RENEWBLE ENERGY IN GULF

COUNTRIES
1. Literaturereview
Behname (2012)1 a étudié la relation entre la consommation d'énergie renouvelable et la
croissance économique pour les pays de l’Europe de l’Ouest. Il a conclu qu’il y a une relation
bidirectionnelle (à long terme et à court terme) entre la consommation d'énergie renouvelable
et la croissance économique.

Apergis et Payne (2010)2 a étudié la relation entre la formation de capital, le PIB, le travail et
la consommation de l'énergie renouvelable pour les pays d'OCDE. Ils ont montré qu’il y a
une relation bidirectionnelle entre la croissance économique et la consommation d'énergie
renouvelable.

Shiu et Lam (2004)3 a étudié la relation entre la consommation d’énergie renouvelable et le

PIB réel de la Chine de 1971 à 2000, avec des tests de causalité de Granger. Ils ont montré
qu’il y a une relation de causalité unidirectionnelle de la consommation d’énergie
renouvelable vers le PIB.

Jebli et al. (2014)4 a étudié la relation entre le commerce (exportations ou importations) et la

consommation d’énergie renouvelable pour un échantillon de 24 pays. Ils ont trouvé un lien
de causalité du commerce international vers la consommation des énergies renouvelables.

Ocal et Aslan (2013)5 a examiné la relation de cause à effet entre la consommation des
énergies renouvelables et la croissance économique en Turquie, en utilisant l'approche ARDL
et des tests de causalité Toda-Yamamoto. Ils ont conclu qu'il existe un lien causalité

1
Mehdi BEHNAME, 2012. "La Consommation D'Energie Renouvelable Et La Croissance Economique Dans
L'Europe De L'Ouest," Romanian Journal of Economics, Institute of National Economy, vol. 35(2(44)), pages
160-171, December.
2
Apergis, Nicholas & Payne, James E., 2011. "The renewable energy consumption-growth nexus in Central
America," Applied Energy, Elsevier, vol. 88(1), pages 343-347, January.
3
SHIU A., LAM P. (2004), « Electricity consumption and economic growth in China », Energy Policy, vol 32,
p. 47–54.
4
Ben Jebli, Mehdi & Ben Youssef, Slim &Apergis, Nicholas, 2014. "The Dynamic Linkage between CO2
emissions, Economic Growth, Renewable Energy Consumption, Number of Tourist Arrivals and Trade," MPRA
Paper 57261, University Library of Munich, Germany.
5
Ocal, Oguz&Aslan, Alper, 2013. "Renewable energy consumption–economic growth nexus in Turkey,"
Renewable and Sustainable Energy Reviews, Elsevier, vol. 28(C), pages 494-499.
unidirectionnelle allant de la croissance économique à la consommation d'énergie
renouvelable.

Leitao (2014)6 a étudié la corrélation entre la croissance économique, les émissions de CO2,
la consommation des énergies renouvelables et de la mondialisation. Ils ont constaté qu'il
existe un lien significatif et positif entre les énergies renouvelables et la croissance
économique.

Tuggu (2013)7 a étudié la relation (de court et long terme) entre la consommation d'énergie
renouvelable et la croissance de la productivité totale des facteurs dans l'économie pour la
Turquie. Les résultats de l’auteur indiquent que la consommation d'énergie est cointégrée
avec à la croissance de la productivité totale des facteurs et l’existence d’un lien de causalité
bidirectionnelles entre les deux variables.

Sari et Soytas (2008)8 a étudié la relation entre la consommation d'énergie renouvelable et la

production industrielle pour l’USA. Ils ont conclu que la production industrielle a un impact
positif sur la consommation d'énergie renouvelable.

Nicholas Apergis (2014)9 a examiné la relation de causalité de long terme entre les énergies
renouvelables et la croissance économique pour les 80 pays. Ils ont conclu qu’il existe un lien
de causalité positif (à long terme) allant de la consommation d'énergies renouvelables au
PIB réel pour tous les pays.

Lean and Smyth (2013)10 a étudié la relation entre la consommation d'énergie renouvelable et
la croissance économique pour la Malaisie. Ils ont trouvé que les énergies renouvelables sont
les principaux contributeurs à la croissance économique à long terme.

6
Nuno Carlos Leitão, 2014. "Economic Growth, Carbon Dioxide Emissions, Renewable Energy and
Globalization," International Journal of Energy Economics and Policy, Econjournals, vol. 4(3), pages 391-399.
7
Tugcu, .T. (2013). Disaggregate energy consumption and total factor productivity: A cointegrationand
causality analysis for the Turkish economy, International Journal of Energy Economics and Policy, 3, 307-314.
8
Sari, Ramazan& Ewing, Bradley T. &Soytas, Ugur, 2008. "The relationship between disaggregate energy
consumption and industrial production in the United States: An ARDL approach," Energy Economics, Elsevier,
vol. 30(5), pages 2302-2313, September.
9
Ben Jebli, Mehdi & Ben Youssef, Slim &Apergis, Nicholas, 2014. "The dynamic interaction between
combustible renewables and waste consumption and international tourism: The case of Tunisia," MPRA Paper
59827, University Library of Munich, Germany.
10
HooiHooi Lean & Russell Smyth, 2013. "Are Shocks to Disaggregated Energy Consumption in Malaysia
Permanent or Temporary? Evidence from LM Unit Root Tests with Structural," Monash Economics Working
Papers 07-13, Monash University, Department of Economics.
Yildirim et al. (2012)11 ont examiné la relation entre la consommation d'énergie renouvelable
et la croissance économique, en appliquant la procédure Toda-Yamamoto et test de causalité
bootstrap corrigé sur les données américaines. Ils ont conclu qu’il existe une causalité
unidirectionnelle allant de la consommation d'énergie à la croissance économique.

Esso (2010)12 a étudié la relation de causalité à long terme entre la consommation d’énergie
renouvelable et la croissance économique pour 7 pays l'Afrique subsaharienne, en appliquant
l'approche de cointégration. L’auteur a conclu qu’il existe une relation unidirectionnelle entre
le PIB et la consommation d'énergie dans tous les pays.

Après la conférence sur l’environnement et le développement (sommet de la Terre) à Rio

de Janeiro en 1992 sous l’égide de l’ONU, certaines politiques économiques ont été remises
en cause au profit d’autres qui tiennent compte des exigences environnementales et des
contraintes naturelles et économiques. Ces politiques se basent sur l’analyse de l’impact de la
conservation d’énergie sur la croissance économique à court et à long terme. Pour cela, nous
nous intéressons d’abord à la relation qui lie la consommation des énergies non renouvelables
à la croissance économique. Ensuite, nous focalisons notre étude sur les effets des émissions
du CO2 sur la croissance économique. Enfin, nous étudions la relation qui lie la
consommation des énergies renouvelables à la croissance économique.

Consommation des énergies non renouvelables et croissance économique : une

relation controversée

Les crises de l'énergie (1973, 1979-1980), étaient à l’origine de nombreux travaux empiriques
(Erol et Yu, 1987; Masih et Masih, 1996; Asafu-Adjaye, 2000; Morimoto et Hope, 2004;
Lee, 2006; Lee et Chang 2007) portant sur la relation entre la consommation d'énergie et la
croissance économique. En dépit de l’importance de cette relation, cette dernière a toujours
été controversée puisque la causalité peut fonctionner dans les deux sens. Cette controverse
s’explique par les particularités institutionnelles, politiques et économiques de chaque pays.
Elle peut être expliquée également par les différences méthodologiques. En effet, Masih et
Masih (1998), AsafuAdjaye (2000), Fatai et al. (2004) et Oh et Lee (2004) ont traité cette
relation sous l’angle de la fonction de demande d’énergie dont les principales variables sont

11
Yildirim, E., Sarac, S., Aslan, A. (2012). Energy consumption and economic growth in the USA:Evidence from
renewable energy, Renewable and Sustainable Energy Review, 16, 6770-6774
12
Esso, J.L. (2010). The energy consumption-growth nexus on seven Sub-Sahara African countries, Economic
Bulletin, 30, 1191-1209
l'énergie, le PIB et le prix de l'énergie, mesuré par l'indice des prix à la consommation. Par
contre, Yu et Choi (1985), Masih et Masih (1996), Glasure et Lee (1998), Yang (2000),
Soytas et Sari (2003), Shiu et Lam (2004), Paul et Bhattacharya (2004), Morimoto et Hope
(2004), Lee et Chang (2008) ont traité la relation qui lie la consommation d’énergie et la
croissance économique sons l’angle de la fonction de production globale. Ils considèrent
l’énergie comme étant un facteur de production en même titre que les deux autres facteurs à
savoir le capital et le travail. L’inclusion de la consommation d’énergie dans la fonction de
production est expliquée aussi bien par sa nécessité et sa rareté. Dans ce cadre, les premiers
travaux empiriques sont ceux de Stern (1993 et 2000) qui en travaillant sur les États-Unis,
suggère d’évaluer la production à partir de l'énergie productive, du stock de capital et du
travail. Il considère que le processus de production ne peut se réaliser qu’en présence d’une
quantité d’énergie bien déterminée. Dans cette même ligne d’idée, Pokrovski (2003)
considère que l’énergie est un facteur de production au même titre que la main d’œuvre. C’est
aussi l’exemple de Ghali et El-Sakka (2004) qui ont intégré l’énergie dans la fonction de
production afin d’étudier la relation liant la croissance économique aux différents facteurs de
production. Par ailleurs, l’énergie n’est pas uniquement considérée comme étant de l’imput
permettant la création de la valeur mais aussi des emplois supplémentaires ce qui permet de
transformer la matière première en capital (Thompson 2006). En outre, la controverse porte
sur le sens et le type de la causalité entre la croissance économique et la consommation
d’énergie. Certains travaux utilisent le modèle de production de Chang et Lee (2008) afin de
déterminer le sens de la causalité.

