Effets gravitationnels de l’AFTA sur l’ASEAN : analyse de panel

cahier n° 2005-10

par

Somsak Ngowattana

Effets gravitationnels de l'AFTA sur l'ASEAN :

analyse de panel

Effets gravitationnels de l’AFTA sur l’ASEAN : analyse de panel

NGOWATTANA Somsak

EURIsCO

Mai 2005

Nous proposons dans cet article d’étudier les effets de l’AFTA sur le commerce intra-zone de l’ASEAN par une analyse gravitationnelle en panel. Le modèle gravitationnel d’origine est enrichi des variables muettes « zone de libre-échange » qui captent, à la fois, les effets intra et extra-zone d’un accord de libre-échange. Notre base de données est composée de 178 pays et 15753 couples de pays couvrant une période de 53 années (1948 à 2000). Nous retrouvons les résultats habituels d’un modèle gravitationnel sur le PIB par tête, la distance, la population, etc. Les variables muettes nous renseignent en plus que l’AFTA permet une intensification réelle des échanges intra-ASEAN avec un détournement de trafic en faveur du commerce intra-zone.

Mot-clés : AFTA, ASEAN, Création et détournement de trafic, Modèle gravitationnel, Panel, Zone de libre-échange

Effets gravitationnels de l’AFTA sur l’ASEAN : analyse de panel

Une analyse empirique largement utilisée par certains économistes pour examiner les déterminants des flux commerciaux et pour tester des effets d’une zone de libre-échange est l’application économétrique du modèle gravitationnel. L’idée de base du modèle gravitationnel vient du principe physique de la gravitation. Le commerce entre deux partenaires est d’autant plus fort que le produit de leur PIB est important et il est d’autant moins fort que la distance qui sépare les deux partenaires est importante. Le modèle gravitationnel original a été de plusieurs manières modifié pour répondre au besoin d’analyse de natures différentes des économistes. Feenstra, Markusen et Rose (2001), par exemple, dérivent l’équation gravitationnelle à partir du modèle de dumping réciproque dans le commerce des biens homogènes ; ou encore Deardorff (1998) qui obtient le modèle gravitationnel en le dérivant du modèle de concurrence parfaite. Les variables muettes sont également ajoutées à l’équation gravitationnelle pour capter des effets de création et de détournement de trafic.

Nous cherchons à identifier les déterminants des flux commerciaux entre les pays membres de l’ASEAN, par une analyse gravitationnelle des données en panel allant de 1948 à 2000, tout en essayant de mettre en évidence des effets positifs de l’AFTA sur ces pays à l’aide de l’introduction de variables muettes dans le modèle gravitationnel. Nous commençons par introduire nos spécifications du modèle gravitationnel avant de présenter les données du modèle. Nous concluons enfin, à l’aide des résultats obtenus, sur les effets de l’AFTA sur les pays membres de la zone ainsi que sur leurs partenaires commerciaux externes.

1) Spécifications du modèle gravitationnel : analyse de panel

Le modèle de base de l’équation gravitationnelle consiste à expliquer des flux d’échange entre deux partenaires par, à la fois, le poids économique de chacun et la distance qui les sépare. Notre modèle de base, qui est une application directe du modèle gravitationnel d’origine, s’écrit ainsi :

ln (X_ij) = α₀ + α₁ln(WDist_ij) + α₂ln(Y_i) + α₃ln(Y_j) + α₄ln(N_i) + α₅ln(N_j) + ε_ij (1)

où X_ij représente les exportations du pays i vers le pays j, qui sont égales aux importations du pays j en provenance du pays i. Y_i (Y_j) est le PIB du pays i (pays j), WDist_ij mesure la distance entre les deux pays. N_i (N_j) est la population du pays i (du pays j)1, et ε_ij représente le terme d’erreur.

Depuis la fin des années 1980, le modèle gravitationnel est très sollicité pour étudier la structure des échanges et des impacts d’un changement des conditions économiques et commerciales sur le commerce entre des partenaires. On recourt souvent au modèle gravitationnel pour étudier les effets des accords de libre-échange sur le commerce intra-zone et extra-zone. Avec toutes ces attentions portées au modèle gravitationnel, les économistes se posent une question sur la spécification économétrique du modèle. On trouve que le modèle gravitationnel de base est mal spécifié et présente un biais dans la mesure des effets des accords de libre-échange sur le commerce entre les partenaires. Il faut en fait ajouter au modèle de base des variables qui prennent en compte des effets spécifiques-pays pour corriger cette mauvaise spécification2.

De fait, le problème de frontières de McCallum (1995)3 remet en question la force explicative de l’équation gravitationnelle. Selon le modèle gravitationnel, on ne doit pas constater une différence d’intensité entre les échanges d’une province d’un pays avec une autre province du même pays et le commerce de cette province avec une province d’un autre pays voisin, si ces deux provinces partenaires de la première province sont de même taille et se trouvent à une distance égale de la province en question. McCallum apporte la preuve contraire. On voit ainsi naître la notion de la « résistance multilatérale » ou « multilateral resistance » en réponse à ce problème de frontières4. La résistance multilatérale mesure la résistance commerciale moyenne d’un pays avec ses partenaires commerciaux. On peut expliquer autrement cette notion de la résistance multilatérale en la rapportant à la distance.

1

Introduite par Linnemann (1966).

2

Soloaga et Winters (2001), Anderson et van Winscoop (2003).

3

McCallum (1995) a mis en évidence le problème de frontière en mesurant les flux commerciaux entre les états canadiens et les état américains. Il trouve que les effets de frontière influence de manière importante l’orientation des flux commerciaux entre deux partenaires. Un état canadien commerce 20 fois plus avec un autre état canadien qu’avec un état américain de même taille et de même distance.

4

De fait, si la résistance multilatérale de chacun des deux pays formant un couple partenaire est élevée – autrement dit, si un couple de pays se trouve éloigné de leurs autres partenaires commerciaux – le commerce entre ce couple de pays augmente. Inversement, si chacun des pays de ce couple se trouve relativement près de leurs autres partenaires commerciaux, le commerce entre eux sera biaisé par les échanges de chacun avec ses autres partenaires5. Nous pouvons encore interpréter cette notion de résistance multilatérale, en fonction de notre centre d’intérêt, en termes de barrières à l’échange. Le commerce entre deux partenaires dépend de plusieurs facteurs dont l’un des principaux est constitué des droits de douane appliqués entre eux. Le principe de la résistance multilatérale nous dit qu’il ne faut pas juste examiner les droits de i appliqués à j pour comprendre les flux commerciaux entre les deux parties mais qu’il faut prendre en considération tous les droits de douane que i applique à tous ses partenaires. Le commerce entre i et j peut en fait croître – même si les droits de douane appliqués par les deux parties sont maintenu constants – si, par exemple, i augmente ses barrières tarifaires envers tous ses partenaires commerciaux sauf envers j ; ou si tous les partenaires commerciaux de j, à l’exception de i, augmentent leurs barrières tarifaires sur les produits importés en provenance de j.

Toutefois, l’application de cette notion de résistance multilatérale au modèle gravitationnel n’est pas évidente. La résistance multilatérale contenue dans la notion de distance relative est en fait difficilement mesurable. Anderson et van Wincoop (2003) proposent d’utiliser la méthode d’estimation complexe des moindres carrés non-linéaires ainsi que celle des indices de prix. Ces méthodes sont difficiles à mettre en œuvre. Il existe cependant une autre méthode, économétriquement beaucoup moins complexe, qui consiste à ajouter dans l’équation gravitationnelle des variables muettes prenant en compte des caractères spécifiques de chaque pays partenaire6. Ces variables muettes sont appelées les variables spécifiques-pays (country-specific dummies) ou encore les effets fixes7. Cependant, l’utilisation de ces variables muettes pour mesurer la résistance multilatérale n’est pas appropriée dans notre cadre d’analyse. Les variables spécifiques-pays, étant censées prendre en compte toutes les caractéristiques unilatérales des pays étudiés, comptabilisent déjà les variables Y_i et Y_j représentant le PIB de chaque partenaire. Autrement dit, nous aurons un

5

“Trade will be higher between country pairs that are far from the rest of the world than between country pairs

that are close to the rest of the world”, Harrigan (2001) p.35. 6

Rose et van Wincoop (2001) et Feenstra (2004).

