Vous êtes sur la page 1sur 12

09/10/2016 Projet de thèse

Les déterminants de la pauvreté en Afrique


Subsaharienne: Une investigation empirique.

KARIM OMONGA M.
UNIVERSITE PROTESTANTE AU CONGO
Projet de thèse | KARIM OMONGA M.

Projet de thèse :

Les déterminants de la pauvreté en Afrique Subsaharienne: Une investigation


empirique.

1. Problématique de la thèse

Depuis l’application des programmes d’ajustement structurels (PAS) et leurs échecs (coûts
sociaux désastreux, déséquilibres macroéconomiques, etc.), la réduction de la pauvreté est
devenue un objectif prioritaire que la communauté internationale s’est fixé dès le lendemain1.
Sa formulation a varié au cours du temps mais sa problématique constitue aujourd’hui une
question primordiale avec les objectifs de développement du millénaire (ODM), définis et
adoptés lors d’un sommet tenu en septembre 2000 sous les auspices de l’Organisation des
Nations Unies (ONU). Bien qu’il ne s’agisse pas de la première fois que des responsables de ce
monde affirment leur détermination à s’engager dans l’élimination de ce phénomène. Des huit
objectifs retenus, le premier vise expressément de réduire de moitié, entre 1990 et 2015, la
proportion de la population dont le revenu est inférieur à un dollar par jour. Cet objectif cible
également la faim tandis que six autres concernent les questions sociales telles que
l’éducation, la santé, la promotion du rôle des femmes et le développement durable.

La proclamation de la première Décennie de l’ONU pour l’éradication de la pauvreté2 (1997-


2006) et la place réservée à ce phénomène dans la stratégie globale de développement
exposée dans le programme d’action adopté au Sommet Mondial sur le Développement Social
semblent témoigner, sur le plan théorique, de la volonté de la communauté internationale d’y
faire face. Mais, de façon pratique, malgré l’urgence, ce thème est plus un « slogan » qu’une
vraie stratégie du développement.

Dans l’édition de 2000 de son rapport sur le développement dans le monde, la Banque
Mondiale présente en effet une estimation du nombre de pauvres d’environ 1250 millions
d’individus en 1990, soit environ 30% de la population mondiale (World Bank, 2000). En Afrique
subsaharienne (SSA), malgré l’existence d’une certaine croissance économique, la pauvreté

1
En particulier, le paradigme dominant du développement met en exergue plusieurs changements quant à la
conception de la pauvreté, les acteurs de la lutte contre cette dernière, et l’identification et le ciblage des groupes
pauvres.

2
La pauvreté est un phénomène social et économique multidimensionnel. Elle peut être caractérisée par un aspect
monétaire où la prise en compte des revenus des quintiles les plus pauvres permet de comprendre leurs capacités
de subvenir à leurs besoins de bases. Elle peut aussi être caractérisée par un aspect non monétaire où la prise en
compte des besoins sociaux est primordiale à la compréhension du degré de développement humain et dans ce cas,
la pauvreté peut être appréhendée par les taux d’analphabétisme et de mortalité infantile ainsi que l’espérance de
vie et l’accès aux besoins de bases (eau, santé). Lahimer (2009).
1
Projet de thèse | KARIM OMONGA M.

demeure une caractéristique majeure du système social africain (Lachaud, 1995). La proportion
des africains vivant avec moins de 1,25 dollar USD par jour n’a baissé que de manière marginale,
en passant de 58 pour cent en 1990 à 51 pour cent en 2005. Ce pourcentage est toutefois très
inférieur à la cible de 29 pour cent à atteindre en 2015. En République Démocratique du Congo
(RDC) par exemple, l’analyse de la pauvreté sous sa forme extrême montre que plus de la
moitié de la population n’arrivent pas à subvenir à leurs besoins alimentaires. Aussi, l’inégalité
entre les ménages congolais est forte avec l’indice de Gini de 38% (Moummi, 2010). Finalement,
le classement médiocre de la RDC selon l’indice de développement humain (IDH) montre le
retard énorme dans l’atteinte des OMD, notamment, la réduction de moitié de la pauvreté
extrême, l’accès à l’eau, l’assainissement et la réduction de la mortalité infantile (BAD, 2007).

