Académique Documents
Professionnel Documents
Culture Documents
**************
Mémoire
______________________________________________________
En vue de l’obtention du diplôme de licence professionnelle en Statistique
Option : Statistique appliquée à l’économie
_____________________________________________________
Thème
Année académique
2021/2022
DÉDICACE
I
DÉCHARGE
Contacte de l’auteur :
Email : medsalum4194@gmail.com
Téléphone : + 222 41949011
II
LISTE DES ABRÉVIATIONS
III
TABLE DE MATIÈRES
DÉDICACE..............................................................................................................................................
REMERCIEMENTS .............................................................................................................................. I
DÉCHARGE ......................................................................................................................................... II
LISTE DES ABRÉVIATIONS........................................................................................................... III
TABLE DE MATIÈRES..................................................................................................................... IV
LISTE DES FIGURES ...................................................................................................................... VII
LISTE DES TABLEAUX ................................................................................................................ VIII
AVANT-PROPOS ................................................................................................................................ X
RESUMÉ .............................................................................................................................................. XI
INTRODUCTION GÉNÉRALE .......................................................................................................... 1
1Problématique.................................................................................................................................... 2
Question de recherche ..................................................................................................................... 2
Objectifs et hypothèses de l’étude ....................................................................................................... 3
PRESENTATION DU LIEU DE STAGE ........................................................................................... 4
Partie 1 : La consommation des produits pétroliers raffinés en Mauritanie (zone sud) et modèle
théorique ................................................................................................................................................ 8
Chapitre 1 : LA CONSOMMATION DES PRODUITS PETROLIERS RAFFINÉS ................ 9
3. Secteur pétroliers et gazeux en Mauritanie ..................................................................................... 9
3.1. Le pétrole ............................................................................................................................. 9
3.2. Gaz naturel ........................................................................................................................ 10
3.3. Importation et exportation des produits ............................................................................. 10
4. Enjeux de la consommation .......................................................................................................... 12
4.1. Les secteurs dépendants de la consommation des hydrocarbures liquides ........................ 13
5. Etude de la consommation de produits pétroliers raffinés ............................................................ 15
5.1. Consommation de gasoil ................................................................................................... 16
5.2. La consommation d’essence .............................................................................................. 19
5.3. La consommation de fioul ................................................................................................. 20
5.4. Consommation de kérosène ............................................................................................... 21
Chapitre 2 : Méthodologie et Modèle ARMA ................................................................................... 24
6. Stationnarité................................................................................................................................... 24
IV
6.1. Fonction d’autocorrélation simple et partielle ................................................................... 25
6.2. Test de ≪ Bruit blanc ≫ et de stationnarité ..................................................................... 25
7. La non stationnarité et le test de racine unitaire ............................................................................ 28
7.1. Les processus TS ............................................................................................................... 29
7.2. Le processus DS ................................................................................................................ 29
7.3. Conséquences d’une mauvaise stationnarisation du processus ......................................... 31
7.4. Les tests de racine unitaire ................................................................................................ 32
8. Les modèles ARIMA..................................................................................................................... 34
8.1. Modèle AR(Autorégressif) ................................................................................................ 34
8.2. Modèle MA (Moyenne Mobile) ........................................................................................ 34
8.3. Modèle ARMA (mélange de processus AR et MA).......................................................... 35
9. L’extension aux processus ARIMA et SARIMA .......................................................................... 37
10. Méthode de Box et Jenkins ......................................................................................................... 37
10.1. Généralité et algorithme de la méthode ......................................................................... 37
10.2. L’identification du modèle ............................................................................................ 38
10.3. Estimation des paramètres ............................................................................................. 39
10.4. Tests d’adéquation du modèle et prévision (validation et prévision) ............................ 39
10.5. Etude empirique............................................................................................................. 40
11. Démarche pour la construction des modèles ............................................................................... 42
11.1. Données et sources des données .................................................................................... 42
11.2. Analyse chronologique des variables ............................................................................ 42
PARTIE II : Analyse et application de la méthode de box et Jenkins ............................................ 43
Chapitre 3 : ANALYSE DES VARIABLES ..................................................................................... 44