7

problème de multicolinéarité entre les variables si notre modèle compte en même temps les variables unilatérales et les variables spécifiques-pays. De plus, les variables spécifiques-pays sont invariantes dans le temps alors que la résistance multilatérale évolue dans notre analyse gravitationnelle portant sur plusieurs années. L’hypothèse que les caractéristiques de chaque pays restent constantes pendant toute la période étudiée n’est donc pas cohérente. L’utilisation des variables spécifiques-pays pour prendre en compte l’existence de la résistance multilatérale est en effet plus appropriée dans le cas d’une analyse économétrique en coupe.

Afin de capter les effets de la résistance multilatérale, nous disposons d’une méthode alternative, la distance relative8. Comme cela a été dit auparavant la notion de résistance multilatérale peut être approchée par la distance relative qui sépare un couple de pays de leurs partenaires commerciaux. Plus le couple de pays se trouve éloigné de leurs autres partenaires, plus le commerce entre eux augmente. Considérons trois pays a,b,c et un groupe de pays d, qui ont le même niveau de développement économique. Le pays c se situe près du groupe de pays d, le pays b se trouve à mi-chemin entre le pays c et le pays a qui est géographiquement très éloigné du groupe de pays d. Le pays b commercera moins avec le pays c par rapport à son commerce avec le pays a. Ceci est expliqué par le niveau de prix relatif plus élevé en c qu’en a parce que les produits du pays c reçoivent plus de demande (en provenance du groupe de pays d et du pays b) par rapport aux produits du pays a. Harrigan (2001) explique bien l’importance de l’introduction de la distance relative dans l’équation gravitationnelle. Le modèle gravitationnel sera, de manière importante, mal spécifié si l’on ne prend en compte que la distance absolue et si l’on ignore la distance relative entre deux partenaires9.

Plusieurs économistes proposent différents indices censés mesurer cette distance

relative – Wei (1996) élabore l’indice =_∑

[

(

)

]

j

ij monde

j Wei

i PIB PIB Dist

R * , Helliwell (1998) propose =∑

(

)

(

)

représentant le PIB du pays j, le PIB mondial et la distance qui sépare

le pays i de son partenaire j. Nous avons testé ces indices avec nos modèles gravitationnels et

PIBj PIBmonde Distij

8

Carrère (2004), p. 5.

9

Polak (1996) confirme que l’estimation des effets d’accords de libre-échange seront biaisés si l’on ne prend pas en compte à la fois la distance absolue et la distance relative ; et Harrigan (2001) p.35 : « … gravity equations

which pool across bilateral pairs without controlling for relative distance are misspecified in a potentially important way. ».

trouvons qu’ils donnent à peu près les mêmes résultats que ceux obtenus de l’indice de Harrigan (2001)10 que nous allons utiliser :

(

)

En introduisant la résistance multilatérale dans l’équation gravitationnelle de base, on modifie l’équation théorique d’origine. Nous partons de l’équation, de Rose et van Wincoop (2001), Anderson et van Wincoop (2003), modifiée par Duc, Granger et Siroën (2004), suivante : ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ = − t ji ji P j Pi Y Y Y X W j i ij β σ 1 (ii)

où X_ij mesure les exportations du pays i vers le pays j ; Y_i et Y_j sont les PIB du pays i et du pays j ; Y_W est le revenu mondial qui est constant ; P_i et P_j, qui représente la résistance multilatérale de i et de j mesurée par la distance relative, sont les indices de prix national qui dépendent positivement des barrières tarifaires de i et de j envers tous leurs partenaires commerciaux ; σ est l’élasticité de substitution entre les biens produits dans le pays i et ceux fabriqués dans le pays j ; t_ji représente le droit de douane bilatéral appliqué par le pays j aux produits du pays i ; β_ji , introduit par Duc, Granger et Siroën (2004), est une variable censée prendre en compte les coûts de transaction naturels, qui comprennent les coûts de transport et

les caractéristiques culturelles comme la langue commune, entre les pays i et j.

Notre spécification en panel du modèle gravitationnel et dérivée de l’équation (ii) devient donc :

ln (X_itj) = α₀ + α_t + α_ij + α₁ln(WDist_ij) + α₂ln(Y_it) + α₃ln(Y_jt) + α₄ln(N_it)

+ α₅ln(N_jt) + α₆ln(Remote_it) + α₇ln(Remote_jt)+ ε_ijt (2)

10 _{Nous remplaçons le Ψ que Harrigan appelle « centrality index » par le terme « remoteness » pour unifier}

où X_ij représente les exportations du pays i vers le pays j, qui est égal aux importations du pays j en provenance du pays i. Y_i (Y_j) est le PIB du pays i (pays j), WDist_ij mesure la distance entre les deux pays. N_i (N_j) est la population du pays i (du pays j). Remote_i et Remote_j, donnés par l’équation (i), mesurent la distance relative pour le pays i et pour le pays j, et ε_ij représente le terme d’erreur. La constante est décomposée en trois parties11. La variable α₀ est commune à tous les pays et à toutes les années. La variable spécifique-année α_t, qui est spécifique à l’année t mais est commune à tous les couples de pays, est aussi introduite. Cette variable capte les effets du temps sur la variation des impacts des accords de libre-échange. Elle caractérise les analyses en panel. La variable α_ij, qui est spécifique à chaque couple de pays mais est commune à toutes les années, est enfin ajoutée. Cette dernière variable prend en compte les caractéristiques propres à chaque couple de pays ou l’hétérogénéité des pays. On la désigne par effets individuels ou effets spécifiques-couple de pays (country-pairs specific effects).

Dans un modèle gravitationnel de base (analyse économétrique en coupe), les variables muettes « zone de libre-échange » introduites captent tous les effets spécifiques-pays qui ne sont pas captés par d’autres variables présentes dans l’équation. Ceci est gênant dans la mesure où l’on ne peut plus analyser correctement les effets des accords de libre-échange puisqu’ils sont mélangés avec des effets spécifiques-pays, d’où l’introduction des variables spécifiques-pays. Dans un modèle en panel, en plus de la variable α_t introduite, l’introduction de la variable α_ij permet l’identification des effets spécifiques pour chaque couple de pays, effets que l’on peut séparer des variables muettes « zone de libre-échange » afin de mieux étudier les impacts de l’appartenance à une zone de libre-échange d’un pays12.

En ajoutant d’autres variables muettes testées empiriquement dans de nombreuses contributions, comme la langue commune, les frontières communes, l’accès à la mer et les liens de colonisation, nous dérivons à partir de l’équation (ii) le modèle gravitationnel suivant :

11

Cheng et Wall (1999), p.4.

12

ln (X_ijt) = α₀ + α_t + α_ij + α₁ln(WDist_ij) + α₂ln(Y_it) + α₃ln(Y_jt) + α₄ln(N_it) + α₅ln(N_jt) + α₆(LLock_i) + α₇(LLock_j) + α₈(WTO_i) + α₉(WTO_j) + α₁₀(Lang_ij) + α₁₁(Bord_ij) +

α₁₂(ColLink_ijt) + α₁₃(CurCol_ijt) + α₁₄ln(Remote_it) + α₁₅ln(Remote_jt)+ ε_ijt (3)

X_ij sont les exportations du pays i vers le pays j, correspondant aux importations du pays j en provenance qu pays i, pour la période allant de l’année 1948 à 2000.

Y_i (Y_j) est le PIB du pays i (pays j).

WDist_ij est la distance pondérée entre i et j calculée par le CEPII13. Elle mesure la distance qui sépare la plus grande ville du pays i de celle du pays j en pondérant cette distance par l’importance en termes de population de cette grande ville par rapport au niveau national. Nous utilisons l’indice appelé « distwces » dans la base de données du CEPII pour notre modèle.

N_i (N_j) représente la population du pays i (j).

LLock_i (LLock_j) égale à 1 si le pays i (j) n’a pas d’accès à la mer, et 0 sinon.

WTO_i (WTO_j) est la variable muette qui prend la valeur 1 si le pays i (pays j) fait partie de l’OMC, et 0 sinon.

