Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Revue d’Analyse des politiques économiques et financières

Volume 1 - Numéro 1 Août 2015 pp 106 - 159

Croissance économique au Bénin :

Une analyse à partir d’un modèle
A seuil Stochastique
Par :

Sêna Sourou François ANAGO

Chercheur à l’UAC, BENIN
anassou01@yahoo.fr

Résume : Ce travail analyse l’effet d’un ensemble de cinq (5) variables

à seuil : le taux d’inflation (TINFL), le taux d’ouverture (TO), le taux de
pression fiscale (TPF), le ratio des dépenses publiques dans le PIB (DP_
PIB) et la part de l’encours de la dette dans le PIB (DET_PIB), sur la
croissance économique au Bénin. Il modélise la relation entre le taux
de croissance économique et lesdites variables à partir d’un modèle
quadratique et d’un modèle à seuil stochastique à changement de
régime lisse (STAR). Des analyses faites, il ressort les taux optimaux à
ne pas excéder de 9,63% et 16,08%  respectivement pour le TINFL et
les DP_PIB et des taux à dépasser de 38,16% et 19,68% pour le TO et
le TPF et pour que chacune de ces variables ait un effet positif sur
la croissance économique. Quant au taux d’endettement, le seuil
de 61,09% obtenu n’est pas significatif et c’est au-delà de ce taux
que la dette pourrait affecter positivement la croissance. Il est aussi
mentionné que les chocs d’une ampleur d’un point font perdre 1,05
point de croissance à l’économie béninoise.

Mots clefs : Croissance économique, modèle quadratique, modèle à

seuil stochastique à changement de régime lisse.

Classification JEL : O49-C13-C32

106
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

introduction

Depuis quelques années, la non-linéarité tout comme la non-

stationnarité est considérée comme une des propriétés dominantes
en économie. En effet, de nombreuses études empiriques ont montré
que les modélisations linéaires de type ARMA ne permettent pas
toujours de caractériser la dynamique d’un processus économique
particulier. Les causes de cet échec peuvent être variées, cependant,
deux facteurs sont majoritairement évoqués : la présence d’asymétrie
dans les données et une instabilité temporelle des relations induites
par des changements structurels.

De nombreuses pistes ont été explorées pour modéliser la non-

linéarité. La voie qui s’est cependant révélée la plus fructueuse est
celle des modèles à changements de régimes qui ont l’avantage de
fournir une explication économique de la non-linéarité. Cette classe
de modèles a été initiée à l’origine par Tong (1978) et Tong & Lim
(1980). Leurs propriétés permettent d’autoriser une série économique
à posséder une dynamique différente suivant les régimes ou les états
du monde dans lesquels elle se trouve.

Dans ce cadre, le changement de régimes peut être soit déterministe

(c’est-à-dire se produisant à une date connue à l’avance) soit
stochastique. Au niveau des modèles à changement de régimes
stochastiques, la date n’est plus connue à l’avance mais est
déterminée à l’aide d’une variable de transition. Beaudry & Koop
(1993) ont utilisé ces modèles pour décrire la dynamique du taux de
croissance du PIB, étant spécifiée différemment suivant que le PIB
courant est au-dessus ou en-dessous de son dernier maximum. Les
périodes où le PIB est supérieur ou inférieur à un certain seuil déterminé
de manière endogène sont donc assimilées à des régimes distincts. En
d’autres termes, le niveau du PIB est la variable de conjoncture qui

107
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

détermine le changement de régimes et divise les données en sous-

groupes. En dehors des modèles SETAR où la variable de transition
ainsi que les explicatives sont des variables retardées de la variable
expliquée, il existe aussi ceux qui mettent l’accent sur les autres
variables explicatives pour définir la transition entre les régimes.

De nombreuses variables influencent l’évolution du taux de croissance

économique dont notamment le taux d’investissement, le taux
d’inflation, le taux d’ouverture, le taux de pression fiscale, la part
des dépenses publiques dans le PIB, le ratio de l’encours de la dette
dans le PIB, etc. Les cinq dernières variables sont considérées dans
la littérature comme étant des variables à seuil qui ont un certain
effet sur la croissance économique en dessous de ce seuil et l’effet
contraire au-delà. Pour ce qui est de la dette, certes, elle fournit des
ressources à une économie, utiles pour la croissance, mais le service
de la dette qui en découle la prive d’une partie de ces dernières.
Ainsi, un fardeau de dette très important peut freiner la croissance et
entrainer une réduction de l’investissement (A. WADE, 2014). WADE
trouve pour la zone UEMOA un seuil d’endettement de 48% au-delà
duquel le taux d’endettement impacte négativement la croissance
économique alors que Tanimoune N. A., Plane P. et Combe J.L. (2005)
estiment ce seuil à 83%. En ce qui concerne la pression fiscale, Arthur
Laffer, en illustrant son idée selon laquelle : «trop d’impôt tue l’impôt»
à partir d’une courbe en forme de U inversé, explique lors d’un diner
en décembre 1974 à ses étudiants, qu’il existe un niveau optimal
d’imposition pour une économie donnée. En effet, pour Laffer (1981),
des taux d’imposition élevés entraînent l’évasion et la fraude fiscale.
Plus les contribuables sont enclins à frauder ou à éviter de payer les
taxes, moins élevées seront les recettes fiscales collectées et plus
élevés seront les coûts financiers nécessaires pour faire respecter les
règles fiscales. En revanche, une taxation plus faible réduit les velléités
à la fraude et à l’évasion fiscale. C’est ainsi qu’en considérant un
modèle de croissance avec dépenses publiques productives, Barro

108
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

(1989) souligne l’existence d’une courbe de Laffer entre le taux

d’imposition et le taux de croissance économique. Cette courbe
indique que, jusqu’à un certain seuil d’imposition, la politique fiscale
encourage la croissance, mais au-delà de ce seuil, elle génère des
externalités négatives qui retardent la croissance. En utilisant des
données annuelles de 1949 à 1989, Scully (1995) a estimé le taux de
pression fiscale optimal des Etats-Unis, qui se situe entre 21,5 et 22,9%
du PIB. Celui de la Nouvelle Zélande estimé sur la période 1927-1994
se situe à 20% alors que, Branson et Lovell (2001), à partir d’un modèle
de programmation linéaire sur la période 1946-1995, estiment le taux
d’imposition optimal dudit pays à 22.5% du PIB. Quant à K. Yaya (2010),
il montre, à partir d’un modèle de régression quadratique, que le taux
de pression fiscale optimal de la Côte d’ivoire se situe entre 21,1% et
22,3% du PIB, et qu’à ce taux, le taux de croissance se situerait autour
de 6,2%. S’agissant de l’inflation, Khan et Senhadji (2000) ont trouvé
qu’elle a un effet négatif sur la croissance économique au-delà
d’un certain seuil qui est de 1% pour les pays industrialisés et de 11%
pour les pays en développement, alors qu’en deçà l’effet est positif.
Quant à la question de l’ouverture, Friedrich List (1840) défend l’idée
qu’un commerce entre nations ne peut entrainer un enrichissement
mutuel que si les pays sont de puissance économique comparable.
Sa « théorie des industries naissantes » a donc pour objet de protéger
provisoirement celles-ci de la concurrence par une barrière douanière,
pour éviter leur disparition. Mais, une fois réalisée l’industrialisation de
ces secteurs, le protectionnisme peut être levé et faire place au libre-
échange. Ainsi, pour les pays en développement dont le Bénin, il se
pose la question suivante  : quel est le niveau d’ouverture optimal
devant leur permettre à la fois de développer leurs industries locales
et de bénéficier des échanges mondiaux de façon à accélérer leur
croissance ?

Depuis 1999, le Pacte de Convergence, de Stabilité, de Croissance

et de Solidarité (PSCS), signé par les Etats de la zone UEMOA en

109
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

vue de renforcer la convergence de leurs économies, la stabilité

macroéconomique, l’accélération de la croissance économique et
d’approfondir la solidarité, a prévu entre autres les objectifs de taux
d’inflation inférieur à 3%, un taux de pression fiscale excédent 17% et
le plafond du ratio de l’encours de la dette à 70% du PIB nominal. Ces
objectifs sont-ils optimaux pour le Bénin ? Quels sont les taux d’inflation,
de pression fiscale, d’ouverture, de dette et de dépenses publiques
qui maximiseraient la croissance économique au Bénin ?

