Analyse des facteurs explicatives du chômage au Burkina Faso.

Section 2 : Régression linéaire

1) Revue sur les formes fonctionnelles du modèle

I. Modèle théorique

La détermination des facteurs explicatifs du chômage peut se faire en se basant sur deux théories fondamentales : la théorie keynésienne et la théorie classique. L'approche classique considère le chômage comme étant lié aux rigidités sur le marché du travail. Cette considération ne semble pas corroborer avec le cas du Burkina Faso vu le déséquilibre structurel qui prévaut sur le marché du travail (SIGUE ,2014) ainsi tout au long de notre étude nous nous baserons sur la théorie keynésienne du chômage qui semble être plus réaliste car selon l'INSD au Burkina Faso , on observe une demande globale très faible par rapport à l'offre . En effet selon cette théorie, le chômage est dû à l'insuffisance de la production elle-même résultant d'une insuffisance de la demande globale. La demande globale est fonction de la consommation, de l'investissement (investissement publique et privé) des dépenses publique et l'extérieur(X-M). D'où le modèle Y= C+I+G+X-M. De ce modèle nous tirons les variables explicatives suivantes : La consommation,l'investissement, le taux de naissance, le capital humain, lesdépensespubliques, le PIB ,les importations, ,l'aide publique au développement(APD), le taux d'inflation et la situation sécuritaire certaines facteurs qualitatives peuvent aussi influencer le chômage tels que l'instabilité politique ,la gouvernances , les caractéristiques même de l'individus à savoir son âge, son sexe, son niveau d'éducations, sa zone de résidence ,son niveau de vie et son accès aux crédits (ZOUNDI ;2015). La particularité de notre modèle vient du fait que dans la littérature peu de chercheurs ont utilisé la situation sécuritaire, le capital humain et la consommation pour expliquer le chômage or ces variables peuvent être des variables clefs.Ainsi on peut dire le chômage (Y) est fonction de ces variables : Y_t=f (x_1t ; X_2t ; X_3t ; X_4t ; X_5t ;X_6t ; X_7t) avec X_1t la consommation ; X_2t l'Aide Publique au Développement ; X_3t le Taux Brut de Scolarisation ; X_4t le taux de change, X_5t le taux d'inflation, X_6t le taux de naissance et les importations X_{7t ,} X_8t la situation sécuritaire(dépenses militaires )au cours du temps. Nous utiliserons les séries temporelles (de 1985 à 2016).

Le cadre théorique utilisé ici pour estimer le chômage s'inscrit dans le prolongement des travaux de (AMBAPOUR ,2001) et al qui ont analysé les déterminants de la demande du travail à partir de la technologie Cobb- Douglas. L'avantage de cette fonction, estqu'elle permet de dériver facilement les élasticités ce qui nous permettra d'interpréter les coefficients sous forme d'élasticités et voir la sensibilité des variables. Ainsi ,pour déterminer la relation entre les variables, partons de cette fonction de production Cobb-Douglas : Y=A x_i^ßi). Ou A et ßi sont tous positifs. L'indice i correspond aux facteurs de production, par exemple les quantités de travail ou de capital utilisées pour produire un bien. Si la somme des coefficients i est égale à 1, alors la fonction de production correspond à un rendement d'échelle constant. Si cette somme est inférieure à 1, les rendements d'échelle sont décroissants, et si elle est supérieure à 1, ils sont croissants.

L'objectif de l'entreprise est de minimiser les coûts de production sous contrainte du niveau de production. En prenant Y comme étant la production. Après linéarisation onobtient le modèle linéaire suivant :Log (Y_t)= â₀ + â ₁log(X_1t)+â ₂log(X_2t)+â ₃log(X_3t)+â ₄log(X_4t )+â₅log(X_5t)+ â₆log(X_6t )+ â₇log(X_7t )+ å_tqui sera estimépar la suite_.

II. Définition des variables et hypothèses sur la relation entre les variables

L'objectif principal de tout pays est de réduire le chômage. Ce dernier sera utilisé ici comme notre variable expliquée (c'est-à-dire la variable qu'on cherche à expliquer dans le modèle) et sera noté Y_t.

