Memoire Online - Analyse de l'investissement en infrastructure routière sur la croissance économique au Bénin

Cette partie permettra d'explique le modèle d'analyse ; de présenter les variables ; la méthode de collecte des données ; de procéder à l'estimation du modèle et d'énoncer les tests de validité du modèle

Paragraphe 1 : Méthode de collecte ; présentation des variables à estimer et
le modèle d'analyse.

La méthodologie utilisée dans cette étude repose sur quatre outils fondamentaux à savoir la recherche documentaire, l'analyse en composante principale, l'analyse descriptive et l'estimation économétrique comme outil d'analyse empirique.

La collecte des données vise à regrouper toute la littérature sur la modélisation de l'investissement en infrastructure routière notamment sur les modèles liant l'investissement et croissance économique. A cet effet, les principales sources ci-après ont été identifiées et visitées :

- l'INSAE, pour les données relatives à la population active ; les comptes nationaux de 1990 à nos jours et le programme d'investissement public sur la période 2003 à 2013

- Ministère Délégué Chargé des Transports Terrestres, des Transports Aériens et des Travaux Publics (MDCTTTATP) à la Direction Générale des Travaux Publics (DGTP) plus précisément la Direction de la planification et de Suivi -Evaluation( DPSE) sur les réalisations en infrastructure routière ; le réseau routier et le trafic sur le réseau depuis 2002* 2010 les données sont collectées par département /commune/projet ainsi que le coût de réalisation ( Budget National et Bailleur)

De la revue des travaux antérieurs ; il ressort que les différents facteurs déterminants sont : le Produit Intérieur Brut (PIB) ; le crédit à l'économie ou la dette ; l'investissement public (Capital) ; le coût de la main d'oeuvre (force de travail) ; le comptage du trafic et l'environnement institutionnel. Mais compte tenu des données disponibles, toutes les variables ne pourront pas être retenues pour la construction du modèle. Cependant les variables les plus importantes telles que le PIB ; le capital privé; les infrastructures routières et le niveau de l'emploi nous permettront d'obtenir les résultats de l'étude.

Pour permettre la parfaite homogénéité des données, nous allons utiliser comme variable dans ce cas les dépenses allouées aux investissements dans le sous secteur des infrastructures routières. Ces dépenses sont constituées en fait de celles investies dans les travaux neufs d'une part et de celles dans l'entretien d'autre part ; ceci dans la mesure où beaucoup d'études ont montré l'importance de l'entretien routier dans le secteur des transports en l'occurrence celle de la banque mondiale 1994. Les données sur les dépenses d'infrastructures routières proviennent à la fois de la DGTP et du Fonds Routier.

Il sera représenté par l'investissement privé (encore appelé formation brute de capital fixe du secteur privé). Les données sur l'investissement privé proviennent des comptes nationaux de l'INSAE.

La variable travail correspond à la main d'oeuvre disponible. Cette main d'oeuvre est égale à la population active .Elle vend sa force de travail aux structures de production .Ce travail est un facteur de production très important dans l'explication de la croissance du PIB .La qualification de la main d'oeuvre contribue à l'augmentation de la production et à son amélioration .Egalement, il est accordé beaucoup d'importance à la force de travail, puisque l'investissement dans le développement du capital humain augmente la qualification de la main d'oeuvre ; ils permettent d'accroître l'efficacité de la production à travers le développement de nouvelle technologies. Tous ces éléments ne peuvent qu'avoir un effet

bénéfique sur la croissance économique. Dans le cadre de notre étude, le niveau de l'emploi sera représenté par la masse horaire annuelle travaillée dans le pays.

Dans l'estimation économétrique, les données utilisées sont des séries annuelles et couvrent la période 1985-2010 soit au total 26 observations. Le PIB à prix constant base 1985 provient également des comptes nationaux de l'INSAE.

