.46 27.07 20.97 14.07 3.76

Nombre de relation de 1 1

cointégration

Les tests de cointégration de johansen montrent que les séries sont coïntégrées au seuil de 5% pour les deux périodes considérées.

En raison de l'existence d'une relation de cointégration le VAR va être estimé sous une forme de correction d'erreur, VECM.

IV-4- Décomposition de la variance 

Partant de la décomposition des résidus des innovations, on peut calculer quelle est la contribution de chaque innovation à la variance totale de l'erreur de prévision du processus X_t. C'est ce que l'on appelle la décomposition de la variance.

On considère le processusavecsatisfaisant la représentation VAR(p) suivante t Z :

On suppose que les innovations sont iid et X_t peut être transformé sous la forme d'un VMA ().

Avec l'erreur de prévision à l'horizon k qui peut être exprime comme suit :

Pour obtenir une décomposition de la variance du vecteur, il suffit de réprimer cette matrice de variance covariance sous la combinaison linéaire de la matrice variance des innovations orthogonales V_t.

.

où la matrice A est issue de l'orthogonalisation =ADA

On suppose que:

Où a_i désigne la i^ème colonne de la matrice A. Délors :

En substituant cette expression dans la variance de prévision pour un horizon k, on obtient le moment de second ordre en fonction de la variance des innovations orthogonales.

A partir de cette formule, on est en mesure de calculer la contribution de innovation « pure » V_jt de la variance totale de prévision à un horizon k.

Décomposition de la variance pour la période 1988 ; 1 1988 ; 6

Décomposition de la variance du LIPI:
Période	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.030536	100.0000	0.000000	0.000000	0.000000	0.000000
2	0.042616	97.13117	1.260064	0.131542	1.400188	0.077036
3	0.051634	96.83711	1.113745	0.111512	1.859399	0.078234
4	0.059279	96.43366	1.174619	0.111748	2.201943	0.078029
5	0.066020	96.27532	1.132475	0.116148	2.401419	0.074643
6	0.072111	96.13259	1.104970	0.126099	2.564998	0.071342
Décomposition de la variance du LM2:
Période	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.022933	1.180049	98.81995	0.000000	0.000000	0.000000
2	0.027114	0.861269	96.59968	0.018091	2.470664	0.050296
3	0.032723	0.592108	96.66447	0.013187	2.695470	0.034768
4	0.037063	0.468917	96.18662	0.049390	3.267673	0.027404
5	0.041448	0.384013	95.92816	0.101818	3.559012	0.026994
6	0.045535	0.336709	95.57804	0.188171	3.865578	0.031504
Décomposition de la variance du LCD:
Période	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.020851	0.037954	29.83322	70.12883	0.000000	0.000000
2	0.026581	0.026064	19.07395	79.63783	1.246227	0.015929
3	0.031831	0.031864	17.90231	80.71879	1.264407	0.082627
4	0.035902	0.026210	16.58824	81.65112	1.611300	0.123129
5	0.039635	0.024423	16.66616	81.28338	1.844763	0.181282
6	0.042952	0.032293	16.97554	80.61492	2.134058	0.243192
Décomposition de la variance du TCRE:
Période	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	2.145711	0.883018	0.418583	0.525890	98.17251	0.000000
2	3.339794	2.534187	0.264691	2.262206	94.92337	0.015548
3	4.197135	2.877129	0.208996	3.038344	93.83897	0.036561
4	4.904938	3.005684	0.213775	3.430714	93.30751	0.042314
5	5.518960	3.061319	0.224094	3.716131	92.95493	0.043524
6	6.069500	3.084927	0.246837	3.946609	92.67909	0.042533
Décomposition de la variance du TMM:
Période	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.002045	0.244943	1.252686	0.013555	0.139241	98.34957
2	0.002923	0.121335	4.920412	0.199035	0.830307	93.92891
3	0.003555	0.085953	5.087007	0.274023	0.918807	93.63421
4	0.004096	0.065386	5.388602	0.283376	1.020177	93.24246
5	0.004568	0.053006	5.430594	0.283818	1.081812	93.15077
6	0.004994	0.044404	5.454690	0.275830	1.139676	93.08540

Décomposition de la variance pour la période 2006 ; 1 2006 ; 6

Décomposition de la variance du LIPI:
Period	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.045299	100.0000	0.000000	0.000000	0.000000	0.000000
2	0.051333	98.12956	0.571892	0.905287	0.051292	0.341974
3	0.059173	97.26511	0.486365	1.928560	0.046520	0.273445
4	0.064743	95.86585	0.515013	3.292006	0.045071	0.282063
5	0.070019	94.82165	0.499556	4.398861	0.038652	0.241281
6	0.074791	93.78291	0.492742	5.469804	0.034568	0.219978
Décomposition de la variance du LM2:
Period	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.023442	1.326610	98.67339	0.000000	0.000000	0.000000
2	0.031210	1.540114	96.89166	0.616438	0.819866	0.131926
3	0.037701	2.063722	96.14294	0.888450	0.803305	0.101584
4	0.043132	2.203796	95.78734	1.025017	0.863854	0.119994
5	0.047987	2.351639	95.51539	1.140619	0.878907	0.113450
6	0.052388	2.449275	95.31867	1.217657	0.897301	0.117096
Décomposition de la variance du LCD:
Period	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.056867	0.017433	33.52932	66.45325	0.000000	0.000000
2	0.072191	0.015173	38.01259	61.82018	0.000912	0.151151
3	0.082974	1.498532	42.22895	56.08139	0.001642	0.189478
4	0.092098	2.834027	45.89671	50.92472	0.007069	0.337474
5	0.100233	4.440501	48.63056	46.51086	0.008307	0.409779
6	0.107763	5.868638	50.75814	42.85906	0.010964	0.503205
Décomposition de la variance du TCRE:
Period	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.009682	0.345677	0.041451	1.386898	98.22597	0.000000
2	0.012865	1.006687	0.047866	1.107698	97.83770	5.11E-05
3	0.015489	0.794051	0.034795	1.403528	97.76734	0.000282
4	0.017716	0.676684	0.034010	1.708629	97.57744	0.003237
5	0.019708	0.572706	0.032990	1.990119	97.40008	0.004103
6	0.021515	0.497465	0.033372	2.224739	97.23842	0.006002
Décomposition de la variance du TMM:
Period	S.E.	LIPI	LM2	LCD	TCRE	TMM
1	0.003984	0.331170	0.817799	0.663293	1.511440	96.67630
2	0.004449	0.645535	0.852113	0.546885	1.234524	96.72094
3	0.005321	0.453637	0.942525	0.736462	1.105654	96.76172
4	0.005871	0.575671	0.954128	0.738785	1.001563	96.72985
5	0.006449	0.517678	1.000577	0.840393	0.935261	96.70609
6	0.006950	0.555720	1.015235	0.902219	0.887514	96.63931

Ces tableaux indiquent pour chaque variable la proportion de la variance de l'erreur de prévision, attribuable à une innovation d'une autre variable.

Quand une innovation explique une part de la variance de l'erreur de prévision, on peut en déduire que notre économie est très sensible aux chocs affectant cette série.