La hausse de prix du pétrole : quelles conséquences sur quelques variables macroéconomiques de la Guinée (économiste)

La flambée de prix du baril du pétrole à l’échelle mondiale constitue un sujet de préoccupation important dans tous les pays importateurs nets du pétrole. D’une manière générale, les fortes hausses du prix du pétrole font craindre une récession économique mondiale comme celle connu dans les années 1970. L’ampleur du phénomène d’alors a suscité de nombreuses études mettant en relation le prix du pétrole et la macroéconomie et/ou la microéconomie. Mais, malgré les multitudes de recherches et de la production de riches littératures sur la question de la hausse du prix du pétrole sur l’économie, l’économie africaine particulièrement guinéenne reste marginale du point de vue de recherche empirique. C’est pourquoi, ce travail se propose de contribuer à l’étude de la relation entre le prix du pétrole et quelques variables macroéconomiques de l’économie guinéenne. L’objectif de ce travail est d’examiner les effets des fluctuations de prix du pétrole sur la production, l’inflation et la taxe sur les produits pétroliers en utilisant les données annuelles de 1990 à 2012. Les méthodes économétriques de la cointégration ainsi que celle de la causalité au sens de granger ont été utilisées pour identifier la relation entre le prix du pétrole et quelques variables macroéconomiques. Les résultats révèlent que l’économie guinéenne est significativement influencée par les fluctuations du prix du pétrole à court et à long terme. Les tendances du tableau de la matrice de corrélation indiquent une corrélation positive de   0,605137 entre le prix du pétrole et le taux d’inflation, une corrélation positive de 0,767583 entre le prix du pétrole et la taxe sur les produits pétroliers. Par contre, le produit intérieur brut par tête et le prix du pétrole ne semble pas évolué de manière concomitante comme l’indique le faible niveau et négatif de corrélation de –0,443049.

Mots clés : fluctuations des prix du pétrole, macroéconomie, cointégration, causalité.

A- INTRODUCTION

En comparaison à son poids démographique l’Afrique consomme peu d’énergie. En effet, en Afrique sub-saharienne, la consommation par habitant et par an (hors Afrique du Sud) est de l’ordre de 100 kilos d’équivalent pétrole contre 8000 aux Etats-Unis et 4000 dans les pays de l’OCDE. Cette situation est à la fois cause et conséquence du faible niveau de développement économique. Plus de 60% de la population africaine vit avec moins de 2 dollars par jour et plus de 60% de la population africaine n’a pas accès à l’énergie commerciale et doit se contenter de bois de feu. A terme, l’augmentation prévisible de la population et l’amélioration du niveau de vie entraineront des besoins accrus en énergie (Favennec, Adedjoumon, Duhamel, Giri, Gilles, Tronche, 2009).

La hausse mondiale du prix de l’énergie constitue un sujet de préoccupation majeur dans tous les pays importateurs nets (Benassy-Quéré et Mignon, 2005). Et, ce prix reste capital pour la macroéconomie, les entreprises et les ménages compte tenu des ressorts des prix pétroliers et leurs financiarisations avec l’apparition des produits dérivés. Les effets de la hausse de prix du pétrole sont ressentis de manière différente par les pays et suivant leur statut : pays industrialisés (développés) et pays en développement qui, en général croupissent sous le poids de la dette extérieure et le faible degré d’efficacité énergétique.

La hausse importante de prix international du baril de pétrole brut au cours de ces dernières décennies offre l’opportunité de réformer le système de régulation des prix domestiques des produits pétroliers dans plusieurs pays en développement notamment ceux engagés dans le processus de désendettement dans le cadre de l’Initiative en faveur des pays pauvres très endettés (PPTE). Il est d’ailleurs un des phénomènes marquant de la vie économique et sociale. La plupart des observateurs du marché pétrolier indiquent que les niveaux atteints par les prix du pétrole sont similaires à des records historiques, ce qui, si l’on se réfère aux crises pétrolières des années 70, devraient avoir des conséquences désastreuses pour l’économie : hausses du niveau général du prix des biens et services (inflation), chute de rentabilité des entreprises, pertes du pouvoir d’achat des ménages, chômage et désindustrialisation. Les cours du pétrole à l’échelle mondiale au cours de la période 1980-2012 font l’objet des fluctuations caractéristiques d’instabilité. En effet le prix du pétrole brut est passé de 9 dollars le baril en décembre 1998 à 145 dollars le baril en juillet 2008. Il a ensuite chuté jusqu’à 32 dollars en décembre 2008, avant de croitre à nouveau en 2009 et d’atteindre en fin d’année un niveau de 80 dollars et 111,65$ le baril pour l’année 2012. Cette conjonction de tendance à la hausse et à la baisse d’une part, et d’une forte volatilité d’autre part, a toutes les changes de se poursuivre dans les prochaines années avec la succession des phases d’optimisme et de pessimisme de l’état de l’économie mondiale. En réalité, les fluctuations mensuelles des prix pétroliers ont été plus importantes que les tendances annuelles, le cours du pétrole brut ayant passé de 100$ le baril en décembre 2007 à 145$ en juillet 2008. Une telle instabilité du cours du pétrole brut ne peut manquer d’entrainer des distorsions macroéconomiques, en particulier dans les pays qui sont des importateurs nets de pétrole[1].

Tous les pays ne sont pas exposés de la même ampleur face à la hausse prononcée et brutale du prix du baril de pétrole. Dans certains pays, cette hausse considérable a été amortie par la variation des taux de changes particulièrement, les pays de la zone euro où on a enregistré la faiblesse du dollar par rapport à l’euro et les pays membres de l’UEMOA compte tenu de l’arrimage de du franc CFA à l’euro. Depuis 2002, la hausse des prix du pétrole en zone euro a été modéré par l’appréciation de l’euro face au dollar. L’évolution des variables est cependant atypique au regard de leur relation de long terme « selon nos estimations, une hausse de 10% du prix réel du pétrole se traduit, toutes choses égal par ailleurs, par une dépréciation réelle de 9,4% de l’euro vis-à-vis du dollar, en novembre 2004, le prix en euro du pétrole aurait ainsi été de 37% au-dessus du prix observé » (BENASSY-QUERE et MIGNON, 2005).

Par contre d’autres pays comme la Guinée, en plus de la volatilité à court terme des prix au comptant du brut, l’importateur guinéen s’expose aussi à la volatilité du taux de change du franc guinéen (GNF) par rapport au dollar US.  Ainsi, une appréciation ou dépréciation du franc guinéen par rapport au dollar US peut entrainer à court terme des gains ou des pertes considérables malgré une bonne couverture sur le marché à terme (BALDE, KHOURY et SOUMARE, 2005). Etant donné l’absence des contrats à terme sur le taux de change GNF/$US et la parité fixe entre le franc guinéen et d’autres monnaies fortes comme l’euro ou même le FCFA.

Dans beaucoup de pays notamment en développement, la hausse du prix des produits pétroliers surtout à la pompe reste un sujet sensible notamment sur le plan politique et social. Pour preuve, en Guinée malgré la privatisation du secteur à la faveur de la réforme intervenue au début des années 1990, l’Etat garde un contrôle sur les prix de vente de quatre sous-produits pétroliers à travers tout le pays. Les importateurs guinéens des produits pétroliers doivent alors maintenir des prix de vente fixes négociés avec le gouvernement. Ces prix sont révisés en moyenne une fois par année sans prendre en compte les situations de crise majeure. L’établissement des prix de vente par arrêté gouvernemental expose les importateurs guinéens à un risque de gain ‘ou de perte) à court terme étant donné que leur approvisionnement se fait au prix comptant (ou spot) qui est volatile[2].

Par ce mécanisme du contrôle des prix des produits pétroliers, la plupart des gouvernements manifestent une crainte à répercuter au prix à la pompe la hausse du prix international du pétrole. C’est pourquoi, la plupart d’entre eux notamment ceux des pays en développement pratiquent une politique de subvention des prix des pétroliers à la pompe pour maintenir le prix à un niveau soutenable et accessible à une frange couche de la population. Cependant, et si toutefois les gouvernements font transiter à la pompe le prix international du pétrole, cela ne peut manquer de peur de faire face à une résistance sociale (comme les émeutes dans les années 2007-2008) dans beaucoup de pays africains) contre une politique susceptible de pénaliser les pauvres. Car la majorité des ménages urbains et périurbains de la plupart des pays africains utilisent essentiellement du pétrole lampant pour l’éclairage et la cuisine et de l’essence pour les moyens de transport. Par conséquent, la hausse des prix du pétrole à la pompe entraine directement une détérioration du pouvoir d’achat des ménages et du coût limite leur demande. Toutefois, en cas de hausse des prix à l’échelle internationale, et si le gouvernement maintient le prix à la pompe, c’est le budget public qui en supportera les coûts, ce qui pourrait entrainer une réduction d’autres dépenses essentielles comme celles sociales. Par contre, tout alignement des prix à la pompe des produits pétroliers au prix international contribue à une amélioration de recettes fiscales, entrainant donc une réduction des déficits budgétaires de l’Etat.

Pour certains auteurs, le développement de l’Afrique est aussi freiné par les inégalités énergétiques propres au continent dans la mesure où l’essentiel de la consommation et de la production d’énergie non renouvelables sont concentrées en Afrique du Nord et Afrique du Sud. La fracture entre le continent et le monde se manifeste par la faiblesse de la consommation d’énergie et un taux élevé consommation d’énergie par unité de production. Selon les statistiques des organismes internationaux, avec 14% de la population mondiale, l’Afrique ne consomme que 3% de l’énergie utilisée dans le monde. La consommation moyenne d’un africain est le quart de la consommation moyenne d’un habitant dans le monde. En Afrique subsaharienne la consommation moyenne est inférieure de 92 % à la moyenne mondiale, et de 97 % à la consommation européenne. C’est ainsi bel et bien une frontière énergétique qui sépare l’Afrique du reste du monde et tout particulièrement des pays développés.

Les récentes fluctuations et progressives des cours du pétrole brut qui ont commencé depuis 2004 avec 38,27$ le baril et, qui se sont poursuivies pour atteindre 78 dollars le baril en Août 2006 soit un triplement par rapport au prix de 2002 qui, pourtant fini par atteindre son niveau le plus élevé dans l’histoire pétrolière en 2008, 145 dollar le baril soit un doublement par rapport au cours de 2006. Cette tendance récente des fluctuations des cours du pétrole suscite une inquiétude des pays importateurs nets du pétrole qui gardent en mémoire un effet négatif sur les activités économiques qui s’est manifesté pendant des périodes de flambée des cours du brut.

Ceci explique que l’analyse du prix du pétrole brut est une préoccupation très ancienne pour les économistes. Mais elle est devenue de plus en plus amplifiée à la suite du premier choc pétrolier qui s’est produit en 1973 lors de la guerre de Kippour et suivi quelques années plus tard par un second choc pétrolier provoqué par la révolution iranienne intervenue en 1979. Il est suivi par des hausses marquées du prix de brut suite l’invasion de l’Iran en 1980, les mini crises qui ont commencé en 2000 et qui finit par culminer en 2008 avec un prix record 145$ le baril.

C’est pourquoi LESCAROUX (2006) a remarqué que la question de l’influence macroéconomique des mouvements des prix du pétrole comporte une composante politique non négligeable et toute sorte d’opinions circulent. Les prix locaux et internationaux des produits pétroliers ne sont pas sans effet sur chacune de ces composantes. L’observation attentive du marché du pétrole permet de dégager l’ampleur du phénomène.   Partout dans le monde, les divers mouvements à la hausse et à la baisse des prix du pétrole et des produits pétroliers ont provoqué des déséquilibres importants notamment dans les pays industrialisés, qui se sont retrouvés dans une situation inflationniste, de chute de la production industrielle, chômage galopant, de déséquilibre de la balance commerciale courante, de déséquilibre budgétaire important etc.

Ces déséquilibres économiques et financiers ont suscité de nombreuses études et recherches variées analysant la relation entre le prix du pétrole et l’activité économique. De nombreux travaux divers et variés de ces dernières décennies dédiés à la question des prix du pétrole sur l’activité économique ont établi que les chocs des prix du pétrole ont des effets significatifs sur les variables macroéconomiques (CUNADO et PEREZ GARCIA de (2005), BALAZ et LONDAREV (2006), LARDIC et MIGNON (2006, 2008). Les récentes fluctuations des prix du pétrole ont encore ravivé le débat et replacé le thème au centre des préoccupations des chercheurs et décideurs et intéressant notamment, dans l’élaboration des politiques économiques ou pour trouver les mécanismes permettant d’amortir les effets de hausses brutales d’une part, et se prémunir contre les chocs des prix de pétrole d’autre part.

Un regard sur la littérature existante indique que la majorité des recherches dans ce domaine se concentrent majoritairement sur les pays développés et les pays producteurs et exportateurs de pétrole. Dans les divers travaux, les auteurs aboutissent à des résultats controversés. Pour certains, il existe une relation positive entre la hausse du prix du pétrole et l’activité économique. Pour d’autres, il existe une relation négative entre ces deux variables. Pourtant, malgré un débat très vif autour de l’importance des fluctuations des prix du pétrole sur les économies africaines, le fait le plus déconcertant, est la faiblesse d’études empiriques des liens entre le prix du pétrole et l’activité économique pour les pays importateurs nets de pétrole d’Afrique en générale, moins pour l’Afrique de l’ouest notamment, la Guinée en particulier.

La Guinée à l’instar des autres pays importateurs nets du pétrole et des produits pétroliers, exprime avec acuité l’importance croissante de l’énergie comme un des facteurs clé pour sa croissance et son développement économique. Elle est pour l’essentiel entièrement dépendante de l’importation d’énergie pour sa consommation (essence, gazole, kérosène et mazout) donc une contrainte majeure pour le pays. Après une période de morosité économique, la situation économique de la Guinée en 2011 est caractérisée par une timide reprise de l’activité économique. Le taux de croissance de l’économie s’est établit à 3,9% contre 1,9% en 2010. De l’analyse de l’Institut National des Statistiques indique, l’effet décalé de l’augmentation du prix du carburant en fin d’année 2010 et l’attentisme des opérateurs économiques suite à la proclamation des résultats des élections présidentielles ont eu un effet négatif sur les prix à la consommation. A cela il faut ajouter une autre augmentation du prix du carburant à la pompe survenue courant septembre 2011 a porté le taux d’inflation à 19% en glissement et à 21,4% en moyenne annuelle à fin décembre 2O11. Aussi, la dépréciation du franc guinéen par rapport au dollar s’est établit à 18,8% en 2011 contre 24,5% en 2010. Déjà le Produit national brut par tête (PNB/tête) est passé de 436,7 dollar en 1990 à 334,3 dollar en 2000 puis 293,9 dollar et 382,5 dollar respectivement pour la période de 2005 et 2010.

En effet, sur le plan de la situation énergétique, la consommation d’énergie par tête d’habitant estimée à 0,5tep par an est l’une des plus faibles de la sous-région. Le taux d’accès à l’énergie canalisé est environ 7% et l’essentiel de la consommation se fait à Conakry (83,7%). Le bilan énergétique est de 20% pour les produits pétroliers, 2% pour l’hydroélectricité,78% pour le bois. Il faut rappeler l’importance des énergies traditionnelles (bois et charbon de bois) dans la consommation finale de l’énergie des ménages (de plus de 95% de la consommation d’énergie des ménages)[3]. Comme le Mali, il y’a domination des énergies non commerciales et faiblesse des consommations d’énergie importée. Le bois (utilisé sous forme de bois de feu et de charbon de bois) est la principale énergie utilisée au Mali…, elle représente 90% de l’énergie domestique consommée. On l’estime entre 1,4 et 1,9 kg par personne et jour en milieu urbain et à 2,1 kg par personne et par jour en milieu rural[4].  Les montants des importations en millions de dollars ont évolué dans le temps de 88,60 en 1989 à 103,62 en 2003 puis 387,43 en 2008. La Guinée fait partir des pays à faible revenu les plus vulnérables aux chocs pétroliers, sa vulnérabilité est mesurée par le ratio des importations nettes de pétrole sur le produit intérieur brut 8,571% en 2008. La vulnérabilité du pays résulte principalement de facteurs comme celui du stockage qui limite seulement à 25000m³, d’électricité d’origine thermique.  Comme d’autres pays de la sous-région, la Guinée présente un bas profil énergétique.