Analyse de la variable Y_t

Graphique 9 : Graphique sur l'évolution de la variable dépendante (taux de chômage Y_t)en fonction du temps

On remarque que le taux de chômage est lié au temps et le processus semble être non stationnaire de type non déterministe donc suit un TS (trend stationnary) ainsi on peut noter ce processus par l'équation suivante : y_t =á + ât + å_t avec å_t qui suit un bruit blanc.

Les caractéristiques du processus :

E(y_t) = á + ât car comme å_t suit un bruit blanc alors E( å_t ) est nul

V(y_t) = sigma carré et la covariance est nul

Les propriétés du processus

Le processus est stationnaire en différence première et les écarts par rapport à la tendance est stationnaire.

yt est le logarithme de Yt ce qui est sujette qu' à un taux de croissance constant et les écarts par rapport à la tendance suit un autorégressif d'ordre 1 (THOMBIANO ; 2003)

Vérifions ces hypothèses à travers les statistiques sur la stationnarité du processus en utilisant les tests de Dickey et Fuller Augmenté (ADF) suivants :

Les statistiques du tableau 1 montrent qu'au seuil de 5% ADFcalculé( - 1.837125)est supérieurà ADF théorique(-2.976263 ) à 5% le processus n'est donc pas stationnaire il existe une racine unité mais le processus est stationnaire en différence première d'après le tableau 2 car ADFcal ( -9.109939 ) est supérieur à ADF théorique (-2.97626)

Les variables explicatives

Ø Aide publique au développement

Etant donné que l'objectif principal de l'aide au développement est d'aider les pays pauvres à se développer, on pourrait dire au préalable qu'il y a une relation inverse entre celle-ci et le chômage c'est-à-dire si l'aide augmente le chômage baisse et vice versa.

Ø Taux brut de scolarisation au niveau national

Par manque de données nous utiliserons le taux brut de scolarisation pour désigner le capital humain. En effet le capital humain est considéré comme un facteur d'amélioration de la qualité du travail de l'innovation technologique et la productivité. De plus il offre des externalités positives sur l'économie et donc le chômage va baisser. Il y a donc une corrélation négative entre ces deux variables.

Ø Taux d'inflation

L'impact de l'inflation sur le chômage est tantôt négative tantôt positive en fonction des auteurs. A court terme la relation est négative. En effet,certains auteurs pensent qu'une hausse des prix réduit les salaires réels. Dans ce cas la demande de travail augmente par conséquent une baisse du chômage. D'autres par contre ont affirmé que les travailleurs rationnels et bien informés rendaient compte que leurs salaires réels étaient en baisse et devraient demander une augmentation des salaires nominaux afin de compenser la hausse des prix. L'augmentation des demandes de salaire réel tend à inverser la baisse du chômage. A long terme, le taux de chômage tend vers un niveau qui est conforme avec un taux d''inflation stable, à savoir, le taux de chômage naturel ou le NAIRU.

Ø La situation sécuritaire

Si l'insécurité augmente dans un pays, les investisseurs vont retirer leurs investissements (c'est ce qu'on a observé dans notre pays les 30 et 31 Octobre 2014 avec l'insurrection populaire, en 2016 dans la région du nord avec les attaques de Nassoumbou qui y sont perpétré). De plus l'insécurité entraine des destructions massives et beaucoup perdent leurs emplois et tombe automatiquement en chômage forcé. Parhypothèseon peut dire qu'il y a une relation positive entre les deux variables.

Ø Le taux de naissance

L'impact de progression de la population sur le chômage est tantôt négative tantôt positive cela dépend du sens de l'analyse.

Lorsqu'il y a une progression de la population cela entraine une pression forte sur les ressources existantes limités dans ce cas le taux de création d'emploi baisse et le taux de chômage augmente. Mais la croissance de la population peut être source d'innovation technologique, de stimulation de la demande globale donc une baisse du chômage.

Ø La consommation

Une augmentation de la consommation va permettre aux entreprises d'augmenter leur production et donc la demande globale augmente ce qui réduit le chômage. On peut prévoir une relation négative entre les deux variables.

Ø Le taux de change

Le taux de change et en particulier, les dévaluations ont souvent été un moyen des pouvoirs publics, pour résoudre les problèmes des échanges extérieurs. Nous Supposerons qu'il y a une relation négative entre le taux change et le taux de chômage. Une augmentation du taux de change pourrait avoir des retombées économiques positives en termes d'exportations, donc d'activité et par conséquent d'emplois et baisse du taux de chômage. Dans le cas du Burkina Faso et en Afrique de l'Ouest en général la dévaluation des années 1994 avait pour objectif d'augmenter les exportations mais le constat est que cela n'a pas été le cas puisque la valeur de la monnaie (le CFA) reste toujours bas.

