Résultats empiriques et interprétations

Pour examiner la stationnarité des séries, nous allons appliquer le test de Dickey et Fuller augmenté (Deckey et Fuller ,1979) et le test de Phillips et Perron (1988) (PP). Comme indiqué dans le tableau 6, les résultats suggèrent que les variables DF, PIB, TRADE, et Corrup sont stationnaires en différence première, alors que les deux variables INF et Lib sont stationnaires

85

Bassil, C. (2012). Interaction entre racines unitaires et ruptures structurelles. Revue économique, 63(1), 93-128.

157

au niveau. Ainsi, les variables de notre étude sont intégrées d’ordre I(0) et I(1), ce qui justifie l’utilisation de l’ARDL. Les résultats du tableau 7 montrent que les séries ne sont pas intégrées à un ordre supérieur à 1. De plus, le test ZA confirme les résultats obtenus par les tests ADF et PP.

Tableau III.6. Résultats des tests ADF et PP

ADF test PP test

Variables au niveau Constante Constante et tendance Constante Constante et tendance DF -0.947941 -1.800653 -0.882172 -3.074539 PIB -0.343377 -2.005203 -0.345363 -2.109369 TRADE -2.492535 -2.769729 -2.500304 -2.769729 INF -4.827621* -5.620084* -4.849124* -5.630146* Lib -3.949943* -3.878082* -3.949943* -3.878082* Corrup -1.531654 -1.872993 -1.531654 -1.889970 en différence première Constante Constante et tendance Constante Constante et tendance

DF -6.084621* -5.797215* -6.131620* -5.834905* PIB -4.895336* -4.797118* -4.895336* -4.797118* TRADE -5.034836* -5.006741* -5.069307* -5.003839* INF -9.028981* -8.846445* -25.87845* -25.07606* Lib -8.752443* -8.582734* -11.39873* -11.41898* Corrup -5.591476* -5.494617* -5.590230* -5.494617* Notes : toutes les variables sont transformées en logarithme naturel sauf la variable INF. Le nombre de retard optimal est sélectionné automatiquement, en utilisant «Schwarz information criteria» pour le test ADF. Le nombre de retards pour le test de Phillips-Perron est déterminé avec l’approche de Bartlett kernel.* Indique le rejet de l’hypothèse nulle au seuil de 5%. Les valeurs critiques utilisées sont celles de Mackinnon [1996].

Tableau III.7. Test ZA

Modèle ^{Changement dans la}

constante ^{Changement dans la} tendance constante et la tendance ^{Changement dans la}

Variables ^{niveau différence niveau différence niveau différence}

TB TB TB TB TB TB DF 2010 -4.735 1996 -6.185* 2008 -4.189 2005 -5.680* 2005 -4.669 2009 -6.252* PIB 2010 -2.607 2009 -6.003* 2010 -3.173 1991 -5.735* 2007 -3.405 2009 -5.850* TRADE 1996 -4.240 1991 -5.898* 2000 -3.530 1992 -6.259* 1996 -3.879 1993 -6.038* INF 1999 -7.207* 1998 -6.447* 2005 -5.984* 2000 -5.776* 1999 -6.944* 1998 -6.155* Lib 1990 -6.000* 1995 -5.744* 1994 -5.911* 1999 -5.809* 1990 -5.858* 2006 -5.774* Corrup 2002 -4.715 2004 -6.156* 2007 -2.639 2003 -5.894* 2002 -6.972* 2010 -6.830*

Notes: les valeurs critiques aux seuils de 5% sont respectivement de -4.8 pour le modèle où le changement structurel est dans la constante, de -4.42 pour le modèle où le changement structurel est dans la tendance, et de -5.08 pour le modèle où le changement structurel est aussi bien dans la constante que dans la tendance.* L’hypothèse nulle est rejetée au seuil de 5%. Le nombre de retard optimal est sélectionné via t-test sur le logiciel Stata.

158

III.2.2. Tests de diagnostic et de cointégration

Le modèle ARDL estime ( + 1) régressions, avec p est le nombre de retard optimal et k est le nombre des variables dans l’équation⁸⁶. Pour le nombre de retard optimal, nous allons choisir une durée maximale d’une période. En effet, le nombre de retard optimal sélectionné est celui qui respecte les critères d'absence de corrélation sérielle. Le tableau 8 montre que les deux modèles sont globalement significatifs étant donné que la probabilité associée au F-statistic est inférieur à 5%. De plus, ils sont de bonne qualité puisque les valeurs de la statistique ajusté sont de 0,84 et 0,88, respectivement. Les résultats des tests de validation des modèles ; à savoir le test de corrélation sérielle de Breusch–Godfrey (LM) de l’ordre de 1, le test ARCH d’hétéroscédasticité de l’ordre de 1, le test de Jarque-Bera (JB) pour la normalité des résidus, et le test de la forme fonctionnelle de Ramsey (RESET) de l’ordre de 1 ; confirment l’absence de corrélation sérielle, l’absence d’hétéroscédasticité, et la normalité des résidus. Alternativement, la forme fonctionnelle de nos spécifications est correcte. Par ailleurs, les tests de CUSUM et du quarré du CUSUM montrent que les paramètres estimés sont stables sur la période d’étude.

