La description des données et la méthodologie d’esti- d’esti-mation

A partir de la fonction ci-dessus, l’évolution du niveau des prix dans les pays de l’UEMOA dépend de la masse monétaire, du PIB réel, du niveau des prix à l’importation (en dollars), du taux de change nominal à l’incertain, du gap de pro-duction, des anticipations inflationnistes et de l’annonce de l’objectif d’inflation par la BCEAO. Les données sont annuelles et disponibles pour les pays de l’UE-MOA à l’exception de la Guinée Bissau. Ces données proviennent principalement du FMI, de la Banque Mondiale et de la CNUCED (Conférence des Nations-Unies pour le Commerce et le Développement).

Toutefois, au moment des estimations, les logarithmes seront remplacés par des taux de variation¹⁸sauf pour le gap de production et l’annonce de l’objectif (qui est une variable binaire). Ainsi, nous estimons le taux d’inflation dans l’UEMOA en fonction des taux de croissance de la masse monétaire et du PIB réel, de l’inflation importée (en dollars), de l’évolution du taux de change nominal, du gap de pro-duction, de l’annonce de l’objectif d’inflation par la BCEAO et des anticipations inflationnistes.

La masse monétaire est supposée avoir un effet positif sur le niveau des prix. Suivant les résultats des théories monétaristes, une croissance de la masse moné-taire se traduit par une hausse de l’inflation. Quant au PIB réel, son influence est susceptible de traduire un effet négatif parce que dans les pays subsahariens, la croissance de la production, notamment celle agricole, exerce généralement un effet dépressif sur les prix (un coefficient négatif est anticipé). Le gap de production19

18Pour les prix, on passe du niveau des prix au taux d’inflation.

joue un rôle important dans l’explication de l’évolution des prix. En effet, un gap de production positif qui traduit une production effective plus forte que la produc-tion potentielle, est un indicateur de tensions sur l’appareil productif. Cela signifie que l’économie opère au-dessus de son potentiel, c’est-à-dire que la demande est supérieure à l’offre. Une telle situation est source de tensions inflationnistes (le coefficient anticipé ici est positif). Pour ce qui est du taux de change nominal, il affecte l’inflation par le biais des prix à l’importation. De plus, une appréciation du taux de change nominal à l’incertain provoque généralement une hausse des prix (le signe attendu est positif). L’inflation importée est une variable explicative potentielle de l’inflation dans les pays de l’UEMOA dans la mesure où la hausse des prix des produits importés se répercute sur les prix à la consommation. C’est le cas par exemple de la flambée des prix du pétrole et des produits alimentaires sur le marché mondial (on s’attend à un signe positif). L’inflation anticipée, répondant aux variations de l’inflation passée, a probablement un effet sur l’inflation actuelle car les agents économiques anticipent l’évolution future du niveau des prix en fonc-tion de leur expérience de l’évolufonc-tion passée (un coefficient positif est attendu). L’annonce d’un objectif explicite d’inflation, pouvant refléter le degré de crédibilité de la politique monétaire, est susceptible d’avoir un impact sur l’inflation courante. Nous retenons à ce niveau une variable binaire qui est égale à 0 entre 1980 et 1997 et qui est égale à 1 de 1998 à 2009 (le signe attendu de cette variable est négatif). Une approche en données de panel pour les pays de l’UEMOA²⁰ sur la période 1980-2009 a été adoptée. Pour mettre en évidence les déterminants de l’inflation

du filtre de Hodrick-Prescott. Celui-ci est utilisé en particulier dans les modèles des cycles réels.

20Nous avons exclu la Guinée Bissau dans la mesure où d’une part elle n’a rejoint l’Union qu’en 1997 et d’autre part nous ne disposons de données sur une longue période pour certaines variables comme la masse monétaire.

1.3 Une estimation économétrique des déterminants de l’inflation dans

l’UEMOA 74

dans les pays de l’UEMOA, l’existence de racine unitaire sur les variables à l’aide des tests de Levin-Lin-Chu (LLC) et Im-Pesaran-Shin (IPS) a d’abord été vérifiée. Les résultats montrent que les variables sont intégrées en niveau à l’exception de l’annonce de l’objectif explicite d’inflation qui est intégrée en différence première. Ceci implique qu’elles sont intégrées d’ordre 1. Donc, les variables sont station-naires car les tests de racine unitaire en panel montrent des probabilités inférieures à 10% (Tableau 1.8).

Du fait de la présence du retard de la variable dépendante qui représente les anticipations comme variable explicative, on spécifie un modèle dynamique sur données de panel qui est de la forme suivante :

infi,t =αi+βinfi,t−1+Pj

j=1λjXi,t+i,t [1.35]

avec inf_i,t : le taux d’inflation ; α_i : les effets spécifiques individuels ; X_i,t : les vecteurs des variables explicatives ; λj : les coefficients des variables explicatives ;

_i,t : le terme aléatoire ;β : la vitesse d’ajustement à laquelle se fait la convergence vers l’état stationnaire²¹.

