ANALYSE DE LA RELATION CONSOMMATION D’ENERGIE, DEVELOPPEMENT FINANCIER ET CROISSANCE ECONOMIQUE A LONG TERME : CAS DE LA TUNISIE

(1)

REMSES http://revues.imist.ma/?journal=REMSES&page=index 3

ANALYSE DE LA RELATION CONSOMMATION D’ENERGIE, DEVELOPPEMENT FINANCIER ET CROISSANCE ECONOMIQUE A

LONG TERME : CAS DE LA TUNISIE

ANALYSIS OF THE RELATIONSHIP BETWEEN ENERGY CONSUMPTION, FINANCIAL DEVELOPMENT AND LONG-TERM

ECONOMIC GROWTH: THE CASE OF TUNISIA

OUERGHI Feryel

¹

Associate Professor University of Tunis

High School of Economic Science and Commerce- ESSECT

TEJ Ines

²

PHD Student University of Tunis

High School of Economic Science and Commerce- ESSECT

Résumé :

Dans le présent papier, nous avons étudié le lien entre le développement financier, la croissance économique et la consommation d’énergie dans le court et le long terme, pour le cas de la Tunisie sur la période 1980-2014. Pour estimer cette relation, nous avons utilisé le modèle autorégressif ARDL, ainsi que l’approche de Toda et Yamamoto pour tester le sens de causalité.

Les résultats montrent qu’il existe une relation indirecte entre la consommation d’énergie et la croissance économique, autrement dit, l’utilisation de l’énergie pour les activités commerciales et d’investissement encourage le développement de l’économie mais à la fois la croissance économique est fortement dépendante de l’énergie. Le développement financier tend à avoir un effet positif à court terme sur la consommation d’énergie, mais cela n’est pas vérifié à long terme. De son côté la consommation d’énergie montre qu’elle favorise le développement financier dans le court et le long terme. Les résultats du test de causalité de Toda-Yamamtou prouvent deux liens de causalité bidirectionnelle pour le taux d’ouverture commerciale en relation avec la consommation d’énergie et la croissance économique.

Mots-clés : Energie, Croissance, Développement financier, ARDL, Relations de causalités.

JEL-codes : C32, C52, O11, Q43

1 Corresponding author, e-mail : feryel.ouerghi.sebai@gmail.com

2 E-mail : tejines80@gmail.com

(2)

Abstract :

In this paper, we studied the relationship between financial development, economic growth and energy consumption in the short and the long run, for the case of Tunisia over the period 1980- 2014. To estimate this relationship, we used the ARDL autoregressive model, as well as the Toda and Yamamoto approach to test the direction of causality.

The results show that there is an indirect relationship between energy consumption and economic growth, in other words, the use of energy for business and investment activities encourages the development of the economic activity but at the same time economic growth is highly dependent on energy consumption. Financial development has a positive effect on energy consumption only in the short run. Energy consumption encourages financial development in the short and the long run. The results of the Toda-Yamamtou causality test prove two bidirectional causal relations for the trade openness rate with energy consumption and economic growth.

Keywords: Energy, Growth, Financial development, ARDL, Causal relationships.

JEL-codes : C32, C52, O11, Q43

1. Introduction

Le débat sur énergie est largement discuté et il a été le centre d’intérêt de plusieurs études de recherche qui ont essayé d’expliquer les différents facteurs qui influencent la demande de l’énergie. Bien que la principale relation abordée était celle qui s’intéresse au lien entre la croissance économique et la consommation d’énergie, d’autres études ont illuminé l’impact qu’apporte d’autres facteurs à la consommation d’énergie à savoir : le taux d’ouverture commerciale, les IDE, l’urbanisation, etc.

Récemment la relation entre la consommation d’énergie et la croissance économique s’est étendue pour inclure un troisième élément : le développement financier. L’importance d’introduire le développement financier pour expliquer cette relation réside dans plusieurs raisons : i- le développement financier attire les IDE, donc des investissements en R&D de haut niveau, ce qui amplifie la croissance économique et affecte la dynamique de la performance environnementale. ii- le développement financier fournit des opportunités aux pays en développement pour exploiter de nouvelles technologies, les encourager au « clean and environnemental production », et par conséquent les aider à améliorer l’environnement et le développement régional durable. Iii- le développement financier peut aussi engendrer une hausse de la pollution et donc la dégradation environnementale.

Le développement financier peut avoir deux effets sur la consommation d’énergie. Le premier effet s’explique par le fait que le développement financier impacte positivement la croissance économique et par conséquent va engendre une augmentation de la demande d’énergie. Alors que pour le deuxième effet, le développement financier peut favoriser les flux des IDE et donc des technologies réductrices et efficientes en consommation d’énergie. Comme l’affirme Claessens (2006), le développement financier aide à réduire la consommation d’énergie ainsi que les émissions de CO2. De plus, il favorise l’efficience énergétique à travers la maintenance de l’innovation technologique (Tamarin et al 2009).

(3)

Sadorsky (2011) a expliqué la relation entre le développement financier et la consommation d’énergie par 3 effets : un effet direct ou l’amélioration de développement financier permet de faciliter l’endettement chez les consommateurs et par conséquent d’acheter des produits couteux et consomment plus d’énergie (maisons, réfrigérateurs, automobiles...). De plus, le développement financier permet aux consommateurs de satisfaire leurs propres besoins. Un effet business dont le développement financier permet aux investisseurs l’accès libre et moins couteux au capital. Plus encore le développement de marché boursier assure aux investisseurs une source de financement supplémentaire. Un effet « wealth » dont l’augmentation de l’activité boursière améliore la confiance des consommateurs et crée un effet de richesse. Sous l’effet de cette confiance il s’ensuive une amélioration de l’activité économique, puisque le marché boursier est toujours considéré comme un booster de la croissance économique donc par conséquence une tendance à demander l’énergie. Dans son étude fung (2009) a avancé qu’un système financier efficient encourage la productivité, mais comme l’énergie est un input dans la production il en résulte une demande supplémentaire d’énergie.

