Innovations agricoles au service du développement durable
Innovations agricoles au service du développement durable
Innovations agricoles au service du développement durable
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Analyse économétrique<br />
Définition des variables de l’étude<br />
Les variables utilisées dans la présente étude sont les suivantes :<br />
• DOLLAR = prix international <strong>du</strong> dollar américain ;<br />
• CAFÉ = cours international <strong>du</strong> café (moyenne annuelle calculée à partir des moyennes mensuelles) ;<br />
• PÉTROLE = cours international <strong>du</strong> pétrole (moyenne annuelle calculée à partir des moyennes mensuelles) ;<br />
• EXPORTATION = recettes d’exportation (par an) ;<br />
• INFL1 = t<strong>au</strong>x d’inflation (moyenne annuelle calculée à partir des moyennes mensuelles) ;<br />
• PIB = pro<strong>du</strong>it intérieur brut.<br />
En application <strong>du</strong> modèle VAR, toutes les variables sont examinées en logarithme. Ainsi, le « L » avant les variables de notation<br />
constitue le logarithme. La forme logarithmique peut aisément découler de l’élasticité et de la fonction <strong>du</strong> t<strong>au</strong>x de croissance.<br />
L’écart en log Yt et log Y (t-1) correspond <strong>au</strong> t<strong>au</strong>x de croissance de Y. Par conséquent, le premier écart log de chaque fonction donne<br />
une approximation <strong>du</strong> t<strong>au</strong>x de croissance de la fonction.<br />
Le test de stationnarité est une étape <strong>du</strong> modèle VAR. Nous avons utilisé les tests de Dickey-Fuller et Phillips-Perron. (L’utilisation<br />
de ces deux tests est motivée par le fait que le premier prend en compte l’existence d’une possible corrélation de rési<strong>du</strong>s, alors que<br />
le second prend en compte l’existence d’une possible hétérocédasticité). Les résultats de ces tests montrent que seule la variable<br />
« inflation » est stationnaire à un nive<strong>au</strong> de probabilité de 5 %. Nous avons donc différencié toutes les variables pour les rendre<br />
stationnaires. Les séries différenciées sont dénotées par « DL ».<br />
C<strong>au</strong>salité<br />
Alors que les développements des cours <strong>du</strong> café et <strong>du</strong> cacao étaient similaires <strong>au</strong> cours de la période sous revue, nous avons utilisé<br />
exclusivement les cours <strong>du</strong> café dans la présente modélisation (pour éliminer le risque de multi-colinéarité). Après avoir effectué<br />
les différents tests, le modèle VAR obtenu était comme suit :<br />
Y t<br />
= A 0 + ∑ A j Y t-j + ε t<br />
<strong>Innovations</strong> <strong>agricoles</strong> <strong>au</strong> <strong>service</strong> <strong>du</strong> développement<br />
où ε t<br />
= (ε 1t,<br />
ε 2t,<br />
ε 3t,<br />
ε 4t,<br />
ε 4t,<br />
ε 5t,<br />
ε 6t<br />
) (le vecteur des termes d’erreurs stochastiques est appelé impulsions ou innovations ou<br />
en encore chocs en langage VAR) ; Yt est le processus stationnaire ; Aj est le coefficient matriciel ; et t représente toute année<br />
donnée. L’ordre de notre modèle est 1 et, dans la forme matricielle, nous utilisons l’équation ci-dessous :<br />
DLCDOLLAR t<br />
c1 a 11 a 12 … a 16 DLCDOLLAR t-1<br />
DLCPETROLE t<br />
c2 a 21 a 22 … a 26 DLCPETROLE t-1<br />
DLCCAFE t = c3 + a 31 a 32 … a 36 DLCCAFE t-1<br />
DLEXPORT t c4 a 41 a 42 … a 46 DLEXPORT t-1<br />
LINFL1 t c5 a 51 a 52 … a 56 LINFL1 t-1<br />
DLPIB t c6 a 61 a 62 … a 66 DLPIB t-1<br />
⎨<br />
t<br />
⎟⎠<br />
158