L’analyse de la causalité a fait l’objet de plusieurs études (Yoo 2006) qui utilisent des
approches diverses. On distingue celles qui défendent la causalité unidirectionnelle. Ainsi
allant de la consommation d’énergie à la croissance du PIB, la causalité signifie qu’une
faible consommation d’énergie conduit à une baisse de la croissance économique, ce
qui a une signification de politique économique. Une déficience dans l'approvisionnement
d'énergie peut avoir des conséquences néfastes sur la croissance (Masih et Masih, 1998). La
causalité unidirectionnelle allant de la croissance économique vers la consommation
d’énergie implique qu’une politique de réduction de la consommation d’énergie peut avoir un
impact faible sur la croissance économique (Jumbe, 2004). En effet, Kraft et Kraft (1978),
dans une analyse de l'économie américaine entre 1947 et 1974, ont été les premiers à mettre
en évidence l'existence d'une causalité unidirectionnelle qui montre qu'aux États-Unis, c'est le
produit national brut qui détermine la consommation d'énergie. Ce résultat implique que les
politiques d'économie d'énergie mises en œuvre n’affectent pas la croissance du produit
national brut. Ainsi, dans ce cas de figure, une politique d'économie d'énergie peut être menée
sans détériorer la dynamique économique. Cependant, il faut mentionner que l’effet des
politiques énergétiques sur la croissance du revenu dépend de la période choisie. Akarca et
Long (1980) n'ont pu obtenir des résultats similaires à ceux trouvés par Kraft et Kraft (1978),
ce qui montre que la période choisie peut influencer les résultats (instabilité temporelle).
L’absence de causalité dans l'une ou l'autre direction a été soutenue par plusieurs auteurs (Yu
et Choi, 1985). Elle traduit la neutralité des politiques d’économie d’énergie vis-à-vis du
revenu.

Par ailleurs, la causalité bidirectionnelle traduit le fait que la croissance économique demande
beaucoup de consommation d’énergie et qu’une grande consommation d’énergie stimule la
croissance économique. Ainsi, la consommation d’énergie et la croissance du PIB sont des
compléments. Cette hypothèse implique qu’une politique d’économie d’énergie affecte la
croissance économique.

Or la causalité entre la consommation d’énergie et le PIB peut être appréhendé à court ou à

long terme. Masih et Masih (1996) utilisent le test de causalité standard de Granger afin
d’étudier la cointégration entre la consommation d'énergie et le revenu pour les Etats-Unis
sur la période 1974-1990. Ils ont abouti à l'absence de relation de long terme entre ces deux
variables. Par contre, Glasure et Lee (1997) ; Asafu-Adjaye (2000) ont essayé d'évaluer cette
relation causale pour des pays en voie de développement ; ils ont abouti à des résultats
opposés.

Par conséquent, les résultats de l’étude de la relation liant consommation d’énergie au PIB
sont très varies. Cependant, la tendance générale est le cas de figure où la consommation
d'énergie détermine la croissance.

Emission du CO2 et croissance économique : portée de la courbe de Kuznets

La relation entre l’émission du CO2 et la croissance économique peut être traitée dans le
cadre de l'hypothèse de la courbe de Kuznets environnementale (CKE). Cette hypothèse est
apparue dans les travaux de Grossman et Krueger (1991) et dans les études de Shafïk et
Bandyonadhyay (1992) et Panayotou (1993). Elle stipule qu'il existe une relation en U
inversé entre la dégradation de l'environnement et le revenu par tête. En effet, au début de la
phase de croissance, la pollution et la dégradation environnementale vont croître ; puis, au-
delà d'un certain niveau de revenu par tête, l'expansion économique prend de plus en plus en
considération la qualité de l’environnement ce qui encourage l'utilisation des technologies
plus propres. La relation en U inversé qu’illustre la CKE traduit trois effets que peut avoir le
développement économique sur l’environnement. Il s’agit de l'effet d'échelle, de composition
et de technique (Grossman et Krueger 1991).

L'effet d'échelle mesuré par le taux de croissance de la production totale de l’économie si la

technologie et la structure de la production restent inchangées. Selon cet effet, une
augmentation de la production s'accompagne d'un accroissement du niveau de pollution.
Ainsi, la croissance économique et synonyme d’une pollution de l'environnement. L'effet de
composition mesuré par le taux de croissance de la part du secteur (i) de l’économie qui
reflète l’évolution de la structure productive de l’économie. Selon cet effet, si l'économie
évolue vers une structure productive plus propre le niveau de pollution baisse. Quant à l'effet
technique, il est mesuré par le taux de croissance de la quantité d’émissions par unité de bien
produit. Ainsi, si les techniques de production deviennent plus propres les émissions
polluantes par unité monétaire de production diminuent ce qui réduit la pollution globale.

Dans la partie croissante de la CKE, l'effet d'échelle et de composition dominent l'effet

technique. Deux éléments peuvent expliquer cette relation. D’une part, le caractère public
des ressources naturelles et la qualité environnementale conduisent les agents à sous-estimer
le coût individuel de leurs décisions. Ce comportement entraîne une utilisation des
ressources et une pollution supérieures à la situation optimale. Ce résultat s’accentue dans les
pays en développement car les droits de propriété n’y sont pas bien définis. D’autre part,
l’expansion économique dans la première phase peut être expliquée par un changement de la
structure productive. Pour un pays en développement, ce changement s’accompagne souvent
par un accroissement du secteur secondaire qui est plus polluant et par un processus
urbanisation rapide souvent anarchique. Ainsi, au début du processus de développement, la
pollution s’aggrave. Par contre, la phase décroissante de la CKE correspond au cas des pays
développés. Ces pays ont déjà atteint un certain niveau de revenu par habitant, l’effet de
composition et l’effet technique l’emportent sur l’effet d’échelle. En effet, la tertiarisation de
la production et le progrès technique de l’économie permettent de réduire l’intensité polluante
de tous les secteurs (Stern 2003). D’autres auteurs (Dasgupta et al. 2001) expliquent la
réduction de la pollution dans les pays développés par le pouvoir de l’action collective des
citoyens et par la présence des institutions de qualité, pouvant mettre en œuvre des politiques
réglementaires en faveur de l'environnement. Par contre ce qui intéresse en premier lieu les
pays en développement est la satisfaction de leurs besoins élémentaires. Par conséquent, ils
ne peuvent pas prendre en compte les conséquences environnementales dans leurs décisions.
De plus et à l’encontre des pays développés, les institutions de réglementation
environnementale sont peu développées. En outre, les droits de propriété sur les ressources
naturelles sont mal définis ou que les coûts de transaction qui y sont liés sont élevés ce qui
facilite la surexploitation de ces ressources. Cependant, une fois que les besoins élémentaires
sont satisfaits, les agents économiques, dans ces pays, prennent en considération la valeur
réelle de l'environnement dans leur décision de consommation (Beckerman 1992).

Critiques adressées à la courbe CKE : caractère déterministe, unidirectionnel et réversible

La principale critique adressée à cette courbe est liée à son caractère optimiste et
déterministe. En effet, elle suggère que la pollution se réduit au fur et à mesure que les pays
pauvres se développent. Cette théorie suggère que l'existence de la CKE provient de la
spécialisation des pays développés et en développement suite au processus de la division
internationale du travail et de la mondialisation commerciale. Les pays en développement qui
ont une politique environnementale laxiste se sont spécialisés dans les industries polluantes.
Certains d’entre eux sont devenus des « havres de pollution » (Birdsall et Wheeler, 1992).
De plus, la critique adressée à la courbe CKE porte sur la volonté des pays riches à augmenter
la production dans des secteurs polluants suite à l’augmentation de la demande des biens de
ces secteurs et à la décroissance des rendements dans la dépollution (De Bruyn et al. 1998,
Meunié 2004).

Les critiques adressées à la CKE portent aussi sur la nature de l’articulation entre le niveau du
développement et la réduction de la pollution. En effet, il existe un seuil au-delà duquel
l’utilisation du progrès technique serait trop coûteuse (épuisement du potentiel du progrès
technique). C’est l’hypothèse de « recouplage » soutenue par plusieurs auteurs (Meunié
2004) qui considèrent que la forme U renversé de la courbe CKE n’est pas définitive et
qu’elle doit au contraire prendre la forme d'un N.

Les critiques adressées à la CKE portent également sur le caractère uni-directionnelle de la

relation qui lie l'économie à l'environnement. Cette relation qui traduit le lien de causalité
entre la croissance et la dégradation environnementale nie l'effet de retour (feedback) des
dommages environnementaux (la dégradation de la qualité de l'air et ses conséquences sur la
santé de l’individu et sur les décès prématurés) sur la croissance économique (Arrow et al
1995, Stern 1998 et 2003, Dasgupta et Màler 2003). Cette relation suppose aussi que les
conséquences négatives sur l'environnement sont réversibles (Dasgupta et Màler 2003). Or,
l’environnement une fois détérioré, on ne peut plus retourner à l’ancien équilibre (Arrow et
al. 1995). En d’autres termes, la réduction de la pollution ne permettra pas de retrouver la
situation environnementale initiale. Par conséquent l’effet de retour (CO2 vers croissance) et
l’irréversibilité (croissance économique et CO2) est au centre de la relation bidirectionnelle
entre l’émission du CO2 et la croissance économique.

