Résultats et interprétations

Le test de stationnarité de Phillips-Perron (Tableau 2) que nous avons effectué montre que toutes les séries ne sont pas stationnaires. La variable IDE est stationnaire en niveau. Nous avons ensuite un deuxième groupe de variables (KH, INFRAS, DET et FISC) qui sont intégrées de premier ordre. Dans ces conditions c’est le test de co-intégration de Johansen qui est le mieux indiqué.

Tableau N ° 2 : Synthèse des résultats du test de racine unitaire de Phillips-Perron

Variables

Niveau Différence 1^ère Différence 2nde Ordre

d’intégration PP calculé CV lue à

5%

PP calculé

CV lue à 5%

PP calculé

CV lue à 5%

IDE -4.41 -3.56 I(0)

KH -2,14 -3,56 -8,74 -3.57 I(1)

INFRAS -2,63 -3,58 -6,94 -3.58 I(1)

DET -1.40 -3.56 -4.62 -3.57 I(1)

FISC -1.69 -1.95 12.65 -3.57 I(1)

PP = Phillips-Perron ; 0, 1,2 = Ordre d’intégration, CV = Critical Value

4.4.2 La cointégration des variables du modèle : le test de Johansen

Les résultats du Test de Johansen (Annexe II) indiquent l’existence d’un vecteur de co-intégration au seuil de 5%. L’hypothèse de co-co-intégration des séries du modèle est donc vérifiée. Nous pouvons dans ce cas utiliser un modèle à correction d’erreurs.

4.4.3 Estimation du modèle à correction d’erreurs

Tableau N°3 : Récapitulatif des résultats d’estimation

Relation de long terme Relation de court terme

Variable Coef. t-stat. Prob. Variable Coef. t-stat. Prob.

KH(-1) 0.19 3.15 0.005* D(KH) -0.11 -0.28 0.77

INFRAS(-1) 0.05 1.82 0.08** D(INFRAS) 0.08 2.78 0.01*

DET(-1) -0.02 -1.90 0.07** D(DET) 0.01 0.77 0.44

FISC(-1) -0.19 -1.11 0.27 D(FISC) -0.30 -1.67 0.11

IDE(-1) -0.94 -4.05 0.0008 R2

= 0.72 R² ajusté = 0.59 F-Statistic = 5.38 Prob(F-Statistic) = 0.00119 Jarque-Bera = 1.16 > 5.99 Prob(JB) = 0.55 > 0.05 D.W = 2.11

* Significatif au seuil de 5% ; ** Significatif au seuil de 10% ; coef. = coefficient de la variable ; Prob. = Probabilité ; t-stat. = t-statistic

Comme nous le montre le tableau N°3, pour le long terme, toutes les variables ont le signe attendu. Seules trois variables sont significatives, une (KH) au seuil de 5% et les deux autres (INFRAS et DET) au seuil de 10%. En ce qui est du court terme, seule la variable (INFRAS) est significative et au seuil de 5%. Toujours dans cette relation de court terme, toutes les variables ont le signe attendu.

Les résultats obtenus suite à l’estimation du modèle à correction d’erreurs indiquent que les variables expliquent à 72% le comportement des flux net d’investissement direct étranger au Sénégal. L’hypothèse de non corrélation des erreurs est confirmée par le test de Breusch – Godfrey (Annexe VI). Parallèlement les valeurs de la statistique de Fisher et de sa Probabilité montrent que le modèle est globalement significatif. Le test de Jarque Bera dénote aussi que le résidu suit une loi normale. Le test de Ramsey(Annexe (VII) révèle que sa probabilité (Prob

= 0.31) est supérieure à 0.05 au seuil de 5% et la variable fictive introduite dans le modèle n’est pas significative au seuil de 5% et de 10%. Dans ces conditions, nous pouvons conclure que notre spécification est complète et prend en compte toutes les variables pertinentes qui interviennent dans l’explication de la variable dépendante. Le modèle est bien spécifié. Les

tests de CUSUM of Squares et de CUSUM (Annexes IX et X) montrent que le modèle est stable.