Ø Les importations

Par hypothèse il y a relation positive entre les importations et le taux de chômage. En effet un abaissement des barrières à l'entrée sur le marché diminue le pouvoir du marché et les rentes des entreprises en place. Ceci signifie qu'une augmentation des importations pourrait avoir un impact négatif sur les marchés des produits du fait de manque de compétitivité et pourrait affecter par conséquence la performance du marché du travail en augmentant le taux de chômage.

III. Modèle économétrique

De nombreux modèles ont été élaborés dans le passé en vue d'expliquer le chômage.

Présentation du modèle

La plupart des recherches faites sur le chômage utilisent soit lesdonnées microéconomiques soit des données macroéconomiques. Les recherches faites sur lesdonnées microéconomiques dans les pays africains utilisent surtout les modèles à choix discret (modèle probit ou logit). Ce fut le cas de l'étude mené par Cissé (2005) qui a utilisé le modèle logit binaire, Wanbugu et al (2009) au KENYA, Sangaré (2012) et Somé (2014) au Burkina Faso qui ont utilisé le modèle probit. Et celles portant sur les données macroéconomiques expliquent le chômage à partir des facteurs qui influencent la variation du taux de chômage et utilisent des modèles reposant sur l'influence de 2 catégories de facteurs les uns liés aux institutions du marché du travail et les autres sur les chocs macroéconomiques (Bourriche,2013). Selon (L'Horthy, 2005) ces modèles permettent certes d'identifier les causes du chômage mais ne permettent pas de faire une analyse fine du problème. Dans notre recherche, nous pensons qu'il est mieux d'utiliser les moindres carrés ordinaires MCO car ce modèle permet de voir les interactions entre les variables.

Néanmoins, afin de pouvoir tester à l'aide des test ordinaires (Student et Fischer) les coefficients issus de la méthode des MCO, nousétudierons d'abord la stationnarité des séries. Selon Nelson et Plosser (1982) la plupart des données temporelles macroéconomiques sont des réalisations de processus non stationnaires.

Si les séries sont stationnaires on appliquera directement la méthode des moindres carrés ordinaires sans aucune contrariété pour l'application des tests classiques. En cas de non stationnarité desséries, nous allons recourir à la théorie de la Co-intégration.

Forme du modèle

Plusieurs formes fonctionnelles ont été utilisé dans le passé pour expliquer la variation du taux de chômage. En Europe et surtout dans les pays de l'OCDE les études comme celles de (Blanchard et Wolfers 2000), ont utilisé le modèle suivant :

U_it= C_i+( )(1+ + e_it . où U_it : le taux de chômage dans un pays donné i à une date t (t est un indice qui désigne des périodes de cinq ans : 1960-1964, 1965-1968, etc.), C_i : des effets fixes pays ; y_kit : les chocs macroéconomiques (le ralentissement de la croissance de la productivité globale des facteurs, le taux d'intérêt réels et d'un choc de demande de travail dû à une rationalisation accrue des effectifs par les entreprises) : les institutions du marché du travail, (comprennent le taux de remplacement, la durée des prestations de chômage, les dépenses en politiques actives en faveur de l'emploi, le degré de rigueur de la réglementation de l'emploi, le coin fiscal, le taux de syndicalisation, la couverture des conventions et le degré de coordination syndicale. Ils supposent que les chocs sont observables, et interagissent avec les institutions du marché du travail