Energie renouvelable et croissance économique : relation bidirectionnelle de

court et de long terme

Les politiques d’encouragement de l’utilisation des énergies renouvelables, s’appuient sur des
analyses de la relation liant la consommation d’énergie à la croissance économique. Dans ce
cadre,Pablo del Rio (2007) montre que l'accès à l'énergie renouvelables peut avoir un impact
socio-économique positif. Il considère que la consommation d’énergie renouvelable permet
la création d’emplois et du revenu. Jacobson (2007) montre que la relation qui peut exister
entre la consommation d’énergie renouvelable et la croissance économique est indirecte. En
effet, en étudiant les
impacts sociaux de l'électrification rurale par panneau solaires photovoltaïques au Kenya, il
montre que ces panneaux qui profitent à la classe moyenne ont pu augmenter
la création d'activités productives. Il montre qu’ils ont permis en outre
l'expansion de l'utilisation du téléviseur qui a joué un rôle important dans l’augmentation de
la demande des biens de consommation. Dans cette même ligne d’idée, Lund (1999) montre
qu’en Danemark, la subvention de l'énergie renouvelable augmente l'emploi, la
consommation et le revenu.
Chontanawat et al (2008) ont effectué le test de causalité de Granger sur des
données statistiques de 100 pays différents. Les résultats obtenus montrent que la relation de
causalité entre énergie et PNB est vraie pour 70% des pays de l'OCDE et pour
46% des pays non-OCDE.
Le sens de la relation entre la consommation des énergies renouvelables et la croissance
économique a suscité plusieurs études. Behname (2012) en travaillant sur des données de
l’Europe de l’Ouest montre qu’il y a une relation bidirectionnelle entre la consommation
d'énergie renouvelable et la croissance économique à court et à long terme. Apergis et Payne
(2010) en considérant la formation de capital, le PIB, le travail et la consommation de
l'énergie renouvelable pour les pays de l’OCDE ont trouvé une relation bidirectionnelle entre
la croissance économique et la consommation d'énergie renouvelable. Apergis et Payne en
travaillant sur 20 pays de l'OCDE (2010) puis sur 13 pays de l'Eurasie et sur 6 pays de
l'Amérique Centrale (2011) ont trouvé que la relation entre la consommation d'énergie et la
croissance économique est bidirectionnelle.
Ainsi, la relation entre la consommation de l’énergie renouvelable et la croissance
économique peut être directe ou indirecte, bidirectionnelle, de court et de long terme.

2. Model and estimation

 La relation entre la consommation d’énergie et la croissance du PIB a fait l’objet de
plusieurs études empiriques qui utilisent souvent l’approche bi-variée (les études
avec seulement deux variables : consommation d’énergie et PIB réel) dans l’analyse
des séries temporelles portant sur des données de panel. Rare sont les études qui
adoptent une approche multi variée. Par ailleurs, Mehara (2007) reconnait quatre
générations d’approches méthodologiques. La première génération est
composée des études basées sur la méthode VAR et sur le test de causalité de
Granger. En effet, Kraft et Kraft (1978) constatent qu’il y a une causalité
unidirectionnelle allant du PIB à la consommation d’énergie. Cette causalité
unidirectionnelle a été confirmée par Masih et Masih (1997) pour la Taïwan et la
Corée. La deuxième et la troisième génération appliquent les tests de racine unitaire et
de coïntégration sur les séries temporelles. La quatrième génération utilise les tests de
racine unitaire et de coïntégration basés sur les données de panel. Nous nous situons
dans le cadre de l’approche multi-varié, car le cadre bi-varié (seules les variables, la
consommation d’énergie et le PIB) peut entraîner des problèmes de biais (Masih et
Masih (1997, 1998). De plus, nous traitons le problème de la linéarité. En effet,
Asafu-Adjaye (2000), Glasure (2002), Narayan et Smyth (2009)) ont montré que
si on ne tient pas compte de la stationnarité peut fausser conduire les conclusions
sur les relations entre les variables. De même, nous n’avons pas utilisé les modèles
VAR qui sont seulement capables d'identifier les relations de court. Au contraire,
nous avons opté pour un modèle à correction d’erreurs (MCE) qui nous permet de
distinguer les relations de causalité, de court et de long terme, entre les variables (Oh
et Lee, 2004). Nous nous proposons de travailler sur des données de panel qui nous
fournissent beaucoup plus d’informations que les séries temporelles après avoir
appliqué les tests de racines unitaires et de coïntégration sur ces données.

1.1. The data

We study in this paper the causality relation between the variables renewble energy (lnre),
growth rate (lngdp), energy consumption (lnec) and the CO2 emission (lnco2). The study
cover six countries (saudi Arabia, Oman, Kuwait, UAE, Qatar and Bahreïn), from 1990 to
2015.
Table1 :Descriptive Statistical

LNGDP LNEC LNCO2 LNRE

 Mean 10.06766 9.036259 3.094443 0.076968
Median 9.974867 9.185907 3.075308 0.070487
Maximum 11.06004 10.03285 4.229760 0.303072
Minimum 9.255455 7.201196 1.624769 0.006244
Std. Dev. 0.553831 0.568231 0.564484 0.054915
Skewness 0.207743 -0.664067 -0.308630 0.378994
Kurtosis 1.609462 3.247851 3.064263 3.105781
Jarque-Bera 13.69046 11.86489 2.503411 3.807281
Probability 0.001065 0.002652 0.286017 0.149025
Sum 1570.556 1409.656 482.7330 12.00707
Sum Sq. Dev. 47.54292 50.04739 49.38951 0.467429
Observations 156 156 156 156

1.2.Stasionary test
In Panel data there are several tests of unit root ((Breitung, 2000), (Hadri, 2000),
(Choi, 2001), (Levin, Lin, & Chu, 2002), (Im, Pesaran, & Shin, 2003), et (Carrion-i-
Silvestre, del-Barrio-Castro, & Lopez-Bazo, 2005)). Then, considering the following
autoregressive specifications.

yit = ρi yit−1 + δi xit + εit (1)

i and t represente, respectivly, the individuals and time (i= 1, ..., N) and (t = 1, ..., T),
Xit represent the exogenous variables in the model (including the fixed and individual
effects with time trend); ρi represents the auto-regression coefficients and εit
represents stationary error terms. Ifρi> 1, yitis considered as stationary trend while ifρi
= 1, theyithas a unit root. (Breitung, 2000)and(Levin, Lin, & Chu, 2002)supposean
homogenous autoregressive unit root under the alternative hypothesis, while the test
of (Im, Pesaran, & Shin, 2003)suppose a heterogeneous autoregressive unit root under
the alternative hypothesis.

Maddala& Wu, (1999) and (Choi, 2001) suggest that the unit root tests are supposed
to be detected using the non-parametric statistical of Fisher. Hadri, (2000), Carrion-i-
Silvestre, del-Barrio-Castro, & Lopez-Bazo, (2005) suppose that the unit root tests in
the panel data try to test especially the stationarity of data in the null hypothesis.
 The recognition of the heterogeneity of the parameters is important, to avoid potential
bias that may arise due to incorrect specification. About the heterogeneity of
parameters, (Im, Pesaran, & Shin, 2003), the unit root test in the dynamic panel data,
is used for heterogeneous self-regression coefficients.A such heterogeneity may occur
due to the difference in economic conditions and levels of economic development of
each country. (Im, Pesaran, & Shin, 2003) suggest an average of Augmented Dickey-
Fuller (ADF) of the unit root test, while allowing to different orders a serial
correlations.

𝑝𝑖
𝜀𝑖𝑡 = ∑𝑗=1 𝜌𝑖𝑗 𝜀𝑖𝑡−𝑗 + 𝑢𝑖𝑡 , when we substitute this equation in (1), thus:

𝑦𝑖𝑡 = 𝜌𝑖 𝑦𝑖𝑡−1 + ∑𝑃𝑖

𝑗=1 𝑢𝑖𝑗 𝑒𝑖𝑡−𝑗 + 𝛿𝑖 𝑥𝑖𝑡 + 𝑢𝑖𝑡 (2)

Where ρi is the number of delays in the ADF regression. The null hypothesis is that
each series in panel data contains a unit root (H0: = ρi= 1∀i). The alternative
hypothesis is that at least one of each series in panel data is stationary (H0: ρi<1∀i).
Im et al (2003) specifies a t-bar statistic as the average of individual ADF statistics as
follows:
𝑁
𝑡 𝑁𝑇(𝜌𝑖 ) = 1/𝑁 ∑ 𝑡𝑖𝑇 (𝜌𝑖 )
𝑖=1

The alternative statistict-barallows to test the null hypothesis (the existence of unit
root for all individuals) wheretiT(ρi ) isthe estimated ADF test, N thenumber of
individuals and T the time.Im, Pesaran, & Shin, (2003)proposethe use of the following
standardized statistical𝑍𝑖 = (𝑁)1/2 (𝑡𝑁𝑇 − 𝐸(𝑡𝑁𝑇 ))/(𝑣𝑎𝑟(𝑡𝑁𝑇 ))1/2

Where E (𝑡NT):arithmetic means andvar(𝑡NT) the varianceof individual ADF statistics.

