Inflation et recettes fiscales en république démocratique du congo, de 1995 à 2011

III.4. Liaison entre IPC et recettes fiscales

Pour appréhender l'impact de l'inflation sur les recettes fiscales, nous avons construit un modèle, dont REC représente les recettes fiscales et IPC l'indice des prix à la consommation.

Comme signifié plus haut, nous avons utilisé le logiciel Eviews 3.1 pour estimer le modèle et réaliser les différents tests dont les résultats sont présentés dans les lignes suivantes.

Après traitement de données avec le logiciel Eviews 3.1, nous avons trouvé que REC = 1,020IPC - 15915 ; cette équation signifie que lorsque l'IPC augmente d'une unité, les recettes fiscales augmentent de 1,020 millions de CDF.

La figure n°4 ci-dessous retrace l'impact des IPC sur les recettes fiscales durant la période de notre investigation.

Fig. n° 4 : Évolution des recettes fiscales en fonction des indices des prix à la consommation

La figure ci-haut nous montre que les recettes fiscales sont corrélées positivement avec les indices des prix à la consommation. L'augmentation d'une unité des indices prix à la consommation entraine une augmentation de 1,020 millions de CDF des recettes fiscales.

III.4.2. Différents tests du modèle

A. Tests individuels

Ce test permet d'étudier la signification des paramètres. Il pose les hypothèses suivantes :

H0 : a_i = 0, la variable exogène n'influence pas la variable endogène c'est-à-dire le paramètre n'est pas significatif.

H1 : a_i ? 0, la variable exogène influence la variable endogène c'est-à-dire le paramètre est significatif.

Règle de décision : si la probabilité associée à ce test est inférieure à 5%, on rejette l'hypothèse nulle.

Le test T de Student du coefficient de la variable IPC est de 9.107659 (tableau n°3 en annexe), sa probabilité est de 0,00% inférieure à 5% ; ce qui signifie que la variable IPC est significative, c'est-à-dire une variation de l'IPC occasionne également une variation des recettes fiscales.

B. Test global

Pour mesurer le degré d'explication du modèle, nous faisons recours au coefficient de détermination donné par l'équation ci-après :

avec 0 R² 1

Parfois, R² a tendance à croître avec le nombre de variables explicatives du modèle, même si ces variables n'ont rien à avoir avec le phénomène étudié. Pour pallier à cet inconvénient, certains chercheurs ont proposé d'introduire un R² corrigé, noté par ² qui est défini par :

² R² si ² R². Il n'est utilisable que dans le modèle avec le terme constant.

Selon le résultat du tableau n°3 en annexe, le coefficient de détermination R²=0.907899, soit 90,79%. Il est ajusté à 0.901759, soit 90,18% exprimé par son R² ajusté. Cela signifie que 90,07% des recettes fiscales sont expliquées par l'augmentation des indices prix à la consommation.

Pour déterminer si le modèle est globalement significatif, nous émettons les hypothèses suivantes :

H0 : R² = 0, le modèle n'est pas significatif.

H1 : R² ? 0, il y a présomption que le modèle est significatif. Le modèle est globalement significatif.

Règle de décision : Il faut que Fcal soit supérieur à F th pour que le modèle soit significatif ; ou bien si la probabilité associée à ce test est inférieure à 5%, on rejette l'hypothèse nulle.

Le test F de Fischer donne 147.8642 (tableau n°3 en annexe) ; et la probabilité associée à ce test est de 0,0%, inférieure à 5% ; cela veut dire que le modèle est globalement significatif donc on rejette H0.