Les nombreuses études dans la littérature qui ont tenté de faire des
modèles à changements de régimes se sont souvent contentées
de considérer au plus deux variables à seuil, limitant ainsi le nombre
maximum de régimes à 4 (J. Fouquau, 2008), simplifiant donc ainsi
la réalité économique. L’introduction d’autres variables à seuil ne
va-t-elle pas modifier considérablement les résultats des études déjà
faites ?

Dans le présent article, nous nous proposons de travailler sur l’ensemble

des cinq variables à seuil précédemment mentionnées à partir d’un
modèle de régression quadratique et d’un modèle à changement
de régimes stochastiques pour tester la non-linéarité, mais en tenant
compte dans ce deuxième modèle des variables à seuil dont les
données passées indiquent la présence de leurs régimes. Ainsi, nous
nous sommes fixés comme objectifs de déterminer, dans un premier
temps à partir d’un modèle quadratique, les seuils associés à chaque
variable à seuil ainsi que le taux de croissance maximal correspondant,
puis dans un deuxième temps, de modéliser la relation entre le taux
de croissance économique et les cinq variables à seuil ainsi que le
taux d’investissement.

110
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

1. METHODOLOGIE
Nous avons opté pour une démarche consistant à déterminer d’abord
le niveau optimal de chaque variable à seuil à travers la méthode qui
consiste à régresser le taux de croissance économique sur l’ensemble
des variables explicatives ainsi que sur les carrés des variables à seuil
(modèle quadratique). Cette méthode obéit au principe de la courbe
de Laffer et permet de modéliser une relation en U ou en U inversé
selon le cas entre chaque variable à seuil et la variable dépendante.
L’estimation du modèle à équation à forme quadratique montre s’il
existe un effet de retournement de chaque variable sur la croissance
économique. Ainsi, au niveau de ce modèle, le coefficient de la
variable et celui de son carré doivent être de signe contraire avant
qu’on ne puisse parler de retournement ou d’existence d’un seuil
(A. WADE, 2014). Ces seuils, s’ils existent, sont obtenus en dérivant le
taux de croissance par rapport à chaque variable à seuil (K. Yaya,
2008). Une fois les seuils connus, nous avons procédé à l’examen
des données sur la période d’étude afin d’identifier les régimes de
chacune de ces variables qui sont déjà observées au Bénin afin de
déterminer la relation qui existe entre la croissance économique et
les explicatives sous ces régimes. Le deuxième modèle ainsi obtenu
est un modèle à seuil stochastique à changement de régime lisse,
car le changement de régime n’est pas brutal et ne se fait pas à une
date déterministe, mais se fait progressivement à travers une fonction
de transition continue et bornée obtenue à partir d’une variable de
transition.

1.1 Modèle de régression quadratique

et détermination des seuils des variables
Afin d’avoir une estimation des seuils, nous utilisons la méthode
consistant à régresser le taux de croissance économique sur l’ensemble
des variables explicatives ainsi que sur les carrés des variables à seuil.
Cette technique permet non seulement de s’assurer que les variables
spécifiées sont effectivement à seuil, mais aussi d’estimer ce seuil.

111
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Ainsi, à partir des données sur le taux réel de croissance économique

au prix de 1985 (TCR_PIB_1985), le taux d’investissement (TI), le taux
d’inflation (TINFL), le taux d’ouverture (TO), le taux de pression fiscale
(TPF), le ratio de la dépense publique dans le PIB (DP_PIB) et le ratio de
l’encours de la dette dans le PIB (DET_PIB), couvrant la période 1980-
2014, nous avons à estimer l’équation suivante :

TCR= α1*TI + α2*TINFL + α3*TINFL^2 + α4*TO +α5*TO^2 +α6*TPF + α7*TPF^2

+ α8*DP__PIB + α9*DP__PIB^2 + α10*DET__PIB - α11*DET__PIB^2 + α0.
Les signes attendus des coefficients de chaque variable, aussi bien en
niveau que leur carré, ainsi que les expressions des valeurs des seuils
sont donnés dans le tableau 1 ci-dessous:

Tableau 1 : Signes attendus des coefficients et expression de valeur seuil

Signe du Expression
Signe du
coefficient du seuil en
Variables coefficient de
du carré de fonction des
la variable
la variable coefficients
Taux d’investissement
+ (rien) (rien)
(TI)
TINFLOP= - α2/2
Tauxd’inflation (TINFL) + -
α3
Taux de pression
+ - TPFOP= - α26/2 α7
fiscale (TPF)
Tauxd’ouverture (TO) + - TOOP= - α4/2 α5
Dépenses publiques DP_PIBOP= - α8/2
+ -
en % du PIB (DP_PIB) α9
Tauxd’endettement DET_PIBOP=-
+ -
(DET_PIB) α10/2 α11
Source : Auteur

Afin d’éviter le problème des régressions fallacieuses, nous avons

procédé aux tests de stationnarité dont les résultats sont résumés dans
le tableau ci-dessous:

112
 Tableau 2 : Résumé des tests de stationnarité des variables

Stationnarité en différence ou après

Stationnarité en niveau retrait de la tendance Action à effectuer
Ordre pour rendre
Variables
Significati- Significati- d’intégration stationnaire la
Probabi- variable
Probabilité vité de la Conclusion vité de la Conclusion
lité
tendance tendance

TCR 0,4752 Non Non stationnaire 0,0000 Non Stationnaire I(1) Différencier

Stationnaire I(0) avec Enlever la

TI 0,0013 Oui 0,0013 Non Stationnaire
avec tendance tendance tendance

TINFL 0,0102 Non Stationnaire - - - I(0) Rien

TINFL2 0,0014 Non Stationnaire - - - I(0) Rien

TPF 0,8706 Non Non stationnaire 0,0027 Non Stationnaire I(1) Différentier

TPF2 0,4288 Oui Non stationnaire 0,0023 Non Stationnaire I(1) Différentier

Stationnaire I(0) avec Enlever la

TO 0,0147 Oui 0,0147 Non Stationnaire
avec tendance tendance tendance

113
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique
 Stationnaire I(0) avec Enlever la
TO2 0,0096 Oui 0,0096 Non Stationnaire
avec tendance tendance tendance

114
DET_PIB 0,7092 Non Non stationnaire 0,0151 Non Stationnaire I(1) Différentier

DET_PIB2 0,5996 Non Non stationnaire 0,0239 Non Stationnaire I(1) Différentier

DP_PIB 0,0245 Non Stationnaire - - - I(0) Rien

DP_PIB2 0,0427 Non Stationnaire - - - I(0) Rien

Source : Auteur

114
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Ces tests révèlent que le taux d’inflation ainsi que son carré et le taux
de dépenses publiques et son carré sont stationnaires en niveau tandis
que le taux d’investissement et le taux d’ouverture et son carré sont
stationnaires en niveau avec tendance. Quant au taux de croissance,
au taux de pression fiscale et son carré, et au taux d’endettement et
son carré, ils sont intégrés d’ordre 1. Pour la modélisation, toutes les
variables intégrées sont différenciés afin de les rendre stationnaires,
et la tendance enlevée pour rendre stationnaires celles qui en
possèdent.

Etant donné que la présence de valeurs extrêmes ou aberrantes

crée souvent des biais dans les estimations, nous avons procédé à la
vérification de leur existence par la réalisation des boîtes à moustaches
comme indiqué par le graphique ci-dessous :

Graphique 1 : Boîtes à moustaches des variables

Source : Auteur

L’analyse des boîtes révèle la présence de points extrêmes dans les

données, indiqués par les points hors de la zone de confiance de
chaque boîte à moustaches. Pour cela, il convient de corriger après
estimation leur influence à travers le test d’influence statistique qui
permet de générer une variable chocs représentant les chocs dont a

115
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

été victime l’économie béninoise, laquelle variable introduite dans le

modèle permet de corriger ces influences.