12. Analyse chronologique des variables .......................................................................................... 44
12.1. Analyse descriptive des variables .................................................................................. 44
12.2. Comportement à long terme des variables .................................................................... 51
12.3. Analyse de la variance et test de ficher ......................................................................... 53
13. Etude de la Stationnarité des variables ........................................................................................ 58
13.1. Test de Ljung-Box des séries ........................................................................................ 60
13.2. Test de Dickey et Fuller augmenté et la stratégie des tests de racine unitaire ............... 61
13.3. Résultats de l’application de la stratégie de D&F (consommation de gasoil) ............... 62
13.4. Résultats de l’application de la stratégie de D&F (consommation d’essence) .............. 64
13.5. Résultats de l’application de la stratégie de D&F (consommation de fioul) ................. 67
13.6. Résultats de l’application de la stratégie de D&F (consommation de kérosène) .......... 69
Chapitre 4 : APPLICATION DE LA METHODE DE BOX ET JENKINS .................................. 72
14. Identifications des modèles ......................................................................................................... 72
14.1. Identification du modèle de la série de consommation de gasoil .................................. 72
V
14.2. Identification du modèle de la série de consommation d’essence ................................. 73
14.3. Identification du modèle de la série de consommation de fioul .................................... 74
14.4. Identification du modèle de la série de consommation de kérosène ............................. 75
15. Estimation des modèles ............................................................................................................... 75
15.1. L’estimation des coefficients des modèles de la série de (gasoil) ................................. 76
15.2. L’estimation des coefficients des modèles de la série (essence) ................................... 76
15.3. L’estimation des coefficients des modèles de la série (fioul) ........................................ 76
15.4. L’estimation des coefficients des modèles de la série (kérosène) ................................. 77
16. Validation des modèles ............................................................................................................... 77
16.1. Validation du modèle de la série de consommation de gasoil ....................................... 78
16.2. Validation du modèle de la série de consommation d’essence...................................... 82
16.3. Validation du modèle de la série de consommation de fioul ......................................... 84
16.4. Validation du modèle de la série de consommation de kérosène .................................. 87
17. Prévision des séries ..................................................................................................................... 90
CONCLUSION GÉNÉRALE............................................................................................................. 91
BIBLIOGRAPHIE .............................................................................................................................. 93
ANNEXES ............................................................................................................................................ 94
VI
LISTE DES FIGURES
VII
LISTE DES TABLEAUX
VIII
Tableau 29 : Corrélogramme de la série de consommation d’essence (sans tendance) ........... 66
Tableau 30 : Test de la stationnarité (série d’essence) ............................................................. 67
Tableau 31 : Résultat de l’estimation du modèle 3 (série de fioul) .......................................... 67
Tableau 32 : Résultats de l’estimation du modèle 2 (série de fioul) ........................................ 68
Tableau 33 : Résultats de l’estimation du modèle 3 (série de kérosène) ................................. 69
Tableau 34 : Résultat de l’estimation de modèle après l’élimination de tendance (sér- kéro). 70
Tableau 35 : Corrélogramme de la série de consommation de gasoil ...................................... 72
Tableau 36 : Corrélogramme de la série de consommation d’essence..................................... 73
Tableau 37 : Corrélogramme de la série consommation de fioul............................................. 74
Tableau 38 : Corrélogramme de la série de consommation de kérosène ................................. 75
Tableau 39 : Comparaison des modèles identifiés de la consommation de gasoil .................. 76
Tableau 40 : Comparaison des modèles identifiés de la consommation d’essence ................. 76
Tableau 41 : Comparaisons des modèles identifiés de la consommation de fioul ................... 76
Tableau 42 : Comparaison des modèles identifié de la consommation de kérosène ............... 77
Tableau 43 : Résultat de l’estimation du modèle AR (1) (série de gasoil) .............................. 78
Tableau 44 : Corrélogramme des résidus (série de gasoil) ...................................................... 79
Tableau 45 : Corrélogramme des résidus au carré (série de gasoil)......................................... 80
Tableau 46 : Résultat de l’estimation du modèle AR (1) (série d’essence) ............................. 82
Tableau 47 : Corrélogramme des résidus (série d’essence) ..................................................... 82
Tableau 48 : Corrélogramme des résidus aux carrées (série d’essence) .................................. 83
Tableau 49 : Résultat de l’estimation du modèle (série de fioul) ............................................. 85
Tableau 50 : Corrélogramme des résidus aux carrées (série de fioul) ..................................... 86
Tableau 51 : L’estimation de modèle (série de kérosène) ........................................................ 88
Tableau 52 : Corrélogramme résidus aux carrées (série de kérosène) ..................................... 88
Tableau 53 : Prévision de la consommation de gasoil ............................................................. 90
Tableau 54 : Prévision de la consommation d’essence ............................................................ 90
Tableau 55 : Prévision de la consommation de fioul ............................................................... 90
Tableau 56 : Prévision de la consommation de kérosène ......................................................... 90
Tableau 57 : Analyse de la variance ......................................................................................... 96
IX
AVANT-PROPOS
L’institut supérieur des métiers de la statistique (ISMS) est un institut au sein de l’Ecole
Supérieure Polytechnique de Mauritanie, créé en 2019 dans le but de renforcer les capacités en
ressources humaines du système statistique national et du secteur privé mauritanien. L’arrêté
portant création, organisation et fonctionnement de l’ISMS, spécifie ses missions comme suit :
(i) Former des cadres d’un niveau licence professionnelle dans le domaine des
statistiques qui auront pour mission de collecter, traiter et analyser des données économiques,
démographiques et sociales.
