D. Les conséquences sociales de la
mondialisation en Chine
1. Indices utilisés ( Commerce et Gini )
Dans le but de pouvoir établir la relation entre le
processus de mondialisation et les répercussions sociales nous sommes
basé sur deux indices.
L'indice de commerce (en % du PIB) que nous avons
utilisé dans les deux parties précédentes nous permet de
mesurer le degré d'ouverture et donc l'intégration du pays au
processus de mondialisation.
Afin de mesurer les conséquences sociales de celui-ci
nous avons choisi l'indice de Gini, ce choix nous permet d'aborder la mesurer
des inégalité de façon large et générale
contrairement à d'autres indices existant. L'indice de Gini variant de 0
à 100 dont le 0 correspondrait à répartition parfaitement
égalitaire des revenus dans la société tandis que à
contrario 100 correspondrait une répartition parfaitement inégale
des revenus.
2. Données et sources
Nous avons, comme dans les deux parties
précédentes utilisé la base de donnée disponible
sur le site « perspective monde » administré par
l'École de politique appliquée de l'Université de
Sherbrooke, Canada.
Cependant,les données sont, ici, relativement peu
nombreuse pour l'indice de Gini, elles couvrent une période allant de
1981 à 2011 de manière irrégulière puisque elles ne
sont pas disponible pour chaque année de la période
concerné. Nous avons donc récoltés des données via
cette base de donnée pour les année
1981,1984,1987,1990,1993,1996,1999,2002,2005,2008,2010,2011. Afin d'en obtenir
davantage nous avons, également utilisé les données via la
base de la banque mondiale, ce qui nous a permis compléter notre panel
par les indices relatifs aux années 2012,2013,2014,2015,2016, 2017 et
2018.
Les deux graphique 18 en annexe et 19 représentent
ainsi les courbes relative au deux indices sur la période
concerné.
3. Calculs et résultats
Tableau en panel ( tableau en annexe)
i= Chine Y= Indice de Gini x = Commerce (en % du PIB) t= 1981
à 2018
Nous avons seulement 19 données concernant la variable
GINI de 1981 à 2016. Les inégalités de revenus varient
entre 27,7 et 51.
La Chine a une position intermédiaire dans le
classement mondial des inégalités de revenus, avec une moyenne
d'environ 39 durant les 19 années observées.
Graphique 14 en annexe :
L'indice de Gini a connu une terrible expansion durant ces
dernières années reflétant le creusement des
inégalités de revenus en Chine.
Comme nous pouvons le remarquer sur le graphique, les
inégalités sociales ont légèrement chutés de
2012 à 2016. Malheureusement, ce fut de courte durée car les
inégalités de revenus ont explosé à partir de cette
date, franchissant les 51% en 2018.
a) Corrélation : test du Chi2
Nous voulons savoir ici si le commerce en Chine a une
répercussion sur les inégalités de revenus. Nous allons
effectuer un test de dépendance pour savoir si la variable explicative
commerce explique des inégalités en Chine.
Les test de corrélations n'ont aucun sens statistique
c'est pour cela qu'on va faire un test d'hypothèse pour apporter une
certaine significativité statistique à nos conclusions.
Test de corrélation simple :
Il existe une forte corrélation positive entre le
commerce et l'indice de GINI. Ce qu'il faut comprendre par cette relation,
c'est que lorsque le commerce augmente, les inégalités de revenus
augmentent en Chine.
Test d'indépendance du CHI2:
Y= GINI X = Commerce (en part du PIB)
H0: X et Y sont indépendantes H1: X et Y sont
dépendantes
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 15 en annexe : d= 24,79
Pour obtenir d max je vais regarder le tableau du CHI2, le
degré de liberté est de 6 ici et notre seuil de
significativité est de 5%, d max est donc égal à 12,59
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.
Toutefois, le test de CHI2 nous donne des preuves statistiques
qui sont beaucoup plus forte que la simple corrélation.
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 appuie le fait qu'il y a bien un lien entre PIB de la
chine et commerce avec le reste du monde.
b) régression linéaire
Afin d'étudier les effets de la mondialisation sur le
PIB de la Chine, je vais effectuer une régression sur les variables
Commerce et GINI pour les données allant de 1981 à 2018.
Je cherche à savoir comment évolue les
inégalités de revenus en fonction de l'augmentation de la part du
commerce dans le PIB.
Tableau 16 en annexe :
Ici la constante Beta 0 est égale à 25,56 ce qui
signifie que s'il n'y a pas de commerce, les inégalités de
revenus seraient égales à 25,56.
Beta 1 qui renvoie au coefficient de régression qui est
de 0,334, ce qui signifie que si le commerce augmente d'une unité les
inégalités de revenus augmente par conséquent de 0,334
%.
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 à votre 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 le creusement
des inégalités sociales.
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 GINI) 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, 50% de la variation de Y
peut-être expliquée par les variations de X (variable
commerce).
Ce résultat 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 de l'indice de Gini.
| 