Il est donc important de s’interroger pourquoi la tendance observée au niveau mondial ne se


retrouve pas dans chaque pays.3 Les explications avancées dans la littérature font apparaître
une ligne de démarcation entre les économistes qui avancent que ces différences tiennent à
des performances économiques très contrastées, et ceux qui soutiennent que, dans certains
pays, les bénéfices de la croissance soient réduits ou annihilés par l’accroissement des
inégalités pouvant accompagner la croissance (Guillaumont-Jeanneney et Kpodar, 2004).

Récemment, de nombreux économistes se sont focalisés autour de la validité de la théorie du


trickle-down. Pour eux, la meilleure politique en faveur des pauvres consiste tout simplement
à relancer la croissance. Dollar et Kraay (2002) ont fait une analyse économétrique sur des
échantillons en coupe instantanée portant sur les différents pays, et ont estimé qu’une hausse
de 1% du revenu moyen dans un pays se traduirait par une hausse de 1% du revenu moyen du
quintile le plus pauvre de la société. Poursuivant leur analyse, ces auteurs ont par la suite
cherché à montrer que les politiques classiques de croissance tels que la stabilité
macroéconomique, les politiques d’ouverture commerciale, l’importance des dépenses
publiques, les institutions, peuvent également contribuer à la réduction de la pauvreté (Dollar
et Kraay, 2002 et 2004).

Les réactions face aux conclusions des études menées par Dollar et Kraay ont souvent été
vives. Ravallion (2001), par exemple, signale à juste titre à quel point il est important de
« regarder au-delà des tendances moyennes ». La grande leçon à retenir est donc que, dans un
certain nombre de cas, on note ainsi que la croissance s’accompagne d’une augmentation de
la part de la population pauvre disposant d’un revenu inférieur à un dollar en parité de pouvoir
d’achat (PPA). Dans d’autres pays, au contraire, on relève simultanément une chute du niveau
moyen de revenus et une baisse de l’incidence de la pauvreté. Enfin, même lorsque la

3
En Asie de l’Est, le PIB a augmenté annuellement de 8 pour cent au cours de la période 1985-94, et l’incidence de
la pauvreté est passée de 11,3 à 4,2 pour cent entre 1990 et 2000, de 169 à 79 millions de pauvres. Or, en Afrique
Subsaharienne, pour la même période, le PIB a connu une croissance annuelle de 1,9 pour cent, et l’incidence de la
pauvreté au cours de la période de 1990-2000 est passée de 47,8 à 49,7 pour cent, de 216 à 304 millions de pauvres.
Lachaud (1995).
2
Projet de thèse | KARIM OMONGA M.

croissance est presque nulle, certains pays paraissent avoir connu des variations relatives de
l’incidence de la pauvreté (Dercon, 2004 ; Bresson, 2007).

Il semble donc que la croissance ne suffise pas toujours et que les évolutions observées de la
pauvreté puissent aussi être, non seulement associées à des variations du degré d’inégalités
mais aussi à des interventions publiques spécifiques au sein de chaque pays (Dollar et Kraay,
2002 ; Bresson, 2007).

La question des déterminants de la pauvreté est donc loin d’être nouvelle. Cependant,
l’actualité du problème lié à la divergence des opinions n’en reste pas moins essentiellement
de nature économique et demeure très évidente dans notre réalité. Cet écart entre les
résultats, aussi bien important qu’intéressant en soi, nous conduit à une analyse approfondie
du sujet afin d’en déduire les facteurs qui pourraient être à l’origine de cette discordance des
conclusions.

2. Objectifs de recherche et approches théoriques

Le sujet de la thèse sera « Les déterminants de la pauvreté en Afrique Subsaharienne : une


investigation empirique ».

