Modélisation économétrique de la consommation

d’électricité au Sénégal de 1999 à 2015

Atoumane Diagne

To cite this version:

Atoumane Diagne. Modélisation économétrique de la consommation d’électricité au Sénégal de 1999
à 2015. [Rapport de recherche] ENSAE-Sénégal. 2017. <hal-01473458>

HAL Id: hal-01473458

https://hal.archives-ouvertes.fr/hal-01473458
Submitted on 7 Mar 2017

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Copyright
 République du Sénégal
Un peuple - Un But - Une Foi
?????
Ministère de l’Économie, des Finances et du Plan

École Nationale de la Statistique et de l’Analyse Économique (ENSAE)

Rapport d’étude

THÈME

Modélisation économétrique de la
consommation d’électricité au Sénégal
de 1999 à 2015

Rédigé par :
Atoumane DIAGNE

Décharge :
L’ENSAE-Sénégal N’ENTEND DONNER AUCUNE
APPROBATION NI IMPROBATION AUX OPINIONS ÉMISES
DANS CE DOCUMENT. CES OPINIONS DOIVENT ÊTRE
CONSIDÉRÉES COMME PROPRES A L’AUTEUR.

janvier 2017
Table des matières

Introduction générale 5

1 Cadre théorique et méthodologique 6

1.1 Revue de littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Revue théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Revue empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Source de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Présentation des variables . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Méthodologie d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Modélisation univariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Modélisation multivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Modélisation univariée de la consommation d’électricité 14

2.1 Analyse descriptive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Tests de stationnarité et corrections . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Identification du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Validation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Estimation des paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Prévisions et interprétations des résultats . . . . . . . . . . . . . . . . . . . . . . 19

3 Modélisation multivariée de la consommation d’électricité 20

3.1 Analyse descriptive des autres variables . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Tests de stationnarité des autres variables et ordres d’intégration . . . . . . . . . 21
3.3 Identification du nombre de retards du modèle . . . . . . . . . . . . . . . . . . . 21
3.4 Causalité entre variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Test de cointégration et choix du modèle . . . . . . . . . . . . . . . . . . . . . . 22
3.6 Validation du modèle multivarié . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.7 Estimations des paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.8 Prévisions selon différents cas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.9 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

Conclusion générale 28

Annexe 30

2
Table des figures

2.1 Évolution de la consommation d’électricité . . . . . . . . . . . . . . . . . . . . . 14

2.2 Périodogramme de la consommation d’électricité . . . . . . . . . . . . . . . . . . 15
2.3 Evolution de la série désaisonnalisée . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Identification des ordres du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Analyse des résidus du modèle AR(1) . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6 Prévisions de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1 Évolution des autres séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.2 Histogramme des autres séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Stabilité du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Impulsion de la consommation d’électricité : choc consB . . . . . . . . . . . . . 24
3.5 Impulsion de la consommation d’électricité : choc consM . . . . . . . . . . . . . 25
3.6 Impulsion de la consommation d’électricité : choc prodC . . . . . . . . . . . . . 25
3.7 Prévisions des séries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.8 Monthplot de la consommation d’électricité . . . . . . . . . . . . . . . . . . . . . 30
3.9 Lagplot de la consommation d’électricité . . . . . . . . . . . . . . . . . . . . . . 30
3.10 Décomposition additive de la série . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.11 ACF de la consommation d’électricité . . . . . . . . . . . . . . . . . . . . . . . . 32
3.12 PACF de la consommation d’électricité . . . . . . . . . . . . . . . . . . . . . . . 32
3.13 Analyse des résidus du modèle AR(2) . . . . . . . . . . . . . . . . . . . . . . . . 33

3
 Modélisation économétrique de la consommation d’électricité au Sénégal

Liste des tableaux

1.1 Liste de variables utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1 Choix du nombre du retards du test . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.2 Résultats du test de racine unitaire . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Estimation des coefficients . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.1 Statistiques sur les variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2 Résultats du test ADF des autres séries . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Critères d’information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Tests de causalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Test de cointégration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.6 Estimations du modèle vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7 Décomposition de la variance de l’erreur de prévision :consE . . . . . . . . . . . 26
3.8 Décomposition de la variance de l’erreur de prévision :consM . . . . . . . . . . . 31
3.9 Décomposition de la variance de l’erreur de prévision :consB . . . . . . . . . . . 31
3.10 Décomposition de la variance de l’erreur de prévision :prodC . . . . . . . . . . . 33

Atoumane DIAGNE, ENSAE-Sénégal Page 4

Introduction générale

L’activité économique des pays en développement promet une accélération du fait d’une forte
demande de biens, une économie en restructuration et un défi d’émergence. Pour stimuler
l’activité économique, la demande a un grand rôle à jouer. Parmi les composantes de la demande,
il y a entre autres la consommation (publique et privée), les investissements (publics et privés)
et les exportations. Le Sénégal, faisant partie des pays sous-développés, peut miser sur les
investissements pour aspirer à l’émergence. Toutefois, dans les faits récents, le taux de croissance
économique est passé de 3,5% en 2013 à 4,3% en 2014 alors que le taux d’investissement
(approché par le taux de FBCF) a légèrement augmenté en passant de 24,4% en 2013 à 25,6%
en 2014. Le volume des investissements a connu une petite hausse d’environ 4,0% en 2014 se
traduisant par une légère reprise de la dynamique économique. Pendant ce temps, le taux de
croissance de la consommation finale est de 4,5% en 2014 contre 2,5% en 2013.
Il existe ainsi une inadéquation entre le niveau d’activité économique et l’évolution de la de-
mande intérieure. L’analyse de la consommation d’électricité (partie intégrante de la demande
de biens et services) peut permettre de comprendre le lien entre production et consommation
et de répondre au problème posé. Pour cela, cette étude vise à cerner les facteurs explicatifs
de l’évolution de la consommation d’électricité au Sénégal de 1999 à nos jours.
Le plan qui sera suivi dans ce document pour atteindre les objectifs fixés est constitué de
trois chapitres. Dans un premier temps, il sera décrit une revue de littérature en deux compo-
santes (théorique et empirique) avant de présenter les données et la méthodologique adoptée. Le
deuxième chapitre aura trait à la modélisation univariée de la consommation d’électricité. C’est
la méthode de Box-Jenkins qui sera utilisée. Un dernier chapitre portera sur la modélisation
multivariée des déterminants de la consommation d’électricité. Cette modélisation économé-
trique 1 s’effectue globalement comme suit : tests et correction de la non stationnarité, prise
en compte d’une saisonnalité éventuelle, identification du modèle, tests de causalité, test de
cointégration, validation du modèle, estimations des paramètres, prévision et interprétation
des résultats. C’est le logiciel R qui est utilisé dans la phase pratique.

1. Un grand merci à Dr. Souleymane Fofana pour son encadrement

5
Chapitre 1

Cadre théorique et méthodologique

Trois sections composent ce chapitre, à savoir la revue de littérature, la présentation des données
et l’adoption de la méthodologie d’étude. La première se divise en deux sous-sections : la revue
théorique et la revue empirique. Quant à la deuxième, il sera présenté les données utilisées. La
dernière section explicitera la méthodologie adoptée dans cette étude.