Après estimation de la relation entre les explicatives rendues

stationnaires et le taux de croissance économique et après réalisation
des tests de stabilité de Cusum, seul le test de stabilité de cusum carré
indique que le modèle est ponctuellement instable comme l’indique
la courbe du Cusum carré dans le graphique ci-dessous :

Graphique 2 : Test de Cusum carré du modèle quadratique initial

Source : Auteur

Afin de corriger cette instabilité nous avons introduit après plusieurs

ajustements dans le modèle une variable indicatrice «  DUM  »qui
prend la valeur 1 de 1998 à 2003. Le cusum et le cusum carré de la
nouvelle estimation montrent que le modèle est structurellement et
ponctuellement stable comme le montrent les courbes ci-dessous :

116
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Graphique 3 : Tests de Cusum du modèle quadratique après

introduction de « DUM »

Source : Auteur

Les résultats de l’estimation avec la variable indicatrice sont les

suivants :

117
 Tableau 3 : Résultats de l’estimation du modèle quadratique après introduction de la variable « DUM »

118
Variable Dépendante: DTCR

Méthode: Moindres Carrés

Période ajustée: 1981 2014

Nombre d’observations après ajustement: 34

Variable Coefficient Ecart-type t-Statistique Probabilité  

DTI 0,210652 0,257755 0,817258 0,4225

TINFL 0,077260 0,102645 0,752686 0,4596

TINFL2 -0,005488 0,004619 -1,188224 0,2474

DTPF 0,868936 2,556946 0,339834 0,7372

DTPF2 -0,009784 0,085742 -0,114109 0,9102

DTO 0,050310 0,355592 0,141482 0,8888

DTO2 -0,000767 0,004271 -0,179524 0,8592

DP__PIB 0,080232 0,081353 0,986228 0,3347

DP__PIB2 -0,003209 0,003300 -0,972657 0,3413

DDET 0,056882 0,093458 0,608639 0,5490

Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
 DDET2 -0,000378 0,001751 -0,215957 0,8310

DUM -1,192616 0,822658 -1,449711 0,1612

R^2 0,340786     Moyenne de la dépendante 0,167941

R^2 Ajusté 0,011180     Ecart-type de la dépendante 1,501245

Ecart-type de la régression 1,492830     AIC 3,909788

Somme des carrés des résidus 49,02789     SIC 4,448504

Log vraisemblance -54,46640     HQ 4,093506

Statistique de Durbin-Watson 2,864232

Source : Auteur

119
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Ce résultat montre qu’aucun coefficient n’est significatif ce qui

pourrait être dû à l’influence statistique des valeurs aberrantes dont
les boîtes à moustaches indiquaient la présence. Le nuage des points
après la régression l’illustre d’ailleurs très bien :

Graphique 4 : Nuage des points de la régression

Source : Auteur

Ce nuage montre que certains points isolés (les points aberrants)

attirent la droite d’ajustement vers eux. Cela, affecte négativement
la qualité de chaque droite d’ajustement du nuage. La correction
de ces biais par l’introduction de la variable «  CHOCS  » issue du
test d’influence statistique permet d’améliorer la significativité des
coefficients comme le montre le tableau suivant :

120
 Tableau 4 : Résultats de l’estimation du modèle quadratique après introduction de la variable Chocs en plus de la variable « DUM »

Variable Dépendante: DTCR

Méthode: Moindres Carrés
Période ajustée: 1981 2014
Nombre d’observations après ajustement: 34
Variable Coefficient Ecart-type t-Statistique Probabilité  
DTI 0,256490 0,070097 3,659087 0,0015
TINFL 0,041468 0,027976 1,482271 0,1531
TINFL2 -0,002359 0,001269 -1,858870 0,0771
DTPF -2,769331 0,728414 -3,801866 0,0010
DTPF2 0,077007 0,023876 3,225246 0,0041

DTO -0,889566 0,111924 -7,947924 0,0000

DTO2 0,011681 0,001381 8,459731 0,0000

DP__PIB 0,088468 0,022112 4,000825 0,0006

DP__PIB2 -0,002962 0,000897 -3,303386 0,0034
DDET -0,012910 0,025740 -0,501547 0,6212

DDET2 -9,17E-05 0,000476 -0,192707 0,8490

CHOCS -1,126085 0,067669 -16,64114 0,0000

121
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique
 DUM 0,177907 0,238238 0,746759 0,4635

122
R2 0,953534     Moyenne de la dépendante 0,167941

R2 Ajusté 0,926982     Ecart-type de la dépendante 1,501245

Ecart-type de la régression 0,405664     AIC 1,316284

Somme des carrés des résidus 3,455826     SIC 1,899892

Log vraisemblance -9,376828     HQ 1,515311

Statistique de Durbin-Watson 2,530418

Source : Auteur
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Avec l’introduction de la variable «  chocs  » qui permet de corriger

les biais liés aux valeurs aberrantes plusieurs variables sont devenues
significatives à 5%, seul le taux d’inflation et son carré de même que le
taux d’endettement et son carré ne sont pas significatifs. Cependant,
le taux d’inflation est significatif à 10%. Aussi le R2 ajusté s’est-il
considérablement amélioré en passant de 0,01 pour l’estimation
précédente à 0,93. Donc la correction des biais causés par la
présence des valeurs aberrantes a permis d’expliquer en plus 92% de
l’information contenue dans les données.
Avant la validation de ce modèle, il a fallu procéder d’abord à la
vérification des hypothèses standards des MCO sur les résidus, ce qui
a permis de s’apercevoir qu’ils sont autocorrélés comme le montre si
bien le corrélogramme ci-dessous :

Graphique : Corrélogramme

Source : Auteur

La correction de cette autocorrélation a été possible grâce à

l’introduction du processus MA(1) et les résultats des tests d’hypothèses
des résidus de la nouvelle estimation sont les suivants :

123
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Source : Auteur

Les résultats de ces tests montrent que les résidus sont non autocorrélés,
normaux et homoscédastiques car leurs probabilités sont toutes
supérieures à 5% et valent respectivement 0,34, 0,21 et 0,29. Les
résultats de cette dernière estimation quadratique peuvent donc être
validés. L’équation estimée se présente donc comme suit :

124
 Tableau 5 : Résultats des tests d’autocorélation, de normalité et d’hétéroscédasticité

Variable Dépendante : DTCR

Méthode: Moindres Carrés
Période ajustée: 1981 2014
Nombre d’observations après ajustement: 34. Convergence obtenue après 12 itérations

Variable Coefficient Ecart-type t-Statistique Probabilité

DTI 0,281771 0,061855 4,555374 0,0002

TINFL 0,060950 0,015753 3,869123 0,0010

TINFL2 -0,003164 0,000808 -3,915825 0,0009

DTPF -2,515670 0,573632 -4,385508 0,0003

DTPF2 0,065254 0,018655 3,497991 0,0023

DTO -0,943168 0,061431 -15,35328 0,0000

DTO2 0,012358 0,000776 15,92732 0,0000

DP__PIB 0,071898 0,012823 5,606808 0,0000

DP__PIB2 -0,002235 0,000536 -4,172924 0,0005

DDET -0,045454 0,022588 -2,012320 0,0578

125
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique
 DDET2 0,000372 0,000387 0,961168 0,3479

126
CHOCS -1,197568 0,062743 -19,08695 0,0000

DUM 0,314162 0,118772 2,645091 0,0155

MA(1) -0,976353 0,022357 -43,67166 0,0000

R2 0,981967     Moyenne de la dépendante 0,167941

R2 Ajusté 0,970245     Ecart-type de la dépendante 1,501245

Ecart-type de la régression 0,258959     AIC 0,428604

Somme des carrés des résidus 1,341191     SIC 1,057105
Log vraisemblance 6,713736     HQ 0,642941

Statistique de Durbin-Watson 1,902605

Source : Auteur
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

En dehors du taux d’endettement qui est significatif à 10%, de son

carré qui n’est pas significatif et de la variable indicatrice « DUM » qui
est significative à 5%, toutes les autres variables sont significatives à
1%. Le taux d’information, contenue dans les données, expliqué par
le modèle est de 97,02%. Le taux d’inflation et le taux de dépenses
publiques affectent positivement la croissance économique, mais
l’effet devient négatif au-delà d’un certain seuil comme l’indique
le coefficient négatif des carrés de ces taux. Tandis que le taux de
pression fiscale et le taux d’ouverture n’agissent positivement sur la
croissance économique qu’au-delà d’un certain seuil, comme le
montre leurs coefficients négatifs et ceux positifs de leurs carrés. Les
seuils des variables ainsi que les nombres d’observations en deçà et
au-dessus de ces seuils sont donnés dans le tableau ci-dessous.