(ii) Développer des formations continues dans le domaine des statistiques au profit de
l’administration et des opérateurs économiques.
(iii) Réaliser des prestations de service au profit d’opérateurs économiques des différents
secteurs d’activité économique et sociale.
Les élèves de l’ISMS reçoivent une solide formation qui les rend aptes à faire des travaux de
production statistique et d’analyse économique partout le besoin se fait sentir.
À la fin de la formation, les élèves de l’ISMS sont obligés à faire un stage de fin d’étude d’une
durée de 4 mois afin de mettre en pratique l’ensemble des connaissances plus ou moins
théorique acquis durant ces trois années c’est une étape cruciale dans le déroulement des études
à l’institut. Aussi, il s’agit d’une opportunité pour faire découvrir le monde de l’entreprise et un
aperçu d’un métier, dans mon cas le métier de statisticien ou chargé d’étude statistique.
Dans ce cadre-là, j’ai réalisé un stage du 21 février au 10 juin 2022 à l’SMH (Société
Mauritanienne des Hydrocarbures) avec pour thème de stage « Analyse et prévision de la
consommation des hydrocarbures liquides sur la zone sud ».
X
RESUMÉ
Le travail effectué est basé sur la notion de consommation en produits pétroliers raffinés (en
L). L’objectif de cette étude et de déterminer l’évolution en volume de la consommation de
produits pétroliers raffinés entre 2015 et 2021. Spécifiquement nous devions construire des
modèles stochastique univarié qui garantit la meilleure prévision sans intégrer les facteurs qui
influencent la consommation de produits pétroliers raffinés. Pour atteindre nos objectifs, nous
utilisons la méthode de Box et Jenkins, qui est basé sur les modèles économétrique autorégressif
et moyenne mobile (ARMA) linéaire et stationnaire. Les données utilisées dans les modèles
sont des données temporelles (consommation de gasoil, consommation de kérosène,
consommation de fioul, consommation d’essence) aux pas mensuels. Ils ressortent des résultats
des modèles que la consommation des produits pétroliers raffinés n’est pas saisonnière
(absences des pics sur les périodes). En outre la consommation d’essence a connu une tendance
à la hausse (évolution à long terme), par contre, la consommation des autres produits en
moyennes annuelles reste faiblement évoluée. L’analyse et l’examen des résultats des modèles
estimés choisies, montre que le modèle AR (1) est celui le plus adéquat pour la modélisation.
En ce qui concerne les facteurs dépendants de la consommation des hydrocarbures liquides, la
SMH qui est le distributeur de ces produits signe que le seul consommateur du fioul est le
secteur de l’électricité en cas d’absence des sociétés industriels dans la zone Sud, alors que les
autres produits sont consommés par plusieurs secteurs. Par ailleurs, le produit gasoil est
consommé par le secteur de transport principalement, il occupe la plus grande place parmi les
secteurs consommateurs (54% de la consommation totale des hydrocarbures), suivi par le
secteur de l’électricité (des centres thermiques fonctionne avec le gasoil). D’autre part, le
produit essence devient ces dernières années plus en plus consommée, en raison de
l’augmentation des véhicules, ainsi que la pêche artisanale. Le produit kérosène reste le plus
faible consommé parmi les autres produits tant qu’il est destiné au transport aérien, mais ce
dernier a traversé plusieurs crises, dû principalement à la gestion.
