B. Étude de l'évolution de la croissance
en Chine suite à son ouverture
1. Indices utilisés ( Commerce et PIB ($ US
constant))
Afin de pouvoir appréhender l'évolution de la
croissance en Chine succédant à l'ouverture de son
économie, nous nous servirons d'un modèle
économétrique décrit dans la partie
précédente.
La réalisation de celui-ci implique de pouvoir
utilisé des données que nous avons choisi sous forme d'indice.
Ainsi pour pouvoir mesurer le niveau d'ouverture de la Chine,
nous avons décidé d'utiliser l'indice du commerce qui est la
somme de la valeur total des exportation de biens et service avec la valeur
total des importation de bien et service en pourcentage du PIB.
Par conséquent, plus le pourcentage est
élevé plus le pays est ouvert et intégré au
processus de mondialisation.
En second lieu, afin d'évaluer la croissance chinoise,
nous avons choisi d'utiliser le PIB en $ US constant, c'est à dire
à prix constant d'une année à l'autre afin de corriger les
effet de l'inflation qui pourrait amener à de fausses
interprétation dans le cas de l'utilisation du PIB à prix
courants.
2. Données et sources
Dans le but de pouvoir utiliser les indices que nous avons
cités ci-dessus nous nous baserons sur la base de données du site
« perspective monde » appartenant à l'école de
politique appliquée de Université de Sherbrooke au Canada qui
utilise les données de la banque mondiale.
L'utilisation de cette base de données nous permet
d'avoir accès à des données datant de 1960 à 2019
pour les deux indices retenus.
Le graphique ci-dessous représente ainsi les courbes
relative au deux indices sur la période concerné.
3. Calculs et résultats
(Les commandes exécutées sur Stata sont dans le
tableau 6 en annexe).
Les données sont sur le tableau 3 en annexe, ce son des
données dit de panel, qui fait référence à des
données d'une coupe instantanée répétée
à travers le temps.
i= chine
y= PIB
x = commerce en % du PIB
t= 1960 à 2019
Avant toute chose, nous allons étudier l'évolution
du PIB intérieur de la Chine en milliard de dollars contant de 1960
à 2019 puis l'évolution du commerce en pourcentage du PIB
à la même période.
Dans le graphique 7 en annexe, on peut constater une nette
augmentation du PIB à partir des années 80. La Chine ayant
adopté sa politique d'ouverture commerciale en 1978, cela pourrait
être lié à cela.
Le graphique 8 en annexe, nous montre que la part du commerce
dans le PIB a connu une immense expansion à partir des années 80
également. Cette dernière atteignant les 64, 48% du PIB en 2006.
Les échanges internationaux ont fait exploser la part du commerce dans
le PIB.
a) Corrélation : test du Chi2
Nous voulons savoir ici si le commerce à partir de 1980 et
donc de l'ouverture au monde est la raison pour laquelle le PIB chinois
à augmenter.
Nous allons effectué un test de dépendance pour
savoir si la variable explicative commerce explique la hausse du PIB.
Les test de corrélations n'ont pas de véritable
sens statistique c'est pour cela qu'on va faire un test d'hypothèse pour
apporter une certaine signiÞcativité statistique à nos
conclusions .
Toutefois, le test de CHI2 nous donne des preuves statistiques
qui sont beaucoup plus forte que la simple corrélation.
La corrélation entre les deux variables est forte et
positive. Le test de dépendance choisi ici est le test de CHI2 :
Est ce qu'il y a un lien entre ces deux variables ?
Y= PIB X = commerce (en part du PIB)
H0: X et Y sont indépendantes H1: X et Y sont
dépendantes
Seuil de significativité ( l'erreur de premier
espèce) est la probabilité de rejeter H0 alors qu'elle est
vraie.
Nous allons choisir ici de prendre un seuil à 5%.
On va déterminer notre d qui va nous permettre de poser la
règle de décision, le d max va se lire dans la table statistique
du CHI2.