En dehors du bois de feu destiné aux ménages et les boulangeries artisanales, l’économie guinéenne dépend d’une source d’énergie commerciale importée dans sa totalité. Cette situation rend le pays très sensible à la hausse importante du prix du pétrole brut. Les secteurs de transport, de l’industrie minière poumon de l’économie guinéenne, de la télécommunication, de brasserie et des petites fabriques sont les plus exposés. D’une manière générale, une hausse du prix du pétrole entraine une baisse du pouvoir d’achat des ménages guinéens. Cependant la hausse des prix des produits pétroliers à la pompe affecte indirectement les ménages car ils consomment des biens et services des autres secteurs de l’économie qui utilisent le pétrole comme un bien intermédiaire dans le processus de production. En fonction de la part du budget des ménages et des entreprises consacrées aux produits pétroliers, l’effet de la hausse du prix du pétrole sur le revenu réel des ménages et le profit des entreprises peut être considérable avec des variations selon groupe du revenu et le taux le taux d’utilisation des produits dans les entreprises du pays.

Les besoins énergétiques de la Guinée croissent de manière exponentielle. Les explications liées à cette croissance des besoins énergétiques sont multiples. Une analyse de la situation à l’échelle nationale des secteurs de consommation d’énergie indique en premier lieu le secteur minier qui contribue fortement au PIB. La Guinée étant un pays qui a plus d’une dizaine d’entreprises minières fonctionnant à partir des produits pétroliers importés affichant donc une demande importante. Cette demande se renforce dans le cas du secteur minier avec les projections d’installations des nouvelles entreprises minières. A ces entreprises minières s’ajoutent les grandes entreprises de brasseries, les usines de fabriques de plastiques, les usines de transformations et d’emballages de ciments et de farine qui fonctionnent avec des centrales thermiques gourmandes en produits pétroliers.

Les statistiques nationales du secteur indiquent que 47% des énergies sont produites à partir des centrales thermiques fonctionnant avec des produits pétroliers. La croissance des besoins énergétiques sans cesse des ménages pour la consommation domestique et les entreprises en tant que consommation intermédiaires ont poussés l’Etat guinéen à augmenter le nombre de centrale thermique de la capitale et de faire fonctionner celles des régions administratives et préfectures de la Guinée. Cette politique permet de pallier à court terme aux besoins énergétiques des ménages et à ceux des entreprises au moyen des centrales gourmandes en produits pétroliers qui contribuent à la poussée de la demande des produits pétroliers à la hausse.

Aussi, un des secteurs important de l’économie guinéenne consommateur des produits pétroliers est celui du transport. Il est de constat que depuis les années 1985 jusqu’à nos jours, la demande des moyens de déplacement a connu une forte explosion. Et récemment, l’augmentation des motos favorise la naissance d’un nouveau type de transport : la mototaxi et les ateliers de fabriques de sachets d’eau. Ces facteurs contribuent à augmenter la demande de produits pétroliers en Guinée.

Aussi, la faiblesse de la capacité de stockage qui est de 25000m³ n’est pas de nature à protéger le pays contre une rupture de stocks d’approvisionnement pour quelques jours ou semaines créant ainsi une panique dans les tous secteurs de l’économie guinéenne et une inquiétude sérieuse au niveau de tous les acteurs : ménages, entreprises et l’Etat.

Par ailleurs, le réajustement des prix des produits pétroliers par rapport au cours international du aux besoins financiers de l’Etat le conduit parfois à augmenter les taxes sur les produits pétroliers. Aussi, les réformes pour la stabilité macroéconomique appuyés par le Fonds Monétaire International (FMI) et de la Banque Mondiale (BM) ; dans la plupart des pays pauvres très endettés (PPTE), engagés dans l’atteinte soit du point de décision  ou du point d’achèvement de l’initiative en faveur des pays pauvres très endettés (PPTE)  comme la Guinée ont revisité leur politique de subvention des produits pétroliers et augmenter les prix locaux des produits pétroliers occasionnant une hausse des coûts de production et une croissance du taux d’inflation. L’ensemble de ces facteurs susmentionnés contribuent à propulser les prix du pétrole localement agissant de manière visible sur l’activité économique à travers quelques secteurs de l’économie nationale comme le transport. D’où le constat suivant : Les indicateurs ou variables macroéconomiques (produit intérieur brut, balance des paiements, solde budgétaire, etc.) des pays importateurs nets de pétrole sont en corrélation négative avec les hausses des prix produits pétroliers.

Cette présente étude trouve sa justification dans la forte dépendance de l’économie guinéenne par rapport aux produits pétroliers importés dans sa totalité. La hausse des prix de ces produits pétroliers intéresse à la fois l’Etat, les ménages et les entreprises, puisqu’elle crée des déséquilibres touchant l’ensemble de ces acteurs de la vie économique nationale. Alors l’importation des produits pétroliers a des implications importantes pour l’économie guinéenne en cas de forte fluctuation des prix du pétrole sur le marché international ou d’une augmentation nationale du prix des produits pétroliers à la pompe. Il est donc important d’analyser l’effet de ces fluctuations sur les variables macroéconomiques et d’en mesurer l’ampleur. Pour ce faire il est intéressant de connaitre les fondements de la fluctuation des prix et les canaux par lesquels les variables économiques sont touchées par cette fluctuation. Ceci permettra de saisir les implications de la politique macroéconomique. Pour mener ce travail nous adoptons la théorie de la cointégration sur les séries annuelles de 1990 à 2012, soit une période de 22 ans.

Objectif : Ce travail a pour objectif d’analyser les effets des fluctuations des prix du pétrole sur certaines variables macroéconomiques de la Guinée.

Nous partons de l’hypothèse selon laquelle, la hausse du prix du pétrole impacte négativement la production intérieure brute, accentue la pression inflationniste et améliore les recettes fiscales de l’Etat.

Pour vérifier cette hypothèse, et ainsi établir une relation entre le prix de l’énergie et la macroéconomie de la Guinée, nous utilisons la théorie de la cointégration. Le choix de cette théorie se justifie par le fait que les séries temporelles liées aux variables macroéconomiques sont caractérisées par des fluctuations tendancielles. Donc, la recherche d’une corrélation hâtive entre les variables prix du pétrole et variables macroéconomiques pourra nous conduire à une régression fallacieuse. Pour éviter une telle situation, la théorie de la cointégration fournit une méthode d’analyse des séries temporelles non stationnaires en évitant des régressions fallacieuses (spurious régressions) mis en évidence par les auteurs comme Granger et Newbold (1974). Ceci explique que la théorie de la cointégration est un outil qui permet de modéliser simultanément les dynamiques de long terme et de court terme des séries temporelles pour leurs convergences dans le même sens.

L’importance de cette réflexion : durant des années, les cours du pétrole ont connu une grande instabilité. Ces instabilités trouvent leur origine aux facteurs liés à l’offre, à la demande et la géostratégie et, peuvent entrainer une persistance dans le court terme voir dans le long terme. Ceci pourrait donc avoir des incidences graves sur notre économie. L’ampleur de cet impact peut varier suivant le secteur économique mais également les mesures prises par les autorités monétaires et du gouvernement pour réagir contre la flambée des prix. Le présent travail vise dans ce cas à mieux comprendre les effets des fluctuations des prix du pétrole sur quelques principales variables macroéconomiques, qui, à notre avis pourrait être utile pour l’élaboration et la mise en œuvre des politiques économiques appropriées visant à atténuer les conséquences de ces fluctuations.

Pour bien cerner les effets de fluctuations des prix du pétrole sur la macroéconomie, nous faisons une revue critique de la littérature, suivie de la méthodologie, la présentation des résultats de la cointégration des variables et une conclusion viendra clore ce travail.

B-Revue critique de la littérature

Depuis le début des années 1970, une grande attention grandissante a été accordée à la corrélation qui existe entre les prix du pétrole et activité économique. La plupart des études empiriques antérieurs ont établis que les chocs de prix du pétrole ont toujours été accompagnés des crises économiques mondiales caractérisées par la chute des taux de croissance, une augmentation des taux d’inflation, de chômage et un accroissement du déficit budgétaire et de la balance commerciale généralement pour les pays importateurs nets du pétrole.

Nous procédons à la recension de quelques études importantes établissant une relation entre le pétrole et la macroéconomie dans le monde et en Afrique. A partir de l’évolution des variables en relation avec le prix, les économistes ont considéré que les chocs pétroliers affectent l’économie.   Nous toucherons également de passage les théories de détermination des prix du pétrole et la relation entre le prix du pétrole et activité économique pour montrer le rôle du pétrole comme facteur de production dans le processus de production.

b-1. Les théories traditionnelles de détermination des prix du pétrole

Dans le cadre de la détermination des prix des matières premières comme les produits pétroliers, la littérature économique identifie les théories traditionnelles portant sur l’étude des prix des matières premières : théorie de déport normal et la théorie de stockage.  Ces deux théories sont utilisées pour expliquer la relation entre le prix au comptant et le prix à terme dans les marchés des matières premières. La première est centrée sur l’analyse des positions de couverture et sur la fonction de transfert de risque du marché à terme tandis que la seconde propose une explication fondée sur le coût du stockage. Les déterminants du prix à terme dans la théorie du stockage sont le prix au comptant (le convenience yield) et le coût du stockage (coût du stockage pur et le coût de financement).

B1.1- La théorie de déport normal

La théorie de déport normal a été introduite par Keynes en 1930, et propose une explication de la formation des prix à terme fondée sur l’étude de l’équilibre des positions de couverture des opérateurs sur le marché à terme. Elle est très fréquemment utilisée pour expliquer la relation entre le prix au comptant et prix à terme dans le marché pétrolier, dans le cas d’un fonctionnement normal du marché. On dit que les prix sont en déport lorsque les prix au comptant de la matière première sont plus élevés que les prix à terme. Cette théorie de déport normal est souvent utilisée pour expliquer la dynamique des prix dans les marchés pétroliers, car ces derniers sont souvent en situation de déport. Le mécanisme de la théorie de déport est fondé sur la notion de couverture des risques sur le marché. Les vendeurs essaient de se couvrir contre une éventuelle baisse des prix, et les acheteurs contre une hausse des prix. Il y’ a deux positions de couverture différentes et le marché à terme est en déséquilibre permanent, ce qui nécessite l’intervention des spéculateurs pour rétablir l’équilibre entre l’offre et la demande. Et pour que ces spéculateurs interviennent, les prix à terme pour une échéance T doivent être inférieurs au prix comptant anticipé pour la même échéance. Pour Keynes, l’écart entre le prix au comptant anticipé et le prix à terme pour la même échéance constitue la prime de risque, qui est supposée toujours positive et constante.

Cette théorie ne manque pas de critique du fait que les marchés peuvent être en situation de report, c’est-à-dire que le prix à terme est supérieur au prix comptant, et que l’aversion aux risques des agents varie dans le temps et leurs positions de couverture peuvent être longues ou courtes.

b.1.2- La théorie de stockage

La théorie de stockage vient compléter la théorie du déport normal. La théorie du stockage explique la relation existante entre les prix au comptant et les prix à terme et les situations de report et déport se manifestant sur un marché à terme de commodité à partir d’une analyse basée sur la prise en considération de l’existence des stocks qui induit un coût de stockage sur le marché physique. L’étude des opérations d’arbitrages réalisées par les opérateurs entre marché physique et marché papier permet de comprendre les mécanismes qui sous-tendent l’apparition de situations de report et de déport. Elle conduit à mettre en évidence le fait que la base évolue de façon différente lorsqu’elle est positive ou négative. Par définition, le prix à terme est donc égal au prix comptant augmenté des coûts de stockage positifs. La présence de stocks dans le marché physique permet d’expliquer la situation de déport : sous l’effet des opérations d’arbitrage, le prix à terme est supérieur au prix au comptant d’un montant correspondant au coût de stockage de la commodité entre la date courante et l’échéance du contrat à terme.

B.2 –  Les mécanismes de transmission des chocs pétroliers dans l’économie

Il existe dans l’économie de nombreux canaux de transmission par lesquelles les prix du pétrole peuvent exercer une influence sur l’activité économique. Depuis les années 1970, de nombreuses recherches ont établies que, d’une manière directe ou indirecte, il existe un lien entre la fluctuation des cours du pétrole et la performance macroéconomique. Ce lien théorique entre la macroéconomie et fluctuation des prix du pétrole a fait l’objet de plusieurs applications et de tests économétriques concernant essentiellement l’économie des Etats des Etats-Unis et de beaucoup de pays de l’OCDE. Cependant, l’effet de l’évolution des prix du pétrole sur les variables macroéconomiques reste compliqué compte de l’interférence des évènements imprévus et la mutation de l’environnement économique pendant la période de fluctuation des prix du pétrole. Selon Rajhiet al 2009 cité par Ahiskiye, les publications sur le sujet commencent à permettre d’avoir une vision relativement claire des voies que peuvent emprunter les chocs pétroliers pour se propager dans l’économie. Les études antérieures (AMAO, 2008 ; Barlet et Crusson, 2007) attestent cette vision de l’auteur par l’indication dans leurs articles les voies par lesquelles, des prix du pétrole transmettent les chocs dans l’économie.

Dans ce travail, nous essayerons de faire une synthèse des voies de transmission. En effet, les cours pétroliers peuvent avoir un impact sur l’activité économique par diverses voies de transmissions existantes.

b.2.1- Mécanismes de production potentielle ou de l’offre :

Nous focalisons notre analyse sur les déterminants de l’offre agrégée pour expliquer les mécanismes de propagation des chocs de prix du pétrole dans l’économie. D’un point de vue macroéconomique, la hausse du prix du pétrole est considérée comme choc exogène qui affecte l’activité économique d’un pays et par conséquent son niveau de production (offre de biens). Le mécanisme d’offre stipule que la hausse du prix du pétrole est une indication de tarissement d’un élément de base de la production. Les autres coûts (et notamment les salaires) ne reculant pas immédiatement, le coût de production global s’accroit[5]. Des auteurs comme Brown et Yücel, 1999 ; Abel et Bernanke, 2001, considèrent que la production sera réduite, ce qui soldera par un ralentissement de la production et de la productivité.  La vision de ces auteurs a été appuyée par AKISHIHIYE qui affirme qu’une augmentation des coûts des consommations intermédiaires est suivie d’un ralentissement de la production et de la productivité. Pour la direction de la prévision et des études économiques (2007), la flambée du prix est synonyme de prélèvement de richesse pour un pays tel que le Sénégal. Elle est à même de toucher l’activité économique, en provoquant à court terme une dégradation de la balance commerciale. Par ailleurs, les produits pétroliers consommés par les ménages sont affectés par la hausse.

Les industries et services voient les coûts de leurs consommations augmenter et, comme effets d’entrainement, les prix à la production et à la consommation montent aussi. Dès lors la demande intérieure ralentit sous l’effet de la dégradation du pouvoir d’achat des ménages et du ralentissement de l’investissement des ménages.

On cherche dans ce cas à établir une relation entre énergie et activité économique en considérant l’énergie comme une consommation intermédiaire utilisée dans le système productif. La théorie macroéconomique apporte des éclaircissements sur la relation entre la consommation primaire d’énergie et produit intérieur brut qui est une mesure de la valeur de l’activité économique d’un pays. Cette relation varie dans l’espace et dans le temps. Selon Percebois (1999), cette relation dépend de la structure de production, de la technologie utilisée, du prix directeur de l’énergie, de la réglementation en vigueur, des comportements des agents etc…

Du côté des entreprises, un choc pétrolier a pour conséquence une augmentation du coût de production. Les entreprises répercutent alors cette hausse sur leur prix de vente. En conséquence, l’augmentation du coût d’un facteur de production modifie (dégrade) de manière importante les conditions de production : hausse des coûts de production, ralentissement de la productivité et de la production et augmentation des prix. Outre les prix à la production, les prix à la consommation sont affectés à hauteur du poids des produits pétroliers dans le panier de la consommation. Un tel choc engendre ainsi simultanément une augmentation du niveau général des prix et un ralentissement de l’activité économique. Si la hausse des prix est durable, une situation de stagflation peut apparaitre. En effet, cette hausse diminue la rentabilité des secteurs intensifs en pétrole, ce qui peut inciter les firmes à se tourner vers les nouvelles méthodes de production moins intensifs en facteur pétrole. Cette mutation de la structure de production engendre des réallocations de capital et de travail entre les secteurs pouvant affecter le chômage de long terme.  Cette explication se concrétise par la fonction de production ci-dessous qui décrit effet du prix du pétrole sur l’activité économique :

Y= F (K, N, E)

Cette fonction macroéconomique de production permet de comprendre l’amplitude des effets de variation des prix du pétrole sur l’activité économique d’un pays. On introduit dans ce cas le pétrole comme un facteur de production dans le processus. Il en résulte donc que la variation de la quantité de pétrole qui est un input énergétique et constitue un paramètre déterminant.  On a dans ce cas considéré Y le niveau réel du produit d’une firme représentative dépend des facteurs de production suivant : le capital (K), travail (N), et l’énergie (E).