XI
INTRODUCTION GÉNÉRALE
L e pétrole est devenu, à partir des années 50 la première source d’Énergie dans le monde et il
le restera vraisemblablement pour de nombreuses décennies à venir. La plupart des pays sont
touchés de façon significative par l’évolution du marché pétrolier, que ces derniers soient
producteurs, ou consommateurs, ou les deux. C’est la principale matière première des
carburants qui alimentent les moyens de (voitures, camions, avions). C’est aussi une matière
première irremplaçable pour l’industrie de la pétrochimie pour un grand nombre de produits de
la vie quotidienne : matières plastiques, peintures, colorants, cosmétiques, etc.
La République Islamique de Mauritanie est rentrée officiellement dans le club très privé des
pays producteurs de pétrole depuis février 2006. Elle fait partie de ces petits pays (en termes de
poids économique) mis en production pour répondre à la croissance continue de la demande
mondiale de pétrole. C’est en mai 2001, que la première découverte fut faite avec le champ
pétrolier Chinguetti, situé à 80 km environ de Nouakchott par la société australienne « woodside
energy » avec des réserves de pétrole estimées alors à quelques 120 millions1 de barils, ce qui
était suffisant pour commencer une exploitation pétrolière. La production a démarré en 2006 au
large dans la zone de Chinguetti. « Woodside et ses partenaires détiennent 78% des parts et le
gouvernement mauritanien 12% »2. Depuis, les projections montrent que le boom pétrolier et
gazier en Mauritanie peut durer environ 10 à 20 ans. En effet, depuis l’année 2008, six autres
champs de pétrole ont été découverts montrant ainsi la possibilité de trouver d’autres réserves
de pétrole estimées à environ 290 millions de barils pour une production d’environ 88 000 bp/j
en 20153. La Mauritanie a mis en place et notamment le fonds national de revenus des
hydrocarbures (FNRH) qui est un compte ouvert auprès d’une institution étrangère et gérée par
la banque centrale de Mauritanie. Les recettes du fonds national de revenus des hydrocarbures
(FNRH) proviennent de l’ensemble des revenus de l’Etat issus directement ou indirectement
des activités dans le secteur en amont des hydrocarbures, en particulier dans le domaine de
1
Assane Fall, l’exploitation pétroliers en Mauritanie, avril 2020, p.5
2
Idem, p.5
3
Idem, p.5
1. Problématique
Cette étude sur l’analyse de la consommation de produits pétroliers raffinés ainsi que la
prévision de la consommation soulèvent d’importantes questions jusque-là peu ou presque
traitées par les analystes économètres, en Mauritanie.
Le thème évoqué précédemment essaiera donc de répondre à la problématique qui est la
suivante : Comment prévoir la consommation de produits pétroliers raffinés ?
Question de recherche :
4
Autorité Mauritanien, p.15
L’objectif de cette étude est de contribuer à l’analyse du marché des hydrocarbures dans la zone
Sud en décrivant l’évolution en quantité de la consommation entre 2015 et 2021 et prévoir la
demande, d’une part, et en spécifiant les secteurs dite consommateur de produits pétroliers
raffinés, d’autre part. De façon spécifique, l’étude a pour objectifs de :
• Faire une analyse descriptive de l’évolutions de vente des différents produits pétroliers
• Mettre sur pied un modèle de prévision de vente à court terme pour prévoir la
Pour atteindre nos objectifs, nous formulons également des hypothèses théoriques. Nous
supposons que :
• La prévision de produits pétroliers raffinés peut se fait Sant intégrer les facteurs
influençant la demande (modélisation uni variée déterministe et stochastique).
La société Mauritanienne des hydrocarbures (SMH), est une société national pétrolières, qui
a pour ambition de maximiser la valeur des ressources naturelles tout en contribuant au
développement durable du pays.
La Direction Générale
Le Département Juridique
Le Département HSE
La Direction de l’Amon Pétrolier a pour mission d’assurer le suivi des activités liées à
l’exploration, au développement, à l’exploitation et à la commercialisation des hydrocarbures
en Mauritanie. A travers la Direction de l’Amont Pétrolier, la SMH exerce un rôle de partenaire
non-opérateur dans les différentes associations. Elle assure ainsi le suivi technique et financier
des opérations menées par les opérateurs conformément aux JOA (Joint Operating
Agreements). Enfin, le Directeur de l’Amont Pétrolier est le représentant officiel de la SMH
dans les comités techniques.
La Direction de l’Aval Pétrolier a pour mission de stocker les quantités de gasoil, d’essence,
fioul et kérosène.