Nous tenons à rappeler ici, que compte tenu du manque de régularité au niveau des comptages sur le réseau routier sur le trafic notre modèle ne prendra pas en compte le trafic.

Les variables indicatrices : En vue de tenir compte des chocs économiques conjoncturels, il sera utilisé des variables indicatrices D87 ; D94 et D95 représentent respectivement des chocs de 1987 ; 1994 et 1995

En vue de compléter l'analyse descriptive ci-dessus sur la corrélation entre dépenses d'infrastructures routières et croissance économique, nous avons procédé à l'estimation d'un modèle de croissance.

L'approche retenue dans la présente étude s'inspire des modèles de croissance endogène, dont le précurseur est Robert Barro. La spécificité de ce modèle consiste à faire apparaître le stock de capital public dans le processus de production, et par conséquent à mettre en évidence un lien explicite entre la politique gouvernementale et la croissance économique de long terme dans un cadre de croissance endogène. Les modèles de croissance endogène avec externalités s'appuient sur des fonctions de production Cobb-Douglas à trois facteurs dont deux sont des facteurs privés (travail et le capital privé) et le troisième, les infrastructures, est à financement public. En effet, l'utilisation d'une fonction de production Cobb-Douglas permet une lecture directe des élasticités et des rendements d'échelle et une discussion aisée de la présence ou non d'externalités de capital public. Elle est définie par :

Les termes Nt, Kt et Gt désignent respectivement le niveau de l'emploi ou le travail, le stock de capital privé et le stock de capital public, le tout à l'année t. A désignent le niveau d'avancement technologique constant dans le temps ; les paramètres á, â et ë correspondent respectivement aux élasticités de la production par rapport au stock de capital privé, au travail et aux investissements publics (avec 0<á<1 ; 0<â<1 ; 0<ë<1).

La variable (G) décrite dans le modèle de Barro comprend toutes les dépenses en infrastructures routières ainsi que les autres dépenses en infrastructures, comme celles qui sont liées à la construction d'écoles, la construction d'hôpitaux, la mise en place de l'aqueduc et l'égout, des équipements de transport public. Certains auteurs (Khanam, 1999 ; Rodrigue KUITCHA KWANDJEU, 2005 ; etc.) utilisent une définition plus restreinte de la variable G qui est axée uniquement sur les infrastructures de transport (surtout routières). Dans ce cas précis, nous utiliserons comme notation la lettre R. La variable G utilisée plus haut renvoie à des dépenses publiques en infrastructures, au sens large. Ainsi, notre fonction de production devient donc :

En posant : Y = PIB, le produit intérieur brut à prix constant ; K = Cap_priv, l'investissement privé ; N = Mhat, représenté par la masse horaire annuelle travaillée dans le pays ; et Dep, les dépenses d'infrastructures routières on a :

Après linéarisation par transformation logarithmique, le modèle prend la forme suivante, qui peut être estimée au moyen des techniques économétriques de modèle linéaire :

Avec : C = log A, la constante ; á, â et ë les élasticités respectivement du PIB par rapport au stock de capital privé, au travail et aux dépenses d'infrastructures routières ; ut, le terme d'erreur.

Avant le traitement d'une série temporelle, il convient d'en étudier les caractéristiques stochastiques. Parmi celles-ci on peut citer notamment l'étude de la stationnarité de la série.

Par définition, une série temporelle est dite stationnaire si sa moyenne et sa variance sont
constantes dans le temps et si la valeur de la covariance entre deux périodes de temps ne
dépend que de la distance ou de l'écart entre ces deux périodes et non pas du moment auquel

la covariance est calculée. Une telle série temporelle est qualifiée de `'faiblement stationnaire».

Il existe plusieurs tests pour détecter la stationnarité d'une série. Nous utiliserons le plus utilisé dans les travaux empiriques, à savoir le test de Dickey-Fuller Augmenté (ADF) ; mais elle peut s'appréhender en première approximation par l'allure de la fonction d'autocorrélation et sa représentation graphique : le corrélogramme.