1.1 Revue de littérature

1.1.1 Revue théorique
La croissance démographique et la croissance économique sont les principaux déterminants ma-
croéconomiques de la demande de consommation d’électricité. La considération de la croissance
démographique en tant que facteur explicatif de la consommation d’électricité peut s’aperce-
voir dans les besoins d’énergie exprimés par les habitants. Plus il y a d’habitants, plus ces
besoins augmentent. Une relation positive existe ainsi entre la consommation d’électricité et la
croissance démographique.
La croissance économique quant à elle favorise la création de nouvelles machines, de nouveaux
investissements, d’emplois, la construction de nouveaux logements et l’augmentation du revenu
par tête. Ce qui accroît la consommation notamment d’électricité. Lorsqu’un pays atteint un
niveau de développement élevé, le renouvellement du parc de production fait disparaître les
équipements énergivores pour laisser la place à des équipements plus efficaces en termes d’utili-
sation d’énergie. Ce qui laisse sous-entendre que la croissance économique peut être synonyme
de baisse de la consommation d’électricité. Par contre, en pays sous développés, c’est plutôt
l’existence de nouvelle politique d’énergie qui est significative dans l’évolution dans le bon sens
de la consommation d’électricité. Ainsi, le lien entre croissance économique et consommation
d’électricité n’est pas clair et net.Tout dépend du degré d’industrialisation des pays qu’il faut
analyser avec la part des industries et services modernes au sein de l’économie.
En outre, d’autres facteurs autres que ces deux derniers permettent d’expliquer l’évolution de la
consommation d’électricité d’une année à une autre ou d’un mois à un autre de la même année.
Déjà, les facteurs climatiques peuvent expliquer les changements à très court terme constatés
dans la consommation d’électricité. En hiver par exemple, la demande d’électricité peut devenir
plus faible qu’en été où la température élevée pousserait les populations à consommer davan-
tage d’électricité. Les comportements des individus dans les foyers comme dans les entreprises
peuvent jouer sur le niveau de consommation d’électricité. En effet, certaines personnes ont la
possibilité de contrôler leur niveau de consommation, et par là un comportement de lissage et
d’économie d’énergie.

6
 Modélisation économétrique de la consommation d’électricité au Sénégal

1.1.2 Revue empirique

Ochozias A. Gbaguidi (2005) a utilisé un modèle à correction d’erreur pour expliquer l’évolution
de la consommation d’électricité dans les pays de la CEDEAO sur la période 1975 à 2005.
L’économétrie des données de panel a permis d’estimer une fonction de demande d’énergie à
l’échelle régionale. Il a montré que le revenu affecte négativement la demande d’électricité. Selon
cet auteur, une variation de la part de l’agriculture ou de l’industrie entraine une variation dans
le même sens de la demande d’énergie mais d’une ampleur moindre. Ochozias A. Gbaguidi
(2001) s’est limité d’abord au Bénin pour faire le même travail. Une hausse du PIB de 1%
entraînait une augmentation de la consommation électrique d’un peu plus de 1%. Kraft et
Kraft, (1978), Yu et Choi, (1985), Erol et Yu (1987), Masih et Masih (1996, 1998), Asafu-Adjaye
(2000) et Fatai et al (2004), Lee (2005), Al Ariani (2006), Mahadevan et Asafu (2006) ont mis en
évidence l’existence de la relation entre la croissance économique et la consommation d’énergie.
Cette relation est perçue par certains auteurs comme un gaspillage induit par la hausse du
niveau de vie des habitants. Parmi ces auteurs, il y a lieu de citer Percebois (2000) et Peccei
(1976).
La littérature économique sur la demande d’énergie distingue les modèles du type MEGC
(Modèle d’Équilibre Général Calculable), les modèles de prévision de tendance et les modèles
économétriques traditionnels. Les modèles du type MEGC dans ce domaine ont été développés
par Beaver et Huntington (1992), Beaver (1993) et Bhattacharyya (1996). Le deuxième groupe
de modèle comprend les modèles d’estimation par une fonction logistique, les modèles dits d’ap-
prentissage et les modèles translog. Enfin, le dernier groupe postule que la demande d’énergie
dépend de la dépense totale, des prix relatifs et d’une variable d’état qui est en général le stock
de la période précédente. Selon Villa (op.cit., p.25) le modèle est aussi sous déterminé car "il
faudrait trouver des arguments de long terme à la variable de stock, par exemple la population,
la richesse totale, le parc logement (chauffage) ou le parc automobile (carburant)". Le taux
d’intérêt relatif à l’énergie s’est ajouté dans les déterminants de la demande d’énergie.

1.2 Présentation des données

1.2.1 Source de données
Le Sénégal, pays de l’Afrique de l’Ouest, est doté d’un Système Statistique National (SSN)
dont le principal coordonnateur est l’Agence Nationale de la Statistique et de la Démographie
(ANSD) créée en 2005. Toutes les statistiques publiques sont sous son contrôle. Toutefois,
d’autres structures publiques comme privées participent à la publication de résultats statistiques
parmi lesquelles se trouve la Direction de la Prévision et des Études Économiques (DPEE).
Cette direction, pour un petit rappel historique, était dans la même structure que l’ANSD.
La direction qui mettait les deux ensemble s’appelait la Direction de la Prévision et de la
Statistique (DPS) créée en 1990. En effet, la DPS regroupait en son sein la Direction de la
Statistique et la Direction de la Prévision et de la Conjoncture créées respectivement en 1960
et 1974. Les données utilisées dans cette étude sont issues de la DPEE, publiées en avril 2016.

1.2.2 Présentation des variables

Les données d’étude comportent quatre variables parmi lesquelles la consommation d’électricité,
la consommation basse tension et la consommation moyenne tension (toutes en Millions de
KWH) ainsi que la production de ciment (en milliers de tonne). Ce sont des données mensuelles
de l’ensemble du Sénégal (tous secteurs confondus) et couvrent la période janvier 1999- février
2016. Au total, il y a 206 observations et il n’existe pas de valeurs manquantes dans la base.

Atoumane DIAGNE, ENSAE-Sénégal Page 7

 Modélisation économétrique de la consommation d’électricité au Sénégal

Pour des soucis de simplicités, les variables seront notées comme suit : Les deux valeurs de

Table 1.1 – Liste de variables utilisées

Variables Libellés Explications
consE consommation d’électricité variable étudiée
consB consommation basse tension demande des ménages
consM consommation moyenne tension demande des entreprises
prodC production de ciment offre de produit
Source :DPEE (avril 2016)

l’année 2016 seront volontairement ignorées dans la modélisation économétrique. Elles serviront
à vérifier si les prévisions ont été bonnes. Il reste à signaler que la production de ciment est
plutôt une variable de contrôle du modèle. Elle devrait permettre de vérifier si les paramètres
ont été bien estimés.

1.3 Méthodologie d’étude

Ce travail a pour objectif la modélisation économétrique de la consommation mensuelle d’élec-
tricité au Sénégal de 1999 à 2015. Pour ce faire, une modélisation univariée démarrera l’étude.
Ainsi, la série sur la consommation d’électricité servira de données d’étude. Ensuite, une mo-
délisation multivariée permettra de donner les déterminants de la consommation d’électricité.