Remote_i (Remote_j) est un indice mesurant la distance relative du pays i (pays j) selon l’équation (i)

Lang_ij est la variable muette qui prend la valeur 1 si les deux partenaires partagent une langue commune, et 0 sinon.

Bord_ij représente la variable muette des frontières communes qui prend la valeur 1 si les partenaires disposent de frontières communes, et 0 sinon.

ColLink_ij prend la valeur 1 si les partenaires ont eu ou avaient un lien de colonisation, et 0 sinon.

CurCol_ij est la variable muette qui prend la valeur 1 si les partenaires ont actuellement une relation coloniale, et 0 sinon.

ε_ij est le terme d’erreur.

13

Pour le détail sur le calcul de la distance, voir la notice sur la mesure de distances de CEPII disponible en ligne à www.cepii.fr

Les variables muettes représentant les liens de colonisation sont censées prendre en compte les effets commerciaux facilités par la présence de cette relation de colonisation entre les partenaires. De même, le fait d’avoir un accès à la mer ou de faire partie à l’OMC facilite les échanges entre les partenaires. Le commerce est également d’autant plus facilité que les partenaires partagent des frontières communes ou parlent la même langue. Il est en revanche entravé par la distance qui sépare les deux partenaires commerciaux représentée par la variable WDist_ij.

2) Sources et précisions sur les données

Nous utilisons la base de données de A. K. Rose14 qui est d’une utilisation simple et bien disponible. Cette base de données pour STATA est composée des données en panel allant de 1948 à 2000. Nous utilisons essentiellement les données tirées de la base d’origine concernant les codes IFS (International Financial Statistics du FMI) de pays, les codes de couples de pays, les données des exportations du pays i vers le pays j (X_ij), le PIB (Y_i et Y_j) et la population (N_i et N_j). Nous avons alors une base de données composée de 178 pays15 et 15753 couples de pays uniques (178*178 moins les doubles couples de pays = (178*178)-15931) pour 53 années et donc 834909 observations possibles.

Dans une base de données construite pour une analyse gravitationnelle, il y a en général beaucoup de valeurs manquantes, en particulier pour les flux d’échange bilatéraux, qui sont dues soit à l’absence de valeurs pour ces variables (absence d’échanges bilatéraux), soit au fait que ces valeurs sont très petites (de très petites valeurs d’échange). La méthode de traitement des valeurs manquantes utilisée par beaucoup d’économistes, qui consiste à enlever de la base de données des couples de pays dont la valeur des flux commerciaux est manquante, est appliquée à notre base de données fondée sur celle de A. K. Rose16 Nous comptons 125308 observations dont la valeur des flux commerciaux est manquante sur un

14

http://faculty.haas.berkeley.edu/arose/ 15

Liste des pays appartenant à la base de données est disponible dans l’Annexe1.

16

D’autres méthodes de traitement pourraient également être appliquées. Wang et Winters (1991), par exemple, utilisent la technique qui consiste à remplacer les valeurs manquantes par une très petite valeur. Ils trouvent pourtant que l’inclusion des valeurs manquantes, qui permet au logiciel de les traiter, ne change que de manière substantivement peu importante les résultats obtenus par rapport à la première méthode.

total de 557034 observations soit 22,50%17 sur 53 années. Les observations effectives qui nous restent à analyser sont donc au nombre de 431726.

La distance entre les deux partenaires est mesurée par la distance pondérée (WDist_ij) du CEPII18. Le CEPII calcule cette distance en pondérant la distance séparant la plus grande ville de chaque pays partenaire par le poids de cette ville dans la population totale du pays, à partir de la base de données de the World Gazetteer. L’intensité du commerce est fonction de la densité de la population, la distance entre deux pays partenaires est donc pondérée par le poids démographique de la ville, que cette grande ville soit la capitale ou pas. La plupart du temps la plus grande ville d’un pays est la capitale, la distance pondérée devient alors la distance entre deux capitales. Cependant, le commerce d’un pays avec des partenaires ou à l’intérieur du pays n’est pas nécessairement dominé par les échanges de la capitale, comme dans le cas des Etats-Unis par exemple. L’utilisation de la distance pondérée est en effet, à notre avis, plus appropriée que l’utilisation de la distance séparant les deux capitales.

Les variables muettes de liens de colonisation (ColLink_ij, CurCol_ij) sont obtenues à partir de la base de données du CEPII et du CIA World Fact Book. Nous obtenons également la variable muette de la langue commune (Lang_ij), de l’appartenance à l’OMC (WTO_i et WTO_j) et de l’accès à la mer (LLock_i et LLock_j) à partir de la dernière source de données (CIA World Fact Book). Nous entendons par la langue commune, la langue officielle ou nationale du pays considéré. La variable muette des frontières communes (Bord_ij) rend compte du fait que l’existence d’une frontière commune peut faciliter considérablement le commerce entre deux pays. Nous obtenons cette variable muette à partir de la base de données du CEPII.

17

L’absence de commerce entre les couples de pays semble être beaucoup. Cette absence est pourtant normale comparée au cas si l’analyse gravitationnelle était faite avec des données plus désagrégées. Haveman et Hummels (2001), par exemple, ont appliqué un modèle gravitationnel aux flux d’échange des produits détaillés à 4 chiffres du code SITC. Ils constatent un nombre étonnamment élevé d’absence des flux bilatéraux. Un pays importe un produit en provenance de seulement quelque pays ou même en provenance d’une seule source et exporte ses produits à de nombre limite de pays. Les auteurs trouvent qu’un pays n’achète pas tous les produits disponibles sur le marché, contrairement à l’hypothèse sous-jacente de la spécialisation totale utilisée dans des modèles gravitationnels classiques, l’absence d’importation s’élève à 27% du nombre total des produits disponibles. Ce fait nous amène à se poser des questions sur l’efficacité réelle du modèle gravitationnel à mesurer les impacts des déterminants de flux commerciaux. Le fait que le modèle marche si bien empiriquement ne vient-il pas de l’hypothèse de spécialisation complète des pays appliquée à des données agrégées ? La régression des flux de commerce total agrégé sur le produit des PIB doit jouer un rôle déterminant sur la qualité du modèle gravitationnel. A notre connaissance, il existe peu d’analyses empiriques utilisant des données désagrégées pour tester le modèle gravitationnel. Cette question nous semble être une voie intéressante pour une recherche future.

18

La méthode utilisée par le CEPII est introduite par Head et Mayer (2002). On peut consulter cette méthode dans la notice de calcul de distance sur le site d’Internet du CEPII.

Quant aux variables de la distance relative entre les partenaires (Remote_i et Remote_j), nous les calculons, selon l’équation (i), en utilisant les données de la base de données de A. K. Rose (vérifiées avec les données obtenues de la base de données CHELEM et celle de la Banque mondiale) pour les PIB, et la base de données du CEPII pour la distance entre les partenaires.

De plus, notre analyse par un modèle gravitationnel des effets de l’AFTA utilise trois autres variables de contrôle (SPta, XPta et MPta), dont l’introduction se fait de la même manière que les variables muettes « zones de libre-échange ». Cela nous permettra de repérer les effets de l’appartenance à une zone de libre-échange d’un pays. L’introduction de telles variables de contrôle19 est faite pour capter des effets de l’appartenance à une zone de libre-échange. En 1973, Aitken introduit une variable muette de ce type. Ensuite, Bayoumi et Eichengreen (1995) puis Frankel (1997) introduisent deux variables muettes : l’une prend la valeur 1 si les deux partenaires appartiennent à la même zone de libre-échange et l’autre prend la valeur 1 si l’un des deux partenaires appartient à la zone de libre-échange. Ils concluent que si la valeur positive du coefficient de la première variable muette excède la valeur négative de la seconde, l’effet de création de trafic l’emporte sur l’effet de détournement dans une union régionale. Récemment, Soloaga et Winters (2001) introduisent trois variables qui prennent en compte des effets intra-zone, extra-zone sur les importations et extra-zone sur les exportations. Pour notre analyse, nous suivons Soloaga et Winters (2001) puis Carrère (2004) en introduisant trois variables de contrôle. La première (SPta) capte des effets intra-zone d’une zone de libre-échange et prend la valeur 1 si les deux partenaires appartiennent à la même zone de libre-échange. La deuxième (XPta) prend la valeur 1 si le pays exportateur appartient à la zone de libre-échange considérée et le pays importateur n’y appartient pas. La dernière (MPta) prend la valeur 1 quand le pays importateur appartient à la zone de libre-échange en question et le pays exportateur n’y appartient pas. Ces deux dernières variables muettes captent les effets extra-zone d’une zone de libre-échange. La variable XPta montre les effets des exportations de la zone avec le reste du monde tandis que MPta capte les effets des importations de cette zone avec le reste du monde. L’introduction de ces trois variables muettes nous permet d’étudier les effets d’une zone de libre-échange sur les pays membres de la zone ainsi que sur les pays non membres, en particulier les effets de l’AFTA. Elle montre aussi sur quel type de flux de commerce (exportations ou importations) la formation d’une zone de libre-échange a plus d’impacts. De plus, en étudiant l’évolution des coefficients de

19

Ces auteurs sont cités dans Dee P. et J. Gali (2003), The Trade and Investment Effects of Preferential Trading

ces variables à travers le temps, nous pourrions déterminer si la formation de la zone de libre-échange étudiée dégage un effet de détournement ou de création de trafic vis-à-vis des partenaires externes de la zone.