Le modèle du FMI sur les déterminants du chômage en 2003 sur 20 pays de l'OCDE utilisent le modèle suivant : U_it= á_i+ + + où, U_it est le taux de chômage à l'instant t dans le pays i; ái est un effet spécifique au pays; est un ensemble de variables macroéconomiques (croissance de la productivité, le taux d'intérêt réel, termes de l'échange chocs, et de l'inflation); est un vecteur d'indicateurs du marché du travail institutionnel, et, å est terme de erreur. Le modèle dynamique (Nickell, Nunziata et Ochel, 2005) indique que le taux de chômage U est expliqué comme suit : : U_it= â₀+ + + + + á_it_i +c_i +b_t+ , U_it-1 : le taux de chômage expliqué par ses valeurs antérieures. X : Les institutions du marché du travail (la protection de l'emploi, le taux de remplacement des indemnités chômage, la durée d'indemnisation chômage, le taux de syndicalisation, le degré de coordination salariale et le coin fiscalo-social2. Y : Les chocs macroéconomiques (un choc de demande de travail, un choc de productivité globale des facteurs, un choc d'offre monétaire, le taux d'intérêt réel de long terme et un choc sur les termes de l'échange. Z : Les interactions entre les institutions (l'interaction entre les deux variables d'indemnisation (le taux et la durée d'indemnisation), l'interaction entre le degré de coordination salariale avec le taux de syndicalisation d'une part et avec le coin fiscalo-social d'autre part. t_i : représente une tendance déterministe propre au pays i, c_i : Des effets fixes pays b_t : Des indicatrices temporelles. Nous allons utiliser la forme linéaire multiple (double log) car est la moins utilisé dans le cas du chômage.

Ainsi notre modèle sera de la forme :

Log (Y_t )= â₀ + â ₁log(X_1t )+â ₂log(X_2t )+â ₃ log(X_3t )+â ₄ log(X_4t )+â₅log(X_5t )+ â₆log(X_6t )+ â₇log(X_7t )+ å_t

_{Traitement des données}

Le traitement de nos données s'effectuera à l'aide du logiciel Eviews (Econometric Views).

Afin d'éviter des résultats inconsistants dus à des fausses relations linéaires entre variables, certains tests de stationnarité ont été effectués sur les variables du modèle et sur le modèle lui-même .

_{Test de stationnarité des variables}

_{Une série est dite stationnaire si son espérance mathématique et sa variance sont invariables dans le temps sinon la série est dite intégré d'ordre p donc non stationnaire.}

_{La série Yt est stationnaire si elle n'admet aucune racine unité et donc intégré d'ordre zéro(p=0) dans le cas contraire la série est non stationnaire et intégré d'ordre supérieur ou égale à un (p=1). Dans ce cas il faut le différencier pour le rendre stationnaire.}

Les tests de racine unitaire

Pour tester la stationnarité des séries nous allons utiliser les trois tests particuliers, précisément ceuxde Dickey Fuller Augmenté (ADF)(1981), Phillips et Perron (1988) et Kwiatkowski et al (1989).

_{Tableau 7 : Résultatsur les tests de stationnarité :}

	ADF		PP		KPSS		Ordre d'intégration
	En niveau	En différence première	En niveau	En différence première	En niveau	En différence première
ln(chom)	-1.837125 (-2.976263 )	-9.109939 (-2.97626)	-2.918744 (-2.96776)	-10.92074 (-2.96776)	0.575260 (0.463000)	0.153970 (0.463000)	I(1)
ln(pad)	-1.952473 (-2.96776)	-7.285366 (-2.96776)	0.284435 (-2.96776)	-7.305450 (-2.96776)	0.404416 (0.463000)	0.330258 (0.463000)	I(1)
ln(dép mil)	-1.452376 (-2.96776)	-6.072735 (-2.96776)	-1.524904 (-2.96776)	-6.041092 (-2.96776)	0.437310 (0.463000)	0.195181 (0.463000)	I(1)
ln(import)	-2.981038 (-2.96397)	-5.795349 (-2.96397)	-2.023050 (-2.960411)	-5.933469 (-2.96397)	0.319275 (0.463000)	0.102931 (0.463000)	I(1)
ln(tbs)	-3.568379 (-2.96776)	-5.790671 (-2.96776)	-1.516246 (-2.96776)	-18.51180 (-2.96776)	0.664767 (0.463000)	0.328869 (0.463000)	I(1)
ln(inf)	-2.967767 (-2.96776)	-6.783262 (-2.96776)	-5.099023 (-2.960411)	-15.77377 (-2.96041)	0.107022 (0.463000)	0.166979 (0.463000)	I(1)
ln(txchang)	-2.9639716 (-2.960411)	-5.502503 (-2.96397)	-1.521429 (-2.960411)	-5.540827 (-2.96397)	0.348154 (0.463000)	0.105404 (0.463000)	I(1)
ln(tx nais)	-2.240910 (-2.96776)	-3.492712 (-2.96776)	1.974098 (-2.96776)	-1.413867 (-2.96776)	0.695354 (0.463000)	0.394533 (0.463000)	I(1)
ln(conso)	-2.963972 (-2.96397)	-4.844093 (-2.96397)	-0.398284 (-2.960411)	-4.844093 (-2.96397)	0.715344 (0.463000)	0.094304 (0.463000)	I(1)
ln(pib)	-1.828092 (-2.96776)	0.714857 (-2.96776)	-1.653709 (-2.96776)	0.714857 (-2.96776)	0.405928 (0.463000)	0.322342 (0.463000)	I(1)