Un autre point de vue est que la croissance économique amène au développement financier (Lucas 1988, Stern 1989). Le développement financier augmente quand il y a une demande des services financiers, ces derniers ont pour principale raison l’augmentation des activités économiques. Cette optique indique que le développement financier suit la croissance économique, ce qui conforme avec la probabilité selon laquelle la demande d’énergie est relativement peu sensible au développement financier.

S’inscrivant dans ce cadre, la Tunisie est connue comme un des rares pays en développement à s’engager dans une politique de maitrise d’énergie depuis le milieu des années 80 comme étant un moyen pour éviter le déficit énergétique et mener une consommation efficace des ressources énergétiques. Bien qu’il est à noter que la Tunisie dispose d’un potentiel de valorisation d’énergie solaire et éolienne. Malgré les ressources considérables, les Energies Renouvelables ne représentent pas encore une part importante de la demande d’énergie primaire.

Ainsi le défi à relever est de booster la croissance économique tout en respectant une consommation efficace d’énergie, ainsi que profiter du développement financier pour assurer la transition énergétique. Pour l’en faire, il est nécessaire de comprendre l’impact des principaux facteurs de la demande d’énergie principalement la croissance économique et le développement financier. Cela nous amène à s’interroger sur la relation entre la croissance économique, le développement financier et la demande d’énergie.

Les études sur la relation entre le développement financier, la croissance économique et la consommation sont assez rares (Alam et al, 2015 ; Mahalik et al, 2017 ; Bekhet et al. (2017).

Pour le cas de la Tunisie, la relation a été traitée uniquement par Shahbaz et al (2012) et Kahouli (2017). Shahbaz et al (2012) se sont intéressés à l’impact de développement financier sur la consommation d’énergie. Quant à, Kahouli (2017), il a testé la relation entre la croissance économique, le développement financier et la consommation d’énergie pour six pays sud- Méditerranéens, y compris la Tunisie.

Le présent travail vise tester la relation entre la croissance économique, le développement financier et la consommation d’énergie en Tunisie. Les résultats de l’étude nous permettront de déduire des politiques spécifiques à la Tunisie.

Utilisant une méthodologie sur plusieurs étapes : le test de stationnarité, le test de Cointégration, le modèle Autorégressif à Retard Echelonné (ARDL) et le test de causalité de Toda-Yamamoto,

(4)

nous tentons d’étudier la relation à la fois du court et de long terme entre la consommation d’énergie, la croissance économique et le développement financier pour la période qui s’étale entre 1980 et 2014.

Le reste du papier est organisé comme suit : la deuxième section présente une revue de la littérature. L’étude empirique est présentée dans une troisième section. La quatrième section présente les résultats et les discussions. La dernière section est consacrée à la conclusion.

2. Revue de littérature :

La première étude empirique qui a avancé l’introduction du développement financier comme variable explicative de la consommation d’énergie est celle de Karanfil (2009). L’auteur a justifié son idée par le fait que la relation entre la consommation d’énergie et la croissance économique ne peut pas se présenter seulement sous un modèle bivarié. Alors, il a suggéré d’introduire un des indicateurs du développement financier tel que les crédits au secteur privé ou la capitalisation boursière au modèle. Il ajoute que la consommation d’énergie peut aussi être influencée par le taux d’intérêt et le taux de change via le prix d’énergie.

L’ensemble des études qui ont traité, cette relation peuvent être divisée en deux groupes : le premier groupe englobe les travaux qui supportent l’idée selon laquelle le développement financier stimule l’activité économique et il en résulte une hausse de la demande d’énergie (Sadorsky 2010, Shahbaz et Lean 2012, Islam et al 2013, Kahouli 2017, Bekhet et al 2017, Gaies et al 2019). Les travaux du deuxième groupe soutiennent l’idée qui prouve que le développement financier encourage l’utilisation des technologies conservatrices d’énergie et donc va réduire la consommation d’énergie (Mielník et Goldenberg 2002, Tamazian et al 2009, Jalil et Feridun 2011, Shahbaz et al 2016).

Concernant les travaux du premier groupe, Sadorsky (2010) a étudié le lien entre le développement financier et la consommation d’énergie sur un ensemble de 22 pays émergents, il a utilisé la méthode des moments généralisés (GMM) pour la période qui s’étale entre 1990 et 2006. Il a utilisé les variables du marché boursier comme proxy du développement financier.

Ses résultats montrent qu’il existe un lien unidirectionnel allant du développement financier à la demande d’énergie. De son côté, Islam et al. (2013) ont exploré ce lien pour le cas de la Malaisie sur la période 1971-2009. Utilisant le modèle VECM, Ils ont trouvé un effet de causalité bidirectionnelle entre les variables.

Appliquant l’approche ARDL et le modèle VECM, Kahouli (2017) a essayé de trouver une relation de court et de long terme entre le développement financier, la croissance économique et la consommation d’énergie pour les pays SMC. Contraint par la disponibilité des données, l’auteur a travaillé avec les données de la période entre 1995 et 2015. Son travail a prouvé l’existence d’une relation de long terme. Ainsi les résultats du test de causalité de granger diffèrent selon le pays. Il explique cette diversité par le degré de conscience des décideurs politiques et par l’importance de la mise en place des politiques d’économie d’énergie.

Dans le but de trouver une explication de l’effet du développement financier sur la consommation d’énergie, Ziaei (2015) a examiné l’effet du choc des indicateurs financiers sur la consommation d’énergie dans 13 pays européens et 12 pays asiatiques durant la période 1989-2011. Il a appliqué le modèle vecteur autorégressif pour panel PVAR. Les résultats montrent que le choc sur la consommation d’énergie n’a aucun impact à long terme sur le

(5)

développement financier représenté par les crédits pour le secteur privé. De l’autre côté, le choc sur le taux de rendement des actions ont un effet sur la demande d’énergie seulement dans le cas des pays asiatiques. En étudiant la relation entre le développement financier et la consommation d’énergie dans les pays de la région MENA, il a trouvé qu’il existe un lien positif entre la consommation d’énergie et le développement financier représenté dans la capacité d’intermédiation du système bancaire.