La mise en oeuvre de ce test passe par trois différents modèles de base que sont : Modèle1 : modèle sans constante ni tendance

En conséquence, la lecture des résultats du test se fait en deux étapes :

Si ADF Test Statistic > Critical Value (valeur critique) alors on accepte H_o : la série étudiée est dite non stationnaire.

Si ADF Test Statistic = Critical Value (valeur critique) alors on accepte H1 : la série étudiée est dite stationnaire.

Si les séries ne sont pas stationnaires, mais toutes intégrées du même ordre, nous allons procéder à un test de cointégration et recourir à une représentation à correction d'erreur qui fournit des relations entre les variables à court et long terme. Tous les tests d'ADF sont effectués au seuil de 5%.

Le concept de cointégration fournit un cadre théorique de référence pour étudier les situations d'équilibre et de déséquilibre qui prévalent respectivement à long et à court terme. Si les variables sont cointégrées, elles admettent une spécification dynamique de type correction d'erreur, qui transforme le problème initial de régression sur les variables non stationnaires. La cointégration permet d'identifier la relation véritable entre deux variables en recherchant l'existence d'un vecteur de cointégration et en éliminant son effet, le cas échéant.

Deux séries Yt et Xt sont dites cointégrées si les deux conditions suivantes sont vérifiées :

Une combinaison linéaire de ces séries permet de se ramener à une série d'ordre d'intégration inferieur : á1Yt + _á2Xt --> I (d-b) avec d=b>0. [á1 á2] est appelé vecteur de cointégration.

Deux tests de cointégration sont généralement utilisés : le test de Engle et Granger (1987) et celui de Johansen (1988). Un modèle accélérateur-coûts de facteurs (JORGENSON, 1963)

Avec une fonction de production de type Cobb-Douglas, Jorgensen dérive une spécification hybride qui constitue, aujourd'hui encore, la base des principaux modèles économétriques d'investissement. Le niveau du stock de capital désiré est déterminé par deux éléments principaux. Une variable des prix relatifs (investissement relié au capital) et une variable réelle (la demande, saisie par la production), jouant un rôle d'accélération.

La limite principale de ces modèles demeure l'absence d'une prise en compte explicite de l'incertitude dans la décision d'investissement

Mais, dans le cadre de notre étude, nous nous limiterons à celui de Engle et Granger.

La première étape consiste à tester l'ordre d'intégration des séries. Une condition nécessaire de cointégration est que les séries soient intégrées de même ordre. Dans le cas contraire, la cointégration n'est pas possible et la procédure s'arrête à cette étape. La seconde étape consiste, quant à elle, à estimer par les MCO la relation de long terme entre les variables :

Pour que la relation de cointégration soit acceptée, il faut que le résidu de la régression de Y
sur X soit stationnaire. Il suffit donc de procéder à un test de stationnarité sur le résidu (ADF).

Les tests de cointégration permettent de détecter la présence d'une relation de long terme entre les variables. Or, il est fort intéressant de connaître l'évolution à court et moyen terme de cette relation. L'outil nécessaire à une telle fin est le Modèle à Correction d'Erreur (ECM) utilisé pour la première fois par Sargan (1984) et rendu populaire par Engle et Granger (1987). Ce type de modèle permet de mettre en évidence comment la dynamique de court terme des variables du système est influencée par l'équilibre de long terme. Ainsi donc lorsque les séries sont cointégrées, il convient d'estimer leur relation à travers un modèle à correction d'erreur.

Selon l'approche de Engle et Granger, l'estimation du modèle à correction d'erreur se fait en deux étapes.

1ère étape : On estime la relation de long terme entre les variables cointégrées du modèle et on génère les résidus du modèle. On effectue ensuite le test de stationnarité sur les résidus.

