08.11.2014 Views

Innovations agricoles au service du développement durable

Innovations agricoles au service du développement durable

Innovations agricoles au service du développement durable

SHOW MORE
SHOW LESS

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

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!