1.3.1 Modélisation univariée

C’est la modélisation Box-Jenkins qui sera adoptée ici. Elle comprend 5 étapes : familiarisation
avec les données, identification du modèle, validation du modèle, estimations des paramètres,
prévisions. Plus explicitement, elle se fera comme suit : (1) analyse descriptive de la variable, (2)
tests de stationnarité ainsi que son éventuelle correction, (3) énumération de modèles possibles
grâce aux graphiques (chronogramme, corrélogramme, periodogramme), (4) identification du
modèle, (5) validation du modèle grâce aux tests de significativité des coefficients et l’analyse
des résidus, (6) estimations des coefficients du modèle choisi pour ajuster la série, (7) prévisions
de la consommation d’électricité.

Analyse descriptive :
Les graphiques tracés sont le chronogramme, le périodogramme, le corrélogramme, la courbe de
la PACF, la décomposition additive de la série (en tendance, saisonnalité et perturbations), le
lagplot, le monthplot avec les données mensuelles, etc. Les deux derniers graphiques permettent
d’étudier la saisonnalité. Les commentaires sur les graphiques serviront à avoir une idée sur
l’appartenance du modèle suivi par les données. En outre, les statistiques descriptives seront
fournies et discutées plus amplement.

Tests de stationnarité et correction :

Les différents tests de non stationnarité sont effectués en vue d’éviter de faire des estimations
fallacieuses. En effet, en présence de non stationnarité, les régressions peuvent être illusoires
ou fallacieuses (donnant parfois un R2 élevé) dues à l’existence de racine unitaire des variables.
Deux tests de stationnarité sont effectués à ce niveau : le test de Dickey-Fuller Augmenté (ADF)
et le test de Kwiatkowski, Philipps, Schmidt et Shin(KPSS).

Atoumane DIAGNE, ENSAE-Sénégal Page 8

 Modélisation économétrique de la consommation d’électricité au Sénégal

En ce qui concerne le premier test, l’hypothèse nulle est la non stationnarité de la série.
Trois cas se présentent face à l’économètre : test sur un modèle avec tendance déterministe
et constante (modèle 1) ; test sur un modèle avec constante seulement (modèle 2) ; et test sur
un modèle sans constante ni tendance déterministe (modèle 3). S’il la tendance est significative
alors on estime le modèle 1 et on fait le test. Sinon, on estime le modèle 2 et si la constante est
significative alors on fait le test. Sinon, le modèle 3 est estimé suivi d’un test de stationnarité.
Pour chaque modèle, la statistique du test est définie sous H0 comme suit :
W ∗∗ (1) − 1
t1 ∼ R1 1/2
2( 0 W ∗∗ (s) ds)
W 2 (1)−1
− W (1) 01 W (s) ds
R
2
t2 ∼ 1/2
( 01 W 2 (s) ds − 01 W (s) ds)
R R

2
W (1) − 1
t3 ∼ R1 1/2
2( 0 W 2 (s) ds)
Où W(.) est un mouvement browien standard (processus de Wiener) sur [0,1] et W ∗∗ (1) et égal
à
Z 1 Z 1 Z 1 Z 1 
W ∗∗ (s) = W (s) − 4 W (z) dz + 6 zW (z) dz + 6 W (z) dz − 2 zW (z) dz s
0 0 0 0

Ces distributions sont tabulées et l’hypothèse nulle ne sera acceptée que si la statistique du test
est inférieure à la valeur critique.
Dans le second test, Kwiatkowski et al. (1992) suppose que la série est la somme d’une marche
aléatoire, d’un trend déterministe et d’une erreur stationnaire. La stationnarité est testée en
posant comme hypothèse nulle la non significativité de la composante marche aléatoire. La
statistique du test est celle du test du multiplicateur de Lagrange. Elle s’écrit sous la forme
suivante : PT
St2
LM = t=1
T 2 σbε2
Avec St la somme partielle des résidus de 1 à t, T le nombre d’observations et σbε2 un estimateur
de la variance des résidus.
Cette statistique de test est aussi tabulée et l’hypothèse nulle est rejetée si elle est supérieure
à la valeur critique (le modèle étant avec ou sans tendance).
Après avoir testé la non stationnarité, il sera procédé à une correction de cette dernière. Pour
cela, deux cas de figure sont possibles : les séries stationnaires en différence (DS) et les séries
stationnaire en tendance(TS). Les séries DS et TS prennent les formes suivantes :
(
4y t = δ + εt avec εt un BB pour une série DS
4y t = δ + 4ut avec ut un ARM A (p, q) pour une série T S

Un bruit blanc est ajouté à une constante pour obtenir la série différenciée des DS. Ainsi, les
valeurs de la série différenciée des DS s’écartent avec une amplitude plus ou moins constante
d’une situation déterministe (par exemple la tendance linéaire). Les séries différenciées des TS
ont plutôt des valeurs suivant une tendance de moins en moins importante (tendant vers zéro).
Lorsque certaines séries sont de type DS alors il faudra considérer la série différenciée. Si une
première différenciation ne convient pas à stationnariser la série alors une seconde est effectuée.
Le nombre de fois où la série a pu être différencié avant d’être stationnaire s’appelle l’ordre
d’intégration (voir plus loin pour des éclaircissements). Lorsque d’autres séries sont de type
TS, elles seront régressées par mco sur t (le temps). Ensuite, pour la correction de la non
stationnarité, il sera retranché de la série la tendance déterministe (at+b).

Atoumane DIAGNE, ENSAE-Sénégal Page 9

 Modélisation économétrique de la consommation d’électricité au Sénégal

Énumération des modèles possibles :

Il sera discuté d’abord de la possibilité de saisonnalité des données. Si tel est le cas, les ordres
de saisonnalités possibles (P et Q) seront donnés grâce aux graphiques présentés ci-avant. Pour
s’en convaincre, l’on regardera l’ACF et la PACF de la variable pour choisir les ordres P et
Q. Ensuite, les ordres possibles p et q du modèle ARMA seront explicités. Le corrélogramme
donnera le q maximum correspondant au lag au-delà duquel l’ACF est nulle pour la première
fois. La courbe PACF donnera les valeurs possibles de p, le p maximum correspondant au lag
au delà duquel la PACF est nulle pour la première fois.

Identification du modèle :
Un test de significativité des coefficients est effectué sur chaque modèle admissible. Il s’agit des
tests de Bartlett et Quenouille. Considérons un processus ARMA(p,q) stationnaire.
Le test de Quenouille a pour hypothèse nulle φh,h = 0 ∀ h > p. La statistique de test est
φ
tφ = √h,h1 suivant la loi de Student sous H0 à T-k ddl, où T le nombre d’observations et k le
T
nombre de paramètres estimés. Ce test permet d’identifier l’odre p tout en sachant que φh,h = 0
au delà de p.
Pour ce qui est du test de Bartlett, il s’écrit H0 : ρ(h) = 0 ∀ h > q. La statistique de test est
ρ(h)
tρ = q σ2
suivant la loi de Student sous H0 à T-k ddl. Ce dernier test permet d’identifier l’ordre
ρ
T
q selon que ρh,h = 0 pour tout h dépassant q.

Validation du modèle :
Pour tester la normalité des résidus, la littérature en a proposé plusieurs. D’abord, il y a le test
de Jarque-Bera qui fait la synthèse de l’information contenue dans le Skewness et le kurtosis.
Sa statistique de test qui suit un Chi-deux (K) sous l’hypothèse nulle est la suivante :
N N
JB = × SK 2 + × (Ke − 3)2
6 24
µ3 µ4
avec SK = σ3
le Skewness et Ke = σ4
le kurtosis où µk est le moment empirique d’ordre k.