Cette thèse présentera trois sujets de recherche indépendants, liés néanmoins par la question
de l’identification des déterminants de la pauvreté. Sur le plan empirique, l’objectif de la
présente étude est de participer, par l’intermédiaire d’une investigation appliquée aux cas
des pays de l’Afrique Subsaharienne (SSA) et de la RDC, au débat scientifique actuel relatif à
l’analyse de la pauvreté.

La recherche s’articule autour de trois chapitres, avec des objectifs spécifiques suivants :

1. Identifier les déterminants de la pauvreté à l’aide de l’approche bayésienne pour les pays
de la SSA ;

Ce premier objectif vise à utiliser l’approche bayésienne dans la détermination des


plusieurs variables susceptibles d’expliquer la pauvreté pour les pays de la SSA. La
méthodologie sera fondée sur un modèle de pauvreté intégrant des variables
explicatives et estimé à l’aide des techniques bayésiennes appliquées aux données de
panel. Les régressions bayésiennes sont particulièrement utiles pour résoudre les
questions liées à l’incertitude sur la spécification d’un modèle, mais aussi sur les
coefficients associés aux variables explicatives.

2. Comprendre comment les différentes spécifications du modèle, le choix et la définition


des variables, ainsi que la méthodologie retenue peuvent affecter les estimations des
déterminants de la pauvreté ;

3
Projet de thèse | KARIM OMONGA M.

Du fait que les économistes et notamment les spécialistes de la pauvreté ne se mettent


pas d’accord sur les déterminants de la pauvreté, et leurs conclusions demeurent
largement variées et de fois contradictoires. Afin de contourner ce problème et de faire
le point sur notre question de recherche dans des conditions de grande variabilité des
résultats entre les études, ce deuxième objectif a pour but d’utiliser la technique de méta-
analyse et la méta-régression afin de combiner les résultats d’une série d’études
existantes et indépendantes sur les déterminants de la pauvreté pour en faire ensuite une
synthèse reproductible.

3. Déterminer le profil, la dynamique et les causes de la pauvreté en RDC ;

Il s’agit à partir des récentes données microéconomiques de l’Enquête 1-2-34, pour les
années 2005 et 2012, de fournir un approfondissement sur l’analyse des conditions de vie
en RDC. Ces données, représentatives à l’échelle du pays, fournissent des informations
détaillées à la fois sur les ménages – dépenses de consommation, composition
démographique, statut matrimonial du chef de ménage, son niveau d’instruction, le type
de logement, etc. – et les individus – éducation, âge, santé, etc. De même, la mobilisation
de certaines informations de type non monétaire, telles que l’accès physique aux
infrastructures sociales, l’appréciation des ménages de leur situation, la considération
sociale, permet d’affiner notre compréhension du phénomène de pauvreté.

3. Revue critique de la littérature

 Les déterminants de la pauvreté par l’approche bayésienne

En dépit des avancées importantes dans l’analyse sur les déterminants de la pauvreté, les
recherches empiriques n’ont pas encore permis de trancher le débat sur les véritables
déterminants de la pauvreté.5 Par exemple, Blank et Blinder (1986) ont élaboré une
spécification économétrique où la période d’observation portait sur les années 1959 à 1983.
Cette spécification reliait les taux de pauvreté officiels américains à cinq grandes variables à
savoir le seuil de faible revenu divisé par le revenu moyen, le taux de chômage, les transferts
gouvernementaux exprimés en pourcentage du PNB, le taux d’inflation, le taux de pauvreté
retardé d’une période. Rizk et Abdelfattah (2011) ont utilisé un panel de 71 pays en
développement et ont établi les déterminants les plus importants du taux de pauvreté : les
dépenses publiques en éducation, les taux d’inscription des garçons et des filles à l’école