L’introduction des trois variables de contrôle (SPta, XPta et MPta) est faite sur toute la période étudiée (1948-2000) même si la création de la plupart des zones de libre-échange n’intervient que beaucoup plus tard après 1948. Cette démarche est justifiée par le fait que l’étude des effets d’une zone de libre-échange doit être faite aussi sur la période précédant la formation de la zone. On peut ainsi observer réellement les effets d’un accord de libre-échange dès son entrée en vigueur20.

3) Démarches et résultats du modèle

Nous divisons le monde en plusieurs blocs commerciaux selon les accords de libre-échanges conclus. Dix unions régionales sont retenues pour l’analyse21. Nous commençons nos analyses économétriques en introduisant ces variables muettes « zone de libre-échange » dans notre modèle gravitationnel (équation (3) de la section précédente). Les données seront ensuite empilées et testées économétriquement en ignorant la dimension temporelle (pooling). Ce premier test nous donnera la première spécification qui nous sert de comparaison avec d’autres modèles où la dimension temporelle est présente. Puis, nous introduirons la dimension temporelle des données. Deux types d’estimateur sont disponibles en premier lieu. Le premier est l’estimateur des moindres carrés ordinaires (MCO) d’un modèle à effets fixes, appelé aussi estimateur à effets fixes ou Within22. Le deuxième est l’estimateur des moindres carrés généralisés (MCG) d’un modèle à effets aléatoires23. L’estimateur Within traite les effets spécifiques bilatéraux (α_ij) comme fixes et ne considère que les variables qui varient dans le temps. Puisque l’estimateur Within ignore les effets bilatéraux spécifiques entre les

20

Carrère (2004), p. 8, dit même qu’il est nécessaire d’étudier les échanges intra-zone avant la conclusion de l’accord afin d’éviter de constater un point de marquage artificiel (« artificial break point ») dans les données, ce qui mène à attribuer de mauvaise interprétation au coefficient de la variable muette d’une zone de libre-échange.

21

La liste complète des zones et de leurs pays membres est fournie dans l’Annexe1.

22 _{L’hypothèse du modèle à effets fixes est que les effets individuels (α}

ij) des données sont constants.

L’estimateur Within est un estimateur BLUE (Best Linear Unbiased Estimator) ou meilleur estimateur linaire sans biais.

23

Dans un modèle à effets aléatoires, l’estimateur des MCO n’est pas un BLUE. L’estimateur MCG, qui est construit à partir des relations existantes entre cet estimateur et les estimateurs Within et Between (estimateur MCO construit à partir des moyennes individuelles des variables endogènes et exogènes), est en revanche un BLUE.

pays partenaires, les coefficients des variables muettes « zone de libre-échange » ne seront alors pas correctement estimés. De plus, ces variables ne varient pas dans le temps, sauf dans le cas d’extension ou de rétraction de la zone, elles seront en effet ignorées, dans la plupart du temps, par l’estimateur Within. Notre objectif d’étudier les effets d’une zone de libre-échange sur le commerce des pays membres de la zone ne sera donc pas atteint24. L’estimation de notre modèle gravitationnel avec la méthode à effets fixes n’est donc pas appropriée. L’estimation du modèle gravitationnel en panel sera donc faite selon la méthode des moindres carrés généralisés (MCG) à effets aléatoires.

L’estimation d’un modèle gravitationnel avec des données en panel peut être faite proprement par la méthode des MCG à effets aléatoires s’il n’y a pas de corrélation entre les variables explicatives et les effets spécifiques bilatéraux du modèle. De fait, les variables comme le PIB, la population ou même les variables muettes « zone de libre-échange » peuvent être endogènes dans le modèle en étant corrélés avec les variables spécifiques-couple de pays ou avec des variables omises ou non observables25. Nous prenons donc le soin de vérifier l’endogénéïté des variables en pratiquant le test Hausman-Taylor (1981). Le test indique l’absence d’endogénéïté des variables explicatives dans notre modèle. L’estimation en panel peut être donc faite avec la méthode des MCG. Les premiers résultats obtenus sont donnés dans le tableau 1.

Selon la démarche suivie, nous testons trois types d’estimation gravitationnelle. La première colonne du tableau 1 correspond à l’estimation gravitationnelle en coupe, la dimension temporelle étant ignorée. Ce modèle va nous servir de modèle de comparaison avec d’autres modèles gravitationnels en panel. Cette estimation sert aussi à vérifier la cohérence de la base de données que nous avons constituée. En effet, toutes les variables explicatives sont de signe attendu et la valeur du R² est suffisamment élevée. Nous retrouvons cette conclusion lors de l’estimation gravitationnelle avec la méthode de panel des MCG à effets aléatoires. Le PIB des pays i et j explique positivement les flux commerciaux entre eux.

24

Cette raison est la même que celle évoquée par Carrère (2004).

25

Une méthode de correction que l’on utilise souvent pour ce genre de problème est celle proposée par Hausman et Taylor (1981) qui considère l’estimation gravitationnelle par un estimateur construit à partir des variables instrumentales (instrumental variable). Cet estimateur est construit en prenant la moyenne individuelle des variables strictement exogènes comme « instruments » pour les variables corrélées avec les variables bilatéraux spécifiques. On a alors une estimation gravitationnelle par un modèle Hausman-Taylor ou HT. On identifiera ensuite des variables endogènes par des tests Hausman (1978) de sur-identification (Over-identification test). Les différents tests pratiqués donneront enfin la spécification gravitationnelle à utiliser.

Tableau 1 : Effets des accords de libre-échange sur le commerce bilatéral (1948-2000) : premières régressions

ln(Xij) Variable expliquée

Variables explicatives Empilement (en coupe)

MCO à effets fixes

MCG à effets aléatoires

PIB du pays exportateur [ln(Yi)]

1,393a (0 ,005) 1,244a (0,007) 1,289a (0,006) PIB du pays importateur [ln(Yj)]

1,195a (0,004) 1,015a (0,007) 1,060a (0,006) Population du pays i [ln(Popi)]

0,911a (0,002) 1,051a (0,009) 0,980a (0,006) Population du pays j [ln(Popj)]

0,802a (0,002) 0,908a (0,009) 0,838a (0,006) Distance pondérée [ln(WDistij)]

-1,182a (0,005) - -1,345a (0,029) Accès à la mer du pays i (Llocki)

-0,281a (0,012) - -0,488a (0,038) Accès à la mer du pays j (Llockj)

-0,605a (0,011) - -0,804a (0,038) Appartenance à l’OMC de i (WTOi)

0,235a (0,010) 0,125a (0,010) 0,144a (0,009) Appartenance à l’OMC de j (WTOj)

0,068a (0,009) -0,019b (0,010) 0,001 (0,009) Frontières communes (Bordij)

0,533a (0,020) - 0,785a (0,145) Langue commune (Langij)

0,482a (0,010) - 0,605a (0,058) Lien de colonisation (ColLinkij)

1,431a (0,018) - 1,897a (0,190) En relations actuelles de colonisation (CurColij)

1,596a (0,070) 0,562a (0,080) 0,573a (0,079) Distance relative de i [ln(Remote i)]