L’autocorrélation des erreurs signifie que les erreurs sont autocorrélées. Autrement dit, la valeur
de la série des résidus dépend des valeurs passées de la série. Le nombre de retards considéré
est noté p. Elle est observée sur des données temporelles ou financières. Tout comme l’hétéros-
cédasticité, l’autocorrélation des erreurs doit être testée en priorité et corrigée le cas échéant.
Le test de breush-Godfrey généralise le nombre de retards considérés à p quelconque contrai-
rement au test de White qui se limite à un retard et le test de Wallis qui concerne un p=4.
Il se fait en deux étapes : l’estimation par mco du modèle ; l’estimation par moindres carrés
ordinaires (mco) des résidus sur les résidus retardés. Ainsi, le test se présente comme suit :
Y = Xb + u
p
X
ut = ρi × ut−i + εt
i=1
H0 : ρ1 = ρ2 = · · · = ρp
La statistique du test est un Fisher. Cependant, il est possible avant de conclure d’y ajouter la
statistique de test Box-Pierce qui suit un Chi-deux.
p
ρbi 2
X
BP = T
i=1

Atoumane DIAGNE, ENSAE-Sénégal Page 10

 Modélisation économétrique de la consommation d’électricité au Sénégal

Alors, si la statistique de test est supérieure à la valeur critique lue sur la table de loi alors on
rejette l’hypothèse nulle. Il y a donc autocorrélation des erreurs.
Pour de petit échantillon, le test de Box-Pierce est amélioré par le test de Ljung-Box ayant
pour statistique de test
p
0 X ρbi 2
Q = T (T + 2)
i=1 T − i

Ce test a les mêmes règles de décision que celui de Box-Pierce.

Si le modèle n’est pas valide pour une raison ou pour autre, le processus de validation sera repris
avec l’un des modèles identifiés plus-haut jusqu’à l’obtention d’une représentation adéquate des
données.

Estimations des coefficients :

L’estimation de tous les paramètres est réalisée avec le modèle validé. Une discussion des ré-
sultats s’en suivra pleinement (signe des coefficients, écart-type, matrice de covariance, la série
des résidus. . .).

Prévisions et interprétation des résultats :

Les valeurs de l’année 2016 seront prédites. L’intervalle de prévision permettra de voir si les
prévisions sont bonnes. En effet, les deux valeurs disponibles pour cette année 2016 (janvier
et février) doivent se trouver dans l’intervalle de prévision. Enfin, les valeurs prédites seront
commentées en termes de hausse ou baisse probable de la consommation d’électricité au Sénégal.
L’analyse des résultats est une explication de l’évolution de la consommation d’électricité.

1.3.2 Modélisation multivariée

Avec maintenant des séries toutes stationnaires ou stationnarisées selon le cas, la modélisation
multivariée consiste à trouver une forme fonctionnelle entre les variables. Pour ce faire, soit une
estimation d’un modèle linéaire à correction d’erreur (un modèle introduit d’abord par Hendry
en 1980) est réalisée, soit une modélisation vectorielle de la famille ARMA (VAR, VARMA,
ARMAX. . .) est effectuée.

Cointégration :
La stationnarisation a permis d’éviter des régressions fallacieuses. Cependant, le nombre de fois
où une série a pu être différencié avant d’être stationnaire n’est pas forcément le même pour
toutes les variables. D’où, l’idée d’étudier ce phénomène de façon commune : la cointégration.
Cette notion est apparue vers les années 1974 par Engel et Newbold avant d’être formalisée par
Engel et Granger en 1987. Tout récemment, Johansen en a donné des idées plus claires.
Par définition, une série Xt est dite intégrée d’ordre d -qu’on note I(d)- si 4d−1 X t n’est pas
stationnaire et 4d X t est stationnaire. En outre, deux séries Xt et Yt sont cointégrées d’ordre d
-qu’on note CI(d,b)- si
– Les deux séries sont intégrées d’ordre d
– Il existe une combinaison linéaire des séries qui soit intégrée d’ordre inférieur à d (c’est-
à-dire égal à d-b) avec b un entier strictement positif.
Le vecteur (α, β) tel que αXt + βXt ∼ I(d − b) est appelé vecteur d’intégration.
Ce petit détour n’est pas vain dans la mesure où l’estimation du modèle à correction d’erreur
(MCE) fera usage de la cointégration. En effet, ce modèle dynamique étudie l’évolution com-
mune à court et long terme des séries. Ceci est possible grâce au vecteur de cointégration. La

Atoumane DIAGNE, ENSAE-Sénégal Page 11

 Modélisation économétrique de la consommation d’électricité au Sénégal

spécification du modèle dans le cas du vecteur (α, β) pour une CI(1,1) des séries Xt et Yt est
la suivante :
4Y t = γ4X t + µ (βYt−1 + αXt−1 ) + εt
Cette spécification est connue sous le nom de représentation de Granger. Des démonstrations
supplémentaires sont fournies dans l’article « Cointegration and error-correction : représenta-
tion, estimation and testing » de Engle,R.E. & Granger,C.W.J. (1987). Plus généralement, le
modèle à correction d’erreur obtenu est le suivant :
p
X q
X
4Y t = π + bi × 4Y i−1 + ai × 4X i−1 + c [βYt−1 + αXt−1 ] + ηt
i=1 i=0

Il est possible d’étudier la cointégration d’un vecteur de k variables. C’est l’approche de Johan-
sen qui propose de partir du modèle VAR pour détecter des variables cointégrées. Considérons
un modèle VAR(p) de la forme (Yt étant un vecteur de k variables) qui suit :

Yt = A1 Yt−1 + A2 Yt−2 + · · · + Ap Yt−p + εt

Le modèle MLCE issu de la forme VAR est :

∆Y t = ΠYt−1 + Γ1 ∆Y t−1 + · · · + Γp−1 ∆Y t−p+1 + εt

Où Π = (A1 + A2 + · · · + Ap ) − Id et Γi = −(Ai+1 + · · · + Ap ) pour i=1 à p

Le rang de la matrice Π est égal à r<k. D’après le théorème de représentation de granger, il
0
existe deux matrice U et V de rang r telles que Π= UV et telles que V’Yt soit stationnaire.
Le nombre r est appelé rang de cointégration ou nombre de relations de cointégration. Chaque
colonne de V décrit le vecteur de cointégration (évolutions à long terme) et les éléments de U
constituent les paramètres d’ajustement (évolution à court terme).
Ainsi, l’application du modèle MCE obéit à une méthodologie structurée. Dans un premier
temps, un test de cointégration de Johansen est effectué sur les séries non stationnaires seule-
ment. En effet, il ne peut y avoir de relation de cointégration dès que l’une des séries est
stationnaire. Parant de là, nous aurons r relations de cointégration. Les variables qui sont sta-
tionnaires seront incluses directement dans le modèle MCE en tant que variables exogènes.
Ensuite, l’estimation du modèle est faite dans le court terme et le long terme.
Pour les tests de cointégration, ils sont de plusieurs types. Le test de Engel/Granger s’articule
en deux étapes : régression statistique entre variables intégrées de même ordre et test de non
stationnarité des résidus obtenus. Si les résidus sont stationnaires alors les deux variables sont
cointégrées. Ce test ne peut se faire qu’entre deux variables, ce qui constitue une limite. Pour
pallier ce problème, la méthode de Johansen est un test effectué sur le vecteur des variables
non stationnaires. Pour le logiciel Eviews, 5 choix sont possibles dans l’approche de Johansen :
0