4
L’enquête 1-2-3 est composée de trois sous-enquêtes intégrées, la phase 1 qui est l’enquête emploi, la phase 2
qui couvre le secteur informel et la phase 3 qui est une enquête sur la consommation des ménages. La taille de
l’échantillon de l’enquête 1 -2-3 est large, elle est de 72685 personnes enquêtées soient 13215 ménages, pour une
taille moyenne du ménage de 5.4 personnes. Cette enquête couvre les 26 provinces de la RDC, en plus de la capitale
Kinshasa considérée comme province et capitale en même temps.
5
Par exemple, dans le domaine de la croissance économique, les tentatives d’identification des variables
explicatives ont ainsi conduit à la sélection de plus de 140 variables. Fall et Thiaw (2012 :20)
4
Projet de thèse | KARIM OMONGA M.

primaire, les dépenses publiques en santé, le taux de mortalité, la gouvernance, la croissance


économique, l’aide étrangère et le taux de prévalence du VIH.

Il va sans dire qu’une telle profusion de variables suscite beaucoup d’interrogations quant à la
véritable spécification du modèle de pauvreté. Dans ce contexte, plusieurs auteurs considèrent
que l’emploi des techniques de combinaison bayésienne de modèles permet d’estimer des
paramètres prenant en compte ces types d’incertitude (Fernandez, Ley et Steel, 2001 ; Sala-i-
Martin, Doppelhofer et Miller, 2004). Au-delà de cette incertitude, liée à la spécification du
modèle, on peut noter un autre problème relatif aux paramètres à estimer. En effet, les
techniques classiques de régression conduisent à des estimations des paramètres qui sont
fortement dépendants de la spécification retenue (Fall et Thiaw, 2012 :20).

S’inspirant de la démarche de Magnus et al. (2010), cette étude fera appel à une des
techniques d’inférence bayésienne, la méthode des « Moindres Carrés sur Moyennes
pondérées » (WALS6) pour sélectionner les variables les plus pertinentes des causes de la
pauvreté en SSA.

 Une méta-analyse des déterminants de la pauvreté : réplique aux difficultés liées


à la divergence des estimations

La littérature récente nous renseigne que le terme « Méta-analyse » revient précisément à Glass
(1976) qui l’a appelé analyse des analyses. La méta-analyse se réfère au fait que l’on évalue des
résultats à un niveau supérieur et dans une perspective plus générale que celle qui caractérise
les études originales. Cette méthode d’analyse est apparue dans les années soixante-dix dans
les domaines des sciences classiques expérimentales et de la psychothérapie. A partir des
années 90, les premières méta-analyses font leur apparition dans le domaine des sciences
économiques notamment en économie de l’environnement et aussi en économie du travail
(Marcarian, 2010 :27).

Récemment, Campos et al. (2010) se sont posé la question de savoir si le fait que plusieurs
études mettant en évidence l’effet négatif de la corruption seraient liées à un biais de
publication, aux effets fixes, aux affiliations des auteurs, au proxy de la corruption, à la
sensibilité des estimations, aux régions, etc. Utilisant la technique de méta-analyse et méta-
régression et en regardant minutieusement 460 estimations dans 41 études empiriques, ils ont
estimé que l’on ne peut pas fournir assez d’arguments persuasifs pour soutenir l’hypothèse de
la corruption comme l’huile dans les rouages de la croissance et du développement. L’effet
négatif de la corruption est bien réel. Ce que confirme notamment Ugur et Dasgupta (2011)
dans une même logique presque.

6
Weighted Average Least Squares.
5
Projet de thèse | KARIM OMONGA M.

S’inspirant de leurs travaux et autres7, cette recherche voudrait utiliser cette démarche dans
le cas des déterminants de la pauvreté en SSA.