Pour komal et Abbas (2015), ils ont examiné le lien finance- croissance- énergie pour le Pakistan pendant la période 1972-2012. Utilisant la méthode GMM, ils ont cherché à trouver un impact de développement financier sur la demande d’énergie à travers la croissance économique tout en incluant les prix d’énergie et l’urbanisation dans le modèle structurel. Ils ont conclu que le développement financier affecte positivement la consommation d’énergie par le canal de la croissance économique.

Récemment ce lien a été analysé par Gaies et al (2019) sur la majorité des pays MENA. Sur la période 1996-2014. Ils ont utilisé un panel dynamique linéaire et non linéaire. Pour tester cette relation, ils ont choisi les indicateurs du système bancaire comme proxy de développement financier. Les résultats reflètent une relation positive et significative entre la taille ainsi que la capacité d’intermédiation d’un système bancaire et la consommation d’énergie. En plus, les résultats ont montré qu’il existe une relation en U inversée entre le développement financier et la demande d’énergie.

Pour le deuxième groupe les principales études : Mielnik et Goldenberg (2002) étaient les premiers à souligner le rôle du système financier dans la consommation d’énergie. Ils avancent qu’un système financier performant incite les flux des IDE qui utilisent de nouvelles technologies permettant une utilisation rationnelle de l’énergie. En outre, Tamazian et al (2009) a examiné la relation entre la croissance économique et l’environnement à l’aide du développement financier. Pour le faire, il a utilisé l’approche d’équation réduite sur des données de panel pour la période 1992-2004. Ses résultats prouvent que le développement économique et financier réduit la consommation d’énergie ainsi qu’atténuer la dégradation environnementale. Examinant le lien à long terme entre la croissance économique, le développement financier et la consommation d’énergie en Inde, Shahbaz et al. (2016) a utilisé la méthode ARDL et le test de cointegration de Bayer-Hanck (2013). Ses résultats affirment que le développement financier peut finir par réduire la consommation d’énergie.

Pour certaines études, les résultats sont controversés. Chang (2015) par exemple a étudié cette relation sur un échantillon de 53 pays pour la période entre 1999 et 2008 en utilisant le modèle de Panel à seuil. Il a distingué que dans les pays à revenu élevé le développement financier tend à réduire la consommation d’énergie et favorise les investissements en énergie renouvelable ; alors que dans les pays à faible revenu, la consommation d’énergie augmente avec le développement financier.

Concernant le cas de la Tunisie bien qu’il était traité dans un échantillon de pays dans certaines études (Almulali, 2012 ; Kahouli, 2017 et Gaies, 2019), dans d’autres, il a été considéré séparément. Shahbaz et Lean (2012) ont cherché l’impact du développement financier sur la consommation d’énergie en Tunisie pour la période 1971-2008. En appliquant l’approche ARDL et la méthode de causalité de Granger, les résultats indiquent l’existence d’une relation de long terme entre le développement financier, la consommation d’énergie, la croissance économique, l’industrialisation et l’urbanisation. Ainsi le développement financier tend à

(6)

augmenter la demande de l’énergie. De même pour Chtioui (2012), il a appliqué l’approche ARDL pour la période 1972- 2010. Il a trouvé qu’à court terme il existe un lien unidirectionnel du développement financier à la consommation d’énergie.

Le tableau 1 présente un résumé des études empiriques qui ont traité cette relation tout en indiquant les méthodes utilisées.

TABLEAU 1 : RESUME DES ETUDES EMPIRIQUES SUR LE LIEN ENTRE LA CONSOMMATION D’ENERGIE ET LE DEVELOPPEMENT FINANCIER

Source : les auteurs

3. Etude empirique

3.1. Présentation des données :

Par cette étude, nous tenons à traiter le cas de la Tunisie. Contraint par la disponibilité des donnés, l’échantillon est constitué des données couvrant la période (1980-2014). Ces données sont extraites du WDI data base (world développent indicators).

Auteur pays /période Méthode Résultat

Gaies (2019) Pays MENA

1996-2014 Modèle de Panel

dynamique : linéaire et non linéaire

Lien positif entre les variables

Paramati (2018) Pays africain frontière

Q4 1991- Q4 2012

Modèle de Panel Long terme : effet de rétroaction.

Effet negatif : DF<-> CE Pan et al (2018) Bangladesh

1976-2014 DAG et SVAR *Court terme : croissance favorise l’intensité énergétique

*L’innovation technologique et le développement financier encourage l’intensité énergétique.

Odhiambo (2018) Afrique de sud

1980-2013 ARDL et ECM Long terme : CE -> DF Bekhet et al

(2017)

Pays de

coopération du golf 1980-2011

ARDL Relation de causalité Long terme : effet positif Kahouli (2017) 6 pays de SMC

1995-2015 ARDL

VECM Granger causalité

Chang (2015) 53 pays 1999-2008

Modèle de panel à seuil Pays à revenu elevé : effet négatif Pays à faible revenu : effet positif Islam et al (2013) Malaisie

1971-2009 ARDL et VECM Long et court terme : CE -> DF

Chtioui (2012) Tunisie

1972-2010 ECM

Causalité de Granger Long terme : CE<-> PIB CE-> DF Court terme : CE -> DF Shahbaz et lean

(2012) Tunisie

1971-2008 ARDL

Causalité de granger Effet positif DF <-> CE Sadorsky (2010) 22 Pays émergents

1999-2006 SGMM Effet positif

(7)

Les principales données se définissent comme suit : PIB par habitant (constant LCU) se définit comme un indicateur de croissance économique, la consommation d’énergie est exprimée en Kg d’équivalent de pétrole par habitant, et finalement le développement financier présenté par les crédits domestiques au secteur privé³⁴.

Nous considérons le logarithme de ces variables. Cette transformation présente des principaux avantages : d’une part, elle facilite l’interprétation des coefficients estimés qui s’interprètent comme élasticité. D’autre part, le logarithme aide à contrôler le problème d’hétéroscédasticité.

De plus, l’utilisation du logarithme permet le lissage des variables qui se caractérisent par les différences dans leurs unités de mesure.