127
 Tableau 5 : Seuils des variables et nombre d’observations

128
Effet au- Nombre d’observa- Nombre d’observa-
Seuil des Significativité Effet en des- Total des ob-
Libellé de la variable dessus du tions inférieures au tions supérieures au
variables du seuil sous du seuil servations
seuil seuil (Régime 1) seuil (Régime 2)

Taux d’Inflation (TINFL) 9,63 significatif + - 30 5 35

Taux de Pression Fiscale

19,28 significatif - + 35 0 35
(DTPF)

Taux d’Ouverture (DTO) 38,16 significatif - + 11 24 35

Taux d’endettement non

61,09 - + 32 3 35
(DDET) significatif

Taux des Dépenses

16,08 significatif + - 1 34 35
Publiques(DP__PIB)

Source : Auteur
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Les taux d’inflation et de dépense publique qui maximisent le taux

de croissance économique sont respectivement de 9,63% et 16,08%
tandis que les taux de pression fiscale et d’ouverture qui minimisent la
croissance économique sont de 19,28% et 38,18%. Sur la période 1980-
2014, le Bénin s’est retrouvé dans 85,71% (en effet, 30*100/35=85,71)
et 2,86% des cas respectivement pour le taux d’inflation et le taux
de dépense publique en situation où ces deux variables affectent
positivement la croissance économique alors que pour le taux de
pression fiscale et le taux d’ouverture, il s’est retrouvé respectivement
dans 0% et 68,57% des cas.

Au regard du nombre d’observations dans les régimes de chaque

variable, on s’aperçoit que seule la variable «  taux d’ouverture  »
remplit pour chaque régime la condition selon laquelle le nombre
d’observations doit être au moins égal au nombre de variables
explicatives (y compris la constante s’il y en a) qui vaut ici 8 (y compris
les variables « CHOCS » et « DUM »). Donc, au regard des seuils trouvés
et des données sur la période, il n’est possible d’estimer la relation
entre le taux de croissance économique et le taux d’inflation, le
taux de pression fiscale, le taux d’ouverture, le taux de dépenses
publiques et le taux d’endettement que selon les deux régimes du
taux d’ouverture. Notons cependant que le nombre d’observations au
niveau du régime 1 pour le taux d’ouverture est faible (11 observations
soit moins du tiers des 35 observations) comparativement au nombre
théorique minimal d’observations que nécessite une estimation (30
observations) pour une meilleure qualité des estimateurs. En pratique,
il est possible que le nombre d’observations soit inférieur à 30 d’au
plus 6 observations (Perraudin C., 2004); ce que respecte le nombre
d’observations au niveau du régime 2 pour le taux d’ouverture (24
observations). Si l’on devait s’en tenir à cette deuxième contrainte
l’on pourrait se limiter à ce deuxième régime uniquement mais, étant
donné qu’il existe des méthodes comme celle du Bootstrap qui
permettent d’améliorer la précision des estimateurs, il serait mieux de

129
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

faire recours à ces méthodes dans le cas d’un modèle de type TAR.
Que disent alors les indices synthétiques de l’Analyse en Composante
Principale (ACP) quant à la possibilité de se limiter à deux régimes ?

Ce que disent les indices synthétiques de l’Analyse Composante

Principale (ACP) sur le nombre de régimes :

Dans le cadre des modèles à changement de régimes stochastiques,

la date n’est plus connue à l’avance mais est déterminée à l’aide
d’une variable de transition. Beaudry & Koop (1993) ont utilisé ces
modèles pour décrire la dynamique du taux de croissance du PIB.
On distingue dans la classe des modèles à changements de régimes
stochastiques les modèles à changement de régimes markovien
(variable de transition inobservable) et les modèles à seuil. Nous nous
intéressons ici à cette deuxième catégorie de modèles. Dans les
modèles à seuils, le mécanisme de transition s’effectue à l’aide d’une
variable de transition observable, d’un seuil et d’une fonction de
transition. La fonction de transition peut être une indicatrice (Modèles
TAR : Treshold Autoregressive), associée à la variable expliquée ou à
une variable exogène ou encore à une combinaison de variables,
ou bien une fonction continue et bornée entre 0 et 1 (Modèles STAR :
Smooth Transition Autoregressive).

Avec la fonction indicatrice, la transition entre les régimes est brutale,

la distance au seuil n’affecte pas le passage d’un régime à l’autre
car seul influe le fait d’être au-dessus ou en dessous du seuil, et le
modèle ne peut inclure qu’un nombre limité de régimes étant
donné que chaque régime doit contenir un minimum de points pour
pouvoir être estimé tandis qu’avec la fonction continue et bornée la
transition est lisse et l’appartenance à un régime dépend aussi de la
distance entre le seuil et la variable de transition (Fouquau J., 2008).
Les modèles à seuil à transition lisse STAR ont été proposés initialement
par Chan et Tong (1987) et Luukkonen et al. (1988), afin de répondre
aux critiques concernant la brutalité de la transition entre les régimes

130
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

dans les modèles TAR. Nous adoptons donc dans la suite de cet article
une modélisation de type STAR avec pour variable de transition le
taux d’ouverture (TO). Cependant, nous jugeons utile de confronter
les résultats de cette estimation à ceux obtenus avec une variable de
transition combinaison linéaire des cinq variables à seuil de l’étude.
Un moyen de construire cette combinaison linéaire est l’Analyse en
Composante Principale (ACP).

L’objectif d’une telle méthode est de construire un indicateur qui

décrit, en une variable unique, la composante commune de ces
variables dont les mouvements sont très corrélés. L’intérêt de cette
méthode réside dans le fait qu’elle permet d’obtenir une combinaison
qui reflète effectivement la variabilité des données. Etant donné que
les variables utilisées dans l’ACP ne présentent pas une hétérogénéité
des unités de mesure, il est préférable de faire une ACP non normée
(Baccini, 2010).

La réalisation de l’Analyse en Composante Principale nous a permis

d’avoir les 5 indices associés à chacun des 5 axes factoriels. La
détermination des seuils de ces indices est faite à partir des seuils
des cinq variables à seuil et des coefficients de liaison linéaire entre
chaque variable et chaque facteur. Le tableau ci-dessous donne les
seuils des cinq indices ainsi que le nombre de régimes que chacun
d’eux révèle.

131
 Tableau 7 : Les indices synthétiques, leurs seuils et les nombres d’observations de part et d’autre des seuils

132
Coefficients de liaison linéaire des variables
Libellé de la avec les axes Seuil des Seuil Seuil Seuil Seuil Seuil
variable variables IS1 IS2 IS3 IS4 IS5
Axe 1 Axe 2 Axe 3 Axe 4 Axe 5

TINFL 0,27 0,94 -0,05 0,17 -0,01 9,63

DTPF 0,00 0,00 -0,27 0,04 1,00 19,28

DTO 0,09 -0,14 -0,94 0,29 -0,04 38,16 63,15 -8,72 -44,78 -10,07 19,07

DDET 0,96 -0,25 0,04 -0,14 0,01 61,09

DP__PIB -0,07 0,17 -0,36 -0,93 0,03 16,08

Nombre d’observations inférieures au seuil 35 0 0 35 35

Nombre d’observations supérieures au seuil 0 35 35 0 0

Nombre de Régimes 1 1 1 1 1

Source : Auteur
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

L’ACP que nous avons réalisée aboutit globalement à la conclusion

qu’il n’y a qu’un seul régime dans les données quel que soit le facteur
utilisé comme indice synthétique. En effet, nous voyons très bien à partir
du tableau que, quel que soit l’indice considéré, les observations sont
soit toutes inférieures soit toutes supérieures au seuil. Néanmoins, avec
les modèles STAR, la modélisation est possible même quand le seuil est
en dehors des valeurs de la variable de transition, car c’est la distance
de cette variable au seuil qui est prise en compte dans la modélisation
(J. Fouquau, 2008). L’inertie totale des données dans l’ACP réalisée
est de 200,8569, correspondant à une inertie moyenne par axe de
40,1714 et les deux premiers axes factoriels captent respectivement
53,09% (soit 106,6260 supérieur à la moyenne) et 21,44% (soit 43,0618
supérieur à la moyenne) de cette inertie. Seuls ces deux axes ont une
inertie plus que moyenne, les autres axes devant être alors considérés
comme captant des fluctuations aléatoires. Ainsi, le premier plan
factoriel explique 74,53% de l’information contenue dans les données
et sera celui retenu pour la suite de la modélisation.