 La pauvreté en RDC : profil, dynamique et déterminants

Les deux premiers chapitres utiliseront une approche macroéconomique, reposant sur une
échelle d’observation générale et par conséquent des résultats globaux. Toutefois, sans nier
l’importance de l’éclairage macroéconomique dans la détermination de la pauvreté en SSA, il
importe de souligner que cette approche à elle toute seule, ne cerne pas en totalité les
conditions de vie des pauvres. Un éclairage plus microéconomique, à base d’enquêtes auprès
des ménages, permettra d’affiner tout d’abord l’ampleur de la pauvreté et de spécifier la
nature de ses évolutions, ensuite d’apprécier la répartition géographique et
sociodémographique de la dynamique monétaire de la pauvreté et finalement de déterminer
les facteurs qui causent la pauvreté et qui contribuent à marginaliser certaines catégories de
la population.

Dans une revue de la littérature sur la réduction de la pauvreté, Klump et Prüfer (2005), à partir
des données portant sur des enquêtes auprès des ménages dans les 61 provinces
vietnamiennes, ont utilisé l’approche bayésienne et ont expliqué le niveau de pauvreté en 2002
par une série des déterminants regroupés en variables structurelles et institutionnelles,
distribution initiale, politiques pro-croissances et politiques pro-pauvres.

C’est dans ce cadre qu’il sera question de déterminer le profil, dynamique et les causes de
pauvreté en RDC. Les choix des variables explicatives sera d’une part, fondé sur la littérature
relative aux déterminants globaux des formes de pauvreté, et d’autre part, sur la réalité du
contexte local congolais et les contraintes inhérentes aux deux investigations – Enquête 1-2-3
de 2005 – 2012.

4. Méthodologie

4.1. Les raisons du choix du WALS et ses principes

La démarche générale pour estimer un modèle y* le plus souvent linéaire consiste à expliquer
les variations d’une variable par un ensemble de variables indépendantes puis, focaliser
l’attention sur celles de ces dernières qui s’avèrent les plus explicatives. Deux insuffisances
majeures sont reconnues à une telle démarche. D’abord, les tests statistiques qui fondent la
validité de y* sont trompeurs dans la mesure où il existerait plusieurs autres modèles valables
selon ces mêmes tests mais avec des paramètres différents de ceux de y*. Ceci pose le
problème d’incertitude des modèles économétriques (Moral-Benito, 2009).

7
Voir par exemple, Burman et al (2012) ; Klomp et De Haan (2010) ; Doucouliagos et Paldam (2007, 2009) ; Koetse
et al. (2009), De Dominicis et al. (2008), etc.
6
Projet de thèse | KARIM OMONGA M.

Pour surmonter ces handicaps, le Bayesian Model Averaging (BMA) considère que la valeur
prédictive d’une variable ne saurait dépendre d’un seul modèle pris parmi tant d’autres, mais
de tous les modèles possibles compte tenu des variables indépendantes. Plusieurs questions
se posent néanmoins quant à l’influence des choix effectués a priori concernant les modèles
candidats et leurs paramètres, ainsi que sur les approximations du calcul des vraisemblances
marginales, éléments clé de la méthode.

L’objectif principal de ce chapitre est d’étendre l’approche BMA aux données de panel. En
effet, l’utilisation des données de panel s’avère être une source d’information importante
puisque l’on tient en compte de la dimension individuelle (au niveau de chaque pays par
exemple) et de la dimension temporelle. Certains avantages peuvent être avancés par
rapport aux données en coupe ou chronologiques : les données en panel présentent
généralement moins de multicollinéarité et permettent des estimations plus précises des
paramètres. La complexité des comportements des individus étudiés y est souvent mieux
décrite. De ce fait, Hsiao (2005) note que l’économétrie de panel permet de contrôler
l’hétérogénéité des observations dans leurs dimensions individuelles soit par la prise en
compte d’un effet spécifique supposé certain (fixed effects), soit par la prise en compte d’un
effet spécifique non observable (random effects). Comme le souligne Moral-Benito (2009)
dans le cadre de l’analyse de la croissance économique: « … the use of panel data methods
allows to solve the inconsistency of empirical estimates which typically arises with omitted
country specific effects which, if not correlated with other regressors, lead to a misspecification
of the underlying dynamic structure, or with endogenous variables which may be incorrectly
treated as exogenous” (p. 3)