_{En conclusion, les valeurs de la statistique ADF, de Phillips et Perron et Kwiatkowski et alobtenues pour les variables en niveau sont toutes supérieures à la valeur critique au seuil critique de 5%. On ne rejette donc pas l'hypothèse nulle de l'existence de racine unitaire pour toutes les variables. Elles ne sont pas stationnaires en niveau. En outre, les statistiques ADF,de Phillips et Perron et Kwiatkowski calculées sur les variables prises en différence première sont toutes inférieures à la valeur critique au seuil de 5% donc stationnaires. Nous pouvons donc conclure que les séries sont toutes intégrées d'ordre 1. Ainsi, la stationnarité est vérifiée à un ordre d'intégration égal à 1. D'après l'étude de stationnarité de nos séries, nous avons conclu que toutes les variables sont intégrées d'ordre 1, alors nous allons, dans les lignes qui suivent, procéder au test de cointégration. Cela dans le but de mettre en évidence le type de relation qui existe entre les variables.}

_{Test de cointégration}

_{La théorie de la cointégration permet d'étudier les séries non stationnaires dont une combinaison linéaire est stationnaire. Elle permet ainsi de spécifier des relations stables de long terme tout en analysant conjointement la dynamique de court terme des variables considérées. Nous adoptons l'approche de Johansen (1988) fondée sur la méthode de maximum de vraisemblance. Rappelons qu'il existe 5 sous modèles de test de Johansen mais, nous devons choisir celui qui optimise le critère d'information d'Akaike pour r = 1 et k = 2.}

_{Tableau 8 : Test de Johannsen sur l'équation du modèle}

Date: 02/11/17 Time: 21:20
Sample (adjusted): 1968 2016
Included observations: 46 after adjustments
Trend assumption: Linear deterministic trend (restricted)
Series: LNCHOM INFLATION LNINVEST LNPD_A LNPIB LNTX_NAISS LNCONSO
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized		Trace	0.05
No. of CE(s)	Eigenvalue	Statistic	Critical Value	Prob.**
None *	0.880371	227.3462	150.5585	0.0000
At most 1 *	0.634209	129.6716	117.7082	0.0071
At most 2	0.459234	83.40973	88.80380	0.1151
At most 3	0.368513	55.13039	63.87610	0.2180
At most 4	0.303613	33.98517	42.91525	0.2892
At most 5	0.240007	17.34010	25.87211	0.3900
At most 6	0.097433	4.715585	12.51798	0.6376
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized		Max-Eigen	0.05
No. of CE(s)	Eigenvalue	Statistic	Critical Value	Prob.**
None *	0.880371	97.67454	50.59985	0.0000
At most 1 *	0.634209	46.26190	44.49720	0.0318
At most 2	0.459234	28.27935	38.33101	0.4361
At most 3	0.368513	21.14522	32.11832	0.5608
At most 4	0.303613	16.64507	25.82321	0.4880
At most 5	0.240007	12.62451	19.38704	0.3592
At most 6	0.097433	4.715585	12.51798	0.6376
Max-eigenvalue test indicates 2 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

La lecture de ces résultats nous permet de constater que l'hypothèse nulle selon laquelle il n'existe aucune cointégration entre les variables est rejetée ; le t-statistique étant supérieur à la valeur critique au seuil de 5 % (227.3462>150.5585). De plus la probabilité est nulle donc supérieur au seuil de 5%. Mais, nous acceptons celle de l'existence d'une relation de cointégration entre les variables. Les t-statistiques étant inférieurs aux valeurs critiques aux seuils de 5 %. Le test de la valeur propre maximale (max-eigenvalue) confirme l'existence d'une relation de cointégration entre les six séries.