1.2 Modèle à effet de seuil avec pour variable

de transition lisse le taux d’ouverture
Le modèle à estimer est le suivant :

DTCR = C(0) + C(1)*DTI + C(2)*TINFL + C(3)*DTO + C(4)*DTPF + C(5)*DP__PIB

+ C(6)*DDET + [C(7) + C(8)*DTI + C(9)*TINFL + C(10)*DTO + C(11)*DTPF +
C(12)*DP__PIB + C(13)*DDET]*G(TO,γ,c)

G(TO,γ,c) désigne la fonction de transition associée au taux

d’ouverture, à un paramètre de seuil c et à un paramètre de lissage
γ. G(.) est continue et bornée par 0 et 1. Cette fonction de transition
permet à la dynamique d’une série de transiter progressivement d’un
régime à l’autre, ce qui permet d’interpréter ce modèle de deux
manières distinctes : premièrement comme un modèle impliquant
l’existence de deux régimes extrêmes distincts entre lesquels le système

133
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

transite de façon progressive et en second lieu, comme possédant un

continuum de régimes différents. G(.) peut être une fonction logistique
(Modèles LSTAR) ou exponentielle (Modèles ESTAR).

La modélisation LSTAR a été appliquée par Teräsvirta et Anderson (1992)

pour représenter les fluctuations cycliques du produit en distinguant
la dynamique des expansions et des récessions. Ce modèle est ainsi
capable d’engendrer des réalisations asymétriques. En revanche, la
modélisation ESTAR a été plutôt utilisée pour analyser la dynamique
des taux de change réels autour de la parité centrale dans une zone
cible, comme le proposent par exemple Taylor, Peel & Sarno. (2001)
et Bessec (2002).
Notre travail s’inscrivant dans le cadre de l’analyse des fluctuations
du PIB, nous adoptons donc le modèle LSTAR où l’expression de G(.)
est donnée par : .

(1)

Le paramètre de lissage γ détermine la vitesse de transition entre les

deux régimes extrêmes, représentés respectivement par les coefficients
C(0) à C(6) pour le premier régime et C(7) à C(13) pour le second.
Plus le paramètre de lissage est grand, plus la transition est brutale. En
revanche, lorsque γ est nul, la fonction de transition devient constante,
et le modèle STAR se ramène à un modèle linéaire. Le graphique ci-
dessous donne la relation entre la fonction de transition et la variable
de transition (le taux d’ouverture dans notre cas) pour le seuil de 38,16
selon différentes valeur de γ.

134
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Graphique 6 : Fonctions de transition en fonction du taux d’ouverture

Source : Auteur

Nous voyons au niveau du graphique que la pente de la fonction

de transition augmente avec la valeur de γ, ce qui traduit le fait que
la transition est d’autant plus brutale que γ est grand. Pour la valeur
γ=30, on constate un passage de la fonction de transition de 0 à 1
de façon très brutale comme s’il s’agissait d’une fonction indicatrice
au point où on se retrouve quasiment dans le cas d’un modèle TAR,
alors que avec γ=0,25, on a une évolution beaucoup plus progressive.
Dans le cas où γ=0, la fonction G(.) vaut 0,5 et est constante comme
l’indique le graphique, et là, nous sommes en présence d’un simple
modèle linéaire.

Contrairement au modèle TAR, la dynamique d’une série n’est

pas uniquement décrite par l’un ou l’autre des régimes extrêmes
(lorsque γ ne tend ni vers zéro ni vers l’infini). Il peut même exister des
configurations où la variable de transition observable n’appartient
jamais à ces régimes. A tout instant du temps, le processus de la série
est donc défini à partir d’une combinaison des coefficients des deux
régimes extrêmes pondérés par la fonction de transition G(.).

135
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Modèle à effet de seuil avec pour variable de transition lisse les

deux premiers indices de l’ACP
Le modèle à estimer est le suivant :

DTCR = C(0) + C(1)*DTI + C(2)*TINFL + C(3)*DTO + C(4)*DTPF + C(5)*DP__PIB

+ C(6)*DDET + [C(7) + C(8)*DTI + C(9)*TINFL + C(10)*DTO + C(11)*DTPF +
C(12)*DP__PIB + C(13)*DDET]*G(IS,γ,c) (2)

Sauf qu’ici avec c1 et c2 les seuils

respectifs des indices 1 et 2 de l’ACP (IS1 et IS2) et détermine la
vitesse de transition d’un régime extrême à l’autre.

Graphique 6 : Fonctions de transition en fonction de IS1 et IS2

G en fonction de IS1 G en fonction de IS2

Source : Auteur

Ce graphique révèle qu’avec les indices de l’ACP, le modèle pour

la grande majorité des valeurs de γ est linéaire étant donné que G(.)
est quasi-constante pour ces valeurs, sauf pour γ=0,001 où on a une
fonction de transition G(.) qui n’est pas constante.

136
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

En définitive, nous aurons donc à modéliser différents modèles STAR

avec le taux d’ouverture comme variable de transition suivant des
valeurs de γ, le modèle STAR avec les indices de l’ACP pour variable
de transition avec γ=0,001 et le modèle linéaire avant de procéder au
choix du meilleur modèle parmi ceux-ci à partir du R2 et des critères
d’information AIC et BIC.

137
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

2. RESULTATS

2.1 Modèle STAR avec pour variable de

transition le taux d’ouverture
Les résultats des différentes estimations pour les valeurs de γ montrent
que la qualité du modèle s’améliore comme l’indique le R2 et les
critères d’information avec des valeurs plus grandes de γ comprises
entre 0 et 0,30. Le passage de γ=0,30 à γ=0,40 détériore la qualité du
modèle et cette détérioration va s’aggravant au fur et à mesure que
γ augmente au-delà de 0,40. C’est ce que retracent les résultats ci-
dessus.

138
 Tableau 8 : Résultats d’estimations

Dependent Variable: DTCR γ 0,10 Dependent Variable: DTCR γ 0,30

Method: Least Squares c 38,16 Method: Least Squares c 38,16
Sample (adjusted): 1981 2014 Sample (adjusted): 1981 2014
Included observations: 34 afteradjustments Included observations: 34 afteradjustments
Variable Coefficient Std. Error t-Statistic Prob.   Variable Coefficient Std. Error t-Statistic Prob.  
C(1) 0.261775 1.024937 0.255406 0.8010 C(1) 0.141703 0.638563 0.221909 0.8266
C(2) 0.053037 0.254611 0.208307 0.8371 C(2) 0.000347 0.135188 0.002567 0.9980
C(3) -7.935040 4.627471 -1.714768 0.1018 C(3) -4.515598 2.674353 -1.688482 0.1069
C(4) 0.024746 0.322708 0.076684 0.9396 C(4) -0.178392 0.250654 -0.711708 0.4849
C(5) -0.201690 0.092736 -2.174875 0.0418 C(5) -0.097193 0.045843 -2.120128 0.0467
C(6) 0.107349 0.553649 0.193893 0.8482 C(6) 0.055257 0.272071 0.203097 0.8411
C(0) 1.470358 13.35209 0.110122 0.9134 C(0) -0.273383 7.104657 -0.038479 0.9697
C(8) -0.492878 1.645922 -0.299454 0.7677 C(8) -0.180130 0.863883 -0.208511 0.8369
C(9) -0.256520 0.445395 -0.575938 0.5711 C(9) -0.143736 0.188041 -0.764387 0.4536
C(10) 13.47293 7.410864 1.817997 0.0841 C(10) 6.478718 3.399909 1.905557 0.0712
C(11) -0.171306 0.548860 -0.312113 0.7582 C(11) 0.096662 0.296800 0.325680 0.7480
C(12) 0.362799 0.170721 2.125103 0.0462 C(12) 0.149689 0.071404 2.096364 0.0490
C(13) -0.303272 1.112843 -0.272520 0.7880 C(13) -0.140783 0.487105 -0.289019 0.7755
C(7) 0.549161 26.59043 0.020653 0.9837 C(7) 2.096213 12.09238 0.173350 0.8641
R2 0.350793     AIC 4.012139 R2 0.383619     AIC 3.960253
R2 Ajusté -0.071191     SC 4.640640 R2 Ajusté -0.017029     SC 4.588754
F-statistic 0.831295     HQ. 4.226476 F-statistic 0.957497     HQ. 4.174590
Prob(F-statistic) 0.626507     Durbin-Watson 3.022123 Prob(F-statistic) 0.519469     Durbin-Watson 2.939799