 ΠYt−1 = αβ Yy−1
0

ΠYt−1 = α(β
 Y y−1 + µ)




 0
ΠYt−1 = α β Yy−1 + µ + α⊥ γ

 0

ΠYt−1 = α β Yy−1 + µ + λt + α⊥ γ





  
0
ΠYt−1 = α β Yy−1 + µ + α⊥ (γ + δt)




1. pas de trend, pas de constante dans la relation de coïntégration

2. pas de trend et constante dans la relation de coïntégration
3. pas de trend et constante dans la relation de coïntégration et le VAR utilisé
4. trend linéaire et constante dans la relation de coïntégration

Atoumane DIAGNE, ENSAE-Sénégal Page 12

 Modélisation économétrique de la consommation d’électricité au Sénégal

5. trend quadratique et constante dans la relation de coïntégration

Tout compte fait, la procédure du test est ainsi définie : on estime la matrice Π et on teste
les restrictions sur le rang de la matrice pour déterminer r. La seconde étape est constituée de
tests successifs par augmentation progressive de la valeur de r. Tout d’abord, on teste r<0 (il
n’y a pas de relation de cointégration). Si l’hypothèse nulle est rejetée alors on teste r<1. Si
l’hypothèse nulle est encore rejetée alors on teste r<2, etc.
Lorsque l’hypothèse alternative est r=k+1, la statistique du test est appelée statistique de la
trace et a pour expression :
k
X
Q (r) = −T log (1 − λi )
i=r+1

Où λi est la ième valeur propre (par ordre croissant) et r=0,1,. . ., k-1.

Lorsque l’hypothèse alternative est maintenant un rang égal à r+1 alors la statistique de test
est appelée statistique max.

Validation et Estimation du modèle :

Deux estimations sont réalisées pour le modèle MCE. Une estimation de la relation de long
terme (si r ≥ 1) est faite par mco avec les séries initiales puis une seconde estimation de la
relation de court terme est faite par mco sur les séries différenciées. C’est le modèle vectoriel
à correction d’erreur (VEC). Dans le cas de deux variables par exemple, on aurait les deux
équations suivantes à estimer :
Yt = α + βXt + εt long terme
∆Y t = λ∆X t + µεt−1 + ηt court terme
Dans le cas de k variables, l’équation issue de la représentation VAR est estimée avec toutes les
spécificités possibles. Il faudra alors valider le modèle par les mêmes tests que dans le modèle
linéaire multiple (normalité, autocorrélation, hétéroscédasticité, stabilité des coefficients. . .).
Cependant, en absence de relation de cointégration, un modèle vectoriel de la famille ARMA
est choisi pour modéliser la consommation d’électricité.

Interprétation des résultats :

Quel qu’en soit le modèle choisi, il obéit à la décomposition de la consommation d’électricité
en ses composantes. D’après la littérature économique, la demande d’électricité s’explique par
des facteurs économiques, démographiques et sociaux. Toutefois, l’approche utilisée dans cette
étude est la même que la décomposition du produit national en ses composantes ou du produit
privé (la production des entreprises) par l’apport de ses facteurs de production (travail et capi-
tal). Cette étude tentera d’expliquer l’évolution de la consommation d’électricité par celle des
consommations basse tension et moyenne tension et de la production de ciment. Cette modéli-
sation permettra de connaitre les composantes de la demande d’électricité les plus significatives
dans la variation de cette dernière.

Atoumane DIAGNE, ENSAE-Sénégal Page 13

Chapitre 2

Modélisation univariée de la
consommation d’électricité

Cette modélisation commencera par une analyse descriptive de la variable étudiée. Ensuite, des
tests (stationnarité, causalité, cointégration. . .) seront effectués dans ce processus de modélisa-
tion. Enfin, l’estimation des paramètres et l’analyse des résultats termineront ce chapitre.

2.1 Analyse descriptive

La consommation d’électricité croit suivant une tendance haussière au cours de la période 1999
à 2015. Cette évolution est en dents de scie tout au long de la trajectoire de la série.

Figure 2.1 – Évolution de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

Les amplitudes sont plus importantes en début de période qu’en fin de période. C’est ainsi que
la consommation d’électricité passe de 181,5 millions de KWh en décembre 1999 à 12,1 millions
de KWh en janvier 2000, puis de 178 millions de KWh en décembre 2000 à 21 millions de KWh

14
 Modélisation économétrique de la consommation d’électricité au Sénégal

en janvier 2001, un phénomène qui continue ainsi jusqu’en janvier 2005 à partir de laquelle les
fluctuations sont modérées.

Figure 2.2 – Périodogramme de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

Pour avoir une idée sur la saisonnalité de la série, le périodogramme est tracé. Il apparait des
pics répétitifs de manière régulière entre fréquences.
Donc, la présence de saisonnalité de période l=12 (données mensuelles) est soupçonnée. Afin
de s’assurer de cette possibilité de présence de saisonnalité, il est tracé le monthplot qui donne
l’évolution comparée de la consommation d’électricité pour chaque mois (voir graphique 3.8 en
annexe).
De même, le lagplot consigné dans le graphique 3.9 en annexe montre une évolution répétitive
de la série à longueur régulière (l=12).
Le graphique 3.10 en annexe est une décomposition additive de la série en tendance déterministe,
saisonnalité et terme aléatoire. La présence de tendance linéaire est soupçonnée ainsi que le
caractère saisonnière de la série de période l=12.
Les données sont ainsi saisonnières de période l=12 avec une tendance. Le chronogramme
de la série montre qu’il y a autocorrélation des valeurs de la série avec les valeurs passées.
L’affirmation de la stationnarité de la variable peut être remise en cause. Des test aideront à
conclure sur ce point.
Du point de vue quantitative, la consommation moyenne d’électricité sur toute la période
d’étude est de 151,6604 millions de KWH avec un écart-type de 46,92047 millions de KWH
(soit un coefficient de variation de 31%). Elle varie entre 12,1 millions de KWH (minimum) et
256,8 millions de KWH (maximum)

2.2 Tests de stationnarité et corrections

La première étape consiste à choisir le nombre de retards (lag) à considérer pour faire le test
ADF.

Atoumane DIAGNE, ENSAE-Sénégal Page 15

 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 2.1 – Choix du nombre du retards du test

Coefficient Valeur critique Pr(>|t|)
constante -16.40599 -1.090 0.27716
z.lag.1 -0.30856 0.14946 0.14946
trend 0.21206 1.546 0.12392
z.diff.lag1 -0.59775 -2.729 0.00700
z.diff.lag2 -0.53069 -2.549 0.01167
z.diff.lag3 -0.47096 -2.396 0.01761
z.diff.lag4 -0.48818 -2.664 0.00844
z.diff.lag5 -0.52941 -3.136 0.00201
z.diff.lag6 -0.61822 -4.008 9.05e-05
z.diff.lag7 -0.63096 -4.473 1.38e-05
z.diff.lag8 -0.63629 -4.902 2.15e-06
z.diff.lag9 -0.60271 -5.039 1.15e-06
z.diff.lag10 -0.57132 -5.274 3.89e-07
z.diff.lag11 -0.55691 -6.003 1.08e-08
z.diff.lag12 0.03288 0.457 0.64807
Source :DPEE (avril 2016), calcul de l’auteur

D’après le tableau 2.1 on choisit donc p=11 pour le test ADF. Ce dernier donne les résultats
consignés dans le tableau 2.2.