Cependant, il est à souligner que selon la BMA, le nombre de modèles à considérer croît d’une
manière exponentielle au taux de 2𝐾 , en fonction du nombre global de paramètres 𝐾 ; ainsi
les calculs requis peuvent, très vite, se révéler fastidieux. Afin de prendre en charge ce
problème, plusieurs algorithmes de résolution ont été suggérés dans la littérature, avec
notamment un gain en termes de rapidité de calcul.8 L’intérêt de ces algorithmes est qu’ils ne
nécessitent pas la prise en compte de chacun des modèles possibles mais plutôt ceux qui ont
une forte probabilité d’inclusion a posteriori.

Malgré cela, Magnus et al. (2010) soulignent que les modèles de type BMA souffrent d’une
limite forte. En effet, dans le cas où l’on ne dispose pas d’informations supplémentaires sur
la distribution des paramètres des variables explicatives, le choix d’une distribution a priori
est très souvent arbitraire. Il en résulte que, les croyances a priori du chercheur sur les mêmes
paramètres peuvent varier d’un modèle à l’autre. C’est la raison pour laquelle que ces auteurs
proposent de recourir à la méthode WALS. Pour rendre leur modèle plus simple, ils procèdent
par une transformation orthogonale préalable de la matrice de variables et de ses

8
Klump et Prüfer (2006) ont utilisé l’algorithme de Random Walk Chain Metropolis-Hasting à l’aide des Méthodes
de Monte Carlo par Chaînes de Markov.
7
Projet de thèse | KARIM OMONGA M.

paramètres, afin de réduire considérablement la charge de calcul et aussi mieux prendre en


compte l’ignorance du modélisateur au sujet de l’influence a priori des variables.

4.2. Raisons du choix de l’approche méta-analyse et son principe

L’approche méta-analyse consiste à construire un méta-modèle par une régression sur


différentes études expliquant les déterminants de la pauvreté. Elle traite de manière
transparente les résultats et l’expérience accumulée de la littérature empirique, produit un
gain de puissance d’analyse statistique dans la recherche de l’effet d’une variable, et permet
d’obtenir en cas de résultats apparemment opposés et différents une vue globale de la
situation. Cette approche permet de mettre en évidence non seulement l’existence probable
de biais méthodologiques mais aussi de voir en quoi certains paramètres influencent les
résultats des recherches (Ugur et Dasgupta, 2011).

Son principe consiste en une analyse formelle d’un ensemble de résultats issus d’études
distinctes mais similaires. Elle présente donc l’avantage d’une moindre subjectivité puisqu’elle
se concentre dans un cadre unifié sur les modèles adoptés, sur les méthodes d’estimation et
sur les données utilisées (Bineau, 2010).

4.3. Raisons des choix d’outils de comparaison – courbes TIP, statistique ŋ, etc. – et
des techniques bayésiennes.

Il s’agira d’abord d’évaluer l’ampleur de la pauvreté et de spécifier la nature de ses évolutions


entre 2005 et 2012. Ensuite, l’étude appréciera la répartition géographique et
sociodémographique de la dynamique de la pauvreté, à l’aide d’outils de comparaison – courbe
TIP9, statistique ŋ, etc. En effet, le test de dominance de second ordre, à partir des courbes TIP
permettent de classer sans ambiguïté, la pauvreté en 2005 et 2012.

La recherche des déterminants de la pauvreté exige de spécifier, avant tout un cadre


économétrique adapté. La littérature propose généralement un modèle logistique multinomial
à partir duquel il est possible de mettre en évidence les déterminants des formes de pauvreté
après spécification des variables explicatives. Ce modèle, utilisé pour fournir une
représentation de la distribution ex ante du niveau de vie des individus, permet d’évaluer la
probabilité qu’un ménage présentant des caractéristiques particulières soit identifié dans une
des strates de pauvreté. Il y a trois problèmes avec ces régressions. Cependant, ce modèle
repose sur une hypothèse d’indépendance des choix offerts10 qui est parfois peu réaliste. Dans