Afin d’obtenir des résultats plus fiables de notre étude, nous ajoutons au modèle des variables de contrôle : la formation brute de capital fixe par habitant (constant LCU) présente le stock du capital, l’urbanisation (en % de la population) et enfin le taux d’ouverture commerciale exprimé par (commerce % de PIB). D’un point de vue théorique, le capital et le travail servent comme intrants potentiels de la production. De leur part, ces derniers aident les producteurs dans une économie pour demander plus d’énergie et plus de crédits. En conclusion une utilisation plus forte du capital engendre une augmentation de la croissance économique, de la consommation d’énergie et du développement financier. Ce lien de causalité positif est relatif à la nature même de l’intensité capitalistique. D’une manière similaire, le PIB, la consommation d’énergie et le développement financier, sont positivement liés à l’évolution du degré d’urbanisme d’une économie d’où elle explique la nécessité croissante de la population en énergie et par suite elle accélère l’activité économique. Il s’en va de même pour la relation entre le taux d’ouverture commerciale et la croissance économique.

TABLEAU2:SIGNEATTENDU

signe attendu

PIB EC DF

PIB Produit intérieur brut per tète (constant

LCU) +

EC Consommation d’énergie (équivalent de pétrole)

+ +

DF Crédit au secteur privé (% de pib) + +

Tr Le taux d’ouverture commerciale (%de

pib) + + +

K La formation brute de capital fixe (constant LCU)

+ + +

URB Taux d’urbanisme (% de la population

totale) + + +

3 La détermination des crédits domestiques est reliée au secteur bancaire, y compris les crédits bruts aux différents secteurs, sauf celles au gouvernement. Le secteur bancaire englobe les autorités monétaires, les banques de dépôt et d’autres institutions bancaires. Il comprend également les institutions qui n’acceptent pas les dépôts transférables mais acceptent des engagements des dépôts à terme et d’épargne.

4 Plusieurs études ont utilisé le passif liquide (% PIB) comme indicateur de développement financier (Mc.

Kinnon, 1973 ; King et levine, 1993). Cette mesure ne présente pas une image fidèle car elle exprime le volume du secteur financier mais pas le développement financier.

(8)

Source : Les auteurs 3.2. Méthodologie de recherche :

Le présent papier traite la relation liant la consommation d’énergie, le développement financier à la croissance économique dans le court et le long terme. Suivant les travaux de shahbaz et al (2012) et kahouli (2017), et comme nous avons défini l’énergie comme input de la production, notre modèle empirique se base sur la fonction de production Cobb-douglas ayant des rendements constants.

La fonction de production agrégée est présentée comme suit :

𝒚_𝒕 = 𝑨_𝒕𝑲_𝒕^𝒂^𝟏𝑳_𝒕^𝒂^𝟐𝑬𝑪_𝒕^𝒂^𝟑𝒆^𝒖 (1)

Dont y représente le Pib, EC désigne la consommation d’énergie et e est le terme d’erreur.

𝑎_$,𝑎_%, 𝑎_&, 𝑎_' définissent l’élasticité de la production respectivement par rapport au facteur capital, au facteur travail et à la consommation d’énergie.

Nous avons choisit d’endogénéiser le progrès technologique en le définissant comme le développement financier. De plus, nous avons intégré le capital, l’urbanisation (proxy de travail) et le taux d’ouverture commercial, à une fonction Cobb Douglass augmentée⁵.

𝑨_𝒕 = 𝜽. 𝑭𝑫_𝒕^𝒂 (2) Substituons l’équation (2) dans (1) :

𝑶𝒏𝒚_𝒕 = 𝜽. 𝑭𝑫_𝒕^𝝀^𝟏𝑲_𝒕^𝒂𝑳_𝒕^𝟏*𝒂𝑬𝑪_𝒕^𝝀^𝟐𝒆^𝒖 (3) Log linéarisons cette fonction, on obtient :

𝒍𝒏𝒚_𝒕 = 𝒂_𝟎+ 𝒂_𝟏𝒍𝒏𝑭𝑫_𝒕+ 𝒂_𝟐𝒍𝒏𝑬𝑪_𝒕+ 𝒂_𝟑𝒍𝒏𝑲_𝒕+ 𝒂_𝟒𝒍𝒏𝑻𝑹_𝒕+ 𝒂_𝟓𝒍𝒏𝑼𝑹𝑩_𝒕+ 𝜺_𝒕 (4)

Empiriquement, afin d’étudier les déterminants de la croissance économique, la consommation et le développement financier, on définit un modèle à équations multiples où à chaque fois on alterne la variables dépendantes, équation (5), (6), (7) respectivement :

𝐥𝐧𝐏𝐈𝐁_𝐭 = 𝐚_𝟎+ 𝐚_𝟏𝐥𝐧𝐅𝐃_𝐭+ 𝐚_𝟐𝐥𝐧𝐄𝐂_𝐭+ 𝐚_𝟑𝐥𝐧𝐊_𝐭+ 𝐚_𝟒𝐥𝐧𝐓𝐑_𝐭+ 𝐚_𝟓𝐥𝐧𝐔𝐑𝐁_𝐭+ 𝛆_𝐭 (5)

𝐥𝐧𝐅𝐃_𝐭 = 𝐚_𝟎+ 𝐚_𝟏𝐥𝐧𝐏𝐈𝐁_𝐭+ 𝐚_𝟐𝐥𝐧𝐄𝐂_𝐭+ 𝐚_𝟑𝐥𝐧𝐊_𝐭+ 𝐚_𝟒𝐥𝐧𝐓𝐑_𝐭+ 𝐚_𝟓𝐥𝐧𝐔𝐑𝐁_𝐭+ 𝛆_𝐭 (6)

𝐥𝐧𝐄𝐂_𝐭 = 𝐚_𝟎+ 𝐚_𝟏𝐥𝐧𝐏𝐈𝐁_𝐭+ 𝐚_𝟐𝐥𝐧𝐅𝐃_𝐭+ 𝐚_𝟑𝐥𝐧𝐊_𝐭+ 𝐚_𝟒𝐥𝐧𝑻𝑹 + 𝐚_𝟓𝐥𝐧𝐔𝐑𝐁_𝐭+ 𝛆_𝐭 (7)

Où, ln PIB est le logarithme du PIB par capita, ln FD est le logarithme du développement financier, ln EC est le logarithme de l’utilisation d’énergie par capita.