139
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique
 Dependent Variable: DTCR γ 0,40 Dependent Variable: DTCR γ 1,00

140
Method: Least Squares c 38,16 Method: Least Squares c 38,16
Sample (adjusted): 1981 2014 Sample (adjusted): 1981 2014
Included observations: 34 afteradjustments Included observations: 34 afteradjustments
Variable Coefficient Std. Error t-Statistic Prob.   Variable Coefficient Std. Error t-Statistic Prob.  
C(1) 0.230183 0.606346 0.379623 0.7082 C(1) 0.294530 0.655787 0.449125 0.6582
C(2) 0.006287 0.126967 0.049517 0.9610 C(2) 0.031561 0.129251 0.244187 0.8096
C(3) -4.121918 2.553313 -1.614341 0.1221 C(3) -2.018012 2.638303 -0.764890 0.4533
C(4) -0.233518 0.265481 -0.879604 0.3895 C(4) -0.121456 0.343548 -0.353534 0.7274
C(5) -0.086455 0.042124 -2.052384 0.0535 C(5) -0.052070 0.042690 -1.219720 0.2368
C(6) 0.030770 0.246913 0.124617 0.9021 C(6) -0.104176 0.233471 -0.446207 0.6602
C(0) -0.217964 6.632638 -0.032862 0.9741 C(0) 2.902340 6.698636 0.433273 0.6695
C(8) -0.258865 0.787664 -0.328649 0.7458 C(8) -0.338284 0.751021 -0.450432 0.6572
C(9) -0.141520 0.164456 -0.860537 0.3997 C(9) -0.134844 0.145084 -0.929421 0.3638
C(10) 5.759759 3.099279 1.858419 0.0779 C(10) 2.880678 2.995033 0.961818 0.3476
C(11) 0.165895 0.292423 0.567311 0.5768 C(11) 0.159252 0.340544 0.467640 0.6451
C(12) 0.126153 0.062002 2.034658 0.0554 C(12) 0.077339 0.053749 1.438897 0.1656
C(13) -0.076816 0.421316 -0.182325 0.8572 C(13) 0.173850 0.344148 0.505161 0.6190
C(7) 1.333680 10.61476 0.125644 0.9013 C(7) -4.764064 9.080519 -0.524647 0.6056
R2 0.378946     AIC 3.967806 2
R 0.247307     AIC 4.160046
R2 Ajusté -0.024740     SC 4.596308 R2 Ajusté -0.241944     SC 4.788547
F-statistic 0.938715     HQ. 4.182143
F-statistic 0.505480     HQ. 4.374383
Prob(F-statistic) 0.534818     Durbin-Watson 2.919470
Prob(F-statistic) 0.895336     Durbin-Watson 2.941306

Source : Auteur
Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

De l’analyse de ces résultats, il ressort que la valeur de γ qui permet

d’avoir une meilleure qualité du modèle est comprise entre 0,30 et
0,40. Par la méthode de rapprochement, nous avons déterminé cette
valeur de γ à 10-4 près qui est γopt=0,3215 et le résultat de l’estimation
est le suivant :

Tableau 9 : Modèle STAR optimal

Dependent Variable: DTCR γOPT 0,3215

Method: Least Squares C 38,16
Sample (adjusted): 1981 2014
Included observations: 34 afteradjustments
Variable Coefficient Std. Error t-Statistic Prob.  
C(1) 0.159896 0.628167 0.254543 0.8017
C(2) 0.001129 0.132587 0.008516 0.9933
C(3) -4.415919 2.634126 -1.676426 0.1092
C(4) -0.192502 0.253201 -0.760273 0.4560
C(5) -0.094249 0.044705 -2.108235 0.0478
C(6) 0.049969 0.264727 0.188755 0.8522
C(0) -0.282736 6.959192 -0.040628 0.9680
C(8) -0.195402 0.841784 -0.232128 0.8188
C(9) -0.142682 0.181214 -0.787366 0.4403
C(10) 6.286800 3.307593 1.900718 0.0718
C(11) 0.114090 0.294145 0.387870 0.7022
C(12) 0.143305 0.068708 2.085701 0.0500
C(13) -0.126349 0.468674 -0.269589 0.7902
C(7) 1.956392 11.67375 0.167589 0.8686
R2
0.383994     AIC 3.959644
R Ajusté
2
-0.016410     SC 4.588146
F-statistic 0.959017     HQ. 4.173981
Prob(F-statistic) 0.518238     Durbin-Watson 2.933248
Source : Auteur

141
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Tableau 10 : Modèle linéaire :

Dependent Variable: DTCR γ 0,00

Method: Least Squares c 38,16

Sample (adjusted): 1981 2014
Included observations: 34 afteradjustments

Variable Coefficient Std. Error t-Statistic Prob.  

C(1) 0.052891 0.211078 0.250575 0.8040
C(2) -0.053812 0.044473 -1.209995 0.2368
C(3) 0.557430 0.579512 0.961896 0.3446
C(4) -0.001164 0.054373 -0.021400 0.9831
C(5) -0.003387 0.018675 -0.181385 0.8574
C(6) -0.023582 0.111249 -0.211978 0.8337
C(0) 0.816698 2.786057 0.293137 0.7717
R2 0.112959     AIC 3.912514
R2 Ajusté -0.084161     SC 4.226764
F-statistic 0.573049     HQ. 4.019682
Prob(F-statistic) 0.748201     Durbin-Watson 3.062020

Source : Auteur

On s’aperçoit bien que le modèle STAR optimal est meilleur au modèle

linéaire car il a le R2 le plus élevé et les critères d’information (AIC, SC,
HQ) les plus bas. De plus aucune variable n’est significative avec le
modèle linéaire alors que le modèle STAR optimal rend significatives
certaines variables.

142
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Tableau 11 : Modèle quasiment TAR

Dependent Variable: DTCR γ 30,00

Method: Least Squares c 38,16
Sample (adjusted): 1981 2014

Included observations: 34 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.  
C(1) -0.057142 0.651024 -0.087773 0.9309
C(2) 0.013575 0.126260 0.107516 0.9155
C(3) -0.001792 2.000321 -0.000896 0.9993

C(4) 0.165325 0.327048 0.505507 0.6187

C(5) -0.015774 0.045778 -0.344580 0.7340
C(6) -0.180289 0.217714 -0.828101 0.4174
C(0) 5.729948 6.235911 0.918863 0.3691
C(8) -0.089131 0.711619 -0.125251 0.9016
C(9) -0.112695 0.139379 -0.808546 0.4283
C(10) 0.471829 2.137376 0.220752 0.8275
C(11) -0.033938 0.342035 -0.099223 0.9219
C(12) 0.047721 0.055244 0.863814 0.3979
C(13) 0.294160 0.299430 0.982400 0.3376
C(7) -9.069918 8.086503 -1.121612 0.2753
R2 0.244952     AIC 4.163169
R2 Ajusté -0.245829     SC 4.791670
F-statistic 0.499107     HQ. 4.377506

Prob(F-statistic) 0.899458     Durbin-Watson 2.848750

Source : Auteur

Ici, nous voyons aussi que le modèle STAR optimal est meilleur au
modèle TAR car il a le R2 le plus élevé et les critères d’information (AIC,
SC, HQ) les plus bas. De plus, aucune variable n’est significative avec
le modèle TAR, alors que le modèle STAR optimal rend significatives
certaines variables.