0,168a (0,007) 0,061a (0,007) 0,270a (0,023) Distance relative de j [ln(Remote j)]

0,181a (0,007) 0,079a (0,007) 0,330a (0,023)

Union européenne SPta _0,252a

(0,014) - 0,146 (0,194) ALENA SPta _0,300a (0,042) - -0,379 (1,092) MERCOSUR SPta 0,087 (0,061) - 0,199 (0,777) CACM SPta _1,017a (0,052) - 0,761 (0,775) AFTA SPta _1,188a (0,070) - 0,943a (0,364) CER SPta _1,726a (0,077) - 2,099 (1,884) SAARC SPta -0,090 (0,079) - -0,354 (0,600) SADC SPta _0,854a (0,070) - 0,249 (0,422) GCC SPta _0,486a (0,128) - 1,052 (0,776) ECO SPta _0,438a (0,081) - 1,524 (0,336) Constant -14,055a (0,074) -22,628a (0,132) -12,266a (0,259)

Effet temporel (panel) _{Non Oui Oui}

Nombre d’observations _{352083 352083 352083}

Nombre de couples de pays _{9244 9244 9244}

Statistique de Fisher _{24387,69 16560,36 168998,28}3

R²

0,61171 0,30302 0,6044

Note : Tous les variables sont en log naturel sauf les variables muettes. Les indices indiquent : a significatif à 1%, b significatif à 5% et c significatif à 10%. Les valeurs entre parenthèses représentent le terme d’erreur.

1 : R² obtenu de l’estimation par une méthode des erreurs standards robustes. 2 : R² de l’estimateur Within.

Le PIB du pays exportateur contribue néanmoins, plus que le PIB du pays importateur, à augmenter les échanges entre deux pays partenaires. La population de chaque pays partenaire, qui indique la taille du marché de travail domestique, est aussi un déterminant significatif et positif des flux commerciaux entre eux. En revanche, la distance qui sépare les pays partenaires et l’impossibilité d’accéder directement à la mer jouent négativement sur le commerce entre eux. Les résultats du modèle nous indiquent aussi que l’appartenance à l’OMC du pays exportateur compte plus que le fait que le pays importateur y appartienne. La règle de la nation la plus favorisée de l’OMC stimule en fait les exportations du pays i. Les échanges entre deux pays partenaires sont également d’autant plus importants que ces pays partagent une frontière ou une langue commune. Les liens de colonisation existants entre les partenaires favorisent aussi le commerce entre eux. Enfin, comme nous l’avons vu, la distance relative d’un pays par rapport à tous ses partenaires commerciaux est un déterminant positivement significatif des flux commerciaux de ce pays. Elle influence de façon positive les flux commerciaux. Deux pays qui se trouvent éloignés de leurs autres partenaires échangent plus, à cause d’un effet de prix relatif entre eux, que s’ils se trouvaient relativement près de ces partenaires.

L’introduction des variables muettes « zone de libre-échange » nous indique les effets positifs des accords de libre-échange sur le commerce bilatéral intra-zone. Nous notons un effet positif de toutes les zones de libre-échange sur le commerce intra-zone. Les pays partenaires voient donc leur commerce augmenter s’ils font partie de la même zone de libre-échange. Nous approfondissons l’analyse des effets des accords de libre-échange en introduisant les trois variables muettes zone de libre-échange (SPta, XPta, MPta) dans l’équation gravitationnelle. Ceci nous permet de distinguer les effets extra-zones des effets intra-zones d’un accord de libre-échange. La première variable qui capte des effets intra-zones et prend la valeur 1 si les deux partenaires appartiennent à la même zone de libre-échange est notée SPta. La deuxième notée XPta prend la valeur 1 quand le pays exportateur fait partie d’une zone de libre-échange alors que le pays importateur n’y appartient pas. La dernière MPta illustre les effets de l’appartenance à une zone de libre-échange du pays importateur. Elle prend la valeur 1 si ce dernier appartient à un accord de libre-échange, le pays partenaire exportateur n’en faisant pas partie. Les résultats des estimations gravitationnelles sont présentés dans le tableau 2.

Tableau 2 : Effets extra et intra-zones d’un accord de libre-échange

ln(Xij) Variable expliquée

Variables explicatives MCG1 MCG2 MCG3 MCG4 MCG5

PIB du pays exportateur [ln(Yi)] _1,325a

(0,006) 1,278a(0,006) 1,275a(0,006) 1,275a (0,006) 1,294a(0,005) PIB du pays importateur [ln(Yj)] _1,011a

(0,006) 0,957a (0,006) 0,954a (0,006) 0,954a (0,006) 0,979a (0,005) Population du pays i [ln(Popi)] _0,983a

(0,007) 0,948a (0,006) 0,949a (0,006) 0,943a (0,006) 0,958a (0,006) Population du pays j [ln(Popj)]

0,837a (0,006) 0,807a (0,006) 0,808a (0,006) 0,801a (0,006) 0,820a (0,006) Distance pondérée [ln(WDistij)] _-1,326a

(0,031) -1,315a (0,029) -1,309a (0,029) -1,418a (0,027) -1,360a (0,027) Accès à la mer du pays i (Llocki) _-0,394a

(0,038) -0,446a (0,037) -0,453a (0,037) -0,504a (0,038) Accès à la mer du pays j (Llockj)

-0,739a (0,038) -0,772a (0,037) -0,778a (0,037) -0,830a (0,037) Appartenance à l’OMC de i (WTOi) _0,148a

(0,009) 0,140a (0,009) 0,142a (0,009) 0,148a (0,009) Appartenance à l’OMC de j (WTOj) _{-0,001 (0,009) 0,032}a

(0,009) 0,034a (0,009) 0,039a (0,009) Frontières communes (Bordij) _0,914a

(0,143) 0,745a (0,141) 0,778a (0,141) Langue commune (Langij)

0,725a (0,058) 0,739a (0,052) 0,807a (0,051) Lien de colonisation (ColLinkij) _1,207a

(0,190) 1,288a (0,183) En relations actuelles de colonisation (CurColij) _0,568a

(0,079) 0,443a (0,073) Distance relative de i [ln(Remote i)]

0,151a (0,027) Distance relative de j [ln(Remote j)] _0,252a

(0,027)

Union européenne SPta 0,620 (0,193) 0,967 (0,207) 1,042 (0,207) 0,896 (0,209) 1,005 (0,212)

Union européenne XPta _0,951a _{(0,053) 1,069}a _{(0,050) 1,142}a _{(0,049) 1,064}a _{(0,049) 1,085}a _(0,050)

Union européenne MPta _1,145a _{(0,053) 1,333}a _{(0,050) 1,406}a _{(0,049) 1,328}a _{(0,049) 1,318}a _(0,050)