9
Courbes TIP (Three ‘i ‘ Poverty) dues à Jenkins et Lambert (1998) permettent de présenter les trois dimensions
de la pauvreté (incidence, intensité et inégalité).
10
Cette hypothèse est connue, dans la littérature anglo-saxonne, sous le sigle IIA (pour Independence from Irrelevant
Alternatives), qu’on peut traduire approximativement par « indépendance par rapport aux choix non retenus ». L’idée
est la suivante. Le modèle logit ne prend pas en compte la proximité de nature qui peut exister entre plusieurs choix
8
Projet de thèse | KARIM OMONGA M.

le cas des régressions linéaires, ce problème n’est pas présent. La variable dépendante est
alors le logarithme de la consommation par équivalent-adulte. Des techniques bayésiennes de
sélection de modèle seront utilisées pour traiter l’incertitude dans le choix des variables
explicatives, lesquelles seront tirées d’un ensemble très large de variables candidates11 aidant
à minimiser le biais d’omission.

5. Calendrier

La durée de cette recherche est estimée à trois années à compter de la date du dépôt du projet.

Durant la première année, il est prévu de poursuivre l’élaboration du cadre théorique –


problématique et hypothèses – ainsi que la méthodologie et la collecte des données. Ce
premier terrain que l’on pourrait qualifier de « repérage » poursuit de nombreux objectifs. Du
point de vue de la construction de la démarche de recherche, cette première immersion aura
pour but de tester la robustesse et la pertinence du cadre théorique. Du point de vue de
l’organisation de la recherche, un premier stage au centre de recherche doctorale permettra
de renforcer les connaissances nécessaires à la concrétisation de cette recherche.

Durant la deuxième année, il est envisagé de commencer l’estimation ou la simulation des


paramètres des différents modèles retenus dans la thèse. L’objectif est aussi de réinterroger
le cadre d’analyse et la démarche de travail, afin de les optimiser en vue du deuxième stage.

Au cours de la troisième année, le temps restant sera consacré aux travaux de synthèse et de
rédaction.

offerts à l’individu. Il est structuré de manière telle que l’individu arbitre entre deux choix a et b indépendamment
des autres choix qui lui sont offerts.
11
Les variables explicatives concernent un certain nombre des caractéristiques sociodémographiques et
économiques des chefs de ménages notamment le sexe, le groupe d’âge, le niveau d’instruction, la taille de ménage,
la situation dans l’activité, le nombre des personnes rémunérées dans le ménage, etc. Ces modèles seront estimés
suivant le milieu de résidence (urbain, rural, ensemble), prenant ainsi en compte dans l’analyse les disparités en
fonction du milieu de résidence.