LK, lnURB, lnTR sont respectivement le logarithme de formation brute de capital, l’urbanisation et le taux d’ouverture commerciale.

Pour ce modèle, nous allons utiliser une méthodologie qui combinent plusieurs méthodes en se basant essentiellement sur l’approche ARDL (Pesaran et Shin 1999 ; Pesaran et al 2001) et l’approche de la causalité de Toda Yamamatou.

5 Omri et Kahouli (2014 a et b)

(9)

L’approche ARDL présentent plusieurs avantages : au premier lieu, cette approche peut être utilisé soient pour des séries I (0), I (1) ou intégrés par friction (Pesaran et al 2001). Dans un second lieu, elle aide à éviter les problèmes d’endogeneité. De plus, pour les échantillons de petites tailles, l’approche ARDL est plus fiable que celle de Johannsen et Juselius pour la cointégration. Troisièmement, l’approche ARDL permet de détecter le nombre des retards spécifique. Le quatrième avantage est que la procédure ARDL utilise une seule équation de forme réduite, alors que les procédures de cointegration classique étudient les relations à long terme dans un contexte d’équation système. Dans la présente étude, la méthode ARDL va être appliquée sur plusieurs étapes.

La première étape consiste à tester la stationnarité des séries ou de leurs ordres d’intégration.

Pour cela trois tests de racine unitaire sont mis en œuvre : le test de dickey Fuller (1979), le test de dickey et Fuller augmenté (1981) et le test de Phillips et perron (1988), qui testent l’hypothèse nulle de l’existence d’une racine unitaire (non stationnarité) par rapport à l’hypothèse alternative d’absence de racine unitaire (stationnarité).

Après avoir testé l’ordre d’intégration des variables, la deuxième étape serait d’appliquer le test d’ARDL aux bornes pour étudier la relation de cointegration de long terme entre la consommation d’énergie, le développement financier et la croissance économique. Le modèle ARDL se présente comme suit :

∆𝐥 𝐧 𝐏𝐈𝐁_𝐭 = 𝛄_𝟏𝟎+ ∑^𝐚_𝐢3𝟏^𝟏 𝛃_𝟏𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟎^𝟏 𝛘_𝟏𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟎^𝟏 𝛌_𝟏𝐢𝚫𝐥𝐧𝐄𝐂_𝐭*𝐢 +

+ ∑^𝐝_𝐢3𝟎^𝟏 𝛉_𝟏𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟎^𝟏 𝛑_𝟏𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟎^𝟏 𝛅_𝟏𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟏𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟏𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟏𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟏𝟒𝐊_𝐭*𝟏+ 𝛈_𝟏𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟏𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (8)

∆ 𝐥𝐧 𝐅𝐃_𝐭= 𝛄_𝟐𝟎+ ∑^𝐚_𝐢3𝟎^𝟐 𝛃_𝟐𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟏^𝟐 𝛘_𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟎^𝟐 𝛌_𝐢𝚫𝐥𝐧𝐍𝐄𝐂_𝐭*𝐢+

∑^𝐝_𝐢3𝟎^𝟐 𝛉_𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟎^𝟐 𝛑_𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟎^𝟐 𝛅_𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟐𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟐𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟐𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟐𝟒𝐊_𝐭*𝟏+ 𝛈_𝟐𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟐𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (9)

∆ 𝐥𝐧 𝐄𝐂_𝐭 = 𝛄_𝟑𝟎+ ∑^𝐚_𝐢3𝟎^𝟑 𝛃_𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟎^𝟑 𝛘_𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟏^𝟑 𝛌_𝐢𝚫𝐥𝐧𝐄𝐂_𝐭*𝐢+

∑^𝐝_𝐢3𝟎^𝟑 𝛉_𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟎^𝟑 𝛑_𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟎^𝟑 𝛅_𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟑𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟑𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟑𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟑𝟒𝐊_𝐭*𝟏+ 𝛈_𝟑𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟑𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (10)

∆ 𝐥𝐧 𝐊_𝐭 = 𝛄_𝟒𝟎+ ∑^𝐚_𝐢3𝟎^𝟒 𝛃_𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟎^𝟒 𝛘_𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟎^𝟒 𝛌_𝐢𝚫𝐥𝐧𝐄𝐂_𝐭*𝐢+

∑^𝐝_𝐢3𝟏^𝟒 𝛉_𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟎^𝟒 𝛑_𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟎^𝟒 𝛅_𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟒𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟒𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟒𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟒𝟒𝐊_𝐭*𝟏+ 𝛈_𝟒𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟒𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (11)

∆ 𝐥𝐧 𝐓𝐑_𝐭 = 𝛄_𝟓𝟎+ ∑^𝐚_𝐢3𝟎^𝟓 𝛃_𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟎^𝟓 𝛘_𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟎^𝟓 𝛌_𝐢𝚫𝐥𝐧𝐄𝐂_𝐭*𝐢+

∑^𝐝_𝐢3𝟎^𝟓 𝛉_𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟏^𝟓 𝛑_𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟎^𝟓 𝜹_𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟓𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟓𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟓𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟓𝟒𝐊_𝐭*𝟏+ 𝛈_𝟓𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟓𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (12)

∆𝐥𝐧𝐔𝐑𝐁_𝐭= 𝛄_𝟔𝟎+ ∑^𝐚_𝐢3𝟎^𝟔 𝛃_𝐢𝚫𝐥𝐧𝐏𝐈𝐁_𝐭*𝐢+ ∑^𝐛_𝐢3𝟎^𝟔 𝛘_𝐢𝚫𝐥𝐧𝐅𝐃_𝐭*𝐢+ ∑^𝐜_𝐢3𝟎^𝟔 𝛌_𝐢𝚫𝐥𝐧𝐄𝐂_𝐭*𝐢+