Table 2.2 – Résultats du test de racine unitaire

Pr(>|t|) Valeur critique (seuil 5%) Statistique de test
avec tendance seulement 0.152951 -3.43 -1.2753
avec constante seulement 2.09e-06 -2.88 0.778
sans tendance et sans constante - -1.95 4.944
Source :DPEE (avril 2016), calcul de l’auteur

La p-value associée à la tendance est supérieure à 0,05. Donc, la tendance n’est pas significative
au seuil de 5%. Avec le modèle sans tendance, la p-value de la constante est inférieure à 0,05.
Donc, le test ADF se fera sur le modèle avec constante et sans tendance. Dans ce cas, la
statistique de test en valeur absolue (0.778) est inférieure à la valeur critique en valeur absolue
(2.88). L’hypothèse nulle de racine unitaire est acceptée. La série sera différenciée par la suite.
Le même raisonnement sur la série différenciée aboutit au résultat suivant : avec une constante
significative, la statistique de test en valeur absolue (7.9464) est supérieure à la valeur critique
en valeur absolue (2.88). L’hypothèse nulle de racine unitaire est rejetée. La série est stationnaire
en différence avec constante.
Un deuxième test de stationnarité est effectué : le test KPSS. La statistique de test (pour un
modèle avec constante) est égale à 3.7549 dépassant la valeur critique 0.463 au seuil de 5%.
L’hypothèse nulle de stationnarité est rejetée. Avec la série différenciée, la stationnarité est
acceptée (une statistique de test de 0.0317 inférieure à la valeur critique 0.463).

2.3 Identification du modèle

L’analyse descriptive a permis de déceler une saisonalité de période 12 de la série. Avant de
continuer la modélisation, il conviendrait de désaisonnaliser la série. La série Yt = (1 − B 12 ) Xt
se présente comme suit : Il apparait clairement que la série ne présente plus de saisonnalité.

Atoumane DIAGNE, ENSAE-Sénégal Page 16

 Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 2.3 – Evolution de la série désaisonnalisée

Source : DPEE (avril 2016), calcul de l’auteur

Par la suite, la saisonnalité sera prise en compte dans la série en intégrant une composante
saisonnière (1, 0, 0)12 .

Figure 2.4 – Identification des ordres du modèle

Source : DPEE (avril 2016), calcul de l’auteur

En outre, l’ACF et la PACF de la série différenciée sans saisonnalité permet d’identifier les
ordre p et q relatifs aux modèles ARMA. Il ressort du graphique ci-dessus que p est inférieur
ou égal à 2 tandis que q est inférieur ou égal à 3.
De ce fait, les modèles admissibles sont AR(1),AR(2) MA(1), MA(2),MA(3), ARMA(1,1),
ARMA(1,2), ARMA(1,3), ARMA(2,1), ARMA(2,2) et ARMA(2,3). Il faudrait faire les tests

Atoumane DIAGNE, ENSAE-Sénégal Page 17

 Modélisation économétrique de la consommation d’électricité au Sénégal

de Bartlett et Quenouille pour voir la significativité des paramètres permettant de garder ou

non les modèles cités. D’après ces tests qui se font grâce au test de Student, seuls les modèles
AR(1), AR(2),ARMA (1,2), ARMA(1,3), ARMA(2,2), MA(1), MA(2) et MA(3) sont retenus.

2.4 Validation du modèle

La validation du modèle consiste à choisir parmi les 8 retenus plus haut celui qui minimise les
critères d’information et ait des résidus suivant un bruit blanc. L’analyse des résidu du modèle
AR(1) donne le graphique ci-après montrant que les erreurs suivent un bruit blanc.

Figure 2.5 – Analyse des résidus du modèle AR(1)

Source : DPEE (avril 2016), calcul de l’auteur

Le modèle AR(2) est aussi gardé pour les mêmes raisons (voir graphique 3.13 en annexe). Ainsi,
deux modèles sont retenus pour la suite : AR(1) et AR(2). Les critères RMSE (racine carré
de l’erreur quadratique moyenne) et BIC (critère d’information bayésien) permettent de choisir
le modèle qui ajuste au mieux la série de données. Les calculs donnent un RMSE de 6,306753
pour le modèle AR(1) contre 6,159825 pour le modèle AR(2). S’agissant du BIC, il est minimal
pour le modèle AR(2) avec 6,242322 contre 6,361751 pour le modèle AR(1). Donc, le modèle
AR(2) présente une meilleure représentation de la série ajustée.
Comme la série présente une saisonnalité de période 12, le modèle estimé est en réalité SAR(2).

2.5 Estimation des paramètres

Les coefficients seront estimés avec le modèle SAR(2). Toutefois, comme la variable est centrée,
l’estimation se fait sans la constante. Tous les paramètres sont significatifs. Les coefficients du
polynôme autorégressif sont tous négatifs alors que celui du polynôme générateur d’un AR(2)
saisonnier est positif.

Atoumane DIAGNE, ENSAE-Sénégal Page 18

 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 2.3 – Estimation des coefficients

coefficient erreur-type
ar1 -0.7237 0.0656
ar2 -0.3555 0.0653
sar1 0.6932 0.0517
sigma2 406.4
Source :DPEE (avril 2016), calcul de l’auteur

2.6 Prévisions et interprétations des résultats

Les valeurs pour l’année 2016 ont été prédites. Les deux valeurs de cette année peuvent per-
mettre de vérifier si la modélisation a été bonne.

Figure 2.6 – Prévisions de 2016

Source : DPEE (avril 2016), calcul de l’auteur

Il ressort que les deux valeurs pour l’année 2016 (janvier et février) sont entre les bornes infé-
rieure et supérieure de prévision.
Les valeurs de la consommation d’électricité dépendent négativement de ses deux valeurs pas-
sées. Cependant, une composante saisonnière (pour chaque mois) fait augmenter cette consom-
mation.

Atoumane DIAGNE, ENSAE-Sénégal Page 19

Chapitre 3

Modélisation multivariée de la
consommation d’électricité

L’analyse descriptive sera reprise avec les autres variables cette fois-ci. Des tests se feront pour
identifier les modèles retenus par la suite. L’estimation des paramètres est effectuée avec le
modèle validé. Les prévisions et interprétations des résultats termineront ce chapitre.

3.1 Analyse descriptive des autres variables

L’évolution de la consommation basse tension est similaire à celle de la consommation d’électri-
cité dans son ensemble. Par rapport à la production de ciment, il y a une tendance à la hausse
de l’évolution de la série. Certains pics sont tout de même remarquables : une forte baisse en
novembre 2003 et une forte hausse en mars 2015. L’augmentation considérable de la production
de ciment ces dernières années s’explique par l’ouverture d’une nouvelle usine de fabrication de
ciment.

Figure 3.1 – Évolution des autres séries

Source : DPEE (avril 2016), calcul de l’auteur

Les histogrammes montrent une fréquence plus élevée des valeurs de la production de ciment
autour de 100 milliers de tonne. Par contre, il y a plus de valeurs de la consommation d’électricité
moyenne et basse tension proches respectivement de 50 et 100 millions de KWH.