Supposons P, le prix nominal par unité de biens, w, le salaire nominal, q, le prix nominal de l’énergie, et r le taux de rentabilité du capital. Le profit de la firme est donné par la relation ci-dessous :

Π = PY – rK – wN – qE

En situation de concurrence pure et parfaite, La firme (optimisatrice) atteint son profit maximal lorsque le produit marginal du facteur énergie est égal à son prix relatif.

Fe (K, N, E) = q/P

Ou Fe (K, N, E) est la dérivée partielle F par rapport à E. Multiplions l’équation ci-dessus par E et divisons par Y, nous aurons :

.

Nous observons que l’élasticité du produit par rapport à la quantité d’énergie utilisée n’est autre la part des dépenses en énergie dans le produit total. Cependant, dans beaucoup de pays, la part des dépenses en pétrole dans le PIB tend diminuer faiblement environ 4% pour les Etats-Unis, ce qui explique des baisses dans la croissance du PIB moindres que celle constatée effectivement.

Toutefois, en cas de forte fluctuation des cours du pétrole surtout à la hausse, deux options s’offrent aux utilisateurs d’énergie : la première option consiste à réduire la consommation d’énergie ou substituer le pétrole par une autre source d’énergie moins couteuse. La deuxième option consiste à maintenir constante la consommation d’énergie avec pour conséquence un engagement des dépenses supplémentaires. Dans ce dernier cas précis, la dépense supplémentaire maximale de l’utilisateur de l’énergie est Edq, soit par rapport au produit total.

Nous remarquons dans ce cas que la faiblesse de la croissance du produit trouve son origine dans les hausses des dépenses notamment la facture énergétique. Pour un revenu donné, la hausse des dépenses d’un facteur conduit à la moindre utilisation des autres facteurs de production. Comme la mobilité du facteur capital et travail a un coût, la baisse de la demande ou de l’offre consécutive à une hausse brutale des cours du pétrole conduit à des capacités inutilisées (capacités oisives), ce qui aura pour conséquence un ralentissement de la croissance économique.

b.2.2-Mécanismes de transfert de revenus :

Ce mécanisme stipule que les hausses du prix du pétrole constituent une sorte de transfert des richesses entre les pays importateurs nets vers les pays exportateurs du pétrole. Par ce transfert de revenus des pays importateurs nets de pétrole, les entreprises et les ménages sont soumise à une ponction de leur richesse en faveur en faveur des pays exportateurs nets. Cette hausse de prix du pétrole contribue considérablement à la dégradation de la balance commerciale des pays importateurs nets de pétrole vis-à-vis des pays exportateurs nets (Dohner, 1981).  Ainsi, cette hausse des revenus des pays exportateurs nets de pétrole entraine une augmentation des dépenses de consommation, ce qui provoque une pression à la hausse sur la demande agrégée. Ce mécanisme a été remis en cause par les travaux de certains auteurs comme Abeysinghe (2001). En effet la hausse de prix du pétrole affecte les économies ouvertes à la fois directement et indirectement. L’effet direct se transmet par l’intermédiaire des partenaires commerciaux du pays considéré. L’illustration donnée par Abeysinghe est le cas de la Malaisie, de l’Indonésie et du Singapour. La Malaisie et l’Indonésie sont deux pays exportateurs nets de pétrole et des partenaires commerciaux importants de Singapour, lui-même importateurs nets de pétrole. La hausse de prix du pétrole impacte négativement la progression de la production intérieure brute (PIB) de Singapour, la Malaisie et l’Indonésie bénéficient les retombées de la situation grâce aux recettes d’exportation en augmentation. Les importations de Malaisie et de l’Indonésie depuis le Singapour sont favorisées. Globalement, le bilan de la hausse des recettes d’exportation à la suite de la flambée de prix du pétrole sur l’économie Singapour dépend de l’ampleur des effets directs et indirects. Plus précisément, il dépend de la manière dont les économies exportatrices de pétrole décident de l’emploi de leurs recettes supplémentaires d’exportations.

b.2.3-Mécanisme monétaire

 Ce mécanisme se repose sur le rôle de l’offre de monnaie dans l’économie. Il se divise en deux mécanismes : Le mécanisme de stock réel de la monnaie ou mécanisme d’encaisse réelle de la monnaie et le mécanisme de politique monétaire anti-inflationniste.

Selon le premier mécanisme, les hausses de prix du pétrole engendrent une détérioration du pouvoir d’achat (inflation) qui se manifeste par la diminution de la valeur réelle de la monnaie dans l’économie. Une augmentation des cours pétroliers provoque une augmentation de la demande de monnaie (Mork, 1994). Pour Brown et Yücel (2002), l’incapacité des autorités monétaires à répondre à la demande croissante de la liquidité en augmentant la masse monétaire provoque une hausse des taux d’intérêt et un ralentissement de la croissance économique. Dans le même ordre d’idées, Sadorsky (1999) souligne qu’un choc de prix du pétrole provoque une réponse positive des taux d’intérêts. Cela confirme le concept selon lequel qu’une augmentation des prix du pétrole s’accompagne d’une pression inflationniste et par conséquent une hausse des taux d’intérêts. La hausse des taux d’intérêt à long terme a un effet sur l’investissement des entreprises (effet du coût du capital) et des ménages. L’augmentation des taux d’intérêt à court et long terme renchérit le cout du crédit, ce qui réduit la formation du capital. Selon Gaudreault (2003), la diminution du stock réel de la monnaie entraine un ralentissement économique (récession) par les mécanismes monétaires habituels.

Selon le second mécanisme, l’impact de la hausse des cours du pétrole sur l’inflation générale et l’inflation de base peut favoriser le resserrement de la politique monétaire (Hunt, Isard et Laxton, 2001). Les autorités monétaires disposent des instruments de politiques monétaires nécessaires pour réduire au minimum sinon stopper totalement les effets néfastes de ces chocs. La Banque Centrale dispose des taux directeurs susceptibles d’influer sur l’évolution de la demande de monnaie et de l’inflation au sein de l’économie. Cependant, une politique donnée peut avoir des effets contreproductifs ; lorsque la Banque Centrale réduit son taux d’intérêt, la demande de monnaie augmente, mais au prix d’une augmentation du taux d’inflation, et vice-versa. Pour Gaudreault (2003), l’autorité monétaire centrale, qui concentre ses efforts sur un niveau bas et stable de l’inflation, réagit fortement aux hausses prolongées de prix du pétrole et est donc responsable des ralentissements économiques. Ceci nous fait comprendre que la hausse du prix du pétrole alimente l’inflation. Cette dernière peut s’accompagner d’effets de second tour et déboucher sur une spirale haussière prix-salaires.

b.2.4- Mécanisme de la demande intérieur et de la demande étrangère 

D’une manière restreinte dans l’analyse macroéconomique, la demande globale se compose de la demande des biens de consommation et de la demande des biens d’investissements. La variation à la hausse des prix de pétrole entraine la baisse de la consommation des biens durables et de l’investissement, car l’environnement économique est incertain. Une hausse du prix du pétrole peut avoir des effets défavorables sur la consommation et l’investissement. La consommation en pâtit du fait de sa corrélation positive avec le revenu disponible qui diminue et des investissements du fait de la hausse des couts que doivent supporter les entreprises (RJHI, BENABDALLAH, HMISSI).

Quant à la demande étrangère, Gruher (2001), énumère ce mécanisme de propagation qui s’intéresse à l’analyse de la vive réaction d’une économie à la forte variation de prix du pétrole sur ses partenaires commerciaux. Comparativement à Abeysinghe qui analyse l’effet d’orientation des suppléments de recettes d’exportation engendrée par une hausse de prix du pétrole, Gruher considère que les changements de prix du pétrole a un impact sur les partenaires commerciaux d’un pays donné (à travers l’un des mécanismes susmentionnés) et donc, par conséquent, sur la demande pour les biens et services de ce pays destinés à l’exportation.

b.2.5-Mécanisme de réallocation sectorielle 

Ce mécanisme permet d’apporter une explication de l’impact d’un choc de prix du pétrole sur les secteurs productifs d’une économie. D’après Loungani (1986), si la hausse des cours du pétrole se prolonge elle est susceptible d’entrainer des modifications de la structure de production et ainsi affecter le taux de chômage. En effet, les secteurs à forte consommation de pétrole voient leur rentabilité diminuer et peut pousser les entreprises à adopter les nouvelles méthodes production plus économiques et utiliser les nouvelles techniques de production moins gourmandes en pétrole. Pour une économie pris dans sa globalité, certains de ses secteurs ressortent gagnants tandis que les autres perdants. Cette modification de la structure de production peut entrainer une réallocation du capital et de la main d’œuvre entre les secteurs qui risquent d’entrainer des distorsions sur le marché du travail à court ou long terme et suivant l’ampleur et de la modification de la structure productive de l’économie.

C- Les études empiriques sur les chocs pétroliers

Cette revue de la littérature empirique synthétise celle déjà effectuée dans les études antérieures. Nous récapitulons dans ce cas les principaux résultats de la littérature produite par des différents auteurs [(AMAO, 2008); (DPEE, 2007), (Nguyen 2011), (Adebidi et al 2012,…)] qui se sont intéressés aux études empiriques sur la relation entre le prix du pétrole et activité économique. Mais avant de s’intéresser sur la panoplie de littérature sur le choc pétrolier et activité économique, il est important de signaler certains auteurs n’ont été pris en compte dans cette partie compte tenue de la spécificité.

Selon Nguyen (2011), malgré que de nombreuses études aient prouvé que les chocs de prix du pétrole ont été une source d’importantes fluctuations économiques au cours de ces dernières décennies, la plupart des études sur les effets de prix du pétrole ont été appliqué aux Etats-Unis ou des pays de l’OCDE (Hamilton, 1983, 1996, 2000 ; Tatom1989, 1994 ; Hooker 1996 ; Lee et al, 2001 ; Cunado et Gracia, 2004 ; Barlet et Crusson).

Quelques travaux ont porté sur les pays africains, notamment le Nigeria, un des pays africains exportateurs de pétrole et dans une moindre mesure le Ghana, jadis pays importateurs mais dont le statut a changé. D’autres pays africains n’ont pas manqué de regards de la part de quelques auteurs. On peut énumérer les auteurs ci-après : Olomola et Adejumo (2006) ; Olomola (2000) ; AMAO,(2008) ;  Diop et Fame (2007) ; Chouiki  et al (2009). Ces auteurs ont trouvé à l’aide du modèle VAR, que les hausses des prix du pétrole étaient défavorables sur la croissance économique à court terme. Selon Chouiki (2009), la hausse des prix du pétrole exerce des pressions inflationnistes sur l’économie libyenne.

Dans le cadre du programme de la coopération monétaire de la CEDEAO, les fluctuations des cours pétroliers affectent directement ou indirectement les critères de convergence primaires (AMAO, 2008). Selon les estimations de la Banque Africaine de Développement (BAD), le niveau élevé des cours du pétrole s’est traduit dans un premier temps, par une augmentation du taux d’inflation de 1,3 à 2,5 points de pourcentage pour les pays africains importateurs de pétrole en 2005 et 2006, respectivement, tandis que les pays exportateurs de pétrole devraient afficher un taux de croissance annuel de 6%. À l’aide du modèle VAR, l’AMAO (2008) est parvenu à divers résultats dans chacun des pays étudiés. Par exemple pour le Sénégal, une augmentation de 1% des cours du pétrole entraine une aggravation de la situation budgétaire de 1,5%, bien que la manifestation de cet impact puisse survenir avec un an de retard. Par contre, le Nigéria pays exportateurs du pétrole, les résultats indiquent qu’une augmentation de 1% des cours du pétrole aurait pour effet d’améliorer la situation budgétaire de 1,83% avec un retard d’une année.

La Direction de la Prévision et des Etudes Economiques (2007) dans son étude d’impact de la hausse des prix du pétrole sur la stabilité macroéconomique suite à une variation positive du prix du pétrole d’environ 30% aboutit aux résultats que le PIB et la valeur ajoutée du secteur secondaire subissaient respectivement une baisse instantanée de 0,4% et 0,7% pour le Sénégal.

Des études plus récentes ne prenant pas en compte les travaux antérieurs ont abouti à des résultats appréciables concernant la relation entre cours du pétrole et agrégats macroéconomiques. Al-Ezzee (2011) cité par Ahishakiye a trouvé que les coefficients à long terme indiquaient qu’une augmentation permanente de 1% du prix international du pétrole causait une augmentation de 1,96% du niveau du PIB réel du Bahreïn. Dans le même temps, à une dépréciation permanente de 1% du taux de change réel était associée une croissance de 0,86% dans le PIB réel. Il a conclu que le PIB réel du Bahreïn était plus élastique aux changements mondiaux du prix du pétrole (élastique) que le taux de change réel (inélastique).

Par contre les résultats de l’étude de Hui-Siang Brenda et al (2011) sur la Malaisie ont indiqué le prix du carburant est une variable exogène et suggère que le prix du pétrole est en mesure d’exercer une influence sur certains de l’économie sur une longue période. Sur dix (10) secteurs économiques constitutifs de l’économie Malaisienne, seuls les secteurs de l’agriculture, le commerce et autres services évoluaient dans le sens des prix du carburant.

Nguyen (2011) utilisant un modèle VEC a trouvé qu’il existait une relation de long terme entre le prix du carburant, l’inflation, le taux de change et l’activité économique du Viêtnam. Une hausse du prix du pétrole ou une dépréciation pouvait réduire l’activité économique. Cependant l’activité économique vietnamienne était beaucoup influencée par la valeur des taux de change de la monnaie que le prix du pétrole.

Zaytsev (2010) a découvert que pendant la décennie 1996-2006, une augmentation brutale du prix n’avait aucun effet négatif sur le PIB réel contemporain de l’Ukraine. En effet, le PIB se trouvait encore en croissance, mais cette croissance était modérée si on la comparait à la croissance moyenne mensuelle observée dans les données. L’effet négatif se produisait un mois après l’introduction du choc du prix du carburant, le sommet du pic de décroissance étant atteint le troisième mois. Asaolu , et Ilo (2012) ont conclu dans leur étude  que le marché boursier du Nigéria et le prix du pétrole étaient liés dans le long terme. Une hausse du prix du pétrole conduit à une diminution des performances du marché.

De nombreuses recherches ont établi que les fluctuations du prix du pétrole ont des conséquences considérables sur l’activité économique. Ces conséquences sont censées être différentes dans les pays importateurs et dans les pays exportateurs de pétrole. Alors une hausse des prix du pétrole devrait être considérée comme une bonne nouvelle pour les pays exportateurs de pétrole, l’inverse devrait être prévu lorsque le prix du pétrole diminue, Amano et Norden (1998).

Cependant dès les premières ères des fluctuations des prix du pétrole, les toutes premières études de Rasche et Tatom (1977), de Mork et Hall (1980), de Michael R. Darby (1981), qui, ont dans leurs travaux trouvé et expliqué la relation entre la fluctuation de prix du pétrole et l’activité économique dans son ensemble. Par la suite la contribution substantielle de D. Hamilton (1983), considérée par un grand nombre de chercheurs comme une réflexion déterminante sur le choc pétrolier à travers sa première étude empirique a montré qu’il existe une relation négative et significative entre la hausse du prix du pétrole et la croissance du PIB réel des Etats Unis sur les périodes de 1948-1972 et 1973-1980. La plupart des auteurs ont un point de vue convergent sur le fait que les récessions, le chômage, l’inflation observée dans l’économie mondiale apparaissent après la flambée des cours du pétrole.