Lorsque d sera inférieur à d max alors on va
accepter H0 et si d est supérieur à d max alors on pourra rejeter
H0.
Calcul de la statistique d :
Pour éviter d'avoir un trop grand tableau (60 lignes x 60
colonnes), je vais modifier le tableau de contingence afin de le couper en 4
classes. Cela nous permettra de pouvoir faire un test de CHI2.
(tableau 9 en annexe)
d= 105,8667
Pour obtenir d max je vais regarder le tableau du CHI2, le
degré de liberté est de 9 ici et notre seuil de
significativité est de 5%, d max est donc égal à 16,92
dans le tableau.
Ici d est supérieur à d max , donc on rejette
l'hypothèse H0 qui dit que les variables sont indépendantes.
Cependant , on ne peut pas en être certain à 100%
car nous avons ici une erreur de première espèce car on peut
s'être trompé.
Ce résultat est assez moindre, il démontre le
fait qu'il manque en effet de nombreuses variables à notre modèle
pour que celui ci permettent d'estimer avec précision la variation du
PIB.
Ici la p valeur est égal à 0,000 , celle-ci va
nous permettre de conclure lorsque l'on ne va pas soumettre un test, elle va
nous permettre de conclure sans passer par la lecture de la table du CHI2. Lors
que la p valeur est supérieur à 5% , j'accepte H0 et lorsqu'elle
est inférieur à 5% alors je rejette H0.
Je vais donc rejeter mon H0 car la p valeur est de 0.
Ce qui renforce encore une fois le fait qu'il y a bien un lien
entre PIB de la chine et commerce avec le reste du monde.
Toutes les commandes effectuées sur Stata sont
reportées en Annexe.
b) régression linéaire
Après avoir constater que les deux variables
étaient corrélées, pour étudier les effets de la
mondialisation sur le PIB de la Chine, je vais effectuer une régression
sur les variables commerce et PIB pour les données au delà de
1978 (date de mise en oeuvre de la politique d'ouverture).
Je cherche à mesurer ici l'évolution de la
variable expliquée PIB dans le cas ou la variable explicative commerce
augmenterai d'une unité.
Le premier tableau étant un tableau d'analyse de
variance du modèle de régression, je vais m'intéresser ici
au second tableau décrivant les coefficients de régression.
Tableau 10 en annexe :
La ligne _cons désigne le terme d'ordonnée
à l'origine estimé à l'aide de Beta 0 que je vais
noté b0, ici il est égal à -910,74, cette donnée
reste peu interprétable car elle représente le PIB attendu si le
pays n'exercerait aucune activité de commerce.
Beta 1 est égal à 121,3852, ce qui signifie que
lorsque le commerce varie d'une unité, le PIB augmente de 121,4 milliard
de dollars.
La valeur p teste l'hypothèse nulle que le coefficient
est égal à zéro et a aucun effet. Une faible valeur p
(<0,05) indique que l'on peut rejeter l'hypothèse nulle. En d'autres
termes, une variable explicative qui a une faible valeur p est susceptible
d'être un ajout significatif au modèle parce que les changements
dans sa valeur sont liés à des changements dans la variable
expliquée. Inversement, une valeur p plus importante (non significative)
suggère que les changements dans la variable explicative ne sont pas
associés à des changements de la variable expliquée.
Ici la valeur p est égale à 0,001, ce qui
signifie que je peux rejeter l'hypothèse nulle et affirmer que la
variable explicative commerce a bien un effet significatif sur les changements
de la variable PIB.
Mais quelle est la précision de notre
modèle ?
Il faut regarder le "R-squared", qui mesure la proportion de
la variance de Y (variable dépendante PIB) qui est expliquée par
la variation de la variable explicative (Commerce).
Le R-squared est compris entre 0 et 1 ; plus on se rapproche de
1, plus le modèle est précis.
Ici, R-squared est égale à 0,258 ce que signifie
qu'environ 26% seulement de la variation de Y( PIB) peut-être
expliquée par les variations de X (variable commerce).
| 