9
Projet de thèse | KARIM OMONGA M.

6. Bibliographie

1. Adejumobi, S., 2006, “Governance and poverty reduction in Africa: A critique of the
poverty reduction strategy papers (PRSPS)”, a paper presented to the “Inter-Regional
Conference on Social Policy and Welfare Regimes in Comparative Perspectives, Texas
University, USA, pp. 1-31.
2. Banque Africaine de Développement, Perspectives économiques en Afrique,
2007/2008.
3. Bineau, Y., 2010, « Une méta-analyse des études sur la mesure de la mobilité
international du capital selon la méthode de Feldstein et Horioka », L’actualité
Economique, 86(2), 227-272.
4. Blank, R. et Blinder, A., 1986, “Macroeconomics, Income Distribution and Poverty”,
ch. 8 dans Fighting Poverty; What works and what doesn’t, Sheldon Danziger and
Daniel Weinberg (éds), Harvard University Press, Cambridge, MA, pp.180-208.
5. Bresson, F., 2007, Essais sur les méthodes d’analyse des variations de la pauvreté.
Thèse de doctorat, Clermont- Ferrand : Université d’Auvergne Clermont-Ferrand I.
6. Brock, W.A. et Durlauf, S.N., 2001, “Growth empirics and reality”, The World Bank
Economic Review, 15(2): 229-72.
7. Campos, N., Dimova, R. et Saleh, A., 2010, “Whither Corruption? A Quantitative
survey of the Literature on corruption and growth”, IZA Discussion Paper N0. 5334.
8. Dercon, S., 2004, “Growth and shocks: evidence from rural Ethiopia”, Journal of
Development Economics, 74(2): 309-29.
9. Dollar, D. et Kraay, A., 2002, “Growth is good for the poor”, Journal of Economic Growth,
7(3): 195-225.
10. __________________, 2004, “Trade, growth, and poverty”, The Economic Journal,
114(493): 22-29.
11. Fall, A. et Thiaw, K., 2012, « Productivité des dépenses publiques et croissance
économique dans l’UEMOA: une analyse bayésienne sur données de panel », Dakar,
document de travail 21, DPEE/DEPE.
12. Guillaumont-Jeanneney, S. et Kpodar, K., 2004, « Développement financier,
instabilité financière et croissance économique », CERDI, Etudes et Documents,
E 2004. 13.
13. Hamadou Daouda, Y., 2010, Dynamiques de pauvreté, inégalité et croissance
économique en Afrique Subsaharienne : une investigation appliquée au cas de Niger.
Thèse de doctorat, Bordeaux IV : Université Montesquieu.
14. Hsiao C., 2005, “why panel data? “, The Singapore economic review, 50(2): 143-54.
15. Klump, K., and Prüfer, P. (2010), “A robust ranking of pro-poor growth policies: the case
of Vietnam”, CentER DP No. 2006-117.
16. ____________________, (2006), “How to prioritize policies for poverty reduction:
applying Bayesian Model Averaging to Vietnam”, Proceedings of the German
Development Economics Conference, Kiel 2005 / Verein für Socialpolitik, Research
Committee Development Economics, No. 27.
10
Projet de thèse | KARIM OMONGA M.

17. Lachaud, J.-P., 1995, Croissance économique, pauvreté et inégalités des revenus en
Afrique subsaharienne: analyse comparative, Bordeaux, document de travail 11,
Université Montesquieu-Bordeaux IV, Centre d’économie du développement.
18. Lahimer, N., 2001, Contribution des investissements directs étrangers à la réduction de la
pauvreté en Afrique subsaharienne. Thèse de doctorat, Tunis : Université Tunis El Manar.
19. Marcarian, A., 2010, Méta-analyse de l’incidence du commerce international sur
l’inégalité salariale. Mémoire de maîtrise, Montréal : Université du Québec à
Montréal.
20. Moral-Benito E., 2009, “Determinants of economic growth: a bayesian panel data
approach”, Policy research working paper, WPS 4830.
21. _____________, 2010, “Determinants of Economic growth: a Bayesian panel data
approach”, Banco de España Working Papers 1031, Banco de España.
22. Moummi, A., 2010, « Analyse de la pauvreté en RDC », BAD, Working Paper series n°112.
23. Fernandez, C., Ley, E. et Steel, M.F.J., 2001, “Benchmark priors for Bayesian model
averaging (first version) ”, ESE Discussion Papers 26, Edinburgh School of Economics,
University of Edinburgh.
24. Ravallion, M., 2001, “Growth, Inequality and Poverty: Looking beyond averages”, World
Development, 29(11): 1803-1815.
25. Sala-I-Martin, X., Doppelhofer, G. et Miller, R.I., 2004, “Determinants of long-term
Growth: A Bayesian Averaging of Classical Estimates (BACE) Approach”, American
Economic Review, American Economic Association, 94(4):813-835, September.
26. Ugur, M. et Dasgupta, N., 2011, “Corruption and Economic Growth: A Meta-analysis of
the Evidence on Low-Income countries and beyond”, MPRA Paper N0. 31226.
27. World Bank, 2000, Attacking Poverty. World Development Report, Oxford University
Press.

11