143
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Tableau 12 : Modèle STAR avec pour variable de transition les deux
premiers indices de l’ACP

Comme précédemment mentionné, cette modélisation est faite pour

γ=0,001.

Dependent Variable: DTCR γ 0,001

Method: Least Squares C1 63,15
Sample (adjusted): 1981 2014 C2 -8,72

Included observations: 34 afteradjustments

Variable Coefficient Std. Error t-Statistic Prob.  

C(1) 1.455400 1.274965 1.141521 0.2671

C(2) 0.107724 0.277739 0.387859 0.7022

C(3) 3.934148 6.320497 0.622443 0.5407

C(4) -0.018629 0.322753 -0.057719 0.9545
C(5) -0.063762 0.105063 -0.606887 0.5508
C(6) 0.008630 0.719435 0.011995 0.9905

C(0) 1.099200 20.83654 0.052753 0.9585

C(8) -3.960157 3.889353 -1.018204 0.3207

C(9) -0.807001 1.380167 -0.584713 0.5653
C(10) -15.60734 24.08876 -0.647910 0.5244
C(11) 0.177321 1.094571 0.162001 0.8729
C(12) 0.123184 0.390646 0.315334 0.7558

C(13) -1.029706 2.715455 -0.379202 0.7085

C(7) 21.56395 76.75508 0.280945 0.7816

R2 0.445763     AIC 3.853981

R2 Ajusté 0.085508     SC 4.482482

F-statistic 1.237355     HQ. 4.068318

Prob(F-statistic) 0.324583     Durbin-Watson 2.487804

Source : Auteur

144
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Ce modèle (STAR2) a le R2 le plus élevé et les plus faibles critères

d’information par rapport au modèle STAR optimal (STAR1) obtenu
avec le taux d’ouverture comme variable de transition. Néanmoins
aucune variable n’est significative au niveau du STAR2 contrairement
au STAR1. Mais avant de se prononcer, nous allons procéder aux tests
d’hypothèses.

Tests d’hypothèses du modèle STAR1 (G(TO ;γ; c)= G(TO ; 0,3215 ;38,16))

Les tests révèlent que les résidus sont autocorrélés, homoscédastiques

et normaux. Il convient donc de corriger l’autocorrélation des erreurs
du modèle avant de le valider.
Cette autocorrélation pourrait être due à la présence de valeurs
aberrantes dans les données pour cela nous introduisons la variable
CHOCS précédemment déterminée dans le modèle.

Le nouveau modèle à estimer (STAR1 Amélioré) est donc le suivant :

145
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

DTCR = C(0) + C(1)*DTI + C(2)*TINFL + C(3)*DTO + C(4)*DTPF

+ C(5)*DP__PIB + C(6)*DDET + C(7)*CHOCS + [C(8) + C(9)*DTI +
C(10)*TINFL + C(11)*DTO + C(12)*DTPF + C(13)*DP__PIB + C(14)*DDET+
C(15)*CHOCS]*G(TO;0,3215;38,16)

Tableau 13 : Résultat d’estimation du modèle STAR1 Amélioré

Dependent Variable: DTCR γ 0,3215

Method: Least Squares C 38,16
Sample (adjusted): 1981 2014
Included observations: 34 after adjustments
Coefficient Valeur Ecart-type t-Statistic Prob.  
C(1) 0.218889 0.242606 0.902242 0.3788
C(2) 0.044395 0.060136 0.738243 0.4699
C(3) -0.211651 1.080357 -0.195909 0.8469
C(4) -0.227788 0.103103 -2.209332 0.0404
C(5) 0.016340 0.063664 0.256658 0.8004
C(6) 0.023930 0.104899 0.228119 0.8221
C(7) -1.052534 0.441583 -2.383544 0.0284
C(0) -1.904869 2.691364 -0.707771 0.4882
C(9) 0.398187 0.307791 1.293693 0.2121
C(10) -0.129602 0.077706 -1.667864 0.1126
C(11) 0.070038 1.392121 0.050310 0.9604
C(12) 0.355904 0.112209 3.171791 0.0053
C(13) -0.024515 0.087901 -0.278893 0.7835
C(14) -0.058294 0.172969 -0.337017 0.7400
C(15) 0.012315 0.553023 0.022269 0.9825
C(8) 3.339984 4.221203 0.791240 0.4391
R2 0.915776     AIC 2.0875
R2 Ajusté 0.845589     SC 2.8058
F-statistic 13.04769     HQ. 2.3325
Prob(F-statistic) 0.000001     Durbin-Watson 1.6421

Source : Auteur

146
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

L’introduction de la variable «  CHOCS  » a permis d’améliorer

considérablement la qualité du modèle et corriger le problème
d’autocorrélation des erreurs. Les résultats des tests d’hypothèses du
modèle le montrent d’ailleurs très bien.

Tests d’hypothèses du modèle STAR2 (G(IS ;γ; c1, c2)= G(IS ; 0,001 ;63,15 ;-8,72))

147
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Les tests révèlent que les résidus sont non autocorrélés, homoscédastiques
et normaux. Le modèle est donc valide.
Il revient donc à retenir le meilleur modèle entre le modèle«  STAR1
Amélioré » et le modèle STAR2. Le pouvoir explicatif du modèle « STAR1
Amélioré » (R2=91,58% ; R2 Ajusté=84,55%) est meilleur à celui du modèle
STAR2 (R2=44,58%  ; R2 Ajusté=8,55%) et tous les critères d’information
dudit modèle sont aussi inférieurs à ceux du modèle STAR2. Nous
retenons donc le modèle « STAR1 Amélioré » comme étant le meilleur
modèle.

2.2 Interprétation des résultats du modèle

« STAR1 Amélioré »
La relation entre le taux de croissance économique et le taux
d’investissement, le taux d’inflation, le taux de pression fiscale, le taux
d’ouverture, le taux d’endettement et le taux de dépense publique est
une relation non linéaire caractérisée actuellement par des régimes
associés à la variable de transition taux d’ouverture dont le seuil est
estimé à 38,16%. La transition entre les régimes existant en la matière
s’effectue avec une faible vitesse déterminée par γ=0,3215.

148
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Tableau 14 : Résultats du test de linéarité

Wald Test:
Test Statistic Value df Probability
F-statistic  5.648726 (8, 18)  0.0011
Chi-square  45.18981  8  0.0000
Null Hypothesis: C(8)=C(9)=C(10)=C(11)=C(12)=C(13)=C(14)=C(15)=0

Source : Auteur

Le modèle serait linéaire si les coefficients associés à la partie non linéaire

du modèle, c’est-à-dire C(8) à C(15), sont tous statistiquement nuls. Cette
hypothèse est rejetée par le test de linéarité de Wald, car les probabilités
des statistiques associées au test sont toutes inférieures à 5%.

Le modèle met en exergue deux régimes extrêmes : le premier (Régime

1) représenté par la combinaison des coefficients (C(0), C(1), C(2),
C(3), C(4), C(5), C(6), C(7)) et le second (Régime 2) par celle (C(8),
C(9), C(10), C(11), C(12), C(13), C(14), C(15)) et l’économie transite
souvent progressivement de l’un à l’autre selon la politique d’ouverture
qui est adoptée par l’Etat. Au niveau du premier régime seul le taux
d’ouverture et les chocs ont un effet significatif et négatif sur le taux
de croissance économique tandis qu’au niveau du deuxième régime,
c’est seulement le taux d’ouverture qui affecte significativement
et positivement la croissance. Le taux d’ouverture, pour un point
d’accroissement affecte la croissance réelle du PIB de -0,23 point et
de 0,36 point respectivement pour le premier et le deuxième régime,
soit en combinaison un effet de 0,13 point sur l’accroissement du
produit. Les chocs qui affectent l’économie béninoise contribuent à
réduire pour un point d’ampleur la croissance économique de 1,05
point. Quant au taux d’inflation, son effet, quand bien même non
significatif, passe de positif au niveau du régime 1 à négatif au niveau
du régime 2. Il en est de même pour le taux d’endettement et le taux
de dépense publique, tandis que l’effet est inversé pour le taux de
pression fiscale.