2ère étape : Les résidus recueillis sont retardés d'une période et introduits dans le modèle de court terme.

Le coefficient á2 représente la vitesse d'ajustement vers l'équilibre, il s'agit de la force de rappel vers l'équilibre. Il doit être significativement et nécessairement compris entre -1 et

0 ; sinon, la spécification ECM doit être rejetée. Le ECM est un modèle qui intègre à la fois les évolutions de court terme autour d'un équilibre de long terme.

Elle comporte deux sous-étapes. La première, relative à l'aspect économique permet de voir si les signes des paramètres estimés sont conformes à la théorie économique. La seconde est celle relative à la qualité statistique et économétrique de l'ajustement. Dans ce cas, plusieurs tests sont effectués notamment : le test de significativité des coefficients des variables et celui de la significativité globale du modèle ; le test de normalité des erreurs ; test d'autocorrélation et d'homoscédasticité des erreurs.

+ Pour se prononcer sur la qualité globale de l'ajustement, il est impérieux de faire recours à la statistique de Fisher qui permet de voir si l'ensemble des séries explicatives a une influence sur la série à expliquer. La réponse à cette problématique est facilitée par la comparaison de la F-statistique estimée à celle lue dans la table statistique de Fisher. Le test d'hypothèse est formulé de la manière suivante :

H0 : tous les coefficients du modèle sont nuls
H1 : il existe au moins un coefficient non nul.

Si la F-statistique calculée est supérieure à celle lue dans la table statistique de Fisher, alors on rejette l'hypothèse nulle au détriment de l'hypothèse alternative selon laquelle la régression est globalement significative ;

Si la F-statistique calculée est inférieure à celle tabulée par Fisher, alors on accepte l'hypothèse nulle selon laquelle la régression n'est pas globalement significative.

Cependant, on peut s'en passer et prendre une décision par rapport aux probabilités de rejet fournies par le logiciel E-Views. Ainsi, si la probabilité associée à la F-statistique est inférieure à 5%, alors on rejette l'hypothèse nulle de nullité de tous les coefficients du modèle. Dans ce cas, le modèle est globalement significatif. Le coefficient de détermination R² (Adjusted R-squared) est également utilisé pour juger du pouvoir explicatif du modèle.

+ La qualité individuelle des estimateurs se fait à l'aide du test de student. En effet, il est question, pour tester l'hypothèse nulle de nullité d'un coefficient, de calculer et de comparer la t-statistique estimée à celle lue dans la table statistique de student. Cependant, on peut s'en passer et prendre une décision par rapport aux probabilités de rejet fournies par le logiciel E-Views. Ainsi, si la probabilité associée à la t-statistique est inférieure à 5%, alors on rejette l'hypothèse nulle de nullité d'un coefficient. Dans ce cas, le coefficient associé à l'estimateur est significativement différent de zéro (0)

A cet effet, on fera recours au test de Jarque-Bera. Les hypothèses du test sont les suivantes :

La statistique de Jarque Bera est définie par : JB = n [s²/6 + (k-3)²/24]

Où s représente le coefficient de dissymétrie (Skewness) et k le coefficient d'aplatissement (Kurtosis).

La statistique de Jarque-Bera suit sous l'hypothèse de normalité une loi du Khi-Deux à deux degrés de liberté. On lit dans la table du Khi-Deux à 2 degrés de liberté, au seuil de 5% : A=5,99

On accepte l'hypothèse de normalité si la statistique de Jarque-Bera est inférieure à 5,99.

Remarque : Sous le logiciel Eviews, au seuil de 5%, on accepte l'hypothèse de normalité des erreurs dès que la valeur de « Probability » est supérieure à 0,05

Pour tester une éventuelle homoscédasticité des erreurs, nous ferons recours au test de White. Les erreurs sont homoscédastiques si la probabilité est supérieure à 0,05.