ALENA SPta 0,079 (1,072) 0,821 (1,177) 0,791 (1,180) 1,351 (1,190) 1,500 (1,206) ALENA XPta -0,022 (0,102) 0,212b (0,096) 0,204b (0,096) 0,358a (0,097) 0,376a (0,098) ALENA MPta 0,133 (0,103) _0,525a _{(0,096) 0,517}a _{(0,096) 0,670}a _{(0,097) 0,687}a _(0,098) MERCOSUR SPta 0,426 (0,762) 0,477 (0,837) 0,651 (0,839) _1,420c _(0,842) 1,344 (0,854) MERCOSUR XPta 0,301a (0,088) 0,163c (0,087) 0,165c (0,088) 0,152c (0,088) 0,104 (0,089) MERCOSUR MPta _-0,176b _{(0,088) -0,280}a _{(0,088) -0,278}a _{(0,088) -0,291}a _{(0,089) -0,376}a _(0,090) CACM _{SPta 0,997 (0,760) 0,850 (0,649) 0,793 (0,651) 1,530}b (0,656) 1,868a (0,664) CACM _{XPta 0,131 (0,093) 0,081 (0,087) 0,084 (0,087) 0,047 (0,088) 0,114 (0,089)} CACM _MPta -0,388a (0,093) -0,340a (0,087) -0,336a (0,087) -0,373a (0,088) -0,240a (0,089) AFTA SPta _1,186a _(0,358) 0,239 (0,348) 0,238 (0,349) 0,208 (0,352) 0,312 (0,357) AFTA XPta _0,667a _{(0,070) 0,597}a _{(0,066) 0,594}a _{(0,067) 0,609}a _{(0,067) 0,621}a _(0,068) AFTA MPta 0,380a (0,070) 0,298a (0,067) 0,295a (0,067) 0,310a (0,068) 0,341a (0,068) CER SPta 2,590 (1,847) 3,126 (2,033) 3,076 (2,038) _3,668c _{(2,060) 3,908}c _(2,088) CER XPta _0,672a _{(0,122) 0,858}a _{(0,115) 0,854}a _{(0,115) 1,040}a _{(0,116) 1,093}a _(0,117) CER MPta 0,143 (0,122) 0,422a (0,115) 0,419a (0,115) 0,604a (0,116) 0,646a (0,117) SAARC _{SPta -0,017 (0,589) 0,226 (0,500) 0,363 (0,500) 0,446 (0,506) 0,575 (0,512)} SAARC _{XPta 0,162}b (0,082) 0,191b (0,075) 0,182b (0,075) 0,208a (0,076) 0,260b (0,077) SAARC _{MPta -0,203}b (0,082) -0,193a (0,075) -0,202a (0,075) -0,176b (0,076) -0,136a (0,077) SADC _{SPta 0,625 (0,417)} 0,911a (0,297) 0,876a (0,298) 1,387a (0,299) 1,023a (0,303) SADC _{XPta 0,251}a (0,079) 0,262a (0,062) 0,254a (0,062) 0,383a (0,062) 0,247a (0,062) SADC _{MPta -0,162}b (0,079) -0,065 (0,062) -0,073 (0,062) 0,056 (0,062) -0,167a (0,062) GCC SPta 1,204 (0,761) 0,809 (0,532) 0,766 (0,534) 1,396a (0,538) 1,670a (0,545) GCC XPta _0,454a _{(0,091) 0,390}a _{(0,078) 0,393}a _{(0,078) 0,365}a _{(0,079) 0,406}a _(0,079) GCC MPta _0,327a _{(0,091) 0,341}a _{(0,078) 0,344}a _{(0,078) 0,314}a _{(0,078) 0,429}a _(0,079) ECO SPta 1,677a (0,330) 1,646a (0,360) 1,662a (0,361) 1,679a (0,364) 0,980a (0,367) ECO XPta _-0,247a _{(0,073) -0,253}a _{(0,075) -0,245}a _{(0,075) -0,332}a _{(0,075) -0,599}a _(0,075) ECO MPta _-0,258a _{(0,074) -0,257}a _{(0,075) -0,249}a _{(0,075) -0,336}a _{(0,076) -0,603}a _(0,076)

Constant _-12,508a

(0,278) -10,810a(0,256) -10,846a(0,256) -9,662a (0,243) -10,903a(0,238)

Effet temporel (panel) _{Oui Oui Oui Oui Oui}

Nombre d’observations _{352083 427626 427626 427626 427626}

Nombre de couples de pays _{9244 12726 12726 12726 12726}

Statistique de Chi21 174377,71 (45) 178945,64 (43) 178736,64 (41) 177962,13 (39) 175613,58 (35)

R² _{0,61171 0,5855 0,5826 0,5769 0,5717}

Note : Toutes les variables sont en log naturel sauf les variables muettes. Les indices indiquent : a significatif à 1%, b significatif à 5% et c significatif à 10%. Les valeurs entre parenthèses représentent le terme d’erreur.

1 : Les chiffres entre parenthèses représentent le degré de liberté.

Nous testons plusieurs spécifications, rapportées dans le tableau 2, issues du modèle gravitationnel retenu. En supprimant progressivement les variables explicatives pour ne garder finalement (MCG5) que les variables explicatives de l’équation gravitationnelle d’origine (équation (1)), on observe que les résultats donnés par le modèle retenu (MCG1) sont robustes.

En général, les variables de modèle du tableau 2 sont significatives et ont le signe attendu. Le PIB et la population des pays partenaires contribuent positivement à augmenter le commerce entre eux tandis que la distance qui les sépare joue de manière négative. Selon les résultats du tableau 2, l’impact négatif de la distance absolue entre les partenaires continue à dominer les effets d’autres variables explicatives malgré une amélioration considérable dans le domaine de transport26. La deuxième variable qui a le plus d’influence sur le commerce bilatéral est le PIB du pays exportateur. Ce résultat signifie qu’un pays exporte d’autant plus qu’il est riche (le développement économique et technologique qui favorise les exportations est fonction croissante de la richesse d’un pays). L’appartenance à l’OMC, les frontières communes, la langue commune et la distance relative font également partie des déterminants significatifs qui ont un impact positif sur les échanges entre les membres d’un couple de pays partenaires. Deux autres variables qui se trouvent parmi les variables explicatives les plus déterminantes des flux de commerce bilatéral sont les variables muettes des liens de colonisation. D’après les résultats de notre modèle gravitationnel (MCG1), le fait d’avoir un lien de colonisation entre deux pays partenaires peut contribuer à augmenter jusqu’à 3,34 fois (exponentielle de 1,207) le commerce par rapport au cas où ces liens ne sont pas présents. Ces liens sont même plus déterminants que le fait d’avoir des frontières communes, de parler la même langue ou d’appartenir à l’OMC. Ils pourraient aussi refléter la délocalisation ou l’approvisionnement des firmes multinationales dans les pays en développement. De fait, les

26

Le commerce est facilité par la baisse continue du coût de transport. Nous trouvons cependant que le coût de transport constitue toujours un obstacle principal du commerce entre les pays partenaires.

pays colonisateurs (pays développés) pourraient être amenés à privilégier les relations d’investissement avec leurs anciennes colonies (pays en développement) ; tout comme ils pourraient avoir une facilitation d’accès aux ressources de leurs colonies même après l’indépendance de ces dernières.

Les variables zones sont aussi représentatives de l’idée selon laquelle la formation d’une zone de libre-échange permet d’intensifier les relations commerciales entre les pays membres. Toutes les zones de libre-échange étudiées ont un impact plus ou moins important sur les flux du commerce bilatéral analysés. Les pays membres de l’AFTA, par exemple, s’échangent 3,27 fois (exponentielle de 1,186) plus que ce qui est échangé entre deux pays similaires ne faisant pas partie de l’AFTA. La zone de libre-échange qui a le plus d’impacts positifs sur le commerce bilatéral intra-zone est l’ECO (Economic Cooperation Organization)27. Le commerce entre deux pays membres est 5,35 fois (exponentiel de 1,677) supérieur au commerce entre deux pays similaires ne faisant pas partie de l’ECO.

L’introduction de trois variables de contrôle (SPta, XPta et MPta) pour chaque zone de libre-échange nous permet d’identifier les effets de détournement et de création de trafic engendrés par l’établissement de ces accords de libre-échange. De fait, un coefficient positif (négatif) de la variable SPta indique l’influence positive (négative) de la zone de libre-échange considérée sur le commerce bilatéral de ses pays membres. Les coefficients des variables XPta et MPta traduisent les effets externes de la zone de libre-échange étudiée. L’analyse de ces trois variables en même temps nous permet d’évaluer les effets totaux des accords de libre-échange. Si le coefficient positif de SPta est associé aux coefficients négatifs des variables XPta et/ou MPta, nous avons un cas de détournement de trafic pur lié aux exportations et/ou aux importations. Si le coefficient de SPta et celui de XPta et/ou MPta sont positifs et si le coefficient de SPta est supérieur à celui de XPta et/ou MPta, nous avons un cas où sont présents en même temps les effets de détournement et de création de trafic. En revanche, si le coefficient de SPta et celui de XPta et/ou MPta sont positifs mais le coefficient de SPta est inférieur à celui de XPta et/ou MPta, les effets extra-zone sont plus importants que les effets d’intra-zone de l’accord de libre-échange en question.

27

ECO comprend Afghanistan, Azerbaïdjan, Kazakhstan, Kyrgyzia, Iran, Pakistan, Tadjikistan, Turquie, Turkménistan, et Ouzbékistan.