Le coefficient de correction d’erreur (-0.94) est négatif et significatif, ce qui implique que les conditions pour l’utilisation de la méthode à correction d’erreurs sont réunies. La valeur très élevée dudit coefficient (0.94) traduit la vitesse d’ajustement de la fonction de l’investissement direct étranger vers l’équilibre. Cela signifie que la vitesse d’ajustement de la relation de court terme vers la relation de long terme est élevée, justifiant ainsi la faiblesse des écarts entre certains coefficients de long et de court terme. (Voir le tableau 2 ci-dessus) Nous pouvons noter également que les résidus sont stationnaires (Annexe IV) et homocédastiques (Annexe XIII).

4.4.4 Le capital humain

Dans le long terme, le coefficient estimé de la qualité du capital humain est positif et significatif. Ce qui indique que la qualité du capital humain influence l’investissement direct étranger. Ce résultat est conforme à la théorie qui postule qu’une plus grande qualité de la main-d’œuvre, souvent mesurée en rapport avec le niveau d’éducation, devrait attirer les flux d’IDE entrant. Noorbakhsh, Paloni et Youssef (2001), dans leur test économétrique des facteurs déterminants de l’IDE dans 36 pays en développement, ont trouvé que la qualité de la main-d’œuvre, mesurée en termes d’instruction et d’alphabétisation, occupait une bonne place comme facteur déterminant.

Le coefficient du capital humain est de 0,19. Cela signifie qu’une augmentation de 10% de la qualité de la main d’œuvre entraînerait une augmentation des flux d’IDE de 1,9%, toutes choses égales par ailleurs.

Dans la dynamique de court terme, le coefficient du capital humain est négatif et non significatif. Ce résultat qui n’est pas conforme à la théorie peut être expliqué par la mauvaise qualité des données de cette variable. En effet, le taux d’alphabétisation utilisé ici comme un proxy de la qualité de la main d’œuvre comporte des données sur l’alphabétisation en langues nationales qui n’intéressent guère les investisseurs étrangers Une variable sur la formation professionnelle et technique répondrait mieux aux attentes des investisseurs étrangers. Une autre explication qu’on pourrait donner est que l’IDE est un flux d’investissement qui s’inscrit dans une dynamique de long terme.

4.4.5 Le niveau des infrastructures

Le coefficient estimé de la consommation énergétique, utilisée ici comme un proxy de la qualité des infrastructures physiques, est positif et significatif aussi bien dans la dynamique de long terme que de court terme. Ce résultat qui est conforme à la théorie signifie que la présence d’infrastructures adéquates a un effet positif sur l’investissement direct étranger.

Le coefficient de cette variable est de 0.05. Cela signifie qu’une hausse de 10% du niveau des infrastructures de base entraînerait une augmentation de 0,5% des flux de l’IDE. La présence d’infrastructures adéquates jouent un rôle important dans l’attrait de l’investissement direct étranger au Sénégal.

4.4.6 Le poids de la dette extérieure

Les résultats de la régression de l’IDE révèlent que le coefficient du ratio de la dette sur le PIB est négatif et statistiquement significatif dans la dynamique de long terme.

Conformément à la théorie, le poids de la dette a un effet négatif sur les flux d’investissements directs étrangers au Sénégal. Le coefficient du ratio de la dette sur le PIB est de - 0.02. Cela implique qu’une augmentation de 10% du poids de la dette entraînerait une diminution de 0,2% des flux d’investissements directs étrangers au Sénégal.

Dans le court terme, le coefficient de cette variable est positif contrairement au signe anticipé par la théorie, et il est insignifiant.

4.4.7 La pression fiscale

Dans le long terme comme dans le court terme, le coefficient de cette variable est négatif conformément à la théorie qui postule qu’un niveau élevé de la pression fiscale a tendance à décourager les flux d’investissements directs étrangers. Cependant il n’est pas significatif aussi bien dans le court terme que dans le long terme.