20
 Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 3.2 – Histogramme des autres séries

Source : DPEE (avril 2016), calcul de l’auteur

En moyenne, la production de ciment est de 258,6 milliers de tonne par mois. La consommation
moyenne d’électricité basse tension (92,69 milliers de tonne) est supérieure à la consommation
moyenne d’électricité moyenne tension (54,39 milliers de tonne).

Table 3.1 – Statistiques sur les variables

1er quartile médiane 3eme quartile moyenne min max
consB 69.15 94.03 113.00 92.69 0.00 172.90
consM 36.25 45.12 54.39 54.39 0.00 81.94
prodC 145.40 251.30 258.60 258.60 30.35 537.40
Source :DPEE (avril 2016), calcul de l’auteur

3.2 Tests de stationnarité des autres variables et ordres

d’intégration
Les résultats du test ADF sur les séries consB, consM et prodC sont résumés dans le tableau
3.2.
Selon ce tableau, les séries consB et consM sont stationnaire en différence (DS) tandis que la
série prodC est stationnaire en tendance (TS). Le test KPSS confirme ces résultats. Pour sta-
tionnariser ces variables, les séries DS sont différenciées tandis que les séries TS sont régressées
afin d’enlever la tendance déterministe.

3.3 Identification du nombre de retards du modèle

Le nombre de retards qui minimise les critères d’information sera retenu. Un modèle VAR(p)
est estimé avec les quatre variables consE, consB, consM et prodC (toutes stationnarisées).
D’après le critère AIC, le nombre de retard optimal est p=5 tandis que p=2 selon le critère SC.
Ce dernier étant plus puisant que les autres, il est retenu un nombre de retards égal à 2 (voir
tableau 3.3).

Atoumane DIAGNE, ENSAE-Sénégal Page 21

 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 3.2 – Résultats du test ADF des autres séries

Pr(>|t|) Valeur critique (seuil 5%) Statistique de test
consB
avec tendance seulement 0.024240 -3.43 -2.2371
consM
avec tendance seulement 0.138 -3.43 -1.1196
avec constante seulement 0.728 -2.88 1.1126
sans tendance et sans constante - -1.95 3.6019
prodC
avec tendance seulement 6.82e-07 -3.43 -5.4312
Source :DPEE (avril 2016), calcul de l’auteur

Table 3.3 – Critères d’information

retard 1 2 3 4 5
AIC 1.817816e+01 1.786655e+01 1.774118e+01 1.764854e+01 1.759928e+01
HQ 1.828689e+01 1.808401e+01 1.806739e+01 1.808348e+01 1.814295e+01
SC 1.844671e+01 1.840365e+01 1.854684e+01 1.872276e+01 1.894205e+01
FPE 7.846621e+07 5.746754e+07 5.071873e+07 4.627071e+07 4.410920e+07
Source :DPEE (avril 2016), calcul de l’auteur

3.4 Causalité entre variables

Le test de causalité entre la variable consE et les autres variables montre que toutes les variables
sont exogènes. C’est plutôt la causalité instantanée qui a été utilisée et non la causalité au sens
de Granger qui se fait entre variables deux à deux.

Table 3.4 – Tests de causalité

H0 Statistique de test : Chi2(3) P-value
prodC ne cause pas les autres variables 15.6151 0.00136
consE ne cause pas les autres variables 100.2159 2.2e-16
consB ne cause pas les autres variables 99.8719 2.2e-16
consM ne cause pas les autres variables 98.7401 2.2e-16
Source :DPEE (avril 2016), calcul de l’auteur

La p-value pour chacun de ces tests est inférieure à 0,05. Donc, l’hypothèse nulle est rejetée au
seuil de 5%. Toutes les autres variables sont donc maintenues exogènes dans la modélisation
multivariée.

3.5 Test de cointégration et choix du modèle

A l’issue de l’estimation du modèle VAR(2), un test de cointégration de Johansen est effectué.
Toutes les hypothèses nulles ont été rejetées jusqu’à r=2 (voir tableau 3.5). Cependant, le
nombre de relations de cointégration est inférieur ou égal à k-1=4-1=3 avec k le nombre de
variables actives. Les résultats du test montre donc qu’il y a r=3 relations de cointégration.

Atoumane DIAGNE, ENSAE-Sénégal Page 22

 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 3.5 – Test de cointégration

r statistique de test valeur critique (5%)
au moins 0 435.55 48.28
au moins 1 278.83 31.52
au moins 2 152.74 17.95
au moins 3 41.14 8.18
Source :DPEE (avril 2016), calcul de l’auteur

3.6 Validation du modèle multivarié

L’analyse des résidus montre que les erreurs sont homoscédastiques car l’hypothèse nulle du
test ARCH(2) est rejetée. Donc, les résidus ne peuvent pas être modélisés par un processus
ARCH(p).
Quant aux tests de bruit blanc et de normalité, il est préférable d’étudier la stationnarité du
modèle VAR. Pour rappel, toutes les séries sont stationnaires en différence (d=1) à l’exception
de la variable prodC qui est TS. Le modèle VAR estimé est celui des variables stationnarisées,
pour avoir un même nombre ordre d’intégration. Ainsi, le VAR est stationnaire et il n’est pas
nécessaire de faire l’analyse de la normalité et de l’autocorrélation des résidus. Toutefois, la
stabilité du modèle est testé avec le CUSUM carré donné dans le graphique ci-après.

Figure 3.3 – Stabilité du modèle

Source : DPEE (avril 2016), calcul de l’auteur

Les composantes des résidus multivariés donnent une stabilité du modèle. Donc, le modèle
estimé est stable. Il en est de même du modèle VEC issu du VAR.

3.7 Estimations des paramètres

Les équations de court terme seront estimées ainsi que les relations de long terme (voir tableau
3.6). Il faut remarquer dans cette sortie de résultats que toutes les variables des relations de
long terme sont dans un seul membre, des équations égalées à 0. Donc, pour chaque équation
de long terme, le signe d’un coefficient est inversé selon la variable étudiée.

Atoumane DIAGNE, ENSAE-Sénégal Page 23

 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 3.6 – Estimations du modèle vectoriel

Source :DPEE (avril 2016), calcul de l’auteur

Le signe attendu des coefficients par rapport à la variable prodC n’est vérifié qu’à long terme.
En effet, la littérature suggère un signe positif de ces coefficients.

3.8 Prévisions selon différents cas

Les courbes d’impulsion permettent de prédire les réponses du phénomène étudié suite à un choc
économique qui se traduit par une hausse spontanée. S’agissant d’un choc dû à la consommation
d’électricité basse tension, la consommation d’électricité répond positivement dans un premier
temps avant qu’elle ne soit en baisse dans le long terme.
Ainsi, la consommation d’électricité est fortement liée à celle basse tension. Ce que ne semble

Figure 3.4 – Impulsion de la consommation d’électricité : choc consB

Source : DPEE (avril 2016), calcul de l’auteur

pas être la consommation moyenne tension.

Une modification de cette dernière variable sous forme de choc a un effet négligeable sur l’évolu-
tion future de la consommation d’électricité. Le niveau de la consommation d’électricité revient

Atoumane DIAGNE, ENSAE-Sénégal Page 24

 Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 3.5 – Impulsion de la consommation d’électricité : choc consM

Source : DPEE (avril 2016), calcul de l’auteur

Figure 3.6 – Impulsion de la consommation d’électricité : choc prodC

Source : DPEE (avril 2016), calcul de l’auteur

petit à petit à la situation initiale. Donc, l’évolution de la consommation d’électricité dépend

plus de la demande des ménages que des entreprises.
En ce qui concerne la production de ciment, l’impact de sa modification sur la consommation
d’électricité est différée au fil du temps. Autrement dit, la consommation d’électricité baisse
d’abord puis réagit positivement au choc. Quoi qu’il en soit, l’effet d’un choc économique sur
l’évolution de la consommation d’électricité s’estompe au bout 12 mois environ.