Hamilton (1983) en observant la manière dont les prix du pétrole affectaient l’économie américaine à travers d’un système de vecteur autorégressif (VAR) en employant les données trimestrielles de croissance du PNB et du taux de chômage arrive à la conclusion que les hausses de prix du pétrole ont contribué significativement à engendrer les récessions américaines entre 1949 et 1980. Plusieurs autres études relatives aux impacts des chocs pétroliers sur la performance macroéconomique des Etats Unis semblèrent étayées les conclusions de Hamilton. Poursuivant le même raisonnement que ce dernier, plusieurs auteurs ont explorés les relations similaires entre le prix du pétrole et la macroéconomie dans d’autres pays comme Burbidge et Harrison (1984), Bruno et Sachs (1985). Ces derniers ont testé les impacts des augmentations des cours du pétrole en utilisant un modèle d’auto régression vectorielle (VAR) à plusieurs pour cinq pays (Etats Unis, Japon, Allemagne, Royaume Unis et Canada) de l’Organisation de Coopération et de Développement Economique (OCDE). Sur la base des données mensuelles couvrant la période 1961-1982, ils sont parvenus à la conclusion selon laquelle les impacts marqués des chocs liés aux cours du pétrole sur le niveau général des prix étaient manifestes pour les économies américaines et canadienne et avaient exercées de fortes pressions sur la production industrielle aux Etats Unis. Ils ont également souligné que le choc pétrolier 1973 n’était qu’un facteur d’aggravation de la crise à l’époque. Burbidge et Sachs (1984) dans l’analyse empirique de la relation de certains pays de l’OCDE avec le prix du pétrole constate l’impact négatif d’un choc positif du prix du pétrole sur l’économie est faible au Canada qu’aux Etats Unis.

Les travaux menés par Hamilton (1983) portaient sur une période caractérisée par une hausse de prix du pétrole à la hausse. Il était question de déterminer si cette corrélation se vérifiait en période de baisse de prix du pétrole. C’est pourquoi, Mork (1989), s’attelant à l’approfondissement d’étude de son prédécesseur avec un échantillon plus important. Dans sa contribution sur l’application empirique du concept de la relation asymétrique avec une nouvelle spécification montre une perte de significativité lorsque l’échantillon d’Hamilton est allongé jusqu’en 1988. Il retrouve une relation significative et asymétrique lorsqu’il utilise sa spécification (baisses et hausses). Pour certains économistes, les chocs pétroliers ne peuvent pas exercer une influence sur l’économie américaine ou plutôt exercent un effet marginal.  Cependant, plusieurs travaux de recherche soutiennent que la cassure de la relation entre le prix du pétrole et la performance macroéconomique est due à un défaut de spécification de ce qu’il faut entendre par prix du pétrole, plutôt que d’un affaiblissement de ses effets. Les études qui ont suivi ces travaux ont affiné de diverses manières la définition du prix du pétrole. Mork (1989) souligne que seules les augmentations marquées de prix du pétrole affectaient l’économie, remarquant que si une hausse de prix du pétrole avait une conséquence néfaste sur la croissance (ralentissement de l’activité économique), une chute de ces prix n’engendrera pas une expansion économique et n’est importante statistiquement que les hausses. A partir de ces résultats, il conclut que la croissance du PNB est liée aux conditions du marché du pétrole.

Lee, Ni et Ratti (1995) dans l’application du concept de la volatilité de prix du pétrole avec une nouvelle spécification trouvent une relation non linéaire significative et asymétrique en incluant les données plus récentes jusqu’en 1994. Ferderer (1996) a choisi l’application empirique du concept d’incertitude reliée au prix du pétrole. Il aboutit aux résultats significatifs asymétriques lorsque la variable de volatilité du prix du pétrole est prise en compte. Pour lui, l’important est l’effet de surprise d’une hausse du prix du pétrole à la lumière des observations des variations récentes. Hamilton (1996) poursuivant l’étude de la variation des mesures de volatilité des cours du pétrole revient à la même conclusion que Lee, Ni et Ratti (1995). La non linéarité relation asymétrique en intégrant les données plus récentes de 1994.  Il soutient que seules les variations de prix battant les records annuels doivent être prises en compte. Hooker (1996) s’attache à l’examen des résultats des études précédentes avec les données plus récentes avec l’application du concept d’endogénéité du prix du pétrole. Il constate une perte de significativité et la relation est asymétrique lorsque la période s’étend jusqu’en 1994 et, l’hypothèse d’endogénéité du prix du pétrole a été rejetée.

Bernanke et al (1997) s’attèle à l’étude empirique du rôle de la politique monétaire (politique monétaire endogène) dans la relation qui lui conduit aux résultats selon lesquels un choc positif de prix du pétrole engendre une baisse cumulative de la production américaine après huit trimestres entre -0,04% et -0,15%. La politique monétaire endogène exerce de 75% de l’effet total des chocs de prix du pétrole sur l’activité économique américaine.

Hooker (1997, 1999) intéressant également au rôle de la politique monétaire aboutit a une perte de significativité et la relation est asymétrique pour la période après 1980. Il trouve que la politique monétaire peut jouer un rôle important.

Balke et al (1999) étude sur la relation asymétrique à l’aide du modèle de Bernanke et al trouve que la politique monétaire est une des causes (mais pas la seule) de la relation asymétrique. Mork et al (1994) toujours dans le cadre de l’analyse empirique du prix du pétrole dans certains pays de l’OCDE constate la présence d’une relation asymétrique entre l’activité économique canadienne et le prix du pétrole. Hamilton et al (2001) poursuivent l’analyse de Bernanke en utilisant une longue structure de retards, trouvent que les chocs pétroliers ont des effets négatifs directs, impliquant ainsi que la politique monétaire joue un rôle marginal.  Lardic et Mignon (2005) ont étudié le lien entre le prix du pétrole et l’activité économique à travers douze pays à travers une analyse de cointégration. Zind (1999) a analysé les réponses sectorielles aux chocs pétroliers dans six pays exportateur de pétrole du golfe persique. Cunado et de Gracia (2001, 2004) dans le réexamen de la relation entre le prix du pétrole et la performance macroéconomique dans certains pays européens puis asiatiques. Dans le cadre de leurs travaux, en appliquant diverses transformations aux données de prix du pétrole pour rendre compte

D- Faits stylisés de l’économie guinéenne et du prix du pétrole

Dans la perspective d’une anticipation des résultats économétriques, il parait important de faire ressortir le comportement du prix du baril du pétrole et de certaines variables macroéconomiques par l’analyse des fluctuations. Afin de bien cerner l’importance des produits pétroliers sur les variables et l’économie guinéenne, il semble intéressant de voir la place de l’importation des produits pétroliers dans l’économie guinéenne.

D.1- Les indicateurs économiques et les indicateurs liés à l’énergie

Les variables utilisées dans la présente section sont le prix du baril du pétrole, le taux de croissance, l’importation des biens et services, l’importation des produits pétroliers, le taux d’inflation, le solde budgétaire, le solde courant de transaction. Mais, nous commencerons par l’analyse de la place de l’importation des produits pétroliers dans le PIB et dans l’importation des biens et services.

Graphique 1 : Part des importations des produits pétroliers en % dans le PIB et dans les importations totales des biens et services :

Source : calcul de l’auteur

Le graphique1nous montre que la part des importations des produits pétroliers dans le PIB n’a jamais atteint 10% durant la période d’étude. Cette part oscille entre 2 et 4% de 1989 à 2006 soit inférieur à 5% avant 2006. C’est en 2006 que ce taux atteint 7,3% pour atteindre le sommet de 8,57% en 2008 puis redescendre faiblement entre 2009 et 2010 aux alentours de 6% et 7,50 respectivement avant de rattraper le seuil de 8,39% en 2011.

En revanche, les importations des produits pétroliers représentent une part importante des importations totales de biens et services dans l’économie guinéenne. De 1989 à 2005 la part des importations des produits pétroliers est comprise entre 10 et 13%. Les minimums ont été observés dans les années 1996, 1998 et 2000 respectivement de 10, 12%, 10,55% et de 10,78%. Pour le reste de la période d’études, les importations des produits pétroliers dépassent le seuil de 15% pour atteindre 22,85% et 21,40% respectivement entre 2007 et 2008. Cette part n’a jamais redescendu en dessous de 19% jusqu’en fin 2012.

Graphique 2 : Part de la production industrielle (en %)dans le PIB

Source : calcul de l’auteur

Le graphique2 montre la quasi-faiblesse de la production industrielle en guinée. Elle n’atteint durant toute la période 10% du PIB. Comparé au taux de croissance du PIB, le taux de croissance de la production industrielle est par endroit à un niveau plus élevé que celui du PIB. Cependant nous remarquons une forte chute mais positive de la production industrielle en 2002 à hauteur de 0,08% contre 1,25% du taux de croissance du PIB. Ce taux s’est progressivement remonté pour atteindre le seuil de 9,42% en 2007 avant de chuter brusquement à -3,14% en 2008 contre -0,28% du taux de croissance de l’économie.   La production industrielle s’est relevée progressivement pour se maintenir dans la fourchette 6% pour le reste de la période.

Graphique 3 : Pourcentage d’évolution de la part des taxes sur les produits pétroliers dans les recettes totales hors dons.

Source : calcul de l’auteur

Ce graphique nous enseigne qu’au début la part des taxes sur les produits pétroliers constituait une part non négligeable dans les recettes totales avec un taux supérieur ou égal à 10% durant la période 1989-1993. Depuis cette période, la courbe du taux de croissance des taxes sur les produits pétroliers suit une allure inférieure à 10% pour atteindre un taux 2% en 2011.

Graphique 4 : Evolution des taux de croissance du prix du baril du pétrole, d’inflation et de la masse monétaire :

Source : calcul de l’auteur

Les courbes des taux de croissance du prix du baril du pétrole et de la masse monétaire montrent une allure de volatilité et par endroit une évolution parallèle au même titre les taux d’inflation du prix à la consommation (en moyenne annuelle). D’une inflation à deux chiffre au début des années près de 20%, on est passé d’une inflation à un chiffre de près de 1,50%. Le graphique affiche un taux maximum de 19,40% en 1990 qui diminue progressivement pour atteindre un taux minimum de 1,90% en 1997. Ce taux répare à la hausse en 1998 avec 5,10% qui se maintient dans cette fourchette avec un maxima de 6,80% en 2000 et un minima de 3% en 2003.La courbe du taux semble suivre la croissance du prix du pétrole avec une forte volatilité. Nous observons une forte hausse qui part de 12,90% en 2003 pour culminer les taux de 31,36% et 34,71% respectivement en 2005 et 2006. La hausse des prix du baril du pétrole ne semble pas être le seul phénomène explicatif de cette volatilité des prix à la consommation, car la courbe de la croissance monétaire présente une allure explicative.

Graphique 5 : Evolution des taux de croissance du prix du baril du pétrole et de l’économie :

Source : calcul de l’auteur

Ce graphique montre que le taux de croissance de l’économie n’a jamais dépassé le maximum de 5% au cours de la période. Il a oscillé entre -0,28% le minima et 5,16% le maxima. Par ailleurs, on remarque un taux de croissance très faible voir nul pendant la hausse des prix des produits pétroliers.

En revanche, la courbe du taux de croissance du prix du baril de pétrole présente un caractère volatil avec des taux nuls par endroit expliquant la baisse du prix du baril et des taux positifs significatifs exprimant la hausse accentuée du prix du baril sur le marché international.

Graphique 6 : Evolution des taux de croissance du prix du baril du pétrole et de la production industrielle en%

Source : calcul de l’auteur

Il apparait dans ce graphique une évolution presque parallèle des courbes des taux de croissance du prix du baril du pétrole et de la production industrielle durant 1989-1994. Nous constatons par endroit que la courbe du taux de croissance du prix du baril du pétrole domine celle du taux de croissance industrielle et vice-versa. Cette évolution rapide du taux de croissance du prix du baril du pétrole nécessite une explication, car elle est susceptible d’affecter la production industrielle notamment la hausse des coûts de production.

 

1. APPROCHEMETHODOLOGIE : LA THEORIE DE COINTEGRATION).

La plupart des propriétés statistiques des méthodes d’estimation s’appliquent à des variables stationnaires, c’est-à-dire non tendancielles et non saisonnières. Ces méthodes d’estimation ne sont donc pas valables pour n’importe quel type de données. Or, on applique indifféremment ces méthodes d’estimation à des variables stationnaires et à des variables non stationnaires.

Cet aspect de la méthode économétrique a été ignoré pendant longtemps avant de ressurgir au cours de dernières décennies. Il pose des problèmes redoutables dans la mesure où la plupart des séries représentant des variables économiques sont non stationnaires, car elles sont affectées par une évolution tendancielle de long terme (elles sont tendancielles). C’est par exemple le cas de pratiquement toutes les variables macroéconomiques, y compris des variables comme le chômage ou le taux d’inflation sur 20 à 30 ans. C’est aussi vrai pour les données de plusieurs entreprises ou d’unités individuelles. En effet, les séries qui peuvent remplir les conditions de stationnarité sont peu nombreuses : les taux d’intérêt, certains taux de change, le prix de certaines matières premières comme l’or ou l’argent. C’est ce qui explique que la stationnarité ne doit plus être présumée mais testée.

Face à ce problème, la théorie de la cointégration permet de préciser les conditions dans lesquelles il est légitime de travailler sur des séries non stationnaires.

1- La stationnarité des séries

Il s’agit ici de rechercher des variables intégrées d’ordre d. Nous pourrons dans ce cas considérer un processus stochastique X_t comme stationnaire si :

• E(X_t) = E(X_t=h) = µ quelque soit t et quelque soit, la moyenne est constante et indépendante du temps ;
• La variance est finie et indépendante du temps ;
• La fonction d’autocovariance γ(h) = Cov( X_{t ,} X_t=h) est indépendante du temps.

Une série chronologique est donc stationnaire si elle est la réalisation d’un processus stationnaire. Ceci implique que la série ne comporte ni tendance, ni saisonnalité et plus généralement aucun n’évoluant avec le temps.

Une variable stationnaire est caractérisée par une moyenne et une variance constante et à tendance à fluctuer autour de sa moyenne revenant régulièrement vers sa valeur d’équilibre de long terme.

GRANGER ET NEWBOLD (1974) ont montré à l’aide des simulations empiriques que la distribution du t de Student dans un modèle simple du type y_t = ax_t + b_t + µ_t en présence d’une racine unitaire ne peut plus être interprétée selon la loi de student Fisher. C’est-à-dire que si si X_t et y_t peuvent être mise dans la forme d’une AR(1) avec racine unitaire, la distribution n’est plus standard.

De plus entre des séries admettant des racines unitaires il existe des corrélations fortuites (spurious correlation) qui n’ont aucune signification véritable et qui n’ont pas de véritable fondement. L’économètre peut être amené à conclure à l’existence d’une corrélation fallacieuse.

GRANGER et NEWBOLD ont montré que cela est particulièrement probable lorsque la régression comporte un R² élevé et un DW faible. En 1986, PBC Phillips a confirmé de manière mathématique ces résultats et a également montré qu’en présence de racine unitaire le DW était aussi biaisé vers la valeur zéro. De ce fait la question de savoir s’il était légitime de continuer à travailler sur des séries non stationnaires s’est trouvée posée. En toute hypothèse la première chose consiste à vérifier si cette propriété est remplie. C’est à cela que servent les tests de racine unitaire.

1.1- Les tests de racine unitaire

Pour vérifier la stationnarité des séries, il faut pratiquer des tests de stationnarité ou des tests de racine unitaire (Unit Root test). Mais il faut rappeler qu’il existe un grand nombre de test de stationnarité. Les tests usuels sont ceux de Fuller (1976) et Dickey-Fuller (1979- 1981). À ceux s’ajoutent des tests de Phillips et Perron, Schmididt et Shin (test de KPSS).  Dans notre travail, nous nous intéressons aux tests de Dickey-Fuller et de Phillips-Perron.

Nous présentons d’abord le test de Dickey-Fuller simple (DF) et de test de Dickey-Fuller augmenté (ADF) qui permettent de mettre en évidence le caractère stationnaire ou non stationnaire d’une série temporelle par la détermination d’une tendance déterministe ou stochastique.

1.1.1- Tests de Dickey-Fuller simple

Ce sont des tests paramétriques qui reposent sur l’estimation d’un processus autorégressif. Ils permettent de savoir si une série est stationnaire ou non stationnaire et offre l’opportunité de rendre une série stationnaire.

Les modèles qui servent de base à la construction de ces tests sont au nombre de trois :

(1) Modèle autorégressif d’ordre 1 : AR(1)

X_t = фX_t-1 + ε_t

ou est un bruit blanc centré de variance σ²

(2) Modèle AR(1) avec constante

X_t = фX_t-1 + µ + ε_t

(3) Modèle AR (1) avec tendance

X_t = фX_t-1 + α+ βt + ε_t

Le principe des tests est simple : si dans ces trois modèles ф=1, alors le polynôme d’opérateur du processus contient une racine unitaire, le processus est donc non stationnaire.