Table2 : Unit root test

Lnco2 Lnec lnGDP lnre

LLC Level Individualeffects -4.44 -
(0.000)*** 9.29001(0.000)*** 1.27408(0.8987) -6.46952(0.000)** *
 Individual 6.84 -0.797
effects&trends (1.000) -0.77749(0.2184) (0.2125)*** -4.57810(0.000)***
firstdiff Individualeffects - - -4.958 0.55978
6.51337(0.000)*** (0.000)*** (0.7122)
Individual - -8.1104 -4.866
effects&trends (0.000)*** (0.000)*** - 0.79064(0.7854)

Breitung Level Individualeffects -3.47 -0.85877 1.072 0.30320

(0.0003) (0.1952) (0.1417) (0.6191)
first Individual - 5.60607 -2.121
-3.69
effects&trends (0.000)*** (0.017)**
diff (0.0001)***

IPS Level Individualeffects -6.009 -7.007 1.17394 -5.74396

( 0.000)** (0.000)*** (0.8798) (0.000)***
Individual -3.23 -0.605 - -1.14
effects&trends (0.0006) (0.272) 1.94410(0.0259)** (0.1270)
first Individualeffects - -7.49 -6.64307 -4.58
(0.000)*** (0.000)*** (0.000)***
diff
Individual - -9.57 -6.36165 -6.11728
effects&trends (0.000)*** (0.000)*** (0.000)***

ADF Level Individualeffects 68.2844 (0.000)*** 222.57 12.0853( 0.4389)

( 0.000)** 8.40557 (0.000)***
Individual 32.3861 (0.000)*** 12.64 26.7999 58.2721(0.000)***
effects&trends (0.3953)** (0.0083)**
first Individual - 74.1 61.2585 48.7646(0.0000)***
effects (0.000)*** (0.000)***
diff
Individual - 85.34 58.9198 62.2200(0.000)***
effects&trends (0.000)*** (0.000)***

PP Level Individualeffects 18.5774( 0.0993)*** 6.24 112.56 33.8068( 0.0007)***

(0.9034) (0.000)***
Individual 35.2295 8.209 13.8599 26.1949(0.0101)*
effects&trends (0.0004) *** ( 0.7686) (0.3097)
first Individualeffects - 99.743 22.9803 78.1960(0.000)***
(0.000)*** ( 0.0279)**
diff
Individual - 84.77 63.6470 81.4921(0.000)***
effects&trends (0.000)*** (0.000)***

Hadri Level Individualeffects 5.82255 (0.000)*** 6.605 11.21 0.14704

(0.000)*** (0.000)*** (0.4416)
Individual 3.99741 (0.000)*** 5.47 6.88643 4.97813(0.000)***
effects&trends (0.000)*** (0.000)**
first Individualeffects - 0.034 4.41721 3.44433
(0.4861) (0.000)*** (0.0003)**
diff
Individual - 5.568 0.11073 6.83249(0.0000)***
effects&trends (0.000)*** (0.5441)
From the table (2) we note that the two series (lnco2 et lnre) are stationary in level
I(0), while the other series (lnGdp et lnec), are stationary in first difference I(1). Thus
we can apply the ARDL method (auto regression dynamic lagged), developed
byPeasaran, Shin etSmith(1999), based on the estimation of Unrestrected Error
Correction Model(UECM).

1.3 co-integrationtest
To investigate the existence of a co-integrationrelationship, we will refer to the work
of (Pedroni, 1999), in which the null hypothesis is the absence of co-integration(based
on the tests of unit roots on estimated residuals). Pedroni has developed seven co-
integration tests on panel data taking into account the heterogeneity of the co-
integration relationship. This means that for each individual there is not necessarily
identical or more co-integrationrelationships for each individual. Each of the seven
statistics follows a standard normal distribution for N sufficiently large and T:

𝑧𝑁𝑇 −µ√𝑁
→ N(0,1)
√𝛿

Where zis the one of 7 statistics ;µ; 𝛿: the values of tabulated moment (developed by
Pedroni).

Table 3: co-integrationTest ofpedroni(1999)

Alternative hypothesis: common AR coefs. (within-dimension)

Weighted
Statistic Prob. Statistic Prob.
Panel v-Statistic 0.895723 0.1852 0.596443 0.2754
Panel rho-Statistic -1.363305 0.0864 -1.162762 0.1225
Panel PP-Statistic -2.702801 0.0034 -2.339179 0.0097
Panel ADF-Statistic -2.122574 0.0169 -1.844476 0.0326

Alternative hypothesis: individual AR coefs. (between-

dimension)

Statistic Prob.
 Group rho-Statistic -0.460221 0.3227
Group PP-Statistic -2.771995 0.0028
Group ADF-Statistic -2.165428 0.0152

Tableau 4:Test de co-integrationde Kao

t-Statistic Prob.
ADF -5.811593 0.0000

Residual variance 0.019643

HAC variance 0.018125

1.4. ARDL approche

The ARDL model is a representation of dynamic equations. He had known wide application
since the appearance of the theorem of error correction model of Engel and Granger (1987).
Actually we are talking about the co-integration approach ARDL based on a model of error
correction without restriction (UECM: Unrestricted error Crrection Model), developed by
Pesaran, Shin and Smith (2001).

To examine the long-run equilibrium relationship between money supply, inflation, GDP and
CO2 emission we use the ARDL co-integration approach, introduced by Pesaran, al and
Smith (1996, 2001) (PSS). This procedure allows us to test the null hypothesis of no co-
integration against the alternative hypothesis of the presence of co-integration.

The PSS procedure examines the existence of long-term equilibrium relationship regardless if
the variables in question have the same order of integration is I (0) or I (1) ( the method is
applicable regardless of whether the variables have the same order of integration or not).
Also, this method is not sensitive to the sample size and it is considered more appropriate in
the case of a limited number of observations. Indeed, Narayan. P.K and Smith. R (2005) have
pointed out that this co-integration technique is considered well suited because it is used to
test the long-term cointegration relationship without imposing that all series are integrated of
the same order. The traditional cointegration technique is not appropriate when dealing with a
small sample.
in the context of this article we estimated the co-integrationen relationships using a simple
OLS regression method (ordinary least square). The log-linear model ARDL-UECM standard
which explains the long-term relationship among lnEC, lnGDP, lnRE and lnCO2 is explained
by the following four cases:
Case 1:
𝑝 𝑞
Δln𝑟𝑒𝑖𝑡 = 𝛼1 + 𝛾1𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−1 + 𝛾2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−1 + 𝛾3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−1 + 𝛾4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−1 + ∑𝑖=1 𝛽1𝑖 Δln𝑟𝑒𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 +
∑Ri=0 β3i Δlnco2it−i + ∑Si=0 β4i Δlnecit−i + ε1it (1)

Case 2:
𝑝 𝑞
Δlngdp𝑖𝑡 = 𝛼2 + 𝛾1𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−1 + 𝛾2𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−1 + 𝛾3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−1 + 𝛾4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−1 + ∑𝑖=1 𝛽1𝑖 Δlngdp𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 +
∑𝑅𝑖=0 𝛽3𝑖 Δln𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δln𝑟𝑒𝑖𝑡−𝑖 + 𝜀2𝑖𝑡 (2)
Cas 3:
𝑝 𝑞
Δlnco2𝑖𝑡 = 𝛼3 + 𝛾1𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−1 + 𝛾2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−1 + 𝛾3𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−1 + 𝛾4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−1 + ∑𝑖=1 𝛽1𝑖 Δlnco2𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 +
∑𝑅𝑖=0 𝛽3𝑖 Δlnre𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δ𝑙𝑛𝑒𝑐𝑖𝑡−𝑖 + 𝜀3𝑖𝑡 (3)
Cas 4:
𝑝 𝑞
Δlnec𝑖𝑡 = 𝛼4 + 𝛾1𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−1 + 𝛾2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−1 + 𝛾3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−1 + 𝛾4𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−1 + ∑𝑖=1 𝛽1𝑖 Δlnec𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 +
∑𝑅𝑖=0 𝛽3𝑖 Δln𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δ𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + 𝜀4𝑖𝑡 (4)

With𝜀𝑖𝑡 is the error term (white noise) and Δis the operator of first order. The choice of the
delay of variables is based on the following criteria : (AIC :Akaike Information Criterion) or
Schwarz criterion(SBC : Schwarz BayesienCreterion). Also, thechoice of a long run co-
intégration relation is based on F-statisticor Wald statistic.The null hypothises of non-
cointegrationin the equations (1,2,3,4) suppose that(H0 :𝛾1𝑖 = 𝛾2𝑖 = 𝛾3𝑖 = 𝛾4𝑖 = 0)against the
alternative hypothesis(H1 : 𝛾1𝑖 ≠ 𝛾2𝑖 ≠ 𝛾3𝑖 ≠ 𝛾4𝑖 ≠ 0).
In the second stape and if relationofco-integration is established, the ARDL model condition
of the long termis defined by the four following cases:
Cas 1 :
𝑝 𝑞
𝑙𝑛𝑟𝑒𝑖𝑡 = 𝛼1 + ∑𝑖=1 𝛽1𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−𝑖 + 𝜀1𝑖𝑡 (5)
Cas 2 :
𝑝 𝑞
𝑙𝑛𝑔𝑑𝑝𝑖𝑡 = 𝛼2 + ∑𝑖=1 𝛽1𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑗=0 𝛽4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−𝑗 + 𝜀2𝑖𝑡 (6)
Cas 3 :
𝑝 𝑞
𝑙𝑛𝑐𝑜2𝑖𝑡 = 𝛼3 + ∑𝑖=1 𝛽1𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−𝑖 + 𝜀3𝑖𝑡 (7)
Cas 4 :
𝑝 𝑞
𝑙𝑛𝑒𝑐𝑖𝑡 = 𝛼4 + ∑𝑖=1 𝛽1𝑖 𝑙𝑛𝑒𝑐𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 𝑙𝑛𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + 𝜀4𝑖𝑡 (8)

with, 𝜀𝑡 is a white noise and(𝛽1𝑖 , 𝛽2𝑖 , 𝛽3𝑖 𝑒𝑡𝛽4𝑖 ) are called multiplierimpactof
𝑋𝑡 (𝑙𝑛𝑔𝑑𝑝, 𝑙𝑛𝑟𝑒, 𝑙𝑛𝑐𝑜2 𝑒𝑡𝑙𝑛𝑒𝑐).
The valuesof p, q, R et S are the delays of the ARDLmodel determined through the
information criteria as AIC (Akaike Information Criterion) or SIC (Schwarz Information
Criterion). In the third stape we obtain a short run dynamicrelation through the estimationof
error correction model (ECM) associated to the long run estimations and defined in the four
following cases:

Case1 :
𝑝 𝑞
Δln𝑟𝑒𝑖𝑡 = 𝛼1 + ∑𝑖=1 𝛽1𝑖 Δln𝑟𝑒𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑Ri=0 β3i Δlnco2it−i + ∑Si=0 β4i Δlnecit−i + 𝛿1 𝐸𝐶𝑀1𝑡−1 +
𝜀1𝑖𝑡 (9)

Case2 :
𝑝 𝑞
Δlngdp𝑖𝑡 = 𝛼2 + ∑𝑖=1 𝛽1𝑖 Δlngdp𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 Δln𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δln𝑟𝑒𝑖𝑡−𝑖 + 𝛿2 𝐸𝐶𝑀2𝑡−1 +
𝜀2𝑖𝑡 (10)
Case3 :
𝑝 𝑞
Δlnco2𝑖𝑡 = 𝛼3 + ∑𝑖=1 𝛽1𝑖 Δlnco2𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 Δlnre𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δ𝑙𝑛𝑒𝑐𝑖𝑡−𝑖 + 𝛿3 𝐸𝐶𝑀3𝑡−1 +
𝜀3𝑖𝑡 (11)
Case4 :
𝑝 𝑞
Δlnec𝑖𝑡 = 𝛼4 + ∑𝑖=1 𝛽1𝑖 Δlnec𝑖𝑡−𝑖 + ∑𝑖=0 𝛽2𝑖 Δ𝑙𝑛𝑔𝑑𝑝𝑖𝑡−𝑖 + ∑𝑅𝑖=0 𝛽3𝑖 Δln𝑐𝑜2𝑖𝑡−𝑖 + ∑𝑆𝑖=0 𝛽4𝑖 Δ𝑙𝑛𝑟𝑒𝑖𝑡−𝑖 + 𝛿4 𝐸𝐶𝑀4𝑡−1 +
𝜀4𝑖𝑡 (12)

Avec, (𝛾1𝑖 , 𝛾2𝑖 , 𝛾3𝑖 𝑒𝑡 𝛾4𝑖 )sont les multiplicateurs de long terme, et (𝛽1𝑖 , 𝛽2𝑖 , 𝛽3𝑖 𝑒𝑡 𝛽4𝑖 ) sont
les coefficients dynamiques de court terme. Avec Δreprésente la différencepremière des
variables, (p,q,r,s) les nombres du retards. Ou encore 𝐸𝐶𝑀(𝑖)𝑡−1 est le terme a correction
d’erreur,𝛿𝑖 est le paramètred’ajustement.

1.5 Granger causalityanalysis

Dans cette partie on doit tester la causalité de Granger (1987),pour les quatre cas {(9),(10),
(11), (12)}. En premier lieu le modèle a correction d’erreur à court terme est définit par le
recours de tester les coefficients des variables explicatives retardées dans les quatre cas.
𝐻0 : 𝛽1𝑖 = 𝛽2𝑖 = 𝛽3𝑖 = 𝛽4𝑖 = 0 ∶ 𝑛𝑜𝑛 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛
{
𝐻1 : 𝛽1𝑖 ≠ 0 𝑜𝑢 𝛽2𝑖 ≠ 0 𝑜𝑢 𝛽3𝑖 ≠ 0 𝑜𝑢 𝛽4𝑖 ≠ 0 ∶ 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛
En deuxième lieu, l’existence d’une relation à long terme de granger qui est définit par le
terme à correction d’erreur (𝐸𝐶𝑀𝑖𝑡−1 ) revient àtester les coefficients de ce dernier.
𝐻0 : 𝛿𝑖 = 0 ∶ 𝑛𝑜𝑛 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛
{
𝐻1 : 𝛿𝑖 = 0 ∶ 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛
En troisième lieu le test de causalité forte de Granger (Strong Granger causalities) est détecter
lors de tester les coefficients suivants
𝐻0 : 𝛽1𝑖 = 𝛽2𝑖 = 𝛽3𝑖 = 𝛽4𝑖 = 𝛿𝑖 = 0 ∶ 𝑛𝑜𝑛 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛
{
𝐻1 : 𝛽1𝑖 ≠ 𝛿𝑖 ≠ 0 𝑜𝑢 𝛽2𝑖 ≠ 𝛿𝑖 ≠ 0 𝑜𝑢 𝛽3𝑖 ≠ 𝛿𝑖 ≠ 0 𝑜𝑢 𝛽4𝑖 ≠ 𝛿𝑖 ≠ 0 ∶ 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛

2. Résultats empiriques
Le retard appliqué dans les modèles ARDL, est déterminée par le choix d’Akaike information
criteria(AIC) et Schwarz information criterion(SIC).ensuite et apres fixation du
modeleARDL,on applique ensuite le test de wald(Wald test) pour tester la co-
integrationentres les variables( lnre,lnGdp,lnCo2et lnec).
Nous comparons les F-Statistiques calculées à la deuxième étape aux bornes inferieur (FL) et
supérieure (FU) de la bande critiques de l’approche PSS aux niveaux de confiance 90, 95 et
99%.
Si F>FU : on rejette l’hypothèse nulle, il existe une relation d’équilibre à long terme,
Si F<FL : on accepte l’hypothèse nulle, il n’existe pas une relation d’équilibre à long terme
entre les variables,
Si FL<F<FU : on ne peut pas conclure, on doit réétudier l’ordre d’intégration des variables.
Ou encore on peut comparer les P-values de F-statistiques du test de Wald au seuil critique de
1%,5% et 10%

2.1 the long run relation

First version: lco2 is a dependent variable
Variable Coefficient Std. Error t-Statistic Prob.
LNEC 0.777248 0.041581 18.69241 0.0000
LNGDP 0.228282 0.049632 4.599467 0.0000
LNRE -0.482271 0.363157 -1.327995 0.1862
C -6.190119 0.345664 -17.90792 0.0000

Second version: lnec is a dependent variable

Variable Coefficient Std. Error t-Statistic Prob.
LNCO2 0.896564 0.047964 18.69241 0.0000
LNGDP 0.046106 0.056771 0.812125 0.4180
LNRE 0.134138 0.392142 0.342064 0.7328
C 5.787395 0.456353 12.68184 0.0000

Third version lngdp is a dependent variable

 Variable Coefficient Std. Error t-Statistic Prob.
LNCO2 0.535190 0.116359 4.599467 0.0000
LNEC 0.093706 0.115384 0.812125 0.4180
LNRE 3.598851 0.477042 7.544088 0.0000
C 7.287797 0.722291 10.08983 0.0000

Fourthversion: lnre is the dependent variable

Variable Coefficient Std. Error t-Statistic Prob.
LNCO2 -0.023782 0.017908 -1.327995 0.1862
LNEC 0.005734 0.016764 0.342064 0.7328
LNGDP 0.075698 0.010034 7.544088 0.0000
C -0.663358 0.124210 -5.340611 0.0000

2.2 The short run relation

First version: lco2 is a dependent variable
Variable Coefficient Std. Error t-Statistic Prob.
D(LNCO2(-1)) 0.108813 0.080419 1.353067 0.1783
D(LNEC) 0.669096 0.111204 6.016806 0.0000
D(LNEC(-1)) 0.024739 0.099451 0.248752 0.8039
D(LNGDP) 0.299459 0.250201 1.196873 0.2335
D(LNGDP(-1)) -0.304282 0.250534 -1.214531 0.2267
D(LNRE) -0.052660 0.637226 -0.082639 0.9343
D(LNRE(-1)) -0.076769 0.642964 -0.119399 0.9051
ECMCO2(-1) -0.280007 0.058934 -4.751226 0.0000
C -0.000313 0.010447 -0.029941 0.9762

Second version:lnecis a dependent variable

Variable Coefficient Std. Error t-Statistic Prob.
D(LNEC(-1)) 0.115235 0.062663 1.838962 0.0685
D(LNEC(-2)) 0.006644 0.064109 0.103633 0.9176
D(LNEC(-3)) -0.053369 0.047006 -1.135373 0.2586
D(LNCO2) 0.149741 0.038857 3.853651 0.0002
D(LNCO2(-1)) 0.002061 0.041716 0.049415 0.9607
D(LNCO2(-2)) -0.048244 0.038586 -1.250307 0.2137
D(LNCO2(-3)) 0.036571 0.037142 0.984636 0.3269
D(LNGDP) 0.198596 0.117997 1.683058 0.0951
D(LNGDP(-1)) 0.056466 0.127880 0.441555 0.6596
D(LNGDP(-2)) 0.325674 0.121793 2.674004 0.0086
D(LNGDP(-3)) -0.289226 0.113424 -2.549962 0.0121
D(LNRE) 0.056556 0.404596 0.139784 0.8891
D(LNRE(-1)) -0.170076 0.350029 -0.485891 0.6280
 D(LNRE(-2)) -0.487320 0.318252 -1.531239 0.1285
D(LNRE(-3)) -0.293780 0.301306 -0.975022 0.3316
ECMEC(-1) -0.093104 0.030387 -3.063962 0.0027
C 0.009585 0.004816 1.990142 0.0489