L'estimation de la relation de cointégration résultant du test est la suivante :

Tableau 9 : Estimation de la relation de cointégration

Normalized cointegrating coefficients (standard error in parentheses)

LNCHOM	INFLATION	LNINVEST	LNPD_A	LNPIB	LNTX_NAISS	LNCONSO	@TREND(67)
1.000000	-0.099792	0.762074	0.265973	-0.557602	-17.42276	4.941863	-0.022864
	(0.01437)	(0.42171)	(0.10704)	(0.58412)	(2.59386)	(1.87411)	(0.01516)

Cette relation peut être réécrite sous la forme suivante :

LN(CHOM) = -0,023TREND - 0,56(LNPIB) - 17,42LN (TX NAISS) - 0,09INFLATION

(0,02) (0.6) (2.6) (0.02)

+ 4,94LN(CONSO)+ 0,76LN(INVEST)+0,26LN(PDA) (6)

(1,9) (0,4) ( 0,10)

Les valeurs entre parenthèses indiquent les écart-types des variables.

Ainsi le test de Johansen confirme l'existence d'une cointégration entre les variables de notre modèle. Dans la relation de long terme obtenu, nous constatons que le chômage est influencé positivement par l'évolution de l'investissement, la consommation et l'aide publique au développement. Elle possède également une tendance déterministe. Mais, contre toute attente, on remarque que cette chronique est corrélée négativement avec le PIB, le taux de naissance et l'inflation.

Cependant, d'après Lubrano la relation obtenue par le processus de Johannsen n'est pas structurellement assez robuste. Nous procéderons donc à une estimation par la méthode des moindres carrées ordinaires (MCO) pour apprécier cette relation.

Estimation de la relation de long terme par MCO

Tableau 10 : Résultat de l'estimation de la relation de long terme par MCO

Dependent Variable: LNCHOM
Method: Least Squares
Date: 02/11/17 Time: 22:36
Sample (adjusted): 1969 2016
Included observations: 41 after adjustments
Variable	Coefficient	Std. Error	t-Statistic	Prob.
LNCHOM-_1	0.755900	0.105167	7.187617	0.0000
LNCONSO	0.260878	0.104215	2.503262	0.0174
LNINFLATION	0.003491	0.004145	0.842081	0.4058
LNINVEST	0.060561	0.019438	3.115630	0.0038
LNPD_A	-0.006525	0.009098	-0.717275	0.4783
LNPIB	-0.026544	0.010894	-2.436498	0.0204
LNTX_NAISS	-0.698850	0.227532	-3.071439	0.0042
C	1.662772	0.828695	2.006495	0.0531
R-squared	0.987477	Mean dependent var		2.977676
Adjusted R-squared	0.984821	S.D. dependent var		0.237215
S.E. of regression	0.029226	Akaike info criterion		-4.054336
Sum squared resid	0.028187	Schwarz criterion		-3.719980
Log likelihood	91.11388	Hannan-Quinn criter.		-3.932582
F-statistic	371.7351	Durbin-Watson stat		2.459767
Prob(F-statistic)	0.000000

La lecture des résultats montre que le modèle est globalement significatif. La P-value de la statistique de Fisher est nulle, cette statistique étant d'une valeur de 371.74 est largement supérieure à la statistique de Fisher lue sur la table de la loi de Fisher-Snédécor (2,62 au seuil de 5 %). Tout cela signifie que l'hypothèse nulle selon laquelle toutes les élasticités sont nulles est rejetée. Les coefficients de détermination (R2 et R2 ajusté) témoignent le pouvoir explicatif du modèle. Ainsi 98,74% des fluctuations de long terme du chômage au Burkina Faso sont expliquées par cette relation de long terme. Toutefois, nous remarquons que les variations de l'inflation et l'aide publique au développement n'ont pas, à long terme, une influence significative sur la variation du chômage au Burkina Faso. Cela nous conduit à réestimer cette relation, cette fois-ci sans les deuxvariables (car elles ne sont pas significatives). Le résultat est le suivant :

Tableau 11 : Estimation du modèle de long terme retenu est :