Dans le modèle (1), considérons l’opérateur de décalage L défini par LⁱX_t= X_t-i, quelque soit i ≥ 0, on peut écrire ce modèle sous la forme suivante :

(1 – фL)X_t = ε_t

Le polynôme d’opérateur du processus est (1 –  фL)  si ф = 1 le polynôme contient une racine unitaire (« Unit Root ») L=1.

Les hypothèses du test Dickey-Fuller sont :

Ho : ф = 1 (le processus est non stationnaire)

 H1 :  ф< 1 (le processus est stationnaire)

Pour des raisons de commodité, on peut transformer le modèle (1) de manière à pouvoir tester par rapport à la valeur zéro.

X_t – X_t-1 = (ф –  1) X_t-1 + ε_t

Δ X_t = (ф –  1) X_t-1 + ε_t

Où Δ = 1 – L est l’opérateur de différence première.

On constate alors Ho : ф –  1= 0

La distribution du test de Student n’est plus standard sous l’hypothèse nulle. Dickey et Fuller cette distribution d’où le nom du test Dickey-Fuller (1976) qui a été donné au plus courant des tests de racine unitaire.

Règle de décision est la suivante :

Si la valeur de la statistique du test est inférieure à la valeur critique, alors on accepte l’hypothèse de stationnarité de la série ;

Dans le cas contraire, on accepte l’hypothèse de non stationnarité de la série.

1.1.2- Test de Dickey-Fuller augmenté

Dans les modèles précédents utilisés pour les tests de Dickey-Fuller simples, le processus ε_t, par hypothèse, un bruit blanc. Or il n’a aucune raison pour que, a priori, l’erreur soit non corrélée, on appelle tests de Dickey-Fuller augmentés (ADF, 1981), la prise en compte de cette hypothèse.

Les tests ADF sont fondés, sous l’hypothèse alternative |ф| < 1 sur l’estimation par la méthode des moindres carrés ordinaires des trois modèles :

Modèle (4) : Δx_t = ρx_t- -Δx_t-j+1 + ε_t

Modèle (5) : Δx_t = ρx_t- -Δx_t-j+1 + c + ε_t

Modèle (5) : Δx_t = ρx_t-1– Δx_t-j+1 + c + bt + ε_t

Tester la présence de la racine unitaire revient à tester la significativité du coefficient qui se trouve devant x_t-1 comme pour le test de Dickey-Fuller simple.

Les hypothèses du test Dickey-Fuller augmenté sont :

Ho : ф =1 (le processus est non stationnaire)

H1 : |ф| < 1 le processus est stationnaire)

On comprend que le test se déroule de manière similaire aux tests DF simples, seules les tables statistiques diffèrent. La valeur de ρ peut être déterminée selon les critères de Akaike ou Schwartz, ou encore, en partant d’une valeur suffisamment importante de p, on estime un modèle p-1 retards, puis à p – 2 retards, jusqu’à ce que le coefficient du p^ième retard soit significatif.

La règle de décision est la suivante :

• Si la valeur de ADF est inférieure à la valeur critique CV, alors on accepte de stationnarité de la série ;
• Dans le cas contraire on accepte l(hypothèse de non stationnarité.

III-1-2- Le test de Phillips-Perron (1988)

Ce test est construit sur une correction non paramétrique des statistiques de Dickey-Fuller pour prendre en compte des erreurs hétéroscédastiques. Il se déroule en quatre étapes :

1) – Estimation par les moindres carrés ordinaires des trois modèles de base des tests de Dickey-Fuller et calcul des statistiques associés, soit e_t le résidu estimé.

2) – Estimation de la variance dite de court terme ρ = _t²

3) – Estimation d’un facteur correctif S_t²  (appelé variance de long terme) établi à partir de la structure des covariances des résidus des modèles précédemment estimés de telle sorte que les transformations réalisées conduisent à des distributions identiques à celle de Dickey-Fuller standard :

S_t²  =_t² + 2 _te_t-i

Pour estimer cette variance de long terme, il est nécessaire de définir un nombre de retards l (troncature de Newey-West) estimé en fonction du nombre d’observation n, l = 4(n/100)^2/9.

En conclusion, Phillips et Perron (1988) montrent que cette correction non paramétrique ne modifie pas la distribution asymptotique de la statistique qui reste identique à celle qui est observée dans le cas du test du Dickey-Fuller.  En conséquence, les valeurs critiques tabulées par Dickey et Fuller demeurent également valables pour le test de Phillips-Perron.

2- Le concept de cointégration

L’idée fondamentale est qu’une relation d’équilibre de long terme puisse être définie entre variables pourtant individuellement non stationnaire est à la base de la théorie de cointégration.

La théorie de la cointégration permet d’étudier des séries non stationnaires mais dont une combinaison linéaire est stationnaire. Elle permet ainsi de spécifier des relations stables à long terme tout en analysant conjointement la dynamique de court terme des variables considérées.

Cette théorie est souvent utilisée en macroéconomie pour tester diverses hypothèses de parité du pouvoir d’achat (Kugler et Lenz, 1993) ; pour formuler la demande de monnaie (Johansen et Juselius (1990) ; Hendry (1995), Mac-Donald et Taylor (1993) ou pour examiner des relations entre taux de change de divers pays (Baillie et Bollerslev, 1989, 1994).

Par définition, on appelle variables cointégrées xt, y_t , une combinaison linéaire de variables intégrées du même ordre d telle que :

Z_t = αX_t + βY_t

Soit intégrées du même ordre (d – b), 0 < b < d

On notera Z→ I(d – b)

(α, β) s’appelle le vecteur cointégrant

III-2-1-Propriétés de la relation de cointégration

Une série est intégrée d’ordre d (notée x_t→I(d)) s’il convient de différencier d fois afin de la rendre stationnaire.

Soit une série x_1t  stationnaire et une série x_2t intégrée d’ordre 1 :

_1t→I (0)

_2t→ I (I)_1t + _2tI (1)

La série y_{t= 1t +2t} est  non stationnaire puisque l’on a fait la sommation d’une série affectée d’une tendance et une série stationnaire.

Soit deux séries _1t et_2t  intégrées d’ordre d :

_1t→I(d)

_2t→I(d) _1t + _2tI( ?)

La combinaison linéaire α_1t + βχ_2t I(?)

En effet, le résultat dépend des signes des coefficients α, β et de l’existence d’une dynamique non stationnaire commune.

_1t→I(d)

_2t→I (d’)   d≠d’ _1t + _2tI( ?)

Il existe dans ce cas une impossibilité de conclure car on procède à la sommation de deux séries d’ordre d’intégration différent.

Considérons deux séries affectées d’une tendance :

• Dans un premier cas, les deux séries ont une tendance d’évolution constante sur une première période et puis une tendance d’évolution divergente en une deuxième période, les séries ne sont pas cointégrées.
• Dans un deuxième cas, les deux séries ont une évolution constante sur toute la période, les séries sont cointégrées, il existe dans cas une évolution de long terme constante entre les chroniques.

Les propriétés habituelles recherchées de la cointégration des variables sont celles des méthodes d’estimation par les moindres carrés (MCO). En fait, les estimateurs sont qualifiés de super convergents c’est-à-dire plus vite que les MCO sur les données stationnaires, vers les valeurs vraies des paramètres.

Cela semble impliquer que dans un cas de cointégration on puisse légitimement utiliser le test de Student normal.

En fait, l’interprétation est un peu plus délicate.

Dans le modèle

(1)  y_t= a_o + a₁x_t + µ

Avec x_t = x_t-1 +v

Si les termes d’erreurs u_t et v_t sont normaux, de moyenne nulle et indépendants, la distribution des tests de Student et de Fisher est bien la distribution standard.

Lorsqu’il existe des corrélations non nulles entre u_t et v_t, ces distributions ne sont plus standards, mais il est possible de les corriger en spécifiant la relation existant entre u_t et v_t.

Pour cela, on suppose que u_t dépend de v_t pour des décalages  de –k à k

u_t= v_t-n + e_t             

et que les corrélations sont nulles pour des décalages supérieurs  à k à, c’est-à-dire |n| > k en reportant cette expression dans (1)

y_t= a_o + a₁x_t + v_t-n + e_t

Δx_t = v_t

Y_t = a_o + a₁ + a₁x_t + Δx_t-n + e_t

2.2- Conditions de cointégration

Deux séries χ_t et y_t sont dites cointégrées si les deux conditions sont vérifiées :

• Elles sont affectées d’une tendance stochastique de même degré d’intégration d,
• Une combinaison linéaire de ces séries permet de se ramener à une série d’ordre d’intégration inférieur.

Soit :

_t→I(d)

_t→  I (d)

Tel que α_{1t +} α_2t → (d-b)

Avec d ≥ b > 0

    On note : _t,_t→CI (d, b)

Dans le cas général à ĸ variables, on a :

_1.t→ I(d)

_2.t→I (d’)  on note X_t = [χ_1,t χ_2,t …. Χ_k,t] ; χ_k,t →I(d)

S’il existe un vecteur de cointégration α =[α₁ α₂ …α_k] de dimension (k,1)  tel que αX_t→ I(d-b), alors les k variables sont cointégrées et le vecteur de cointégration est α. On note que X_t → CI (d, b) avec b > 0.

III-2-3- Cointégration entre deux variables

Le traitement de séries chronologiques longues impose de tester une éventuelle cointégration entre les variables. En effet, le risque d’estimer des relations « fallacieuses » et d’interpréter les résultats de manière erronée est très élevé. Nous allons tout d’abord examiner le cas à deux variables : test de cointégation, et estimation du modèle à correction d’erreur.

La présence d’une relation d’équilibre entre des variables est testée formellement à l’aide des procédures statistiques, dont les plus utilisées sont celles d’Engle et Granger (1987) et de Johansen (1988 , 1991).

III-2-4- Test de Engle et Granger

Engle et Granger (1987) définissent la cointégration de la façon suivante : Les composantes (x_1t, x_2t, …, x_nt)’ d’un vecteur X_t seront réputées cointégrées d’ordre d,b, où d et b sont des nombres entiers1, qu’on note CI~(d, b), si chacune de ses composantes est intégrée d’ordre d mais qu’il existe une combinaison linéaire β = (β₁, β₂,..,β_n)’ telle que β’X_t est intégré d’ordre (d–b), où b > 0. Le vecteur β est alors appelé le vecteur de cointégration. Typiquement, le concept de cointégration se réfère au cas où une combinaison linéaire de séries intégrées d’ordre 1, I(1) est stationnaire, I(0). Sauf indication contraire, c’est à ce dernier phénomène que nous référons en employant le terme cointégration.

• Etape 1 : tester l’ordre d’intégration des variables

Une condition nécessaire de cointégration est que les séries doivent être intégrées de même ordre. Si les séries ne sont pas intégrées de même ordre, elles ne peuvent pas être cointégrées.

Il convient donc de déterminer le type de tendance déterministe ou stochastique de chacune des variables, puis l’ordre d’intégration d des chroniques étudiées. Si les séries statistiques étudiées ne sont pas intégrées de même ordre, la procédure est arrêtée, il n’y a pas de risque de cointégation.

Soit :       x_t → I(d)    et    y_t   → I(d)

• Etape 2 : estimation de la relation de long terme

Si la condition nécessaire est vérifiée, on estime par les méthodes des moindres carrées ordinaires (MCO) la relation de long terme entre les variables : y_t = a₁x_t + a_o + ε_t.

Pour que la relation de cointégration soit acceptée, le résidu e_t issu de cette régression doit être stationnaire : e_t= y_t – â_tx_t – â_o.

La stationnarité du résidu est testée à l’aide des tests DF ou DFA.

Dans ce cas, nous ne pouvons plus utiliser les tables de Dickey et Fuller. En effet, le test porte sur les résidus estimés à partir de la relation statique et non pas sur les « vrais » résidus de la relation de cointégration. Mackinnon (1991) a donc simulé des tables qui dépendent du nombre d’observation et du nombre de variables explicatives figurant dans la relation statistique.

III-2-5- Cointégration entre plusieurs variables

La littérature économique récente concernant la théorie de l’équilibre démontre qu’une série macroéconomique stationnaire peut être le résultat d’une combinaison de variables non stationnaires, d’où l’importance actuelle de l’analyse de la cointégration à k variables.  La généralisation de deux à k variables s’avère assez complexe du fait du nombre de possibilités de vecteurs de cointégration possibles.

Considérons un modèle économétrique à k variables explicatives :

              y_t  = β₀ + β₁x_1t + β₂x_2t  +  … + β_kx_kt + ε_t

Si les variables (y_{t et} x_kt) sont non stationnaires, I(1) par exemple, il existe alors un risque de cointégration. En effet, l’existence d’une éventuelle cointégration implique que les variables doivent être stationnaires. Comme dans le cas à deux variables, si une combinaison linéaire de ces variables est stationnaire, elles sont alors cointégrées. L’estimation par les MCO du modèle permet de calculer le résidu.

e_t = y_t – β₀ – β₁x_1t -… – β_kx_kt

Si ce résidu est stationnaire, nous acceptons l’hypothèse d’une cointégration entre les variables. Les tests de Dickey – Fuller de stationnarité sur le résidu doivent s’effectuer à partir des valeurs critiques tabulées par Mackinnon (1991) en fonction du nombre donné par [1, -β₀, -β₁ , … , -β_k].

Cependant, le cas multivarié est plus complexe que le cas de deux variables du fait des possibilités combinatoires de cointégration. En effet si, les variables y_t x_1t, x_2t et x_3t  sont cointégrées par paires y_t, x_1t → CI (1,1), et x_2t , x₃→ CI (1,1), leur combinaison linéaire est I(0).

Nous avons :e¹_t = y_t  – α₀ – α₁x_1t  et e²_t = x_2t – γ₀ – γ₁x_3t et par conséquent :  e_t = e¹_t + e²_t = y_t – α₀ – α₁x_1t  + x_2t– γ₀ – γ₁x_3t → I(0)

Nous obtenons dans ce cas un vecteur de cointégration possible : [1, -α₀ – γ₀ , – α₁ , 1, γ₁]. D’une manière générale, dans un modèle à une variable à expliquer et k variables explicatives (soit k+1 variables au total), il peut exister k vecteurs de cointégration linéairement indépendante. Le nombre de vecteur de cointégration linéairement indépendant est appelé le rang de la cointégration.

Si les variables sont de même ordre d’intégration – I(1), l’existence d’un seul vecteur de cointégration est possible ; en revanche si les séries ne sont pas toutes intégrées du même ordre, nous pouvons être certains que le vecteur de cointégration n’est pas unique.

CHAPITRE IV : Présentation, analyse et interprétation des résultats des applications économétriques

1- Données des prix pétroliers et définition des concepts

Les prix pétroliers nationaux diffèrent des prix pétroliers internationaux du fait que des prix pétroliers nationaux subissent des modifications du fait du contrôle des prix, et des diverses taxes sur les produits pétroliers. Mais, dans ce présent travail et, pour des raisons de commodité nous privilégions l’utilisation des prix internationaux des produits pétroliers notamment le prix du Brent. Ces prix sont obtenus sur le site British Petroleum (BP Statistical review), les autres données ont été obtenues à la Direction Nationale du Plan notamment à la division stratégie et politiques macroéconomiques. Les données nationales sont très courtes et cette fréquence nous a été imposées par la disponibilité, car les statistiques ne sont disponibles qu’à partir de 1989 et cela pour quelques variables. Le prix du pétrole ou « cours du pétrole » est le prix au comptant du pétrole de référence Brent sur le marché international, il est représenté par les lettres PP.

Les variables macroéconomiques sont représentées par le produit intérieur brut (noté PIB) qui est un indicateur de la croissance économique du pays, le taux d’inflation (noté TXINF) définit comme l’évolution en pourcentage du niveau général des prix, tels que mesuré par l’évolution du pourcentage de l’indice des prix à la consommation ; les taxes sur les produits pétroliers qui est un indicateur de la contribution des taxes sur les produits pétroliers aux recettes nationales.

Les effets des prix pétroliers sur la performance macroéconomique de la guinée demeurent une question préoccupante notamment pour les responsables de la politique économique. Ils font l’objet de débats surtout pendant les périodes de hausses, mais, il est loin de faire l’objet d’une étude approfondie. C’est pourquoi, ce chapitre s’est fixé comme but de décrire notre étude de la relation entre le prix du pétrole et la situation macroéconomique de la Guinée en se fondant seulement sur quelques variables macroéconomiques. Ce chapitre s’intéresse donc à la présentation et à l’interprétation des résultats. Nous commençons d’abord par les tests de racine unitaire pour déterminer la stationnarité des variables prix du pétrole et macroéconomiques.  Après, nous procéderons aux tests de Granger pour déterminer les relations d’équilibre de long terme et le prix du pétrole et chacune de ces variables macroéconomiques.