Les estimateurs de cette équation en niveau sont biaisés puisque la variable endogène retardée est corrélée avec l’effet spécifique individuel (Bond, 2002). Ce-pendant, pour résoudre ce problème de la corrélation, une transformation en diffé-rences premières de l’équation en niveau est requise pour éliminer l’effet spécifique individuel. Ainsi, on obtient l’équation suivante :

21En effet, une vitesse d’ajustement β comprise entre 0 et 1 implique une persistance de l’inflation mais qui peut atteindre l’équilibre. Si la valeur de β tend vers zéro, alors la vitesse d’ajustement est élevée. Par contre, si la valeur deβ tend vers l’unité, la vitesse d’ajustement est faible.

infi,t−infi,t−1 =γ(infi,t−1−infi,t−2) +Pj

j=1σj(Xi,t −Xi,t−1) + (i,t−i,t−1)

[1.36]

Par définition même de cette équation, il existe une corrélation entre inf_i,t−1 et

_i,t−1, corrélation qui induit une corrélation entre inf_i,t−1 −inf_i,t−2 et _i,t - _i,t−1

(Sevestre, 2002). Par conséquent, l’estimation de cette équation par les méthodes d’estimations usuelles (comme les moindres carrés ordinaires MCO) est également biaisée. Puisque l’estimation par les MCO du modèle écrit en différences premières ne permet pas d’obtenir des estimations convergentes des paramètres, la solution usuelle consiste ici à recourir aux estimateurs des variables instrumentales et des moments généralisés (Sevestre, 2002). Ainsi les estimations des fonctions se feront par la Méthode des Moments Généralisés (GMM) sur données de panel.

Dans ce contexte, deux méthodes sont souvent utilisées à savoir la GMM en dif-férence de Arellano et Bond (1991) et celle du système de Blundell et Bond (1998). La méthode de Arellano et Bond (1991) consiste à estimer l’équation écrite en diffé-rences premières tout en considérant comme instruments des variables explicatives en premières différences leurs valeurs en niveau retardées d’une période ou plus. Quant à la méthode de Blundell et Bond (1998), elle consiste à estimer un système formé par les équations en niveau et en différences premières dans lequel l’équation en niveau est instrumentée par les variables explicatives retardées écrites en dif-férences et l’équation en difdif-férences est instrumentée par les variables explicatives retardées en niveau. Ce système est le suivant :

inf_i,t−inf_i,t−1

inf_i,t

!

=

φ ^{infi,t−1−infi,t−2} infi,t−1 ! +θ ^{Xi,t−Xi,t−1} Xi,t ! + ^{i,t−i,t−1} αi+i,t ! [1.37]

1.3 Une estimation économétrique des déterminants de l’inflation dans

l’UEMOA 76

autorégressif d’ordre 1 pour chaque variable afin d’évaluer sa persistance. Si pour certaines variables, le coefficient autorégressif est proche de 1, on privilégie l’esti-mateur " system GMM " de Blundell et Bond, sinon on conserve l’estil’esti-mateur " GMM différence " d’Arellano et Bond. En effet, dans cette étude, à part l’annonce de l’objectif d’inflation qui est une variable binaire et strictement exogène, aucune variable explicative n’est caractérisée par un coefficient autorégressif compris entre 0,9 et 1. Ainsi, l’estimation par la méthode " GMM différence " va être privilégiée. En outre, l’estimateur de la Méthode des Moments Généralisés Système peut avoir un biais absolu plus large que l’estimateur de la Méthode des Moments Généralisés en Différence (Bun et Windmeijer, 2007).

Dans les équations à estimer, l’utilisation des variables retardées comme instru-ments différe selon la nature des variables explicatives. L’ensemble des instruinstru-ments pourrait s’écrire de la manière suivante²² :

(inf_i,1, ..., inf_i,t−1, X_ai,1, ..., X_ai,t−2, X_bi,1, ..., X_bi,t−2, X_bi,t−1, X_ci,1, X_ci,2, ...,

Xci,t−2, Xci,t−1, Xci,t)

La régression a été estimée pour l’ensemble de l’UEMOA sauf la Guinée Bissau. Du fait de l’hétérogénéité de l’Union et considérant que la Côte d’Ivoire et le Sénégal pourraient dominer les résultats, nous avons aussi fait une estimation en excluant ces deux pays afin de voir les changements qui interviennent sur les résultats. En outre, dans le souci de dégager des recommandations de politique relativement spécifiques, nous avons aussi divisé la zone UEMOA en deux sous-ensembles que sont les pays du Golfe de Guinée23 et les pays du Sahel24. Les

22X_a endogène,X_b prédéterminée etX_c strictement exogène.

23Bénin, Côte d’Ivoire et Togo.

résultats de l’estimation du modèle dynamique figurent en annexe (tableau 1.9)²⁵.