∑^𝐝_𝐢3𝟎^𝟔 𝛉_𝐢𝚫𝐥𝐧𝐊_𝐭*𝐢+ ∑^𝐞_𝐢3𝟎^𝟔 𝛑_𝐢𝚫𝐥𝐧𝐓𝐑_𝐭*𝐢+ ∑^𝐟_𝐢3𝟏^𝟕 𝛅_𝐢𝚫𝐥𝐧𝐔𝐑𝐁_𝐭*𝐢+ 𝛈_𝟔𝟏𝐏𝐈𝐁_𝐭*𝟏+ 𝛈_𝟔𝟐𝐅𝐃_𝐭*𝟏+ 𝛈_𝟔𝟑𝐄𝐂_𝐭*𝟏+ 𝛈_𝟔𝟒𝐊_𝐭*𝟏+ 𝛈_𝟔𝟓𝐓𝐑_𝐭*𝟏+ 𝛈_𝟔𝟔𝐔𝐑𝐁_𝐭*𝟏+ 𝛆_𝐢 (13) Dans l’équation (8) par exemple, l’opérateur de différence première est caractérisé par ∆ ; 𝛽_$:

, 𝜒_$:, 𝜆_$:, 𝜑_$:, 𝜃_$: , 𝜋_$:, 𝛿_$: sont les termes d’erreur, 𝑎_$, 𝑏_$, 𝑐_$, 𝑑_$, 𝑒_$, 𝑓_$sont les retards

(10)

optimaux à utiliser. Les coefficients de 𝜂_$$ à 𝜂_$; indiquent la relation de long terme entre les variables du modèle et ε_< represente le terme d’erreur.

L’approche ARDL se base sur la statistique de Fisher pour tester la relation de cointégration de long terme des variables concernant la nullité du non cointegration : 𝐻₌ : 𝜂_>$ = 𝜂_>% = 𝜂_>& = 𝜂_>' = 𝜂_>? = 𝜂_>@ =0 et alternative 𝐻_$ : 𝜂_>$ = 𝜂_>% = 𝜂_>& = 𝜂_>' = 𝜂_>? = 𝜂_>@ ≠ 0.

l’hypothèse nulle étudiée est : 𝐻₌ ∶ 𝜂_>$ = 𝜂_>% = 𝜂_>& =0 et alternative 𝐻_$ : 𝜂_>$ = 𝜂_>%= 𝜂_>& ≠ 0. Le reste des équations (8-13) s’expliquent de la même manière.

Pesaran et al (2001) ont caractérisé deux variables critiques : la borne inférieure qui correspond aux variables I (0) et la borne supérieure qui fait référence aux variables I (1). Le test se fait de la manière suivante : si la valeur de f calculée excède la borne inférieure, il existe une relation de long terme. Il n’existe pas de cointegration entre les séries si la valeur calculée du f-statistique est inférieure à la borne supérieure. Dans le cas où la valeur calculée de la statistique du Fisher se trouve entre la borne inferieure et la borne supérieure, la décision de cointegration est peu concluante. Ce qui fait référence à une autre méthode déterminante de la relation de cointegration, à savoir, le modèle à correction d’erreur.

Test de causalité : approche de Toda - Yamamoto

Les tests classiques de causalité (principalement celui de Granger) ont été largement critiqués, mettant en valeur l’efficacité de test de causalité au sens de Toda et Yamamoto (1995). Etant donné que l’application de test de Granger nécessite que les séries soient stationnaires, ce qui rend indispensable de passer par les tests préliminaires d’intégration des séries. Ainsi, en procédant à la différenciation des séries, on risque de perdre de l’information sur le niveau des séries et cela ne permet que d’interpréter la causalité de court terme.

La faiblesse des résultats de cointégration associée au caractère biaisé du test de racine unitaire traduisent l’inefficacité du test de causalité de Granger, incitant Toda et Yamamoto à proposer de tester la causalité entre les séries par des procédures non séquentielles.

L’approche de Toda-Yamamoto avance l’avantage de procéder à un VAR en niveau. Ainsi la procédure du test est la suivante :

1- En recourant au test de stationnarité, déterminer l’ordre d’intégration maximale des séries étudiés (𝑑_ABC).

2- Trouver le décalage (Lag) optimal du VAR en niveau (k) qui minimise les critères d’informations (AIC, SIC).

3- Estimer un VAR en niveau d’ordre « p=k+𝑑_ABC ».

Le teste de la causalité entre la consommation d’énergie et la croissance économique au sens de Toda-Yamamoto, commence par l’estimation du modèle VAR augmenté qui se présente comme suit :

𝑙𝑛𝑒𝑐_D = 𝑎₌+ h 𝑎_$:

E

:3$

𝑙𝑛𝑒𝑐_D*:+ h 𝑎_%>

EFG_)*+

>3EF$

𝑙𝑛𝑒𝑐_D*> + h 𝑎_$:

E

:3$

𝑙𝑛𝑝𝑖𝑏_D*:+ h 𝑎_%>

EFG_)*+

>3EF$

𝑙𝑛𝑝𝑖𝑏_D*>

+ 𝜀_$D + ⋯

(11)

𝑙𝑛𝑝𝑖𝑏_D= 𝑏₌+ h 𝑏_$:

E

:3$

𝑙𝑛𝑝𝑖𝑏_D*:+ h 𝑏_%>

EFG_)*+

>3EF$

𝑙𝑛𝑝𝑖𝑏_D*> + h 𝑏_$:

E

:3$

𝑙𝑛𝑒𝑐_D*:+ h 𝑏_%>

EFG_)*+

>3EF$

𝑙𝑛𝑒𝑐_D*>

+ 𝜀_%D+ ⋯

D’après ce modèle on peut tester la causalité au sens de Granger à l’aide d’une statistique de Wald qui suit asymptotiquement une loi de khi-deux sur les « k » premiers coefficients.

Les hypothèses du test de causalité sont :

𝐻₌: 𝑎_$: = 0 : la consommation d’énergie ne cause pas la croissance économique.

𝐻₌: 𝑏_$: = 0 : la croissance économique ne cause pas la consommation d’énergie.

4. Présentation des résultats et discussion : 1. Statistique descriptive :

La première étape avant de commencer l’étude empirique consiste à indiquer la nature des séries dans des graphiques linéaires. Les évolutions en logarithme, du Pib par habitant, du développement financier et de la consommation d’énergie sont représentées dans la figure 1.