IV-2- Analyse des propriétés statistiques des variables

L’analyse des propriétés statistiques des variables concernera la matrice des variances et des covariances, des corrélations, des analyses descriptives des différentes variables et de leur stationnarité.

Le tableau 1 : statistiques descriptives des variables

PP LPP PIBT LPIBT TXINF LTXINF TSP LTSP  Mean -3.960250  3.515268  2.591830  6.066831  5.086033  2.256444  0.674982  4.478864  Median -4.015046  3.219676  2.206662  6.086229  5.015661  2.557227  0.672973  4.287441  Maximum -1.114114  4.715369  6.005992  6.302014  6.109422  3.547028  0.695486  6.704610  Minimum -4.868676  2.543176  1.345331  5.694775  4.925634  0.641854  0.645484  2.836150  Std. Dev.  0.742571  0.691708  1.284323  0.172095  0.234846  0.838065  0.010748  0.756788  Skewness  2.425150  0.503750  1.005947 -0.560272  3.813148 -0.214476 -0.404154  0.750429  Kurtosis  10.59220  1.805240  3.140095  2.406348  17.17306  1.796926  3.993935  4.983724                    Jarque-Bera  77.78502  2.340735  3.897873  1.541040  248.2427  1.563413  1.572884  5.929913  Probability  0.000000  0.310253  0.142425  0.462772  0.000000  0.457625  0.455463  0.051563                    Sum -91.08574  80.85116  59.61208  139.5371  116.9788  51.89822  15.52459  103.0139  Sum Sq. Dev.  12.13105  10.52613  36.28867  0.651571  1.213355  15.45177  0.002542  12.60001                    Observations  23  23  23  23  23  23  23  23

Les statistiques descriptives des séries utilisées sont présentées dans le tableau ci-dessus : les moyennes, les ecart-types, les statistiques de Jarque Berra, les probabilités et le nombre d’observation. Les variables log Produit intérieur brut par tête, taux d’inflation et taxes sur les produits pétroliers suivent les lois log normales sur la période 1990-2012.

Graphique7 : Evolution des variables considérées

En des contributions théoriques, empiriques et graphologiques antérieures entre le prix du pétrole et les variables macroéconomiques, cette analyse variable en logarithme permet d’apporter des éclaircissements supplémentaires.

Nous constatons que les variables logarithme taux d’inflation (log TXINF), logarithme taxes sur les produits pétroliers (log TSP), et le logarithme prix du pétrole (log PP) ont tendance à évoluer ensemble. Cependant, nous observons l’ampleur de l’évolution d’une variable à une autre diffère grandement. Le taux d’inflation ayant une ampleur remarquable comme l’atteste les figures antérieures. Par ailleurs, nous n’observons aucun lien affiché entre que la variable logarithme du produit intérieur brut par tête (logPIBt) et celui du prix du pétrole (logPP).

3- Résultat des tests de la racine unitaire

L’analyse empirique a débuté par le test de racine unitaire sur les variables retenues. Il est une observation déterminante et intéressante d’effectuer des tests de racine unitaire et une analyse de cointégration. Le risque de corrélation illusoire empêche d’établir des relations de long terme au niveau des variables non stationnaires à l’aide des méthodes d’estimation ordinaire. Plus précisément, l’importance des coefficients de corrélation entre les variables de tendance s’en trouvera artificiellement accrue et une grande partie de la corrélation apparente sera mise à jour. Aussi est-il nécessaire de conduire des tests de racine unitaire afin d’examiner les propriétés des séries temporelles. Si les séries se révèlent non stationnaires, il convient d’appliquer une cointégration afin d’étudier les liens de dépendance à long entre les variables. Dans notre, nous remarquons que les séries sont stationnaires d’ordre I(1) pour les variables PP, PIBt, TSP et d’ordre I(2) pour la variable TXINF.

IV-4- Résultat d’ordre d’intégration des variables

Les tests de la racine unitaire pour les variables prix international du pétrole (PP), ainsi que les niveaux du produit intérieur brut par tête d’habitant (PIBt), la taxe sur les produits pétroliers et taux d’inflation (Txinf) sont présentés dans le tableau ci-dessous. De façon générale, l’ensemble des variables ont été intégré dans l’ordre I(1) sauf la variable taux d’inflation qui est stationnaire en différence seconde I(2).Cette stationnarité des séries constitue pour nous une première étape importante pour l’application  de l’approche de test de cointégration.

Tableau 2 : ordre d’intégration des variables

PP (prix du pétrole)	PIBt (PIB/tête)	Txinf (taux d’inflation)	TSP (Taxes pétrolières)
I(1)	I(I)	I(2)	I(1)

Tous les tests sont effectués au seuil de 5%

Tableau3 : présente le récapitulatif du test ADF en niveau

Nom des variables	Statistiques ADF	CV valeurs critiques	Nombre de retard	stationnarité	Conclusion
LPP	-2.300332	-3.644963	1	Non	Non stationnaire
LPIB/t	-2.020289	-3.644963	1	Non	Non stationnaire
LTXINF	-2.532456	-3.644963	1	Non	Non stationnaire
LTSP	-2.020066	-3.644963	1	Non	Non stationnaire

Les résultats du test de racine unitaire montrent qu’au seuil de 5%, les valeurs sont inférieures aux valeurs calculées pour l’ensemble de nos séries. Donc les tests ADF des variables en niveau a ce de 5% nous indique qu’aucune variable n’est stationnaire. Par conséquent on accepte l’hypothèse nulle. En conclusion, les séries ne sont pas stationnaires. Les résultats du test ADF en différence première sont présentés et puis récapitulés dans un tableau ci-dessous.

Test ADF sur les variables en différence première

Tableaux 4 : récapitulatif des résultats des tests ADF en différence première. 

Noms des variables	Statistiques ADF	CV (valeurs critiques)	Ordre d’intégration	Signification
LPP	-5.082377	-3.658446	I(1)	Stationnaire
LPIB/t	-4.514571	-3.658446	I(1)	Stationnaire
LTXINF	-3.456618	-3.658446	I(1)	Non stationnaire
LTSP	-4.001713	-3.658446	I(1)	Stationnaire

Source : calcul de l’auteur

En conclusion, il est clair que dans ces tests, les séries D(LTSP), D(LPP), D(LPIBT) sont stationnaires en différence première. En effet les valeurs de la statistique du test ADF sont inférieures aux valeurs critiques à un seuil de 5% et par conséquent on accepte l’hypothèse de l’existence de racine unitaire. Donc les séries sont intégrées d’ordre 1 sauf la série Txinf pour laquelle nous effectuerons un test en différence secondaire.

Tableau 4: Tests ADF en différence seconde

Noms des variables	Statistiques ADF	CV (valeurs critiques)	Ordre d’intégration	Signification
LTXINF	-5.367051	-3.673616	I(2)	Stationnaire

Source : calcul de l’auteur

-5.367051 < -3.673616, la série D(LTXINF,2) est stationnaire en différence seconde et est intégrée d’ordre 2.

Les tableaux ci-dessous présentent les résultats du test ADF en termes de prix du pétrole, du produit intérieur brut par tête d’habitant, du taux d’inflation, de la taxe sur les produits pétroliers. En général, les résultats montrent que le prix du pétrole, le produit intérieur brut, le taux d’inflation sont stationnaires comme le niveau appréciable des statistique ADF que les valeurs de Mackinnon au niveau conventionnel de signification. Pour être plus explicite, les variables contiennent des racines unitaires et ainsi les tests peuvent être menés sur les sériés différenciés pour déterminer l’ordre d’intégration. Le tableau indique que toutes les variables sont devenues stationnaires après la première différence montrant ainsi qu’elles sont toutes intégrées d’ordre un (I(1)) ce qui intéressant pour les analyses VAR et de Cointégration

IV-5-Estimation de la relation de cointégration par la méthode de Granger

Ce test de cointégration est rendu possible parce que les variables sont du même ordre d’intégration. L’étape 1 de ce test consiste à l’estimation par la méthode des moindres carrés ordinaires du modèle à long terme. Nous aurons dans ce cas les équations suivantes :

Log(PIBt) =  6,454317–0,110230log(PP) + ε_tavec  DW = 0,513200 ;R² = 0,196292

Log(TXINF) = -0,320869+ 0,733177Log(PP) + ε_tavec  DW= 0,856878 ;   R² = 0,366191

Log(TSP) = 1,526736 + 0,839802Log(PP) + ε_tavec  DW= 1,279316   ; R² = 0,589184

La seconde étape consiste au test ADF sur le résidu ε_t. Nous avons les hypothèses suivantes :

Ho : racine unitaire sur le résidu ε_t (absence de cointégration)

H1 : non racine unitaire sur le résidu ε_t (cointégration)

Tableau 5 : test ADF des résidus

Null Hypothesis: D(RESID06) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=4)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-5.129713	0.0029
Test critical values:	1% level		-4.498307
	5% level		-3.658446
	10% level		-3.268973
*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(RESID07) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=4)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-5.144936	0.0025
Test critical values:	1% level		-4.467895
	5% level		-3.644963
	10% level		-3.261452
*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(RESID08) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=4)
			t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic			-5.133796	0.0029
Test critical values:	1% level		-4.498307
	5% level		-3.658446
	10% level		-3.268973
*MacKinnon (1996) one-sided p-values.

Les valeurs de probabilitie sont inférieures à 5%, on accepte l’hypothèse de stationnarité des résidus. Le tableau ci-dessous récapitule les différentes valeurs

Les variables Log(PIBt), Log(TXINF), Log (TSP) et Log(PP) sont intégrées au seuil de 5%.

IV-6- Causalité au sens de Granger

L’hypothèse nulle de ce test est que la première variable ne cause pas au sens de Granger la seconde, nous allons comparer les probabilités au seuil de 5%. Si cette probabilité est supérieure à 5%, l’hypothèse nulle est acceptée, dans le cas contraire, elle est rejetée.

Tableau 6 : résultat test de causalité au sens de Granger

Pairwise Granger Causality Tests
Date: 06/10/13   Time: 23:09
Sample: 1990 2012
Lags: 1
Null Hypothesis:	Obs	F-Statistic	Probability
LPP does not Granger Cause LPIBT	22	0.36327	0.55382
LPIBT does not Granger Cause LPP		1.54341	0.22923
LPP does not Granger Cause LTXINF	22	0.86211	0.36480
LTXINF does not Granger Cause LPP		0.27449	0.60639
LPP does not Granger Cause LTSP	22	15.2745	0.00094
LTSP does not Granger Cause LPP		5.77923	0.02658

Nous remarquons que parmi les relations testées, Log(PP) ne cause pas log(PIBt), prob = 0,55382 ; log(TXINF) ne cause pas log(PP), prob = 0,60639 ; dans ce cas, on accepte l’hypothèse nulle.

Par contre, toutes les autres probabilités sont inférieures à 5% et par conséquent, on rejette l’hypothèse nulle, donc il y’a une causalité entre ces variables.

 IV-7- Test de spécification de Ramsey

Tableau7 : résultats de test de spécification du modèle

Ramsey RESET Test:
F-statistic	9.342973	Probability		0.006227
Log likelihood ratio	8.816379	Probability		0.002985
F-statistic	0.559733	Probability		0.463076
Log likelihood ratio	0.634850	Probability		0.425582
F-statistic	3.098618	Probability		0.093645
Log likelihood ratio	3.312932	Probability		0.068737

Au niveau de la première relation c’est la relation entre le PIB et le prix du pétrole, on remarque que les deux probabilités sont inférieures à 5%, donc le modèle est mal spécifié. Tandis que les probabilités obtenues au niveau des relations taux d’inflation, taxes sur les produits pétroliers par rapport au prix du pétrole sont supérieures à 5%, ce qui explique le modèle est bien spécifié.

IV-8- Test de stabilité des coefficients

La stabilité des paramètres est l’un des critères les plus importants pour l’estimation d’un modèle.Ce test est fondé sur la constance des paramètres. La stabilité des coefficients d’un modèle joue important pour la compréhension des mécanismes économiques et la réalisation des projections. Leur instabilité est le reflet des phénomènes ponctuels dans le temps (chocs pétrolier, dévaluation, calamités naturelles, crises financières, etc…). Nous effectuons deux tests de stabilité des coefficients. Le test de Chow (1960) et le test de CUSUM  de Brown, Durbin et Evans (1975).

IV-8-1- Test de Chow

Tableau : resultat test de stabilité de Chow

Chow Breakpoint Test: 1996
F-statistic	2.304835	Probability		0.127000
Log likelihood ratio	4.996001	Probability		0.082249
Chow Breakpoint Test: 1997                         F-statistic 4.503367     Probability 0.025071 Log likelihood ratio 8.924140     Probability 0.011538                       Chow Breakpoint Test: 1997                         F-statistic 4.503367     Probability 0.025071 Log likelihood ratio 8.924140     Probability 0.011538

Chow Breakpoint Test: 1997
F-statistic	4.503367	Probability		0.025071
Log likelihood ratio	8.924140	Probability		0.011538
F-statistic	4.554451	Probability		0.024218
Log likelihood ratio	9.007890	Probability		0.011065
F-statistic	1.831633	Probability		0.187325
Log likelihood ratio	4.055050	Probability		0.131661
F-statistic	7.139651	Probability		0.004870
Log likelihood ratio	12.89143	Probability		0.001587
F-statistic	5.289037	Probability		0.014926
Log likelihood ratio	10.17967	Probability		0.006159

Nous avons considéré arbitrairement deux sous période de rupture 1990-1996 et 1996-2012 pour vérifier la stabilité des paramètres en vue d’en tirer les conclusions. Nous avons remarqué qu’une stabilité de la relation PIB et PP pour la sous première de rupture et une stabilité pour le taux d’intérêt et prix du pétrole pour la sous seconde période de rupture. Pour les autres sous périodes des autres relations, on observe une instabilité ponctuelle des paramètres. Ces tests présentent des faiblesses, les résultats obtenus pour les deux sous périodes de ruptures ne sont pas concordants, il faut donc passer au second test de stabilité.

 

IV-8-2- Test de CUSUM (Brown, Durbin Ewans)

Graphique8: test de stabilité de coéfficient

Source : calcul de l’auteur

Ces tests de stabilité des coefficients basés sur les résidus récursifs ont été proposé en 1975 par Brown, Durbin et Ewans. Ce sont des graphiques permettant d’accepter ou non l’hypothèse de stabilité des coefficients. L’intérêt de ces tests réside dans le fait qu’ils permettent d’étudier la stabilité d’une régression sans définir à priori la date de rupture sur les coefficients. Ce test permettre de résoudre le choix arbitraire de point de rupture du test de Chow.

Dans le graphique 8, le test de CUSUM révèle que le modèle est structurellement stable. Tandis que dans le test CUSUM carré, on constate une instabilité ponctuelle.

Sur le graphique 9 : test CUSUM indique une instabilité structurelle. Par contre le test CUSUM carré révèle une stabilité, ceci s’explique par l’incapacité des autorités à maitriser les taux d’inflation pendant de longues années.

Sur le graphique 10, on observe une instabilité structurelle et ponctuelle au niveau respectivement pour les tests CUSUM et CUSUM carré. La zone d’instabilité 2010-2011. Cette instabilité peut être expliquée par l’engagement du gouvernement dans une politique de recherche de stabilité macroéconomique pour l’atteinte du point d’achèvement de l’initiative PPTE. Ces politiques de l’Etat ont entrainé une révision successive des prix des produits pétroliers à la pompe.

IV-9- Interprétation économique des résultats

L’analyse de l’estimation des relations statistiques et des tests de cointégration nous conduit à des résultats impressionnant.

Nous remarquons que les séries PP, PIBt   sont intégrées du même ordre en différence première comparativement la série TXINF qui est intégrée en différence seconde. Par conséquent, il existe la possibilité de vérifier la nature des relations entre les variables.

La présence d’une relation de cointégration entre le prix du pétrole, le produit intérieur brut par tête, le taux d’inflation et la taxe sur les produits pétroliers signifie qu’il existe une relation d’équilibre de long terme entre ces variables, c’est-à-dire que sur le long terme elles évoluent au même taux. Ceci explique la période de hausse des cours du pétrole est celle pouvant entrainer une baisse de la production nationale, une hausse des taux d’inflation et de la recette fiscale.

La présence d’une relation de causalité entre les variables montre un lien solide entre les passées des variables dans un sens unique. Ceci explique qu’en Guinée, les autorités peuvent se servir des valeurs passées des variables pour faire une proposition de mesures de politique économique.