Third version lngdpis a dependent variable

Variable Coefficient Std. Error t-Statistic Prob.
D(LNGDP(-1)) 0.346693 0.080301 4.317392 0.0000
D(LNCO2) 0.032377 0.027499 1.177376 0.2411
D(LNCO2(-1)) -0.051338 0.025486 -2.014395 0.0460
D(LNEC) -0.006446 0.042145 -0.152939 0.8787
D(LNEC(-1)) 0.011740 0.033124 0.354433 0.7236
D(LNRE) -0.179757 0.214682 -0.837316 0.4039
D(LNRE(-1)) 0.095038 0.218531 0.434895 0.6643
ECMGDP(-1) -0.019654 0.012649 -1.553783 0.1226
C 0.003335 0.003544 0.940963 0.3484

Fourth version: lnreis the dependent variable

Variable Coefficient Std. Error t-Statistic Prob.
D(LNRE(-1)) 0.031228 0.079286 0.393866 0.6944
D(LNRE(-2)) 0.119517 0.071920 1.661795 0.0993
D(LNRE(-3)) 0.194809 0.065981 2.952508 0.0038
D(LNCO2) 0.009340 0.009059 1.030954 0.3047
D(LNCO2(-1)) 0.005981 0.008752 0.683335 0.4958
D(LNCO2(-2)) 0.001412 0.008359 0.168893 0.8662
D(LNCO2(-3)) -0.014164 0.008020 -1.765987 0.0801
D(LNGDP) -0.035091 0.026765 -1.311102 0.1924
D(LNGDP(-1)) 0.029756 0.028769 1.034308 0.3032
D(LNGDP(-2)) -0.018886 0.028408 -0.664803 0.5075
D(LNGDP(-3)) -0.007788 0.026753 -0.291089 0.7715
D(LNEC) -0.003960 0.020307 -0.195023 0.8457
D(LNEC(-1)) -0.045779 0.013666 -3.349840 0.0011
D(LNEC(-2)) 0.066680 0.013071 5.101473 0.0000
D(LNEC(-3)) -0.004913 0.010692 -0.459464 0.6468
ECMRE(-1) -0.070036 0.031021 -2.257691 0.0259
C 0.000330 0.001098 0.300151 0.7646
2.3 Causality tests
We have resorted to the Wald statistics, besides the F ones, in doing the causality tests.
Indeed, the usual t- and F-statistics are still valid in the context of non-linear estimation, but
they are no flexible enough; see Brooks (2008). This is all the more reason why we have
added the Wald statistics.
2.3.1 Long run causalities
Wald p-value Fisher p-value
Lnco2 -4.751226*** 0.000 22.57415*** 0.000
lnec 0.236034 0.8138 0.055712 0.8138

lngdp 0.184369 0.8540 0.033992 0.8540

lnre -2.257691** 0.0259 5.097167** 0.0259

Notes :*** and ** imply significance levels at the 1% and 5% levels, respectively. ‘→’ refers to the direction of
causality. lnGDP: Gross Domestic Product. lnEC: Energy Consumption. lnCE: CO2 emissions,lnre: energy
renawble.

2.3.2 Strong causalities

Causality directions wald p-value Fisher p-value
lnec→lnco2 19.57718*** 0.000 58.73153*** 0.000
lngdp→lnco2 8.032440*** 0.0001 24.09732*** 0.0000
lnre→lnco2 7.731077*** 0.0001 23.19323*** 0.0000
Lnec,lngdp, lnre→lnco2 14.23028*** 0.0000 99.61195*** 0.0000
Lnco2→ lnec 2.586554** 0.0296 12.93277** 0.0240
lngdp→lnec 3.380294** 0.0070 16.90147** 0.0047
lnre→lnec 0.684126 0.6364 3.420630 0.6354
Lnco2,lngdp, lnre→lnec 2.572235** 0.0038 33.43905** 0.0015
Lnco2→lngdp 2.218004* 0.0889 6.654012* 0.0838
lnec→lngdp 0.867022 0.4600 2.601065 0.4573
lnre→lngdp 1.273502 0.2861 3.820507 0.2815
Lnco2,lnec, lnre→lngdp 2.002017** 0.0592 14.01412** 0.0509
Lnco2→lnre 2.372750** 0.0434 11.86375** 0.0367
lngdp→lnre 1.502447 0.1945 7.512234 0.1852
 lnec→lnre 8.529296*** 0.0000 42.64648*** 0.0000
Lnco2,lnec, lngdp→lnre 4.246694*** 0.0000 55.20702*** 0.0000

Notes :*** and ** imply significance levels at the 1% and 5% levels, respectively. ‘→’ refers to the direction of
causality. lnGDP: Gross Domestic Product. lnEC: Energy Consumption. lnCE: CO2 emissions,lnre: energy
renawble.
2.3.3 Short-runcausalities
Causality directions wald p-value Fisher p-value
lnec→lnco2 18.28458*** 0.000 36.569*** 0.000
lngdp→lnco2 1.084404 0.3410 2.168807 0.3381
lnre→lnco2 0.008727 0.9913 0.017454 0.9913
Lnec,lngdp, lnre→lnco2 12.52241*** 0.0000 75.13445*** 0.0000
Lnco2→ lnec 4.990369** 0.0010 19.96148** 0.0005
lngdp→lnec 4.476991** 0.0021 17.90797** 0.0013
lnre→lnec 0.843535 0.5004 3.374138 0.4973
Lnco2,lngdp, lnre→lnec 2.782877** 0.0023 33.39452** 0.0008
Lnco2→lngdp 2.761300 0.0668 5.522600 0.0632
lnec→lngdp 0.087953 0.9159 0.175907 0.9158
lnre→lngdp 0.566090 0.5691 1.132181 0.5677
Lnco2,lnec, lnre→lngdp 2.084074 0.0591 12.5044 0.0516
Lnco2→lnre 1.493960 0.2086 5.975840 0.2010
lngdp→lnre 0.648389 0.6291 2.593555 0.6280
lnec→lnre 9.558662*** 0.0000 38.23465*** 0.0000
Lnco2,lnec, lngdp→lnre 4.102414*** 0.0000 49.22897*** 0.0000

Notes :*** and ** imply significance levels at the 1% and 5% levels, respectively. ‘→’ refers to the direction of
causality. lnGDP: Gross Domestic Product. lnEC: Energy Consumption. lnCE: CO2 emissions,lnre: energy
renawble.
References
Apergis, N., & Payne, J. E. (2011). The renewable energy consumption–growth nexus in
Central America.Applied Energy, 88(1), 343-347.
Behname, M. (2012). La consommation d'énergie renouvelable et la croissance économique
dans l'europe de l’ouest. Romanian Journal of Economics, 2, 160-171.

Ben Jebli, M., Ben Youssef, S., &Apergis, N. (2014). The Dynamic Linkage between CO2 emissions,
Economic Growth, Renewable Energy Consumption, Number of Tourist Arrivals and Trade.

Jebli, M. B., Youssef, S. B., &Apergis, N. (2015). The dynamic interaction between
combustible renewables and waste consumption and international tourism: the case of
Tunisia. Environmental Science and Pollution Research, 22(16), 12050-12061.

Jacques Loesse, E. S. S. O. (2010). The Energy Consumption-Growth Nexus in Seven Sub-

Saharan African Countries''.Economics Bulletin, 30(2), 1191-1209.

Lean, H. H., & Smyth, R. (2014). Are shocks to disaggregated energy consumption in
Malaysia permanent or temporary? Evidence from LM unit root tests with structural
breaks.Renewable and Sustainable Energy Reviews, 31, 319-328.

Leit, N. C. (2014). Economic growth, carbon dioxide emissions, renewable energy and
globalization.International Journal of Energy Economics and Policy, 4(3), 391.

Ocal, O., &Aslan, A. (2013).Renewable energy consumption–economic growth nexus in

Turkey.Renewable and Sustainable Energy Reviews, 28, 494-499.

Sari, R., Ewing, B. T., &Soytas, U. (2008). The relationship between disaggregate energy
consumption and industrial production in the United States: An ARDL approach.
EnergyEconomics, 30(5), 2302-2313.
Shiu, A., &Lam, P. L. (2004). Electricity consumption and economic growth in China.Energy policy,
32(1), 47-54.

Tugcu, C. T. (2013). Disaggregate Energy Consumption and Total Factor Productivity: A

Cointegration and Causality Analysis for the Turkish Economy. International Journal of
EnergyEconomics and Policy, 3(3), 307.

Yildirim, E., Saraç, Ş., &Aslan, A. (2012). Energy consumption and economic growth in the USA:
Evidence from renewable energy. Renewable and Sustainable Energy Reviews, 16(9), 6770-6774.