Les hypothèses du test de corrélation sérielle des erreurs se présentent comme suit : H0 : absence de corrélation sérielle des erreurs ; COV (ɛt, ɛs) = 0 quelque soit t ≠ s H1 : il y a auto-corrélation des erreurs ; COV (ɛt, ɛs) ≠ 0

Les hypothèses du test ARCH (hétéroscédasticité conditionnelle autorégressive) s’énoncent de la manière suivante :

H0 : absence d’hétéroscédasticité ; V (ɛt) = σ² quelque soit t. H1 : les erreurs sont hétéroscédastiques ; V (ɛt) = σt.

Le test de Jarque-Bera (1980) permet d’évaluer l’hypothèse d’une normalité approximative de la distribution à partir des valeurs des moments 3 et 4 de la distribution Symétrie (skewness) et aplatissement (kurtosis). Les hypothèses de ce test se présentent comme suit :

H0 : les erreurs suivent une loi normale ; ɛt ̴ N (0, σ2) H1 : les erreurs ne suivent pas une loi normale.

Pour tester ces hypothèses, la formule suivante est utilisée :

86

Les résultats relatifs à la procédure ≪ bounds test ≫, aux estimations des deux modèles ARDL, et aux tests de diagnostic sont présentés dans les annexes III.2, III.3 et III.4, respectivement

159

Jarque-Bera =

(

)

N est le nombre d’observation, L représente le nombre de paramètres estimés, S est la valeur de Skewness et K représente la valeur de Kurtosis.

Le test de Ramsey (1969) permet de vérifier s’il existe des variables manquantes ou un problème de formes fonctionnelles dans notre modèle. Les hypothèses de ce test se présentent de la manière suivante :

H0 : le modèle est bien spécifié H1 : le modèle est mal spécifié

Tableau III.8. Tests de diagnostic

Modèle 1 Modèle 2 0.869607 0.911011 é 0.839972 0.879865 F-statistic ^29.34413 _(0.00) ^29.24961 _(0.00) LM (1) ^0.046226 (0.8318) 0.684866 (0.4182) ARCH (1) ^0.152146 _(0.6998) ^0.043918 _(0.8357) JB ^1.264011 (0.531525) 2.601535 (0.272323) RESET (1) ^4.010589 _(0.0583) ^3.887512 _(0.0634)

Notes: LM Test = le test du Multiplicateur de Lagrange (corrélation sérielle de Breusch– Godfrey). ARCH = le test d’hétéroscédasticité conditionnelle autorégressive. JB= le test de Jarque Bera. RESET = Ramsey Regression Equation Specification Error Test. Les valeurs entre (.) sont les p-values.

Tableau III.9.Test de cointégration « bounds test »

Modèles F-statistic cointégration

DF = f (PIB, TRADE, Lib) 4.551337** Oui

DF = f (PIB, TRADE, INF, Corrup, Lib) 4.391207** Oui

Valeurs critiques (limite supérieure) k=3 k = 5

1% 5.61 4.68

2.5% 4.89 4.18

5% 4.35 3.79

10% 3.77 3.35

Notes : *, **, et *** indiquent le rejet de l’hypothèse nulle au seuil de 10%, 5%, et1%, respectivement. (Voir Pesaran et al, 2001 pour plus de détails).

160

En ce qui concerne le test de contégration, le F-statistic présenté dans le tableau 9 indique l’existence d’une relation à long terme entre les variables sous-jacentes⁸⁷. En effet, les valeurs observées dépassent la valeur critique supérieure (au seuil de 5% pour les deux modèles).

III.2.3. Les relations de long et de court terme

Afin d’analyser les relations de long terme, les équations (5) et (6) sont estimées et leur représentation mathématique s’écrit comme suit:

= + + + + + є ( )

= + + + +

+ + + µ ( )

Pour étudier les effets de court terme des variables explicatives sur le développement financier en Tunisie, nous estimons les régressions de correction d’erreur. Ces dernières se présentent de la manière suivante :

∆ = + ∆ + ∆ + ∆ + ∆

+ λ + µ ( )

∆ = + ∆ + ∆ + ∆ + ∆

+ ∆ + ∆ + λ + μ ( )

Avec ECT: le terme de correction d’erreur et λ : le coefficient de correction d’erreur qui montre la vitesse d’ajustement vers l’équilibre à long terme (ce terme doit être significativement négatif afin de garantir l’existence de la relation de long terme).

87

Si la statistique F calculée dépasse la limite supérieure, alors, l'hypothèse nulle d'absence de cointégration est rejetée. Cependant, si la statistique F calculée est en dessous de la limite inférieure, alors, l'hypothèse nulle d'absence de cointégration est acceptée. En outre, aucune conclusion n'est établie si la statistique de test se situe entre les limites critiques inférieure et supérieure.