Pour vérifier si les erreurs sont autocorrélées ou non, nous réaliserons le test de Breusch-Godfrey. La statistique de Breusch-Godfrey, donnée par BG = nR² suit un Khi-Deux à p degrés de liberté, avec :

L'hypothèse de non-corrélation des erreurs est acceptée si la probabilité est supérieure à 5% ou si nR² est supérieure au Khi-Deux lu.

Paragraphe 2 : Estimation du modèle
A-Test de normalité de Jarque Bera sur les variables du modèle

Le test de normalité de Jarque Bera effectué sur les variables (voir annexe7) indique que toutes les séries du modèle sont normales et lognormales sur la période de 1985 à 2010. En effet, au seuil de 5%, l'hypothèse de normalité est vérifiée (Probability > 0,05).

B-Présentation et analyse des résultats du test de ADF sur les variables du
modèle

Nous avons fait subir le test de Dickey-Fuller Augmenté aux séries afin de déterminer les divers ordres d'intégration. Les résultats de ce test sont consignés dans le tableau ci-après, et les détails relatifs au test figurent en annexe (1-4).

Les résultats du tableau1 montrent qu'aucune des variables n'est stationnaire en niveau. En effet, la valeur calculée de la t-statistique associée à u pour chaque variable est supérieure à la valeur tabulée ; on ne peut donc pas rejeter l'hypothèse nulle de présence de racine unitaire : les séries étudiées ne sont pas stationnaires.

Dans ce cas, il faut différencier et recommencer la procédure du test sur les séries en différence première. A ce stade, les résultats montrent que toutes les variables différenciées une fois sont stationnaires. Ceci s'explique par le fait que la valeur calculée de la t-statistique

associée à u pour chaque variable est inférieure à la valeur critique tabulée. On en déduit alors que toutes les séries sont intégrées d'ordre 1. Nous pouvons donc soupçonner l'existence d'une possible relation de cointégration entre les variables du modèle.

C-Présentation et analyse des résultats du test de cointégration des
variables

En vue de détecter l'existence d'une possible relation de cointégration entre les variables, nous avons fait recours au test de Engle et Granger. Celui-ci nous a permis d'estimer la relation de long terme et de soumettre le résidu de cette estimation au test de ADF. Le test donne les résultats ci-dessous annexes 5,1 :

Variable		Test de ADF en niveau				Conclusion
	ADF calculé	ADF théorique	Retard	Const	Trend
*Resid01 16,113**		*3,759	10	Oui	Oui	I(0)

Il en ressort que le résidu est stationnaire, ou I(0). Nous pouvons donc conclure qu'il y a bien cointégration entre les variables. Les séries étudiées étant cointégrées, nous pouvons donc utiliser la représentation à correction d'erreur proposée par Engle et Granger.

Paragraphe 1 : Présentation et analyse des résultats du modèle à correction
d'erreur (ECM)
A-Présentation des résultats du modèle à correction d'erreur (ECM)

La représentation à correction d'erreur proposée par Engle et Granger se déroule en deux étapes :

Le tableau résumant l'estimation de la relation de long terme figure en annexe 6,1. La relation de long terme est :

LPIB = 12.3703387295 + 0.0976757817229*LDEP + 0.141344121723*LCAP PRIV + 0.408309969015*LMHAT 5 0.124387199015*D94 5 0.141389408299*D95 (1)

> 2^ème étape : Estimation de la relation du modèle dynamique (court terme)

Le tableau présentant l'estimation de la relation du modèle dynamique figure en annexe 6,2. La relation de court terme est :

D(LPIB) = 0.0338672105856 + 0.019170235293*D(LDEP) 5 0.0536708208967*D(LMHAT) + 0.0645473210285*D(LCAP_PRIV) 5 0.121887377856*RESIDMLT(51) 5 0.0473215025696*D94 5 0.053269463606*D87

B-Validation et analyse des résultats du modèle à correction d'erreur

Il s'agit dans cette rubrique de passer en revue trois points principaux à savoir : la qualité globale de l'ajustement, la qualité individuelle des estimateurs et enfin la qualité des résidus.