L’ECO représente un cas de détournement de trafic pur. Les coefficient de ses variables SPta (1,677), XPta (-0,247) et MPta (-0,258) sont significativement différents de zéro. Ils indiquent que l’établissement de l’ECO a pour conséquence d’intensifier le commerce intra-zone au détriment, à la fois, des exportations et des importations extra-zone. Le coefficient de la variable SPta du MERCOSUR n’est pas significativement différent de zéro mais le coefficient négatif et significatif de la variable MPta indique que la formation du MERCOSUR détourne les importations en provenance des partenaires externes en faveur des importations intra-zone. Le coefficient positif et significatif de XPta confirme, par contre, qu’il existe aussi bien des effets de détournement que de création de trafic au sein du MERCOSUR. Nous retrouvons cette configuration dans la plupart des zones de libre-échange où les effets vineriens sont plutôt mixtes.

4) Résultats de l’AFTA

En ce qui concerne l’AFTA, les résultats du tableau 2 de la section précédente indiquent une intensification des échanges entre les pays membres de la zone par rapport aux échanges d’un pays membre avec un pays partenaire externe. Le coefficient des échanges intra-AFTA (SPta) est de 1,186 qui signifie que le commerce entre les pays membres de l’AFTA est 3,27 fois (exponentielle de 1,186) plus grand que le commerce entre deux pays similaires non membres. Nous observons des effets mixtes de détournement et de création de trafic puisque les coefficients de XPta et MPta sont significativement positifs. Les pays membres de la zone restent donc toujours dépendants du commerce avec l’extérieur malgré l’intensification de leur commerce intra-zone due à l’AFTA. Un pays membre de l’AFTA exporte vers un partenaire externe 1,95 fois (exponentiel de 0,667) plus que le niveau des exportations entre deux pays similaires ne faisant pas partie de l’AFTA. Cette observation de l’importance du commerce extra-zone est le reflet de la structure de production concurrentielle et de la dépendance aux importations des machines de haute technologie de la part des pays membres de l’AFTA. L’étude de l’évolution de ces coefficients doit pouvoir nous apporter plus de précision à l’égard des effets de l’AFTA.

Nous analysons de nouveau les flux d’exportations bilatéraux par une méthode gravitationnelle (équation (3) de la section précédente) en coupe afin de détecter l’évolution

des coefficients de variables muettes de l’AFTA. Les résultats sont rapportés dans le tableau 3.

Tableau 3 : Evolution des coefficients de variables muettes de l’AFTA issus des analyses gravitationnelles en coupe28

AFTA_SPta AFTA_XPta AFTA _MPta R²

1950 -1,060a (0,345) -0,060 (0,240) -0,389b (0,193) 0,6409 1955 0,821 (1,136) -0,108 (0,208) -0,031 (0,176) 0,6329 1960 1,197c (0,769) 0,011 (0,138) 0,303b (0,135) 0,5968 1965 0,099 (0,780) -0,029 (0,135) 0,068 (0,140) 0,6294 1970 1,843a (0,429) 0,624a (0,115) 0,297b (0,127) 0,6334 1975 1,708a (0,369) 0,528a (0,112) 0,626a (0,119) 0,6296 1980 1,769a (0,352) 0,689a (0,104) 0,376a (0,119) 0,6336 1985 0,617 (0,697) 0,733a (0,124) 0,340b (0,151) 0,6185 1990 0,794a (0,293) 0,748a (0,100) 0,595a (0,129) 0,6447 1992 1,129a (0,307) 1,108a (0,097) 0,691a (0,115) 0,6345 1994 1,683a (0,249) 1,095a (0,096) 0,935a (0,104) 0,6165 1996 1,584a (0,205) 1,019a (0,086) 0,842a (0,093) 0,6524 1997 1,101a (0,244) 0,893a (0,080) 0,665a (0,087) 0,6706 1999 0,581a (0,197) 0,372a (0,075) 0,424a (0,071) 0,7780 2000 1,086a (0,252) 0,783a (0,088) 0,162c (0,104) 0,7381 Note : Les indices indiquent : a significatif à 1%, b significatif à 5% et c significatif à 10%. Les valeurs

entre parenthèses représentent le terme d’erreur.

Figure 1 : Evolution des coefficients de variables muettes de l’AFTA

a a a a a a a a a a c a a a a a a a a a a a a c a a a a a a b a a b b b -1,5 -1 -0,5 0 0,5 1 1,5 2 1950 1955 1960 1965 1970 1975 1980 1985 1990 1992 1994 1996 1997 1999 2000

SPta XPta MPta

Source : Etablie à partir des données du tableau 3.

Note : Les indices indiquent : a significatif à 1%, b significatif à 5% et c significatif à 10%.

28

L’étude de l’évolution des coefficients de variables muettes de l’AFTA nous montre des résultats intéressants. Comme il l’a été dit, nous attribuons les variables de contrôle (SPta, XPta et MPta) à chaque zone de libre-échange sur l’ensemble de la période étudiée (1948-2000). On peut ainsi observer l’évolution des échanges intra-zone sur une très longue période. Le commerce intra-zone de l’AFTA contribue, de manière croissante malgré une interruption de la tendance en 1985, à influencer le commerce entre les pays de la zone. On observe bien les effets de l’instauration de l’AFTA en 1992, des effets assez nets de détournement de trafic de l’AFTA sont constatés. Le coefficient de SPta, qui indique le commerce intra-zone, continue de croître depuis des années 1980, et en particulier après 1992. Les coefficients de XPta et MPta commencent en revanche à décliner à partir de la mise en place de l’accord de libre-échange de l’ASEAN. Puis les premiers effets de la crise financière de 1997 commencent à se faire sentir. Nous enregistrons une baisse des coefficients de tous les flux commerciaux de l’ASEAN depuis 1996. Ce constat reflète le fait que les effets de ralentissement économique des pays membres de l’ASEAN, puis les effets de la crise financière, l’emportent sur les impacts de l’appartenance à l’AFTA. En revanche, la crise financière de 1997 a permis un rebondissement considérable de la coopération dans l’ASEAN. Les pays membres sont plus conscients de la nécessité de coopération régionale pour s’entraider à sortir de cette crise. La coopération la plus importante suite à l’éclatement de la crise financière est le renforcement de l’AFTA : des accélérations du calendrier d’application de la suppression des droits de douane ont été conclues. A cause des renforcements de coopération dans l’ASEAN, nous constatons, dès la reprise économique dans la zone en 1999, une augmentation significative des coefficients SPta et XPta de l’AFTA au détriment du coefficient MPta. On observe alors un mouvement de détournement des importations dû aux effets de l’AFTA.

Par ailleurs, la plupart des tests faits sur le sujet aboutissent également à la même conclusion pour l’AFTA. Frankel (1997) trouve, à l’issue de ses analyses gravitationnelles, que les effets de l’AFTA se situent parmi les effets les plus forts de toutes les zones de libre-échange testées : les pays membres de l’ASEAN s’libre-échangent six fois plus que ce qui serait échangé entre deux pays similaires n’appartenant pas à l’AFTA. Wang et Winters (1991) et Winters et Wang (1994) trouvent aussi, dans leurs tests gravitationnels, que la variable muette de l’AFTA révèle que les accords de libre-échange de l’ASEAN sont l’un des plus significatifs du monde.

Figure 2 : Effets de l’AFTA et du MFN sur le commerce de l’ASEAN

Source : Schéma obtenu de deRosa (1995)

Les effets positifs de l’AFTA sur le commerce entre ses membres sont également confirmés par deRosa (1995) qui analyse ces effets par un modèle d’équilibre général. DeRosa (1995) trouve que l’établissement de l’AFTA permet une expansion commerciale totale au sein de la région de l’ordre de 19% soit 2,9 milliards de dollars. En ce qui concerne les échanges intra-ASEAN, les effets de l’AFTA l’emportent sur ceux de la clause de la nation la plus favorisée (MFN : Most-Favored-Nation). Les effets de l’AFTA sont également plus importants quand il s’agit du commerce intra-zone que quand il s’agit du commerce extra-AFTA. On peut donc considérer avec certitude que l’AFTA permet une intensification des échanges entre ses pays membres. La libéralisation des échanges au sein de l’ASEAN permet aussi une réallocation des ressources et une réorganisation de l’utilisation des avantages comparatifs dont dispose chacun des membres. Les tensions internes au sein du groupe pourraient être également atténuées par ce biais. Malgré le fait que beaucoup de progrès restent à faire en la matière, la coopération commerciale qui se renforce au fur et à mesure saura apporter finalement une solution aux conflits à l’intérieur de l’ASEAN et permettra donc à la région d’atteindre un niveau d’intégration économique aussi important que celui de l’Union européenne.