Since the oil shocks (1973, 1979-1980), the relationship between energy consumption and economicgrowth has been an area
of intense empirical and theoritical investigation [Erol and Yu (1987), Masihand Masih (1996) , Asafu-Adjaye (2000), Morimoto
and Hope (2004), Lee (2006), Lee and Chang(2007)]. In addition, the Rio Conference (1992) marked a turning point in
the economic policies and development strategies of developped countries. Since that date, the concept
of sustainabledevelopment had taken its starting point in economic policies, which had prompted the developmentof
new strategic tools in order to cope with the degradation of the environment. As a result, as part of
the sustainable development strategy, policies that aim to save energy and to develop renewableenergy technologies
have become a priority. Such policies are based on analyses of the relationshipbetween renewable energy consumption and ec
onomic growth. In this context, Sadorsky (2009), Menyah and Wolde Rufael (2010) and Menegaki (2011)
show that economic growth and renewableenergy consumption affect each other. On their part, developing countries,
in particular the black gold producers, are doubly impacted by the policies of sustainable development. In fact, on the one
hand,these countries must take into account the finiteness of their natural resources and the national energy security. On
the other hand, the gradual substitution
of fossil energy with renewable energy in developed countries pushes the developing countries to concern themselves with the
issue of environmental degradation, which increases their responsibility towards their future generations.
The relationship between energy consumption and GDP (gross domestic product) is an area of
intense empirical and theoritical investigation using different approaches (Yoo 2006). The results of thesestudies,
in particular those proofing the causality,
have served as indicators for economic policies of many countries. Moreover, according to the statistics of the
International Energy Agency, conventionalenergy consumption has increased more than GDP over the
last two decades (Sokona et al 2004).Furthermore, in his study on Western Europe, Behname (2012) finds that there is a short
and long termbidirectional relationship between renewable energy consumption and economic growth.
In this context, we expand the discussion to explore (1) what is the nature of the relationship betweenenergy consumption and
GDP growth?; and (2) What is the impact of using renewable energy on economic growth in short and
long term? To answer this set of questions, first we go back to
the theory to clearly the study of the relationship between energy consumption and economic growth.Second, there is a
pressing need to better understand how CO2 emissions impact
the growth. Despiterecent research that has identified linked feedbacks between the consumption of renewable energiesand ec
onomic growth, understanding this relationship in short and long run is nascent. Or it isimportant
to understand the dynamics between renewable energy and economic growth, which thisstudy attempts to address. Unlike prev
ious studies, this study considers the consumption of energy, the CO2 emission and the use
of renewable energy in order to differentiate the relative impact of eachin the economic growth process. Second, it examines for
the first time the sign and direction of long-run panel
Granger causality between these three variables and economic growth across a sample of
countries that belong to specific regional areas.
The balance of paper is organized as follows. Section 2 provides an extensive review of the relevantliterature on
the link between energy consumption, CO2 emissions, renewable energy and economicgrowth. Section 3 discusses the
data, methodology, and empirical results. Finally, Section
4 providesconcluding remarks and policy implications from the empirical findings.
Après la conférence sur l’environnement et le développement (sommet de la Terre) à Rio de Janeiro en 1992 sous l’égide de
l’ONU, certaines politiques économiques ont été remises en cause au profit d’autres qui tiennent compte des exigences
environnementales et des contraintes naturelles et économiques. Ces politiques se basent sur l’analyse de l’impact de
la conservation d’énergie sur la croissance économique à court et à long terme. Pour cela, nous nous intéressons d’abord à la
relation qui lie la consommation des énergies non renouvelables à la croissance économique. Ensuite, nous focalisons notre
étude sur les effets des émissions du CO2 sur la croissance économique. Enfin, nous étudions la relation qui lie la
consommation des énergies renouvelables à la croissance économique.
Consommation des énergies non renouvelables et croissance économique : une relation controversée
Les crises de l'énergie (1973, 1979-1980), étaient à l’origine de nombreux travaux empiriques (Erol et Yu,
1987; Masih et Masih, 1996; Asafu-Adjaye, 2000; Morimoto et Hope, 2004; Lee, 2006; Lee et Chang 2007) portant sur la
relation entre la consommation d'énergie et la croissance économique. En dépit de l’importance de cette relation, cette dernière
a toujours été controversée puisque la causalité peut fonctionner dans les deux sens. Cette controverse s’explique par
les particularités institutionnelles, politiques et économiques de chaque pays. Elle peut être expliquée également par les
différences méthodologiques. En effet, Masih et Masih (1998), AsafuAdjaye (2000), Fatai et al. (2004) et Oh et Lee (2004) ont
traité cette relation sous l’angle de la fonction de demande d’énergie dont les principales variables sont l'énergie, le PIB et le
prix de l'énergie, mesuré par l'indice des prix à la consommation. Par contre, Yu et Choi
(1985), Masih et Masih (1996), Glasure et Lee (1998), Yang (2000), Soytas et Sari (2003), Shiu et Lam (2004), Paul
et Bhattacharya (2004), Morimoto et Hope (2004), Lee et Chang (2008) ont traité la relation qui lie la consommation
d’énergie et la croissance économique sons l’angle de la fonction de production globale. Ils considèrent l’énergie comme étant
un facteur de production en même titre que les deux autres facteurs à savoir le capital et le travail. L’inclusion de la
consommation d’énergie dans la fonction de production est expliquée aussi bien par sa nécessité et sa rareté. Dans ce cadre,
les premiers travaux empiriques sont ceux de Stern (1993 et 2000) qui en travaillant sur les États-Unis, suggère d’évaluer la
production à partir de l'énergie productive, du stock de capital et dutravail. Il considère que le processus de production ne peut
se réaliser qu’en présence d’une quantité d’énergie bien déterminée. Dans cette même ligne
d’idée, Pokrovski (2003) considère que l’énergie est un facteur de production au même titre que la main d’œuvre. C’est aussi
l’exemple de Ghali et El-Sakka(2004) qui ont intégré l’énergie dans la fonction de production afin d’étudier la relation liant la
croissance économique aux différents facteurs de production. Par ailleurs, l’énergie n’est pas uniquement considérée comme
étant de l’imput permettant la création de la valeur mais aussi des emplois supplémentaires ce qui permet de transformer la
matière première en capital (Thompson 2006). En outre, la controverse porte sur le sens et le type de la causalité entre la
croissance économique et la consommation d’énergie. Certains travaux utilisent le modèle de production de Chang et Lee
(2008) afin de déterminer le sens de la causalité.
L’analyse de la causalité a fait l’objet de plusieurs études (Yoo 2006) qui utilisent des approches diverses. On distingue celles
qui défendent la causalité unidirectionnelle. Ainsi allant de la consommation d’énergie à la croissance du PIB, la causalité
signifie qu’une faible consommation d’énergie conduit à une baisse de la croissance économique, ce qui a une signification de
politique économique. Une déficience dans l'approvisionnement d'énergie peut avoir des conséquences néfastes sur la
croissance (Masih et Masih, 1998). La causalité unidirectionnelle allant de la croissance économique vers la consommation
d’énergie implique qu’une politique de réduction de la consommation d’énergie peut avoir un impact faible sur la croissance
économique (Jumbe, 2004). En effet, Kraft et Kraft (1978), dans une analyse de l'économie américaine entre 1947 et 1974, ont
été les premiers à mettre en évidence l'existence d'une causalité unidirectionnelle qui montre qu'aux États-Unis, c'est le produit
national brut qui détermine la consommation d'énergie. Ce résultat implique que les politiques d'économie d'énergie mises en
œuvre n’affectent pas la croissance du produit national brut. Ainsi, dans ce cas de figure, une politique d'économie d'énergie
peut être menée sans détériorer la dynamique économique. Cependant, il faut mentionner que l’effet des politiques
énergétiques sur la croissance du revenu dépend de la période choisie. Akarca et Long (1980) n'ont pu obtenir des résultats
similaires à ceux trouvés par Kraft et Kraft (1978), ce qui montre que la période choisie peut influencer les résultats (instabilité
temporelle). L’absence de causalité dans l'une ou l'autre direction a été soutenue par plusieurs auteurs (Yu et Choi, 1985). Elle
traduit la neutralité des politiques d’économie d’énergie vis-à-vis du revenu.
Par ailleurs, la causalité bidirectionnelle traduit le fait que la croissance économique demande beaucoup de consommation
d’énergie et qu’une grande consommation d’énergie stimule la croissance économique. Ainsi, la consommation d’énergie et la
croissance du PIB sont des compléments. Cette hypothèse implique qu’une politique d’économie d’énergie affecte la
croissance économique.
Or la causalité entre la consommation d’énergie et le PIB peut être appréhendé à court ou à long terme. Masih et Masih (1996)
utilisent le test de causalité standard de Granger afin d’étudier la cointégrationentre la consommation d'énergie et le revenu
pour les Etats-Unis sur la période 1974-1990. Ils ont abouti à l'absence de relation de long terme entre ces deux variables. Par
contre, Glasure et Lee (1997); Asafu-Adjaye (2000) ont essayé d'évaluer cette relation causale pour des pays en voie de
développement ; ils ont abouti à des résultats opposés.
Par conséquent, les résultats de l’étude de la relation liant consommation d’énergie au PIB sont très varies. Cependant, la
tendance générale est le cas de figure où la consommation d'énergie détermine la croissance.
Emission du CO2 et croissance économique : portée de la courbe de Kuznets
La relation entre l’émission du CO2 et la croissance économique peut être traitée dans le cadre de l'hypothèse de la courbe de
Kuznets environnementale (CKE). Cette hypothèse est apparue dans les travaux de Grossman et Krueger (1991) et dans les
études de Shafïk et Bandyonadhyay (1992) et Panayotou (1993). Elle stipule qu'il existe une relation en U inversé entre la