Figure 1 : Evolution du PIB par habitant, du développement financier et de la consommation d’énergie

Ainsi l’analyse de statistique descriptive et la matrice de corrélation entre les variables sont comme le montre le tableau (3). Les résultats montrent que toutes les séries sont normalement

6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9

1980 1985 1990 1995 2000 2005 2010

LNEC

3.8 3.9 4.0 4.1 4.2 4.3 4.4

1980 1985 1990 1995 2000 2005 2010

LNFD1

7.9 8.0 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8

1980 1985 1990 1995 2000 2005 2010

LNGDP

(12)

distribuées. La formation brute de capital et le produit intérieur brut tendent à avoir plus des variations par rapport aux autres variables.

La matrice de corrélation révèle que la consommation d’énergie est fortement et positivement corrélée avec le produit intérieur brut, la formation brute de capital et l’indicateur du développement financier. Ainsi il existe une corrélation positive et significative entre la croissance économique, le développement financier et la formation brute de capital. De l’autre côté, il y a une corrélation moyenne, mais positive entre le développement financier, le taux d’urbanisation, la formation brute du capital et le taux d’ouverture commerciale.

TABLEAU3:STATISTIQUEDESCRIPTIVEETMATRICEDECORRELATION

L’estimation de la relation entre les variables nécessite tout d’abord la connaissance de l’ordre d’intégration des séries pour s’échapper à des variables I (2) et donc éviter de tomber sur des estimations fallacieuses.

Pour le faire, nous utilisons le test de racine unitaire au logarithme des variables en niveau et en différence première. Les résultats des tests ADF et PP de racine unitaire sont détaillés dans le tableau (4). On note que les variables : la consommation d’énergie, la croissance économique, le développement financier, le taux d’ouverture commerciale et la formation brute de capital, sont intégrés d’ordre 1. Alors que le taux d’urbanisation est stationnaire en niveau, I (0). On se trouve dans un cas où les séries sont intégrées à des ordres différents, ce qui s’avère inefficace les tests d’Engle et Granger (1987) et celui de Johansen (1991) et rend convenable le test de cointegration aux bornes de Pesaran (2001).

Variable Lnpib Lnec Lnurb Lnk lntr Lnfd1

Mean 8.26390 6.543523 4.105283 6.766068 4.478625 4.121245

médian 8.246873 6.501370 4.131351 6.737870 4.465314 4.096724 Maximum 8.725601 6.873951 4.216149 7.303250 4.739306 4.357265 Minimum 7.965839 6.198922 3.923339 6.203778 4.211906 3.838365 Ecart-type 0.266314 0.217588 0.090595 0.288787 0.122625 0.122057

Lnpib 1 0.988266 0.519267 0.821921 0.653397 0.942117

Lnec 0.988266 1 0.499187 0.862272 0.686886 0.914101

Lnurb 0.519267 0.499187 1 0.544281 0.302249 0.517909

Lnk 0.821921 0.862272 0.544281 1 0.691332 0.647043

Lntr 0.653397 0.686886 0.302249 0.691332 1 0.609232

Lnfd1 0.942117 0.914101 0.517909 0.647043 0.609232 1

(13)

TABLEAU4 :TESTDERACINEUNITAIRE

Lag Test ADF test Phillips perron

Cas 1 : modèle avec constante (en niveau) :

LnPIB 2 0.803297 0.830923***

Lnec 2 -0.199163 -0.048652

Lnurb 2 -3.319040** -5.0498581***

Lnk 2 -0.772223 -0.418327

Lninn 2 -1.652347 -1.769895

Lnfd1 8 -1.072037 -2.585417 Cas2 : modèle avec constante et tendance (en niveau) :

LnPIB 2 -2.340269 -2.335571

Lnec 2 -2.203600 -4.50458**

Lnurb 2 -2.605442 -0.591157

Lnk 2 -2.921403 -1.650308

Lninn 2 -3.550582 -2.655435

Lnfd1 8 -2.053943 -2.937214

Cas3 : modèle avec constante (différence première) :

LnPIB 2 -5.811083*** -5.815058***

Lnec 2 -11.08692** -12.43038***

Lnurb 2 -0.820540 -0.659724

Lnk 2 -3.805638*** -3.826407***

Lninn 2 -5.365868*** -5.413765***

Lnfd1 4 -4.103428*** -5.364094***

*** Significatif à1% ** significatif à 5% * significatif à 10%

Utilisant le critère d’Akaike pour sélectionner le Lag optimal, il apparait que pour les trois modèles le Lag optimal est 2. Le test de cointegration aux bornes est rapporté dans le tableau (5). Les résultats confirment l’existence de trois vecteurs de cointegration quand le développement financier, la croissance économique et la consommation d’énergie sont utilisés comme variables dépendantes. Ainsi, les résultats des trois modèles estimés montrent que la valeur du f-statistique est au-dessus de la borne supérieure.

TABLEAU5:TESTDECOINTEGRATIONAUXBORNES

*** Significatif à1% ** significatif à 5% * significatif à 10%

Pour vérifier la robustesse des modèles établis, nous procèdons à un test diagnostique. Le test LM de corrélation de Breusch-Godfrey n’a détecté aucune autocorrélation des erreurs pour les trois modèles étudiés. Ainsi, tous les modèles sont libres d’hétéroscédasticité (test ARCH). Les erreurs sont normalement distribuées et les modèles sont bien spécifiés (tableau 6).

Modèle Variable dépendante lag f-statistique Décision

1 Lnec 2 7.301262*** Cointegration

2 Lnpib 2 7.331709*** Cointegration

3 Lnfd1 2 4..686161*** Cointegration

Valeur critique

10% 5% 1%

I (0) 2.08 2.39 3.06

I (1) 3 3.38 4.15

(14)

La stabilité des paramètres du modèle ARDL est étudiée à l’aide des tests de CUSUM et CUQUMQ. Ces tests aident à analyser les changements progressifs des paramètres.

L’acceptation de l’hypothèse nulle de constance des paramètres signifie que la valeur attendue du résidu récursif est zéro (Brown et al 1975). Les tracés des tests sont présentés dans la figure 2. Depuis les graphiques, on constate que les statistiques se situent entre les bornes critiques, ce qui conclue la stabilité des coefficients.