Références

1. Anderson J. E. et E. van Wincoop (2003), « Gravity with Gravitas : A Solution to Border Puzzle », The American Economic Review, vol. 93 no. 1, Mars, pp. 170-192. 2. Base de données de CEPII et de A.K. Rose (http://faculty.haas.berkeley.edu/arose/). 3. Carrère C. (2004), « Revisiting the effects of regional trade agreements on trade flows

with proper specification of the gravity model », European Economic Review, Article in Press, Elsevier.

4. Cheng I-H. et H. J. Wall (1999), Controlling for Heterogeneity in Gravity Models of Trade and Integration, Working Paper N° 1999-010E, Federal Reserve Bank of St Louis, article révisé en 2004.

5. Deardorff A. V. (1998), « Determinants of bilateral trade flows : Does gravity work in a neoclassical world », dans Frankel J. A. éd. (1998), The Regionalization of the World Economy, The University of Chicago Press, Chicago et Londre.

6. Dee P. et J. Gali (2003), The Trade and Investment Effects of Preferential Trading Arrangements, NBER Working Paper no. w10160, NBER.

7. DeRosa D. A. (1995), Regional Trading Arrangements Among Developing Countries : The ASEAN Example, Research report 103, International Food Policy Research Institute (IFPRI).

8. Duc C., C. Granger et J. M. Siroën (2004), Trade and Democracy : An empirical investigation, Cahier de recherche EURIsCO, Université de Paris-Dauphine.

9. Frankel J. A. (1997), Regional Trading Blocs in the World Economic System, Institute for International Economics, Washington DC.

10. Freenstra R. C. (2004), Advanced International Trade : Theory and Evidence, Princeton University Press, Princeton.

11. Feenstra R. C., J. R. Markusen et A. K. Rose (2001), « Using the gravity equation to differentiate among alternative theories of trade », Canadian Journal of Economics, vol. 34(2), pp. 430-447.

12. Harrigan J. (2001), Specialization and the Volume of Trade : Do the Data obey the Laws ?, NBER Working paper N° w8675, NBER.

13. Hausman A. et E. Taylor (1981), Panel Data and Unobservable Individual Effects, Econometrica, vol.49, pp. 1377-1398.

14. Haveman J. et D. Hummels (2001), Alternative Hypotheses and the Volume of Trade : the Gravity Equation and the Extent of Specialization, Working Paper, Purdue University, Etats-unis.

15. Helliwell J. F. (1998), How much do National Borders matter ?, The Brookings Institution Press.

16. Linnemann H. (1966), An Econometric Study of International Trade Flows, North-Holland, Amsterdam.

17. McCallum J. (1995), « National Borders Matter : Canada-U.S. regional trade patterns », American Economic Review, vol.85, pp. 615-623.

18. Nitsch V. (2000), « National Borders and International Trade : Evidence from the EU », Canadian Journal of Economics, Vol. 33, N°4, pp. 1091-1105.

19. Polak J. J. (1996), « Is APEC a natural regional trading bloc ? », The World Economy, vol. 19, pp. 533-543.

20. Rose A. K. et E. van Wincoop (2001), « National Money as a Barrier to International Trade : the Real Case for Currency Union », American Economic Review, vol.91, N°2, pp. 386-390.

21. Soloaga I. et A. Winters (2001), « How has Regionalism in the 1990s affected Trade? », North American Journal of Economics and Finance, vol.12, pp. 1-29.

22. Wang Z. K. et L. A. Winters (1991), The Trading Potentiel of Eastern Europe, Centre for Economic Policy Research, Discussion paper N° 610, Londre.

23. Wei S-J. (1996), Intra-national versus International Trade : How stubborn are Nations in Global Integration ?, NBER Working paper N° w5531, NBER.

24. Winters L. A. et Z. K. Wang (1994), Eastern Europe’s International Trade, Manchester University Press, Manchester.

Annexes

A

Annnneexxee11::LLiisstteessddeessppaayysseettddeezzoonneessddeelliibbrree--éécchhaannggeeuuttiilliissééss

Liste des pays appartenant à la base de données utilisée pour l’analyse gravitationnelle

Afrique centrale, rép Cameroun France Kyrqyz rép Nouvelle Zélande St Vincent et Grenadine

Afrique du Sud Canada Gabon Laos Oman Soudan

Albanie Cap vert Gambie Latvia Pakistan Suède

Algérie Chad Georgie Liban Panama Suisse

Allemagne Chili Ghana Lesotho Papoua Nvlle Guinée Suriname

Angola Chine Grèce Libéria Paraguay Swaziland

Antigua et Barbuda Colombie Grenade Libye Pays-Bas Syrie

Arabie Saudi Comores Guatemala Lituanie Pérou Tadjikistan

Argentine Congo, rép Guinée Luxembourg Philippines Tanzanie

Arménie Congo, rép démocratique Guinée-Bissau Macédoine Poland Thaïlande

Australie Corée du Sud Guyane Madagascar Portugal Togo

Autriche Costa Rica Haïti Malaisie Qatar Tonga

Azerbaïdjan Côte d'Ivoire Honduras Malawi Réunion Trinidad et Tobago

Bahamas Croatie Hong Kong Maldives Roumanie Tunisie

Bahrayn Chypre Hongrie Mali Royaume uni Turkménistan

Bangladesh Czech, rép Icelande Malte Russie Turquie

Barbade Danemark Inde Maroc Rwanda Uganda

Belarus Djibouti Indonésie Maurice Samoa Ukraine

Belgique Dominica Iran Mauritanie Sao Tome et Principe United Arabe Emirates

Belize Dominicain, rép Iraq Mexique Sénégal Uruguay

Bénin Egypte Ireland Moldave Seychelles Uzbékistan

Bermuda El Salvador Israël Mongolie Sierra Léone Vanuatu

Bhutan Equador Italie Mozambique Singapour Venezuela

Bolivie Equatoriel Guinée Jamaïque Myanmar Slovaque rép Vietnam

Botswana Espagne Japon Namibie Slovénie Yémen, rép

Brésil Estonie Jordan Népal Salomon, île Yougoslavie, rép féd

Bulgarie Etats-Unis Kazakhstan Nicaragua Somalie Zambie

Burkina Faso Ethiopie Kenya Niger Sri Lanka Zimbabwe

Burundi Fiji Kiribati Nigeria St Kitts et Nevis

Liste des zones de libre-échange définies pour le modèle gravitationnel29

1. EU (European Union) : Austria, Belgium, Denmark, Finland, France, Germany, Greece, Luxembourg, Ireland, Italy, Netherlands, Portugal, Spain, Sweden, United Kingdom

2. NAFTA (North American Free Trade Agreement) : Canada, Mexico, and the United States

3. MERCOSUR (Mercado Comùn del Sur) : Argentina, Brazil, Paraguay, and Uruguay 4. CACM (Central American Common Market) : Costa Rica, El Salvador, Guatemala,

Honduras, and Nicaragua

5. AFTA (ASEAN Free Trade Area) : Brunei, Cambodia, Indonesia, Laos, Malaysia, Myanmar, Philippines, Singapore, Thailand, Vietnam

6. CER (Australia-New Zealand Closer Economic Relations) : Australia, New Zealand 7. SAARC (South Asian Association for Regional Cooperation) : Bangladesh, Bhutan,

India, Maldives, Nepal, Pakistan, and Sri Lanka

8. SADC (Southern African Development Community) : Angola, Botswana, Lesotho, Malawi, Mauritius, Mozambique, Namibia, South Africa, Swaziland, Tanzania, Zambia, and Zimbabwe

9. GCC (Gulf Cooperation Council) : Bahrain, Kuwait, Oman, Qatar, Saudi Arabia, United Arab Emirates

10. ECO (Economic Cooperation Organization) : Afghanistan, Azerbaijan, Kazakhstan, Kyrgyzia, Iran, Pakistan, Tajikistan, Turkey, Turkmenistan, and Uzbekistan

29