Dependent Variable: LNCHOM
Method: Least Squares
Date: 02/11/17 Time: 22:43
Sample (adjusted): 1967 2016
Included observations: 50 after adjustments
Variable	Coefficient	Std. Error	t-Statistic	Prob.
LNCHOM-1	0.777178	0.092597	8.393158	0.0000
LNCONSO	0.220551	0.087341	2.525185	0.0152
LNINVEST	0.051468	0.013998	3.676917	0.0006
LNPIB	-0.024269	0.007819	-3.103799	0.0033
LNTX_NAISS	-0.552996	0.180034	-3.071623	0.0036
C	1.288751	0.643663	2.002214	0.0514
R-squared	0.988930	Mean dependent var		2.980121
Adjusted R-squared	0.987672	S.D. dependent var		0.246000
S.E. of regression	0.027314	Akaike info criterion		-4.250654
Sum squared resid	0.032827	Schwarz criterion		-4.021211
Log likelihood	112.2664	Hannan-Quinn criter.		-4.163281
F-statistic	786.1158	Durbin-Watson stat		2.078285
Prob(F-statistic)	0.000000

La relation issue de cette estimation peut s'écrire de la manière suivante :

Lnchom = 1,28 - 0,55Lntx_naiss+ 0,22Lnconso + 0,05Lninvest -0 .02Lnpib+ 0,77Lnchom (-1)

(0,2) (0,08) (0,02) (0,0078) (0,09)

R2 =0,98 soit 98% est élevé, cela pourrait présager une bonne adéquation du modèle. R2 =98% signifie que la variation totale de Y (taux de chômage) autour de sa moyenne est expliquée à 98% par les variables explicatives du modèle.

Ici on voit que la statistique de Durbin Watson (D= 2,07) est supérieure au

R2 =0,98 cela montre bien qu'il ne s'agit pas d'une régression fallacieuse.

Interprétation des coefficients du modèle

b1 =0,77 représente l'influence de la variable explicative Log (CHOM(-1) sur la variable expliquée (taux de chômage), c'est l'élasticité de Log (CHOM(-1)) sur le taux de chômage. Autrement dit lorsque le taux de chômage antérieur augmente d'une unité le taux de chômage augmente de 0,77unités les autres variables étant considéré comme constantes. b1 étant positif il y a donc une relation positive entre les deux variables .

b2 =0,22 représente l'influence de la variable explicative (Log (conso)) sur la variable expliquée (taux de chômage), c'est l'élasticité de Log(conso) sur le taux de chômage. Autrement dit lorsque la consommation augmente d'une unité le taux de chômage augmente de 0,22 unités les autres variables étant considéré comme constantes. b2 étant positif il y a donc une relation positive entre les deux variables .Dans le cas du Burkina Faso la population consommation ce qui vient de l'extérieur ce qui occasionne des pertes pour le pays donc ne permet pas aux entreprises de faire des profits et embaucher.

b3 = - 0.01304 représente l'influence de la variable explicative (TBS) sur la variable expliquée (taux de chômage), c'est l'effet marginal du taux brut de scolarisation(TBS) sur le taux de chômage. Autrement dit lorsque le TBS augmente d'une unité le taux de chômage baisse de - 0.01304 unité les autres variables étant considéré comme exogène. b3 étant négatif il y a donc une relation négative entre les deux variables : lorsque le taux brut de scolarisation augmente le taux de chômage baisse. Ce qui est réaliste de façon général. Mais sur le terrain, on voit que le taux brut de scolarisation augmente mais le taux de chômage augmente aussi Cela est dû à l'inadaptation de la formation générale au marché de travail (sur le marché les entreprises demandent des personnes déjà qualifiés ayant une expérience professionnelle, or l'enseignement général ne garantit aucune expérience). Comme le pense les keynésiens il faut une intervention étatique pour orientation la formation vers la formation professionnelle.

b4 =-0,051représente l'élasticité de la variable explicative (investissement privé) sur le taux de chômage. Lorsque l'investissement privé augmente d'une unité le taux de chômage augmente aussi de 0,051 unités les autres variables étant exogène. Selon la théorie keynésienne lorsque le taux d'intérêt baisse, l'investissement augmente par un effet multiplicateur donc la demande globale augmente et le chômage baisse.

b5=0,03362 représente l'influence de la variable explicative (inflation) sur la variable expliquée (taux de chômage), c'est l'effet marginal de l'inflation sur le taux de chômage. Autrement dit lorsque l'inflation augmente d'une unité le taux de chômage augmente de 0,03362 unité les autres variables étant considéré comme constantes. b5 étant positif il y a donc une relation positive entre les deux variables ; cela va en contradiction avec la relation de Phillips évoquée plus haut.