TABLEAU6:TESTDIAGNOSTIQUE

Modèle Variable

dépendante Lm test Arch test Reset test JB test 1

2 3

Lnec Lnpib Lnfd1

0.6784 0.9580 0.4576

0.3510 0.3588 0.0684

0.4108 0.8542 0.5247

0.6718888 0.702993 0.698977

Figure 2 : tests de CUSUM et CUQUMQ Consommation d’énergie

PIB

Développement financier

-15 -10 -5 0 5 10 15

16 18 20 22 24 26 28 30 32 34

CUSUM 5% Significance

-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4

16 18 20 22 24 26 28 30 32 34

CUSUM of Squares 5% Significance

-15 -10 -5 0 5 10 15

14 16 18 20 22 24 26 28 30 32 34

-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4

14 16 18 20 22 24 26 28 30 32 34

-15 -10 -5 0 5 10 15

14 16 18 20 22 24 26 28 30 32 34

-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4

14 16 18 20 22 24 26 28 30 32 34

(15)

2. Résultat du modèle ARDL :

Comme il existe des vecteurs de cointégration entre les variables, on procède à une estimation des coefficients de long et de court terme. Le tableau (7) rapporte les résultats de l’estimation à long terme utilisant l’approche ARDL.

TABLEAU7:ESTIMATIONDESCOEFFICIENTSDELONGTERME

Modèle1 : consommation d’énergie comme variable dépendante

Les résultats de l’estimation confirment que la croissance économique et le taux d’urbanisation ont un impact positif et significatif au niveau de 1% sur la consommation d’énergie à long terme. En outre, une amélioration de 1% du PIB per capita va engendrer une demande de l’énergie de 0.4%, ce constat est conforme avec le travail de Shahbaz et Lean (2012) pour le cas de la Tunisie. Cela a pour raison que l’énergie fossile constitue la principale ressource pour la production dans le système économique tunisien. De plus, un accroissement du taux de population urbaine de 1% implique une hausse autour de 1% de la consommation d’énergie.

Ceci s’explique par la stratégie d’électrification menée par l’Etat depuis l’indépendance.

La formation brute de capital (FBCF) se montre aussi un facteur accélérateur de la consommation d’énergie. D’où une hausse de 10% de la FBCF engendre une hausse de la demande d’énergie de 1.5%. De l’autre côté, le taux d’ouverture commerciale tend à réduire la demande d’énergie à long terme, ce constat est expliqué par l’effet technique introduit par Antweiler et al. (2001). Cependant, le développement financier parait ne pas avoir un impact significatif à long terme sur la consommation d’énergie, le prouvent Kamensky et Reinhart (1999).

Modèle 2 : produit intérieur brut comme variable dépendante

Les résultats de l’estimation prouvent que la consommation d’énergie impacte positivement la croissance économique et c’est pour la simple raison que l’énergie constitue le principal intrant

Long terme

Variable lnec Lnpib Lnfd1

Coefficient t-stat Coefficient t-stat Coefficient t-stat

lnec - - 1.769735*** 4.329719 0.965014 1.248738

Lnpib 0.413020*** 3.635574 - - -1.929663*** -3.164823

Lnfd1 -0.120523 -1.591431 0.051361 0.352997 - -

Lnurb 1.009629*** 4.211086 -1.024998 -1.450359 2.664590*** 3.576680 Lntr -0.113176* -1.881175 0.112559 0.684425 -0.030543 -0.156566 Lnk 0.152542** 2.221135 -0.130681 -0.766381 1.000641*** 5.513213 c -1.067087*** -3.736618 1.151464 1.426368 -3.8676697** -2.25640

Cusum test Stable Stable stable

Squares test Stable Stable Stable

(16)

du processus de production. D’ailleurs une utilisation supplémentaire de 1% de la consommation d’énergie augmente le PIP par tête de 1.76%.

Modèle 3 : crédit au secteur privé comme variable dépendante

D’un côté, on a trouvé que la croissance économique exerce un impact négatif sur les crédits au secteur privé. Ce résultat ne se conforme pas aux études empiriques récentes. De l’autre côté, la FBCF et le taux d’urbanisation ont un effet positif et significatif sur le développement financier. En effet, cela est dû principalement au faite que la formation brute de capital constitue l’ensemble des nouveaux équipements de production ou de distribution, d’où une demande supplémentaire des crédits domestiques.

De même pour le taux d’urbanisation, une hausse de 1% de taux d’urbanisation engendre une augmentation de 2.6% des crédits domestiques, ainsi cela est expliqué par les comportements des individus c’est-à-dire que le passage aux zones urbaines nécessite une quantité supplémentaire des crédits domestiques.

Les élasticités à court terme sont calculées comme les coefficients estimés à partir des différences premières des variables, tel qu’il est présenté dans le tableau (8).

TABLEAU1:MODELEACORRECTIOND'ERREUR

Modèle1 : consommation d’énergie comme variable dépendante

Les résultats révèlent que le développement financier ainsi que le PIB finissent par augmenter la consommation d’énergie à court terme. Plus précisément, une hausse de 1% du PIB par tête engendre une augmentation de 1.19% de la consommation d’énergie. De même, une

Court terme :

Lnec Lnpib Lnfd1

Coefficient t-stat Coefficient t-stat Coefficient t-stat

Lnec - - 0.434006*** 7.768232 0.602473** 2.619346

Lnpib 1.194223*** 8.408752 - - -2.326118** -6.225339

Lnpib(-1) -0.228934* -1.987092 - - - -

Lnfd1 0.107764** 2.263743 -0.126820*** -5.344071 - -

Lnurb 0.962065** 2.170344 -0.287270 -0.9656270 14.878615*** 7.072652 Lntr 0.104660** 2.474747 -0.059994** -2.318982 -0.040618 -0.350353

Lntr(-1) - - -0.059327* -1.996190 - -

Lnk -0.116202* -2.426455 0.134875*** 5.131542 0.509621*** 4.377156

Lnk(-1) - - - - -0.351161** -2.568287

Coineq(-1) -0.967743*** -7.971075 -0274470*** -7.839539 -0.668259*** -6.142263