Pour se prononcer sur la qualité globale de l'ajustement dans le cas de la relation de long terme, nous avons fait recours à la probabilité de la F-statistique de Fisher fourni par le logiciel Eviews. Dans le présent cas, cette probabilité est inférieure à 5% (0.000000) : l'hypothèse de nullité de tous les coefficients est donc rejetée et par suite la relation de long terme est globalement significative. Ce résultat est conforme à la valeur de la statistique R2 (0.966492) qui renseigne lui aussi sur la qualité de l'ajustement selon qu'elle soit proche de l'unité. De plus, à partir du tableau d'estimation de la relation de long terme, on remarque que tous les estimateurs sont significativement différents de zéro (0) dans la mesure où les probabilités correspondantes à chacun d'eux sont inférieures au seuil critique de 5%.

En ce qui concerne la relation de court terme, on ne saurait seulement se lancer sur la significativité du coefficient du terme de rappel [residmlt (-1)] pour accepter le modèle à correction d'erreur. En effet, ce coefficient est significativement négatif ; ce qui permet de ne pas rejeter la relation de court terme. Cependant, il s'avère aussi indispensable de tenir compte des significativités globales et individuelles des estimateurs. Lorsqu'on se réfère aux probabilités associées aux différents paramètres estimés dans le modèle de court terme, on conclut facilement que ces derniers sont significatifs aussi bien individuellement que collectivement (voir annexe). La relation de court terme est donc globalement significative. Par ailleurs, les résidus sont normaux, non autocorrelés et enfin homoscédastiques car les probabilités des différents tests fournies par le logiciel Eviews sont supérieures à 5% (voir annexe). Quant à la stabilité du modèle ECM, elle est testée au moyen du « CUSUM Test » et du « CUSUM of squares Test ». Les deux tests révèlent que notre modèle est structurellement et ponctuellement stable, car la courbe ne coupe pas le corridor.

Les résultats des estimations de l'équation 1 montrent que les variables retenues expliquent à 96,64% l'évolution du PIB réel à long terme ; c'est-à-dire qu'elles ont une influence sur la variable expliquée. Il convient également de signaler que les résultats obtenus sont ceux attendus puisque les signes de tous les coefficients sont positifs et sont conformes à ceux prédits par la théorie économique. Mais, les rendements d'échelle ne sont pas constants ou croissants. Le coefficient du capital routier est de l'ordre de 0,097 ce qui est un peu faible par rapport à ce qu'avait obtenu (Aschauer, 1989), et après lui une majorité d'études spécifiées en niveau sur données chronologiques américaines. En revanche, ces résultats s'inscrivent dans la moyenne de ceux obtenus par les auteurs travaillant en panel. Il faut aussi noter que l'étude n'a pas considéré toutes les dépenses publiques au sens large ; ce qui n'est pas le cas dans celle réalisée par Aschauer (1989).

Ainsi, toutes choses étant égales par ailleurs, une augmentation de 1% des dépenses d'infrastructures routières contribuera à augmenter, à long terme, le PIB du Bénin de 0,097%. Ce qui signifie que les dépenses d'infrastructures routières influencent significativement la croissance du PIB à long terme. La relation de long terme indique également qu'une augmentation de 1% du stock de capital privé entrainera une hausse de 0.141% du PIB.

Les dépenses d'infrastructures routières jouent donc un rôle décisif dans le processus de croissance économique au Bénin. Ainsi, pour doper la croissance, il serait nécessaire de créer les conditions favorables pour attirer l'investissement privé. Ces conditions se résument entre autre au renforcement des infrastructures publiques en général et celles liées au transport en particulier. C'est pourquoi le gouvernement investit plus actuellement dans le secteur routier, ce qui donne l'impression de tirer la croissance. Cependant, le secteur privé doit aussi jouer un rôle moteur dans le processus de croissance ; et ceci en renforçant les capacités de production de l'économie d'où l'importance d'accroître les investissements privés.