2. Test de significativité des paramètres

Tout au long du test on utilisera le seuil "á" = 5%

-Test de significativité individuel de â1

On test:{(H0:â1=0 H1:â1? 0)

On utilisera la probabilité critique :

Pr (>|t|)= 0.000<á=0,05 donc on rejette l'hypothèse H0.â1 est statistiquement non nul. La variable ln(chom _1)a lieu d'être dans le modèle.

-Test de significativité individuel de â2

{(H0:â2=0 H1:â2? 0)

Pr (>|t|)= 0.0152 <á=0,05 donc on rejette H0 et on accepte H1 au seuil á=5%

Conclusion partielle : Au seuil de á=5%, l'effet individuel de la variable explicative LN(CONSO) est statistiquement non nul. La consommation a donc une influence sur le taux de chômage toute chose étant égale par ailleurs. Les deux variables sont liées.

-Test de significativité individuel de â3

{(H0:â3= 0 H1:â3? 0)

Pr (>|t|) = 0.0006 <á=0,05 donc on rejette H0 et on accepte H1 au seuil á=5%. Le coefficient associé à l'investissement est non nul. Au seuil de 5% le taux de chômage est lié en partie à l'investissement ceteris paribus.

Test de significativité individuel de â4

{(H0: â4= 0 H1:â4? 0)

Pr (>|t|) = 0.0033<á=0,05 donc on rejette H0 et on accepte H1 au seuil á=5%. Le coefficient associé au PIB est non nul. Au seuil de 5% le taux de chômage est lié en partie à la production ceteris paribus.

Test de significativité individuel de â5

{(H0: â5= 0 H1:â5? 0)

Pr (>|t|) =0.0036<á=0,05 donc on rejette H0 et on accepte H1 au seuil á=5%. Le coefficient associé au taux de naissance est non nul. Au seuil de 5% le taux de chômage est lié en partie à la variable démographique ceteris paribus. De plus la constante n'est pas significatif car sa probabilité est supérieure au seuil de 5%.

3-Test de significativité global de la régression au seuil á=5%

On pose l'hypothèse

{(H0:â1=â2=â3=â4=â5=0 H1:il existe âi? 0, i=1,.....,5)

Le Fisher calculé est : F-Statistic= 786.1158

Le Fisher lu au seuil de 5% est : Fá (k-1, n-k-1)=F0, 05(4 ; 14)=3,11

Fcalculé=786.1158>Flu=3,11on rejette l'hypothèse H0 au seuil á=5%

Conclusion partielle : Au seuil á=5%, l'effet d'ensemble des variables explicatives est statistiquement non nul. On admet un risque á=0,05 de se tromper si l'on admet que l'inflation, l'aide publique au développement et le taux brut de scolarisation ,la consommation , l'investissement, le PIB, et le taux de naissance prisent ensemble influence le taux de chômage toute chose étant égale par ailleurs. De plus la probabilité est nulle ce qui confirme le résultat ci-dessus.

Le test ADF effectué sur cette série traduit le caractère stationnaire des résidus. Les résultats de ce test indiquent que la statistique ADF (-3,486) est inférieure à la valeur critique (-1,953) au seuil de 5%.

En plus, le test de Jarque-Bera appliqué aux résidus nous fournit les résultats suivants :

Le coefficient de Skewness est : -0,19<1,96 alors, l'hypothèse nulle d'asymétrie des résidus est rejetée ;

Le coefficient de Kurtosis est : 2,52 sensiblement égal à 3, la distribution est normale ;

ü Le coefficient de Jarque-Bera est égal 0,45<= 5,99 et la P-value est égale à 0, 80 > 0,05 alors, l'hypothèse nulle de normalité des résidus est acceptée au seuil de 5 %.

Nous pouvons donc conclure que les résidus de l'estimation du modèle de long terme sont stationnaires. La normalité de leur distribution est confirmée par ces différents résultats. Cela nous permet de procéder à l'estimation du modèle à court terme.