161

Les relations de long terme, qui sont estimées par l’approche ARDL, sont présentées dans le

tableau 10. Le développement économique stimule positivement le développement financier

étant donné que l‘accroissement du revenu favorise l‘épargne et par conséquent l‘acquisition d‘actifs financier. Autrement dit, l‘expansion du secteur réel s‘accompagne d‘une demande grandissante en produits et services financiers, ce qui engendre des retombées bénéfiques sur le secteur bancaire et le marché boursier. Les résultats de nos estimations confirment l’impact positif de l’ouverture commerciale sur le développement financier (équation 5 et 6). Ce bilan est en accord avec les recherches d’Almarzoqi et al (2015) qui trouvent une relation positive entre l’ouverture commerciale et le développement de secteur bancaire pour un échantillon de 115 pays. De même, Demetriades et Law (2006) démontrent que l'ouverture commerciale favorise le développement du marché boursier, en particulier pour les pays à revenu intermédiaire. L’inflation interfère avec la capacité du secteur financier à allouer efficacement les ressources. En effet, elle est associée à une volatilité accrue du rendement d'actifs financiers. Nos résultats montrent un impact négatif mais non significatif de l’évolution des prix sur le développement financier. Cela est expliqué par le fait que la Tunisie a su garder des taux d’inflation modérés. Le développement financier est plus important lorsque le système financier est intégré dans un cadre institutionnel sain et solide (Yartey, 2010). Dans ce cadre, nos résultats montrent un impact négatif et statistiquement significatif de la corruption sur le développement financier. Autrement dit, le contrôle de la corruption est l’un des défis majeurs pour le développement financier en Tunisie. Les résultats montrent aussi que l’ouverture du compte capital devrait renforcer l’intégration des marchés de capitaux à l'échelle internationale, ce qui implique l'augmentation des pressions en faveur d’une amélioration de l'infrastructure institutionnelle des secteurs financiers nationaux (Cherif, 2011). Ainsi, l’hypothèse selon laquelle l’ouverture financière favorise le développement du système bancaire et boursier est vérifiée pour le cas de la Tunisie.

Les coefficients estimés des termes à correction d’erreur sont négatifs et significatifs au seuil de 1%. Il existe donc un mécanisme de convergence vers la cible de long terme. Ainsi, les déviations à court terme du développement financier se corrigent à 43% (équation 7) et 55% (équation 8). En outre, les résultats indiquent que les retombées bénéfiques de la libéralisation du compte capital sur le développement financier en Tunisie étaient moins importantes à court terme. Cela peut être expliqué par le fait que les flux de capitaux peuvent générer des tensions à court terme, surtout avec la libéralisation des flux boursiers et les crédits extérieurs qui sont souvent caractérisés par leur rôle déstabilisateur et leur aspect spéculatif. Par ailleurs,

162

contrairement à la relation de long terme, le développement économique stimule négativement le développement financier à court terme⁸⁸. Cela implique qu'il faut un certain temps pour que la croissance économique ait des répercussions positives sur le système financier.

Tableau III.10.ARDL, les relations de long terme et de court terme ECT(la variable dépendante : le développement financier)

Les relations de long terme qui dérivent des modèles ARDL

Equation (5) Equation (6) PIB ^0.304391** (0.122591) 0.458395*** (0.110332) TRADE ^0.563883* (0.315209) 0.435326* (0.217766) INF _- ^-0.052680 (0.046685) Corrup _- ^-0.549034*** (0.173452) Lib ^0.109345* (0.060853) 0.074353* (0.041657) Constante ^-1.174814 (1.162679) -1.027823 (0.788437)

La représentation ECT estimée par l’approche ARDL

Equation (7) Equation (8) -0.427644*** (0.115834) -0.546323*** (0.109331) ΔPIB ^-1.118969** (0.480642) ^-1.035627** (0.422857) ΔTRADE ^0.241141** (0.113513) 0.237828** (0.103545) ΔINF _- ^-0.028780 (0.024697) ΔCorrup _- ^-0.299950*** (0.099450) ΔLib ^0.046761* (0.026918) 0.040621* (0.023425)

Notes : Toutes les variables sont transformées en logarithme naturel sauf la variable INF. Les valeurs entre parenthèses sont les écarts-types. ***; ** et * : significatif au seuil d’erreur de 1%, 5% et 10%, respectivement. Le critère d'information d’Akaike (AIC) et le critère Bayésien de Schwarz (SBC) sont choisis comme critères de sélection. Les résultats obtenus sont les mêmes quelque soit le critère utilisé. Pour le premier modèle : ARDL (1, 1, 0, 0). Pour le deuxième modèle : ARDL (1, 1, 0, 0, 0, 0).

88

Jouini (2015) a trouvé un impact, à court terme, négatif de la croissance économique sur le développement financier en Tunisie.

163

En ce qui concerne le sens de causalité entre l’ouverture et le développement financier en Tunisie, le tableau 11 montre que la libéralisation du compte capital cause le développement financier au seuil de 10%, alors que le développement financier ne cause pas l’ouverture financière.

Tableau III.11.Le test de causalité de Granger entre la libéralisation du compte capital et le développement financier

Null Hypothesis: F Value P Value

DF does not Granger Cause LIB 0.35111 0.8936

LIB does not Granger Cause DF 2.48435 0.0977