Par ailleurs, le coefficient du capital routier est très proche de celui du stock de capital privé ; ce qui confirme d'avantage la théorie. Cette conclusion peut trouver une explication dans le fait que bien que les dépenses d'infrastructures routières n'ont cessé de s'améliorer un peu au Bénin, l'on devait s'attendre plutôt à un effet d'entraînement. Non seulement, le réseau routier est dégradé au cours des années, et le manque d'infrastructures routières est défini dans la liste des principaux handicaps au développement du secteur privé au Bénin. Mais également, on peut imputer cela au fait que les investisseurs nationaux sont trop peu nombreux, trop démunis et insuffisamment qualifiés pour suppléer à la carence d'investissements.

Le coefficient positif du niveau de l'emploi peut également être justifié par le fait que l'économie béninoise reste encore largement dominée par le secteur agricole, celui des petites unités de transformation mais aussi par le secteur informel qui, avec la crise économique, aurait pris une importante croissance au Bénin et dont le fonctionnement nécessite très peu de capital mais beaucoup de facteur travail. Ainsi, toutes choses étant égales par ailleurs, une augmentation de 1% du niveau de travail contribuera à augmenter, à long terme, le PIB du Bénin de 0,408%.

L'estimation du EMC montre que l'erreur d'équilibre dénommée aussi résidu décalé d'une période est statistiquement significatif et présente le signe attendu. Son coefficient (- 0,121) traduit l'effet d'ajustement du PIB à chaque période à l'équilibre. Le PIB s'ajuste donc à son niveau d'équilibre de long terme. Ce qui indique que la représentation à correction d'erreur converge des séries vers la cible de long terme. La vitesse d'ajustement faible du PIB justifie les écarts entre certains coefficients de court et de long terme. Ainsi des chocs sur le PIB se corrigent à 12,1% par l'effet « feed-back ». En d'autres termes, des chocs ponctuels

peuvent écarter la variable de sa cible de façon temporaire : la force de rappel vers le comportement de long terme ne comble l'écart potentiel qu'en plusieurs périodes, traduisant les rigidités et les délais d'ajustement de l'économie.

Par ailleurs, l'estimation du ECM met aussi en évidence la dynamique du taux de croissance du PIB qui dépend du taux de croissance des dépenses d'infrastructures routières. Mais, le constat qui est fait ici est que la contribution de cette variable à la croissance de court terme du PIB est insignifiante. De plus, l'efficacité des investissements routiers est plus importante à long terme qu'à court terme car leurs effets sur la croissance du PIB ne se font pas sentir automatiquement, mais plutôt plusieurs années après leur réalisation. Ainsi, toutes choses étant égales par ailleurs, une augmentation de 1% du taux de croissance des dépenses d'infrastructures routières accroit le taux de croissance du PIB de 0.01% à court terme. Les dépenses d'investissement en infrastructures routières influent donc plus positivement sur la croissance économique à long terme qu'à court terme au Bénin.

Au total, l'examen de la pertinence de la dynamique de long terme montre que les variables envisagées dans le cadre de ce travail de recherche expliquent la croissance économique au Bénin. Cependant, une restriction doit être faite sur le signe des coefficients dans la mesure où ils peuvent avoir plus d'effet sur le niveau de vie pour le capital routier et positif pour le capital privé. Fort de ces conclusions, quelques recommandations s'avèrent pertinentes pour permettre à l'économie béninoise de relever les principaux défis auxquels elle est confrontée.

Analyse de l'investissement en infrastructure routière sur la croissance économique au Bénin

Chapitre 1 : Méthodologie

B-Validation et analyse des résultats du modèle à correction d'erreur