Les valeurs prédites se trouvent sur un intervalle de confiance à 95%. Le graphique 3.7 fait état
de la prévision avec une décomposition de la variance de l’erreur de prévision consignée dans
le tableau 3.7.
Pour h=1, la valeur prédite pour la consommation d’électricité dépend à 100% de ses valeurs
passées, une part qui diminue au fil du temps. A partir de l’horizon h=2, la consommation
moyenne tension a de plus en plus de l’importance dans l’erreur de prévision (atteignant 20%
au bout de 2 ans). Les autres séries participent peu à l’erreur de prévision.

Atoumane DIAGNE, ENSAE-Sénégal Page 25

 Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 3.7 – Prévisions des séries

Source : DPEE (avril 2016), calcul de l’auteur

Table 3.7 – Décomposition de la variance de l’erreur de prévision :consE

Source :DPEE (avril 2016), calcul de l’auteur

3.9 Interprétation des résultats

L’objectif général de cette étude est pour rappel l’analyse des déterminants de la consommation
d’électricité au Sénégal. Les modélisation univariée et multivarié ont permis d’avoir les résul-

Atoumane DIAGNE, ENSAE-Sénégal Page 26

 Modélisation économétrique de la consommation d’électricité au Sénégal

tats d’estimations. En terme d’interprétation, le niveau de la valeur passée de la consommation

d’électricité a un grand rôle à jouer dans la variabilité de cette consommation. A court terme, la
modélisation VEC montre que la consommation d’électricité augmente de 2,5 % en écart suite
à une hausse d’un pour cent en écart de sa valeur passée. L’augmentation devient égale à 1,5
% lorsque qu’il s’agit de la consommation de retard 2. Les consommations passées d’électricité
basse tension ont des effets de la même intensité que les valeurs passées de la consommation
totale d’électricité, mais l’effet est de signe contraire (imputable aux ménages). Elles ont ten-
dance à faire baisser la consommation d’électricité suite à leur augmentation d’un pour cent. Il
en est de même de la production de ciment. Dans le court terme (au bout d’un an environ), la
hausse de cette production est synonyme de baisse de la consommation d’électricité. D’ailleurs,
cette hausse se répercute aussi sur la consommation basse et moyenne tension par des baisses
de l’ordre de 0,1 % en écart.
C’est dans le long terme qu’il faudrait voir l’impact positif de la reprise d’activité économique
sur la consommation d’électricité. Dès que la production de ciment augmente d’un pour cent
en écart, la consommation d’électricité est à la hausse de 3 % en écart. Il est constaté la même
chose du côté de la consommation d’électricité basse tension (1,3 %) comme celle moyenne
tension (1,6 %). Une hausse de la production de ciment (proxy de la dynamique de l’économie)
conduit à une augmentation de la demande d’énergie. En outre, la consommation moyenne
tension tire vers le haut celle basse tension à long terme (des hausses de 5 % en écart suite à
une hausse de 1 %) et vis-versa.

Atoumane DIAGNE, ENSAE-Sénégal Page 27

Conclusion générale

Cette étude a pour objectif l’analyse des déterminants de la consommation d’électricité au Sé-
négal sur la période 1999 à 2015. Les données sont mensuelles et ont pour source la DPEE, une
structure au sein du système Statistique National (SSN).

Pour atteindre l’objectif fixé, une modélisation univariée puis multivariée est effectuée sur les
données comportant la consommation d’électricité totale, basse tension, moyenne tension et la
production de ciment.

Sur la base de la modélisation économétrique univariée, un modèle SAR(2) a été estimé. Ce

dernier prend en compte la saisonnalité en plus du caractère autorégressif de la consommation
d’électricité. Quant à la modélisation multivariée, elle a débuté par le choix du nombre de re-
tards (p=2). Le modèle VAR estimé présente des relations de cointégration au nombre de r=3.
Donc, un modèle VEC est estimé avec la particularité de séparation des équations de court
terme et long terme.

Les résultats obtenus sont principalement la significativité de la production de ciment à long

terme seulement (et par là, le niveau d’activité de l’économie) et les consommations d’électricité
basse et moyenne tension dans l’évolution de la consommation d’électricité total à court terme.
Autrement dit, la hausse de la production a un effet positif de long terme sur la consommation
d’électricité qui approxime ainsi le niveau d’activité de l’économie. Dans le court terme, la
consommation d’électricité représente la demande d’électricité exprimée par les ménages et les
entreprises. Toutefois, un choc dû à la consommation basse tension a plus d’effet négatif que
celle moyenne tension.

28
Bibliographie

[1] Agence internationale de l’énergie atomique, Modèle pour l’Analyse de la Demande d’Éner-
gie (MAED-2), Manuel de l’utilisateur, VIENNE, 2007.
[2] Association des entreprises électriques suisses , Facteurs d’influence sur la demande en
électricité, Méthodologie statistique, Document connaissances de base, état : août 2015.
[3] Cameron A. Colin et Trivedi Pravin K. , Microeconometrics : Methods and Applications,
Published in the United States of America by Cambridge University Press, New York,
2005.
[4] Direction de la Prévision et des Études Économiques (DPEE), Structure du PIB,
www.dpee.sn, consulté le 10 juillet 2016.
[5] GBAGUIDI Ochozias A., Communication : Les déterminants de la demande d’énergie
dans l’espace CEDEAO, Associate Economic Affairs Officer, UNECA SRO-West Africa,
gochozias@uneca.org, 2005.
[6] PIGENET Nazim, Mise en place des outils de suivi et de prédiction de la demande
électrique à l’échelle d’un territoire, application au département du Lot, Thèse en vue de
l’obtention du Doctorat de l’université de TOULOUSE, septembre 2009.

29
Annexe

Figure 3.8 – Monthplot de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

Figure 3.9 – Lagplot de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

30
 Modélisation économétrique de la consommation d’électricité au Sénégal

Table 3.8 – Décomposition de la variance de l’erreur de prévision :consM

Source :DPEE (avril 2016), calcul de l’auteur

Table 3.9 – Décomposition de la variance de l’erreur de prévision :consB

Source :DPEE (avril 2016), calcul de l’auteur

Atoumane DIAGNE, ENSAE-Sénégal Page 31

Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 3.10 – Décomposition additive de la série

Source : DPEE (avril 2016), calcul de l’auteur

Figure 3.11 – ACF de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

Figure 3.12 – PACF de la consommation d’électricité

Source : DPEE (avril 2016), calcul de l’auteur

Atoumane DIAGNE, ENSAE-Sénégal Page 32

 Modélisation économétrique de la consommation d’électricité au Sénégal

Figure 3.13 – Analyse des résidus du modèle AR(2)

Source : DPEE (avril 2016), calcul de l’auteur

Table 3.10 – Décomposition de la variance de l’erreur de prévision :prodC

Source :DPEE (avril 2016), calcul de l’auteur

Atoumane DIAGNE, ENSAE-Sénégal Page 33