149
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

3. RECOMMANDATIONS
Depuis le dernier semestre de l’année 2013, le Bénin est entré dans
une phase de désinflation qui s’est par la suite accompagnée
par des déflations légères. L’analyse faite ici révèle que l’inflation
ne commencera à avoir des effets négatifs sur l’économie
béninoise qu’au-delà de 9,63%, taux largement supérieur au taux
de convergence de 3% de l’UEMOA. Il importe donc que des
politiques visant à ressortir de la légère déflation soit mise en place
afin d’impacter plus la croissance économique. Notons cependant
qu’en matière d’inflation, ce qui importe en politique économique,
c’est de pouvoir la stabiliser. Car c’est l’incapacité des agents à faire
de bonnes prévisions économiques du fait des fortes fluctuations
de l’inflation qui affecte les performances de ces agents et donc la
production. Ainsi, stabiliser l’inflation à un niveau compris entre 3% et
8% aurait un effet plus bénéfique sur l’économie béninoise. En ce qui
concerne les politiques commerciales et fiscales des dispositions de
nature à accroitre l’ouverture commerciale et les recettes fiscales
à travers l’application effective des réformes adoptées en matière
de formalisation de l’informel, permettront d’accroître la croissance
économique au Bénin. En effet, le taux d’ouverture et le taux de
pression fiscale n’ont un effet positif sur la croissance économique au
Bénin qu’au-delà de 38,16% et 19,28% respectivement. Ainsi, toutes les
politiques commerciales et fiscales orientées dans le sens d’avoir des
taux d’ouverture et de pression fiscale au-delà de ces seuils seraient
favorables pour la croissance économique du pays. Pour ce qui
est des dépenses publiques, il faut une bonne gouvernance et une
structuration plus efficace de celles-ci en matière de répartition des
ressources de fonctionnement et des ressources d’investissement.

150
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

conclusion

La croissance économique est un processus complexe dont la

maîtrise exige de prendre en compte plusieurs réalités économiques
parfois très difficiles à modéliser. Cette étude nous a permis, à partir
d’un modèle quadratique et d’un modèle STAR (Smooth Transition
AutoRegressive : Modèle à changement de régime à transition lisse),
de modéliser la relation entre le taux de croissance économique et
le taux d’investissement, le taux d’inflation, le taux de pression fiscale,
le taux d’ouverture, le taux d’endettement et le taux de dépenses
publiques, tout en évaluant l’effet des chocs que subit le Bénin sur
cette croissance. Les analyses faites révèlent entre autres que le taux
d’inflation impacte positivement la croissance économique du Bénin
en deçà de 9,63%, mais l’influence devient négative au-delà. Aussi,
nous renseigne-t-elle que l’ouverture du Bénin sur le reste du monde
ne lui est pas profitable en-deçà de 38,16% et le taux d’ouverture
commence à impacter positivement la croissance économique au-
dessus de ce seuil à raison de 0,35 point pour un point d’accroissement.
Ce travail indique aussi que le Bénin, en matière de pression fiscale, est
en dessous du taux de 19,68% à partir duquel l’effet favorable de ce
taux est garanti. Cette étude fixe aussi le taux maximal des dépenses
publiques à ne pas franchir à 16,08%. Afin de pouvoir tenir compte
des régimes liés à des variables non économiques, il serait intéressant
dans les études à venir de caractériser aussi l’économie béninoise en
régimes sociaux en tenant compte des variables telles que l’indice
synthétique de croissance inclusive qui prend en compte les aspects
sociaux que sont : la santé, la démographie, l’éducation, le genre, les
inégalités, etc.

151
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

bibliographie
A. Laffer (1981). «Government exactions and Revenue Deficiencies»,
Cato journal 1, n°1 (printemps) : p. 1-21.

Baccini, A. (2010). «Statistique Descriptive Multidimensionnelle»,

Publications de l’Institut de Mathématiques de Toulouse.

Barro R. J. (1989). «the ricardian Approach to Budget Deficits»,

Journal of political.

Beaudry, P. & Koop, G. (1993). «Do recessions permanently change

output ? », Journal of Monetary Economics 31(2), 149–163.

Bessec, M. (2002). «Taux de change réels de 1973 à 2000 : une mesure

non-linéaire des mésalignements», Cahier 56, MSE.

Chan, K. S. & Tong, H. (1987). «On estimating thresholds in autoregressive

models», Journal of Time Series Analysis 7, 178–190.

Engen E. M. et Skinner J. (1996). «Taxation and Economic Growth»,

National Tax Journal, Vol. 49, No. 4, pp. 617-642.

Engen E. M. et Skinner J. (1992). «Fiscal Policy and Economic Growth»,

NBER Working Paper No 4223, Cambridge, MA: National Bureau of
Economic Research.

Fouquau J. (2008). «Modèle à changement de régime et données de

panel : de la non-linéarité à l’hétérogénéité», Université d’Orléans.

Friedrich L. (1840). «  Système national d’économie politique  », Le

protectionnisme éducateur.

Hansen B. (1999). «  Threshold effects in non dynamic panels:

estimation, testing and inference  » Journal of Econometrics, vol 93
pp. 345-368.

152
S.S.F. ANAGO - Croissance économique au Bénin : Une analyse à partir d’un modèle A seuil Stochastique

Irons J., Bivens J. (2010). « Government Debt and Growth: overreaching

claims of debt treshhold suffer from theoretical and empirical flaws »,
Economic Policy Institute, EPI briefing paper N°271.

Khan Mohsin S. et Abdelhak S. Senhadji (2000). «Threshold Effects in

the Relationship Between Inflation and Growth», IMF Working Paper,
June.

Kumar M., Woo J. (2010). « Public Debt and Growth », IMF Working
Paper, 10/174.

Luukkonen, R., Saikkonen, P. &Teräsvirta, T. (1988). «Testing linearity

against smooth transition autoregressive models», Biometrika 75,
491–499.

Perraudin, C. (2004). Le modèle de régression linéaire : Université Paris

I – Panthéon Sorbonne.

Reinhart C. M. , Rogoff K. S. (2010). « Growth in a time of debt », NBER

Working paper, N°15639

Salem B. et Perraudin C. (2001). « Tests de linéarité, spécification et

estimation des modèles à seuil : une analyse comparée des méthodes
de Tsay et Hansen ».

Tanimoune N. A. , Plane P. et Combe J.L. (2005). «  la politique

budgétaire et ses effets de seuil sur l’activité en Union Economique
et Monétaire Ouest Africaine (UEMOA) », Document de Recherche
CERDI.

Taylor, M. P., Peel, D. A. &Sarno., L. (2001). «Nonlinear mean-reversion

in real exchange rates : towards a solution to the purchasing power
parity puzzles», Internationnal Economic Review 42, 1015–1042.

Teräsvirta, T. & Anderson, H. (1992). «Characterizing nonlinearities

in business cycles using Smooth Transition AutoRegressive models»,
Journal of Applied Econometrics 7, 119–139.

153
 Revue d’Analyse des politiques économiques et financières Vol 5 - N° 4 Août 2015

Tong H. & Lim, K. S. (1980). «Threshold autoregression, limit cycles and

cyclical data», Journal of the Royal Statistical Society 42, 245–292.

Tong H. (1990). «Non-linear time series: a dynamical system approach»,

Oxford University Press, Oxford.

Tong, H. (1978). On a threshold model, in C. H. Chen, ed., «Pattern

Recognition and Signal Processing», Sijthoff and Noordhoff,
Amsterdam, pp. 101–141.

Wade A. (2014). «  l’impact de la dette publique sur la croissance

économique dans la zone UEMOA  », Document de Recherche
LARES/CERDI.

Yaya K. (2010). «Estimating the growth-maximizing tax rate for Cote

d’Ivoire: Evidence and implications», Journal of Economics and
International Finance Vol. 2(9), pp. 164-174.

154