A long terme, le prix du pétrole agit négativement sur le PIB mais pas significativement. Par contre, il agit positivement sur l’inflation et la taxe sur les produits pétroliers de manière significative. En termes d’élasticité, une augmentation de 10% du prix du baril entraine une baisse de la production de -11,02%. Par contre une hausse de 10% du prix du baril du pétrole entraine respectivement une augmentation de 7,33% du taux d’inflation et de 8,39% de la taxe sur les produits pétroliers.

Matrice de corrélation

LPP LPIBT LTXINF LTSP LPP  1.000000 -0.443049  0.605137  0.767583 LPIBT -0.443049  1.000000     LTXINF  0.605137    1.000000   LTSP  0.767583      1.000000

                       Source : calcul de l’auteur

La figure présentant ci-haut présentant des cours mondiaux du pétrole, du produit intérieur, des taux d’inflation et de la taxe sur les produits pétroliers nous indiquent des comouvements très explicatifs.  L’on observe des taux d’inflation très bas à en 1997. Depuis cette date les taux d’inflation ont connu des fortes hausses dont l’origine est en partie imputable à l’utilisation massive des planches à billet pour financer les dépenses de l’Etat surtout pendant les mouvements sociaux de 2007 et l’après prise du pouvoir par l’armée en 2008.Mais ceux-ci ont tendance à baisser depuis les élections de 2010 mais en maintenant toujours à un taux à deux chiffres. Les cours du pétrole, les taux d’inflation et la taxes semblent évoluer ensemble. Ces tendances sont confirmées par le tableau de la matrice de corrélation qui indique une corrélation positive de   0,605137 entre le prix du pétrole et le taux d’inflation et une corrélation positive de 0,767583 entre le prix du pétrole et la taxe sur les produits pétroliers. Le produit intérieur brut par tête et le prix du pétrole ne semble pas évolué de manière concomitante comme l’indique le faible niveau et négatif de corrélation de –0,443049.

L’analyse ressort qu’une hausse poussée des cours mondiaux du pétrole aurait pour effet d’aggraver l’inflation. Cependant, on observe une nouveauté concernant la taxe sur les produits pétroliers. Avec un taux fixe de la taxe sur les produits pétroliers, toute augmentation ou diminution du prix pétrole à la pompe contribuerait à améliorer ou à détériorer les recettes pétrolières et par conséquentes recettes fiscales de façon globale comme l’atteste une forte corrélation positive de 76,76. Par contre une hausse du prix international se révèle désastreuse avec une chute de production à hauteur de -44 ,30% avec un retard d’une année.

Conclusion et recommandations

La crise de l’énergie notamment celle pétrolière est devenu un phénomène préoccupant ces dernières suscitant de questions à savoir : quels sont les effets de la fluctuation du prix du pétrole sur les variables macroéconomiques d’un pays ? Face à cette préoccupation, nombreuses recherches ont été réalisées, lesquelles ont abouti à un effet négatif du prix du pétrole de la hausse des prix du pétrole sur les variables macroéconomiques. Etant donnée la dépendance de l’économie guinéenne à l’importation des produits pétroliers, alors on s’est intéressé aux effets des fluctuations des prix du pétrole sur l’économie guinéenne.

Pour aborder ce travail, nous avons choisi comme variables macroéconomiques le produit intérieur brut par tête d’habitant, le taux d’inflation et la taxe sur les produits pétroliers. Nous avons également utilisé le prix international du baril du pétrole Brent sur la période de 1990 à 2012.

En se basant sur le test de cointégration ainsi que la causalité au sens de granger, on s’est donc fixer comme objectif d’évaluer si les fluctuations du prix du pétrole affectent les variables macroéconomiques choisies pour la présente étude sur le court terme et sur le long terme.

Notre conclusion va dans le même sens que la plupart des études antérieures qu’une variation positive du prix du pétrole impacte négativement l’activité économique.

De façon explicite, les résultats des tests de cointégration et de ceux de causalité au sens de Granger indiquent en termes d’élasticité qu’une variation à la hausse des prix du pétrole d’environ 10% contribue à la réduction du Produit intérieur brut par tête de -1,10%, une hausse du taux d’inflation de 7,33% et une augmentation des recettes fiscales de 8,40%. Bien que les niveaux d’élasticité reposent sur les liens bidimensionnels, elles pourraient constituer une représentation de la sensibilité de la baisse de la production, de l’augmentation de taux d’inflation et l’amélioration des recettes fiscales, ce qui pourrait être important pour les décideurs de politiques économiques.

D’une manière générale, on peut conclure que l’envolée du prix du baril à l’échelle internationale contribuera à aggraver la détérioration de la production nationale. En revanche, elle entrainera une augmentation du taux d’inflation. Enfin, elle a contribué  considérablement a l’amélioration des recettes fiscales de l’Etat, mais ceci n’est possible que lorsque le prix international est directement répercuté sur le prix à la pompe avec le maintien du taux de la taxe. Pourrait-on constater que les effets négatifs d’une variation positive des cours du pétrole sur les taux d’inflation peuvent être limité par la réponse efficace de la politique monétaire (autrement dit par l’utilisation des instruments indirects que sont : la politique d’open market, obligation de constitution des réserves de changes importantes, contrôle de la masse monétaire) apportées par les autorités monétaires afin d’endiguer les effets de choc. Ceci nous fait comprendre qu’entre 2005 et 2008 l’aggravation de la croissance des taux d’inflation trouve son origine en partie par la non maîtrise de la masse monétaire et l’utilisation abusive de la planche à billet.

Sur le plan de la politique économique, nous remarquons qu’un prix élevé du pétrole produit des effets néfastes sur les entreprises, les ménages et l’Etat. De manière classique, une augmentation des prix des produits pétroliers à l’intérieur va contribuer à une augmentation du prix des intrants intermédiaires dans le processus de production, ce qui finira par une augmentation des couts de production des entreprises. Les entreprises peuvent être amenées réduire le nombre de travailleurs et le niveau d’investissement et par conséquent leur production. La rentabilité des entreprises consommatrices de pétrole sera conséquemment réduite. Aussi, les ménages voient leur pouvoir d’achat se détériorer, ce qui contribue à la réduction de la demande sur le marché des biens et services. La croissance du montant de la facture pétrolière pourra placer l’Etat dans les difficultés budgétaires suite à la détérioration de la balance des paiements. Pour le cas précis, nous avons assisté à une amélioration de la recette fiscale, mais cette situation ne peut être tenable pour longtemps compte tenu du poids que supportent les usagers des produits pétroliers en particuliers les ménages. La politique de subvention se révèle désastreuse sur le plan budgétaire, ce qui a amené l’Etat à un réajustement du prix à la pompe de 7000GNF à 9500GNF soit une augmentation de 35,714%. Dans la mise en œuvre de sa politique de désendettement au titre de l’IPPTE, la suppression de la subvention a permis à l’Etat de réaliser des économies lui permettant d’atteindre le point d’achèvement.

Sur le plan de la politique monétaire, la Banque centrale mène une politique de resserrement pour faire face à la poussée inflationniste. En réalité, une politique par les taux notamment une augmentation des taux directeurs produits des effets néfastes pouvant contribuer à la réduction de l’investissement et la baisse de la demande. Par ailleurs, le déficit public pourrait s’aggraver suite l’augmentation des dépenses publiques liées à la consommation des entreprises publiques comme des centrales électriques en Guinée qui fonctionnent sur la base des produits pétroliers. Si le pouvoir public tente de recourir à la création monétaire comme c’est souvent le cas, pour financer les dépenses supplémentaires, alors cela se traduira par une situation hyper inflationniste, entamant ainsi la crédibilité de la monnaie.

Pour ainsi réduire les conséquences de la crise pétrolière en Guinée, les pouvoirs publics doivent adopter les mesures suivantes :

• Accroitre la capacité de stockage qui se limite actuellement à 25000m³ pour permettre à la Guinée de constituer un stock de sécurité raisonnable pouvant l’éviter de faire face à des ruptures incessantes.
• Créer un fond de sécurité en réserves en devises que l’Etat pourra utiliser pendant les périodes hausses de prix des produits pétroliers.
• Recourir à des sources d’énergies alternatives (comme les centrales hydroélectriques pour la construction des nouveaux barrages de grande capacité, les énergies propres comme l’énergie solaire pour éclairage publics et domestiques, le biocarburant) en dehors du pétrole pour atténuer la dépendance de l’économie guinéenne à la dépendance des produits pétroliers

Bibliographie

1. Agence Monétaire de L’Afrique de l’Ouest (AMAO) «Impact des fluctuations des cours du pétrole sur les principaux critères de convergence dans les Etats membres de la CEDEAO », Freetown, juin 2008.
2. Anges Benassy-Quéré et Valérie Mignon « Pétrole et Dollars » un jeu à double sens, lettre de CEPII N° 250, 2005.
3. Anges Benassy-Quéré , Sophie Bereau et Valérie Mignon « Euro-dollar : le face à face», lettre de CEPII N° 2279, 2008.
4. African Development Bank « impact of high oil price on African economies », july,2009
5. Amara Luc Camara  et Mamady Koumba Diawara : Evaluation du potentiel des bioénergies en Guinée, Ministère de l’agriculture.
6. Anna Kormintina « oil price shocks and the optimality of monetary policy » January 18, 2009.
7. Antoine Ayoub « Notes sur les réservespétrolières : entre l’épuisement physique et l’épuisement économique », Colloque sur les déficits énergétiques du Xxi^ème siècle, les entretiens Jacques quartiers, Chambery- France, 30 Novembre- 2 décembre
8. Auguste Mpacko Priso «  Efficience du marché boursier new-yorkais, une analyse à partir de la théorie de cointégration » journal de la société statistique de paris, tome 138, 1997.
9. Carl Gauderault « Le prix de l’énergie et activité économique au Canada » Ministère des finances, document de travail, 2003-14.
10. Centre d’Analyse Economique (CAE) :Les effets d’un prix du pétrole élevé et volatil, rapport juillet 2010
11. Conférence des Nations Unies pour le Commerce et le Développement (CNUCED) « Le pétrole », http://www.unctad.org/information/français/pétrole/plan.html
12. Cyriac guillaumin, François Lescaroux, Valérie Mignon «  Prix du pétrole : vers une poursuite à la hausse ».
13. Bernard BENSAID, Actualisé par Guy Maisonnier «  Pétrole, une énergie incontournable » IFP, Avril, 2007.
14. Denis BABUSIAUX et Pierre Réné BAUQUIS : « Que penser de la raréfaction des ressources pétrolières et de l’évolution du prix du brut », Académie des technologies,commission énergie et changement climatique, rapport du groupe de travail pétrole, Institut Français du Pétrole, Septembre 2007.
15. Fodiyé Bakary DOUCOURE : Méthodes économétriques + programmes : cours et-applications-corrigés, logiciels EVIEWS, STATA et SPSS, 2007-2008.
16. François Lescaroux : « les conséquences économiques de la hausse du prix du pétrole », Institut Français du Pétrole, les cahiers de l’économie-n° 59, série analyses et synthèses, mai 2006.
17. Issa SACKO « Impact des fluctuations des prix du pétrole sur les économies de l’Afrique Subsahariennes, importatrices de produits pétroliers » thèse de doctorat en Sciences Economiques, 1996-1997.
18. Issa SACKO «Analyse des liens entre croissance économique et consommation d’énergie au Mali » CERFOD-FSJE-Université du MALI, 2004.
19. Jacques Percebois « l’apport de la théorique aux débats énergétiques », cahier N°99.11.15, novembre 1999.
20. Jacques Percebois «  Prix internationaux du pétrole, des gaz naturels, de l’uranium et du charbon : La théorie économique nous aide-t-elle à comprendre les évolutions ?, cahiers N° 09.02.81, CREDEN, 2009.
21. Jean Pierre Favennec « l’avenir du pétrole » CERI /CNRS, septembre 2010.
22. Jean Pierre Favennec (sous la direction) « Energie en Afrique à l’horizon 2050 » AFD et BAD, 2009.
23. James D Hamilton « Causes and consequences of the oil shocks of 2007-08 », Departement of economics, uc san diego , February 3,2009, revised march 23,2009.
24. Juan Carlos Cisar, Peter Russ, Leondus Parousa and Alikos Strobos « Vulnerability of the UE economic to iol shocks : General Equilibrium Analysis with GEM-E3 model » Instiute for Prospective technological Studies (IPTS), National Technical University of Athens (NTUA).
25. Wakefond « The impact of oil price shock on the south African macroeconomy » SARB conference, 2006.
26. Katsuya Ito Oil price and Macro-Economy in Russia: the cointégrated VAR model approach , International Applied Economic and Management letters 1(1): 37-40, 2008.
27. Lutz Kilian « not all oil price shocks are alike disentangling demand and supply shocks in the crude oil market», University of Michigan and CER, September 28,2006.
28. Mamadou M DIOP et Abdoulaye FAME « Impact de la hausse du prix du pétrole sur la stabilité macroéconomique » Ministère de l’économie et des finances, Direction  de la prévision et des études économiques, Document de travail N°01, Août 2007.
29. Muriel Barlet et Laure Crusson « Quel impact des variations du prix du pétrole sur la croissance française », économie et prévision, mars 2008.
30. Mamadou Saliou Baldé, Nabil Khoury, Issouf Soumaré : Hétéro variance des prix du pétrole brut et l’efficacité  de la couverture à l’aide des contrats à termes boursiers : cas des importations guinéennes, chaire Desjardins en gestion des produits dérivés,  cahier de recherche, 2005.
31. Martin Schneider « the impact of oil price change on growth and inflation », Monetary policy and economy Q2/04.
32. OCDE « Les effets de la hausse des prix du pétrole sur l’activité économique et l’inflation », Département des affaires économiques de l’OCDE, note de politique économiqueN°4, 2011.
33. Ousman Aboubakar Mahamat « Choc de prix du pétrole et macroéconomie », rapport de stage académique, BEAC, services centraux, direction des études, du 26 mai au 31 juillet 2008.
34. Philipe Copinschi «  Le petrole, un enjeu international », documentation française, dossier réalisé en janvier 2O11.
35. Olivier J Blanchard et Joudy Gali « The macroeconomic effects of oil price shocks: why are the 2003 so different from the 1970s? August 18, 2007.
36. Régis Bourbonnais : Econométrie ; DUNOD, 2000.
37. Ron Alquist et Elif Arbatli « le contrat à terme sur le pétrole brut : une boucle de cristal ? » département des analyses de l’économie internationale, 2010.
38. Taoufik Rajhi, Mohamed Ben Abdallah et Wided Hmssi « Impact des chocs pétroliers sur les économies africaines : une enquête empirique »

Sites internets

Bp.com/statisticalreview

www.bcrg-guinée.org

Annexes

1-  test de la racine unitaire (Unit Root Test)

Null Hypothesis: LTXINF has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-2.532456	0.3109
Test critical values:	1% level			-4.467895
	5% level			-3.644963
	10% level			-3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTXINF)
Method: Least Squares
Date: 05/30/13   Time: 16:31
Sample (adjusted): 1992 2012
Included observations: 21 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
LTXINF(-1)	-0.484527		0.191327	-2.532456	0.0215
D(LTXINF(-1))	0.041535		0.221924	0.187157	0.8538
C	0.515451		0.434575	1.186104	0.2519
@TREND(1990)	0.044860		0.024640	1.820585	0.0863
R-squared	0.310479		Mean dependent var		-0.012421
Adjusted R-squared	0.188799		S.D. dependent var		0.688730
S.E. of regression	0.620316		Akaike info criterion		2.052468
Sum squared resid	6.541467		Schwarz criterion		2.251425
Log likelihood	-17.55092		F-statistic		2.551598
Durbin-Watson stat	2.095858		Prob(F-statistic)		0.089836

Null Hypothesis: LTSP has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-2.020066	0.5575
Test critical values:	1% level			-4.467895
	5% level			-3.644963
	10% level			-3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTSP)
Method: Least Squares
Date: 05/30/13   Time: 16:33
Sample (adjusted): 1992 2012
Included observations: 21 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
LTSP(-1)	-0.908353		0.449665	-2.020066	0.0594
D(LTSP(-1))	-0.205323		0.387541	-0.529809	0.6031
C	3.256600		1.585484	2.054009	0.0557
@TREND(1990)	0.079715		0.037757	2.111249	0.0499
R-squared	0.301169		Mean dependent var		0.149558
Adjusted R-squared	0.177845		S.D. dependent var		0.428986
S.E. of regression	0.388973		Akaike info criterion		1.119031
Sum squared resid	2.572104		Schwarz criterion		1.317988
Log likelihood	-7.749828		F-statistic		2.442109
Durbin-Watson stat	1.466355		Prob(F-statistic)		0.099560