dégradation de l'environnement et le revenu par tête. En effet, au début de la phase de croissance, la pollution et la
dégradation environnementale vont croître ; puis, au-delà d'un certain niveau de revenu par tête, l'expansion économique
prend de plus en plus en considération la qualité de l’environnement ce qui encourage l'utilisation des technologies plus
propres. La relation en U inversé qu’illustre la CKE traduit trois effets que peut avoir le développement économique sur
l’environnement. Il s’agit de l'effet d'échelle, de composition et de technique (Grossman et Krueger 1991).
L'effet d'échelle mesuré par le taux de croissance de la production totale de l’économie si la technologie et la structure de la
production restent inchangées. Selon cet effet, une augmentation de la production s'accompagne d'un accroissement du
niveau de pollution. Ainsi, la croissance économiqueet synonyme d’une pollution de l'environnement. L'effet de
composition mesuré par le taux de croissance de la part du secteur (i) de l’économie qui reflète l’évolution de la structure
productive de l’économie. Selon cet effet, si l'économie évolue vers une structure productive plus propre le niveau de pollution
baisse. Quant à l'effet technique, il est mesuré par le taux de croissance de la quantité d’émissions par unité de bien produit.
Ainsi, si les techniques de production deviennent plus propres les émissions polluantes par unité monétaire de production
diminuent ce qui réduit la pollution globale.
Dans la partie croissante de la CKE, l'effet d'échelle et de composition dominent l'effet technique. Deux éléments peuvent
expliquer cette relation. D’une part, le caractère public des ressources naturelles et la qualité environnementale conduisent les
agents à sous-estimer le coût individuel de leurs décisions. Ce comportement entraîne une utilisation des ressources et une
pollution supérieures à la situation optimale. Ce résultat s’accentue dans les pays en développement car les droits de propriété
n’y sont pas bien définis. D’autre part, l’expansion économique dans la première phase peut être expliquée par un changement
de la structure productive. Pour un pays en développement, ce changement s’accompagne souvent par un accroissement du
secteur secondaire qui est plus polluant et par un processus urbanisation rapide souvent anarchique. Ainsi, au début du
processus de développement, la pollution s’aggrave. Par contre, la phase décroissante de la CKE correspond au cas des pays
développés. Ces pays ont déjà atteint un certain niveau de revenu par habitant, l’effet de composition et l’effet technique
l’emportent sur l’effet d’échelle. En effet, la tertiarisation de la production et le progrès technique de l’économie permettent de
réduire l’intensité polluante de tous les secteurs (Stern 2003). D’autres auteurs (Dasgupta et al. 2001) expliquent la réduction
de la pollution dans les paysdéveloppés par le pouvoir de l’action collective des citoyens et par la présence des institutions de
qualité, pouvant mettre en œuvre des politiques réglementaires en faveur de l'environnement. Par contre ce qui intéresse en
premier lieu les pays en développement est la satisfaction de leurs besoins élémentaires. Par conséquent, ils ne peuvent pas
prendre en compte les conséquences environnementales dans leurs décisions. De plus et à l’encontre des pays développés,
les institutions de réglementation environnementale sont peu développées. En outre, les droits de propriété sur les ressources
naturelles sont mal définis ou que les coûts de transaction qui y sont liés sont élevés ce qui facilite la surexploitation de ces
ressources. Cependant, une fois que les besoins élémentaires sont satisfaits, les agents économiques, dans ces pays,
prennent en considération la valeur réelle de l'environnement dans leur décision de consommation (Beckerman 1992).
Critiques adressées à la courbe CKE : caractère déterministe, unidirectionnel et réversible
La principale critique adressée à cette courbe est liée à son caractère optimiste et déterministe. En effet, elle suggère que la
pollution se réduit au fur et à mesure que les pays pauvres se développent. Cette théorie suggère que l'existence de la CKE
provient de la spécialisation des pays développés et en développement suite au processus de la division internationale du
travail et de la mondialisation commerciale. Les pays en développement qui ont une politique environnementale laxiste se sont
spécialisés dans les industries polluantes. Certains d’entre eux sont devenus des « havres de pollution » (Birdsall et Wheeler,
1992). De plus, la critique adressée à la courbe CKE porte sur la volonté des pays riches à augmenter la production dans des
secteurs polluants suite à l’augmentation de la demande des biens de ces secteurs et à la décroissance des rendements dans
la dépollution (De Bruyn et al. 1998, Meunié 2004).
Les critiques adressées à la CKE portent aussi sur la nature de l’articulation entre le niveau du développement et la réduction
de la pollution. En effet, il existe un seuil au-delà duquel l’utilisation du progrès technique serait trop coûteuse (épuisement du
potentiel du progrès technique). C’est l’hypothèse de « recouplage » soutenue par plusieurs auteurs (Meunié 2004) qui
considèrent que la forme U renversé de la courbe CKE n’est pas définitive et qu’elle doit au contraire prendre la forme d'un N.
Les critiques adressées à la CKE portent également sur le caractère uni-directionnelle de la relation qui lie l'économie à
l'environnement. Cette relation qui traduit le lien de causalité entre la croissance et la dégradation environnementale nie l'effet
de retour (feedback) des dommages environnementaux (la dégradation de la qualité de l'air et ses conséquences sur la santé
de l’individu et sur les décès prématurés) sur la croissance économique (Arrow et al 1995, Stern 1998 et
2003, Dasgupta et Màler2003). Cette relation suppose aussi que les conséquences négatives sur l'environnement sont
réversibles (Dasgupta et Màler 2003). Or, l’environnement une fois détérioré, on ne peut plus retourner à l’ancien équilibre
(Arrow et al. 1995). En d’autres termes, la réduction de la pollution ne permettra pas de retrouver la situation environnementale
initiale. Par conséquent l’effet de retour (CO2 vers croissance) et l’irréversibilité (croissance économique et CO2) est au centre
de la relation bidirectionnelle entre l’émission du CO2 et la croissance économique.
Energie renouvelable et croissance économique : relation bidirectionnelle de court et de long terme
Les politiques d’encouragement de l’utilisation des énergies renouvelables, s’appuient sur des analyses de la relation liant la
consommation d’énergie à la croissance économique. Dans ce cadre,Pablo delRio (2007) montre que l'accès à
l'énergie renouvelables peut avoir un impact
socioéconomique positif. Il considère que la consommation d’énergie renouvelable permet la création d’emplois et du
revenu. Jacobson (2007) montre que la relation qui peut exister entre la consommation d’énergie renouvelable et la croissance
économique est indirecte. En effet, en étudiant les impacts sociaux de l'électrification rurale par panneau solaires
photovoltaïques au Kenya, il montre que ces panneaux qui profitent à la classe moyenne ont pu augmenter la création
d'activitésproductives. Il montre qu’ils ont permis en outre l'expansion de l'utilisation du téléviseur qui a joué un rôle important
dans l’augmentation de la demande des biens de consommation. Dans cette même ligne d’idée, Lund (1999) montre qu’en
Danemark, la subvention de l'énergie renouvelable augmente l'emploi, la consommation et le revenu. Chontanawat et al (2008)
ont effectué le test de causalité de Granger sur des données statistiques de 100 pays différents. Les résultats obtenus
montrent que la relation de causalité entre énergie et PNB est vraie pour 70% des pays de l'OCDE et pour 46% des pays non-
OCDE.
Le sens de la relation entre la consommation des énergies renouvelables et la croissance économiquea suscité plusieurs
études. Behname (2012) en travaillant sur des données de l’Europe de l’Ouestmontre qu’il y a une relation bidirectionnelle
entre la consommation d'énergie renouvelable et la croissance économique à court et à long terme. Apergis et Payne (2010)
en considérant la formation de capital, le PIB, le travail et la consommation de l'énergie renouvelable pour les pays de l’OCDE
ont trouvé une relation bidirectionnelle entre la croissance économique et la consommation d'énergie renouvelable. Apergis et
Payne en travaillant sur 20 pays de l'OCDE (2010) puis sur 13 pays de l'Eurasie et sur 6 pays de l'Amérique
Centrale (2011) ont trouvé que la relation entre la consommation d'énergieet la croissance économique est bidirectionnelle.
Ainsi, la relation entre la consommation de l’énergie renouvelable et la croissance économique peut être directe ou indirecte,
bidirectionnelle, de court et de long terme.
La relation entre la consommation d’énergie et la croissance du PIB a fait l’objet de plusieurs études empiriques qui
utilisent souvent l’approche bi-variée (les études avec seulement deux variables : consommation d’énergie et PIB réel) dans
l’analyse des séries temporelles portant sur des données de panel. Rare sont les études qui adoptent une approche multi
variée. Par ailleurs, Mehara (2007)reconnait quatre générations d’approches méthodologiques. La première génération est
composée des études basées sur la méthode VAR et sur le test de causalité de Granger. En effet, Kraft et Kraft (1978)
constatent qu’il y a une causalité unidirectionnelle allant du PIB à la consommation d’énergie. Cette causalité unidirectionnelle
a été confirmée par Masih et Masih (1997) pour la Taïwan et la Corée. La deuxième et la troisième génération appliquent les
tests de racine unitaire et decoïntégration sur les séries temporelles. La quatrième génération utilise les tests de racine unitaire
et de coïntégration basés sur les données de panel. Nous nous situons dans le cadre de l’approche multi-varié, car le cadre bi-
varié (seules les variables, la consommation d’énergie et le PIB) peut entraîner des problèmes de biais (Masih et Masih (1997,
1998). De plus, nous traitons le problème de la linéarité. En effet, Asafu-
Adjaye (2000), Glasure (2002), Narayan et Smyth (2009)) ont montré que si on ne tient pas compte de la stationnarité peut
fausser conduire les conclusions sur les relations entre les variables.De même, nous n’avons pas utilisé les modèles
VAR qui sont seulement capables d'identifier les relations de court. Au contraire, nous avons opté pour un modèle à
correction d’erreurs (MCE) qui nous permet de distinguer les relations de causalité, de court et de long terme, entre les
variables (Oh et Lee, 2004). Nous nous proposons de travailler sur des données de panel qui nous fournissent beaucoup plus
d’informations que les séries temporelles après avoir appliqué les tests de racines unitaires et de coïntégration sur ces
données.