Null Hypothesis: LPP has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-2.300332	0.4158
Test critical values:	1% level			-4.467895
	5% level			-3.644963
	10% level			-3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPP)
Method: Least Squares
Date: 05/30/13   Time: 16:35
Sample (adjusted): 1992 2012
Included observations: 21 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
LPP(-1)	-0.409280		0.177922	-2.300332	0.0344
D(LPP(-1))	-0.009611		0.220330	-0.043623	0.9657
C	0.917441		0.432063	2.123397	0.0487
@TREND(1990)	0.048940		0.018471	2.649577	0.0169
R-squared	0.295136		Mean dependent var		0.081887
Adjusted R-squared	0.170748		S.D. dependent var		0.247463
S.E. of regression	0.225348		Akaike info criterion		0.027297
Sum squared resid	0.863286		Schwarz criterion		0.226254
Log likelihood	3.713378		F-statistic		2.372706
Durbin-Watson stat	2.033998		Prob(F-statistic)		0.106315

Null Hypothesis: LPIBT has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-2.020289	0.5574
Test critical values:	1% level			-4.467895
	5% level			-3.644963
	10% level			-3.261452
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIBT)
Method: Least Squares
Date: 05/30/13   Time: 16:38
Sample (adjusted): 1992 2012
Included observations: 21 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
LPIBT(-1)	-0.390825		0.193450	-2.020289	0.0594
D(LPIBT(-1))	0.375469		0.239811	1.565687	0.1358
C	2.418927		1.215521	1.990033	0.0629
@TREND(1990)	-0.004255		0.005293	-0.803872	0.4326
R-squared	0.234362		Mean dependent var		-0.002969
Adjusted R-squared	0.099249		S.D. dependent var		0.117316
S.E. of regression	0.111342		Akaike info criterion		-1.382772
Sum squared resid	0.210751		Schwarz criterion		-1.183815
Log likelihood	18.51911		F-statistic		1.734566
Durbin-Watson stat	1.667108		Prob(F-statistic)		0.197856

 

Test ADF sur les variables différence première

Null Hypothesis: D(LTXINF) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic		Prob.*
Augmented Dickey-Fuller test statistic				-3.456618		0.0721
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTXINF,2)
Method: Least Squares
Date: 05/30/13   Time: 16:45
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error		t-Statistic	Prob.
D(LTXINF(-1))	-1.321790		0.382394		-3.456618	0.0032
D(LTXINF(-1),2)	0.136730		0.251143		0.544429	0.5937
C	-0.327006		0.412537		-0.792672	0.4396
@TREND(1990)	0.025721		0.030179		0.852287	0.4066
R-squared	0.581644		Mean dependent var			-0.009012
Adjusted R-squared	0.503202		S.D. dependent var			1.054631
S.E. of regression	0.743345		Akaike info criterion			2.421544
Sum squared resid	8.840996		Schwarz criterion			2.620691
Log likelihood	-20.21544		F-statistic			7.414965
Durbin-Watson stat	1.918933		Prob(F-statistic)			0.002482

Null Hypothesis: D(LTSP) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-4.001713	0.0263
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTSP,2)
Method: Least Squares
Date: 05/30/13   Time: 16:47
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(LTSP(-1))	-2.281448		0.570118	-4.001713	0.0010
D(LTSP(-1),2)	0.401375		0.387218	1.036561	0.3154
C	0.091910		0.237405	0.387143	0.7038
@TREND(1990)	0.012658		0.015892	0.796532	0.4374
R-squared	0.605360		Mean dependent var		0.072560
Adjusted R-squared	0.531365		S.D. dependent var		0.574989
S.E. of regression	0.393620		Akaike info criterion		1.149994
Sum squared resid	2.478985		Schwarz criterion		1.349141
Log likelihood	-7.499942		F-statistic		8.181101
Durbin-Watson stat	1.680017		Prob(F-statistic)		0.001582

Null Hypothesis: D(LPP) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-5.082377	0.0032
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPP,2)
Method: Least Squares
Date: 05/30/13   Time: 16:49
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(LPP(-1))	-1.703604		0.335198	-5.082377	0.0001
D(LPP(-1),2)	0.482540		0.223056	2.163314	0.0460
C	-0.078919		0.127317	-0.619864	0.5441
@TREND(1990)	0.017182		0.009894	1.736511	0.1017
R-squared	0.668969		Mean dependent var		0.001887
Adjusted R-squared	0.606900		S.D. dependent var		0.372832
S.E. of regression	0.233757		Akaike info criterion		0.107789
Sum squared resid	0.874279		Schwarz criterion		0.306935
Log likelihood	2.922115		F-statistic		10.77793
Durbin-Watson stat	1.949216		Prob(F-statistic)		0.000404

Null Hypothesis: D(LPIBT) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-4.514571	0.0097
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LPIBT,2)
Method: Least Squares
Date: 05/30/13   Time: 16:50
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(LPIBT(-1))	-1.255694		0.278142	-4.514571	0.0004
D(LPIBT(-1),2)	0.499383		0.216519	2.306412	0.0348
C	-0.061510		0.058403	-1.053201	0.3079
@TREND(1990)	0.004334		0.004231	1.024257	0.3210
R-squared	0.572566		Mean dependent var		0.002871
Adjusted R-squared	0.492423		S.D. dependent var		0.152750
S.E. of regression	0.108826		Akaike info criterion		-1.421279
Sum squared resid	0.189489		Schwarz criterion		-1.222132
Log likelihood	18.21279		F-statistic		7.144236
Durbin-Watson stat	2.034240		Prob(F-statistic)		0.002927

Différence secondaire TXinf

Null Hypothesis: D(LTXINF,2) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-5.367051	0.0020
Test critical values:	1% level			-4.532598
	5% level			-3.673616
	10% level			-3.277364
*MacKinnon (1996) one-sided p-values.
Warning: Probabilities and critical values calculated for 20
observations and may not be accurate for a sample size of 19
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTXINF,3)
Method: Least Squares
Date: 05/30/13   Time: 16:54
Sample (adjusted): 1994 2012
Included observations: 19 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(LTXINF(-1),2)	-2.270294		0.423006	-5.367051	0.0001
D(LTXINF(-1),3)	0.476162		0.241784	1.969373	0.0677
C	0.187134		0.522587	0.358091	0.7253
@TREND(1990)	-0.008507		0.037268	-0.228264	0.8225
R-squared	0.816531		Mean dependent var		0.000738
Adjusted R-squared	0.779837		S.D. dependent var		1.874983
S.E. of regression	0.879770		Akaike info criterion		2.766351
Sum squared resid	11.60992		Schwarz criterion		2.965180
Log likelihood	-22.28033		F-statistic		22.25259
Durbin-Watson stat	2.075355		Prob(F-statistic)		0.000009

Tests de cointégration

Estimation des moindres carrés ordinaires

Dependent Variable: LPIBT
Method: Least Squares
Date: 06/10/13   Time: 23:27
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	6.454317	0.174237	37.04324	0.0000
LPP	-0.110230	0.048673	-2.264708	0.0342
R-squared	0.196292	Mean dependent var		6.066831
Adjusted R-squared	0.158021	S.D. dependent var		0.172095
S.E. of regression	0.157914	Akaike info criterion		-0.770593
Sum squared resid	0.523673	Schwarz criterion		-0.671854
Log likelihood	10.86182	F-statistic		5.128905
Durbin-Watson stat	0.513200	Prob(F-statistic)		0.034234
Dependent Variable: LTXINF
Method: Least Squares
Date: 06/10/13   Time: 23:40
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-0.320869	0.753494	-0.425842	0.6746
LPP	0.733177	0.210487	3.483249	0.0022
R-squared	0.366191	Mean dependent var		2.256444
Adjusted R-squared	0.336010	S.D. dependent var		0.838065
S.E. of regression	0.682902	Akaike info criterion		2.158012
Sum squared resid	9.793468	Schwarz criterion		2.256750
Log likelihood	-22.81713	F-statistic		12.13302
Durbin-Watson stat	0.856878	Prob(F-statistic)		0.002218
Dependent Variable: LTSP
Method: Least Squares
Date: 06/10/13   Time: 23:44
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	1.526736	0.547798	2.787043	0.0110
LPP	0.839802	0.153026	5.487969	0.0000
R-squared	0.589184	Mean dependent var		4.478864
Adjusted R-squared	0.569622	S.D. dependent var		0.756788
S.E. of regression	0.496477	Akaike info criterion		1.520383
Sum squared resid	5.176281	Schwarz criterion		1.619121
Log likelihood	-15.48440	F-statistic		30.11781
Durbin-Watson stat	1.279316	Prob(F-statistic)		0.000019

Tests de residu

Null Hypothesis: D(RESID06) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=4)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-5.129713	0.0029
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID06,2)
Method: Least Squares
Date: 06/10/13   Time: 23:31
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(RESID06(-1))	-1.333726		0.260000	-5.129713	0.0001
D(RESID06(-1),2)	0.582505		0.201024	2.897686	0.0105
C	-0.069040		0.053565	-1.288908	0.2158
@TREND(1990)	0.005791		0.003900	1.484801	0.1570
R-squared	0.628434		Mean dependent var		0.003079
Adjusted R-squared	0.558766		S.D. dependent var		0.149519
S.E. of regression	0.099319		Akaike info criterion		-1.604104
Sum squared resid	0.157828		Schwarz criterion		-1.404957
Log likelihood	20.04104		F-statistic		9.020342
Durbin-Watson stat	1.909516		Prob(F-statistic)		0.000992

 

Null Hypothesis: D(RESID06) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=4)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-5.129713	0.0029
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID06,2)
Method: Least Squares
Date: 06/10/13   Time: 23:31
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(RESID06(-1))	-1.333726		0.260000	-5.129713	0.0001
D(RESID06(-1),2)	0.582505		0.201024	2.897686	0.0105
C	-0.069040		0.053565	-1.288908	0.2158
@TREND(1990)	0.005791		0.003900	1.484801	0.1570
R-squared	0.628434		Mean dependent var		0.003079
Adjusted R-squared	0.558766		S.D. dependent var		0.149519
S.E. of regression	0.099319		Akaike info criterion		-1.604104
Sum squared resid	0.157828		Schwarz criterion		-1.404957
Log likelihood	20.04104		F-statistic		9.020342
Durbin-Watson stat	1.909516		Prob(F-statistic)		0.000992
Null Hypothesis: D(RESID08) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=4)
				t-Statistic	Prob.*
Augmented Dickey-Fuller test statistic				-5.133796	0.0029
Test critical values:	1% level			-4.498307
	5% level			-3.658446
	10% level			-3.268973
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID08,2)
Method: Least Squares
Date: 06/10/13   Time: 23:45
Sample (adjusted): 1993 2012
Included observations: 20 after adjustments
Variable	Coefficient		Std. Error	t-Statistic	Prob.
D(RESID08(-1))	-2.284133		0.444921	-5.133796	0.0001
D(RESID08(-1),2)	0.636459		0.291141	2.186088	0.0440
C	0.212933		0.278662	0.764127	0.4559
@TREND(1990)	-0.008193		0.020056	-0.408486	0.6883
R-squared	0.686202		Mean dependent var		0.070976
Adjusted R-squared	0.627365		S.D. dependent var		0.779294
S.E. of regression	0.475711		Akaike info criterion		1.528843
Sum squared resid	3.620812		Schwarz criterion		1.727990
Log likelihood	-11.28843		F-statistic		11.66276
Durbin-Watson stat	1.497106		Prob(F-statistic)		0.000266

Test de causalité

Pairwise Granger Causality Tests
Date: 06/10/13   Time: 23:09
Sample: 1990 2012
Lags: 1
Null Hypothesis:	Obs	F-Statistic	Probability
LPP does not Granger Cause LPIBT	22	0.36327	0.55382
LPIBT does not Granger Cause LPP		1.54341	0.22923

Pairwise Granger Causality Tests
Date: 06/10/13   Time: 23:13
Sample: 1990 2012
Lags: 1
Null Hypothesis:	Obs	F-Statistic	Probability
LPP does not Granger Cause LTXINF	22	0.86211	0.36480
LTXINF does not Granger Cause LPP		0.27449	0.60639

 

Pairwise Granger Causality Tests
Date: 06/10/13   Time: 23:14
Sample: 1990 2012
Lags: 1
Null Hypothesis:	Obs	F-Statistic	Probability
LPP does not Granger Cause LTSP	22	15.2745	0.00094
LTSP does not Granger Cause LPP		5.77923	0.02658

Test de spécification de Ramsey

Ramsey RESET Test:
F-statistic	3.098618	Probability		0.093645
Log likelihood ratio	3.312932	Probability		0.068737
Test Equation:
Dependent Variable: LTSP
Method: Least Squares
Date: 06/29/13   Time: 10:39
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	6.533079	2.891611	2.259322	0.0352
LPP	-4.787646	3.200216	-1.496038	0.1503
FITTED^2	0.724901	0.411808	1.760289	0.0936
R-squared	0.644294	Mean dependent var		4.478864
Adjusted R-squared	0.608724	S.D. dependent var		0.756788
S.E. of regression	0.473387	Akaike info criterion		1.463299
Sum squared resid	4.481897	Schwarz criterion		1.611407
Log likelihood	-13.82794	F-statistic		18.11311
Durbin-Watson stat	1.553147	Prob(F-statistic)		0.000032

Ramsey RESET Test:
F-statistic	0.559733	Probability		0.463076
Log likelihood ratio	0.634850	Probability		0.425582
Test Equation:
Dependent Variable: LTXINF
Method: Least Squares
Date: 06/29/13   Time: 10:48
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-4.409420	5.517665	-0.799146	0.4336
LPP	2.791106	2.758894	1.011676	0.3238
FITTED^2	-0.589337	0.787723	-0.748153	0.4631
R-squared	0.383447	Mean dependent var		2.256444
Adjusted R-squared	0.321791	S.D. dependent var		0.838065
S.E. of regression	0.690175	Akaike info criterion		2.217366
Sum squared resid	9.526844	Schwarz criterion		2.365474
Log likelihood	-22.49971	F-statistic		6.219193
Durbin-Watson stat	1.029089	Prob(F-statistic)		0.007938

Ramsey RESET Test:
F-statistic	9.342973	Probability		0.006227
Log likelihood ratio	8.816379	Probability		0.002985
Test Equation:
Dependent Variable: LPIBT
Method: Least Squares
Date: 06/29/13   Time: 10:49
Sample: 1990 2012
Included observations: 23
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-849.1916	279.9314	-3.033570	0.0066
LPP	27.38132	8.994173	3.044340	0.0064
FITTED^2	20.61844	6.745485	3.056628	0.0062
R-squared	0.452198	Mean dependent var		6.066831
Adjusted R-squared	0.397417	S.D. dependent var		0.172095
S.E. of regression	0.133591	Akaike info criterion		-1.066957
Sum squared resid	0.356932	Schwarz criterion		-0.918849
Log likelihood	15.27001	F-statistic		8.254755
Durbin-Watson stat	1.153469	Prob(F-statistic)		0.002434

 

Par Lamine Touré

Economiste – Juriste, Inspecteur des finances, chargé de cours d’économie dans certaines universités

Contacts : téléphone : (+224) 628 519 006/ 664 754 283

E-mail : ltoure2007@gmail.com / baraujnk.gn@gmail.com

[1] AMAO: Impact des fluctuations des cours du pétrole sur les principaux critères de convergence dans les Etats membres de la CEDEAO, Freetown, 2008.

[2] Mamadou Saliou Baldé, Nabil Khoury, Issouf  Soumaré : Hétéro variance des prix du pétrole brut et l’efficacité  de la couverture à l’aide des  contrats à termes boursiers : cas des importations guinéennes, chaire desjardins en gestion des produits dérivés,  cahier de recherche, 2005.

[3] Amara Luc CAMARA et Mamady Koumba DIAWARA : Evaluation du potentiel des bioénergies en Guinée, Ministère de l’Agriculture,

[4] Issa SACKO: Analyse des liens entre croissance économique et consommation d’énergie au Mali, CERFOD-FSJE-Université de Bamako, 2004.

[5][5] Rajhi, BenAbdallah et Hmissi : Impact des chocs pétroliers sur les économies africaines : une enquête empirique.