Le marché du pétrole est mondial. Cette mondialisation est largement facilitée par le fait que
le pétrole, étant un liquide, se transporte et se stocke assez aisément, à un coût relativement
faible par rapport à son prix. Dans ces conditions, toute réflexion sur le prix du pétrole requiert
une analyse de l’évolution de la demande et de l’évolution de l’offre de pétrole, à l’échelle
mondiale, en prêtant une attention particulière à la variation des stocks, laquelle assure
l’équilibre des flux physiques.
Dans ce présent chapitre qui est consacrée aux notions liées à notre étude, l’objectif sous-
jacent étant de se familiariser avec ces dernières. Nous examinons dans un premier temps, tous
les éléments ayant très à la consommation des hydrocarbures liquides. Dans un premier temps
nous étudions l’évolution en quantité de la consommation de produits pétroliers raffinés.
3.1.Le pétrole
Les réserves de gaz (dans les champs côtiers de Banda et Pélican) ont été estimées à 84 milliards
de m3, mais ces estimations doivent être confirmées par des mesures affinées. Certaines
multinationales se sont déjà lancées dans la prospection. Gaz de France a, par exemple, signé
un accord en ce sens avec Dana Petroleum (Royaume-Uni) en novembre 2005. Actuellement,
il n'existe pas d'usine de liquéfaction de gaz en Mauritanie car les quantités identifiées ne
permettent pas de rentabiliser un tel investissement.5 Depuis 1987, la Société mauritanienne de
gaz (SOMAGAZ) détenait le monopole de l'importation, du conditionnement et de la
distribution du gaz butane sur l'ensemble du territoire. Son capital est réparti entre l'État
mauritanien (34%), Naftec SA (Algérie, 33%), et des actionnaires privés mauritaniens.6 La
SOMAGAZ emploie plus de 330 personnes opérant à Nouakchott et à l'intérieur du pays.
Elle dispose de six centres emplisseurs. Depuis 2008-2009, deux autres sociétés ont été
autorisées à distribuer des bonbonnes de gaz au détail. Les prix des bonbonnes de gaz sont
plafonnés (2 000 ouguiyas la bonbonne de 12 kg en 2011). Les conditions régissant
l'importation de gaz butane sont déterminées par la Commission nationale des hydrocarbures
au moyen d'un appel d'offre, comme dans le cas des produits pétroliers.
5
Il faut, en effet, disposer de plus de 200 milliards de m3 de gaz récupérables pour rentabiliser les
lourds investissements nécessaires à ce type d'industrie gazière.
6
La SOMAGAZ dispose d'un site internet. Adresse consultée : http://www.somagaz.com.
7
Loi règlementant les activités aval du secteur des hydrocarbures, Ordonnance n°2002-005 du 28 mars
2002. Adresse consultée : www.Droit-Afrique.com.
8
Renseignements en ligne du CRIDEM. Adresse consultée:
http://www.cridem.org/imprimable.php?article=42134.
4. Enjeux de la consommation
La demande de pétrole, telle que définie par l’Agence internationale de l’Énergie (AIE),
est constituée par les livraisons11 à partir des raffineries et/ou des stocks primaires, ainsi que
9
Les taux de la taxe sont : 25 ouguiyas/l pour le super carburant ; 24 ouguiyas/l pour l'essence auto
ordinaire (cette taxe est suspendue pour l'avitaillement des embarcations de la pêche artisanale); 0,86
ouguiyas/l pour le pétrole lampant; 5,5 ouguiyas/l pour le gas-oil; 4,5 ouguiyas/l pour le diesel-oil et
le fioul (fuel-oil) léger ou lourd; 4,2 ouguiyas/kg pour les huiles de graissage et les lubrifiants; et 1,04
ouguiyas/kg pour les hydrocarbures gazeux liquéfiés (propane).
10
La taxe de marge brute de 300 ouguiyas par hectolitre pour l’essence ; et 120 ouguiyas pour le gas-
oil.
11
Comprenant les livraisons intérieures ainsi que les soutes des navires de transport international et le
fioul consommé par les raffineries elles-mêmes.
Les combustibles fossiles jouent un rôle essentiel dans la vie économique et politique de
tous les pays. Les exportations et les importations de pétrole et de gaz représentent la majorité
des échanges commerciaux du Mauritanie.
La demande en transport s’est accrue grandement dans la plupart des pays dans le monde.
Ce Secteur représente une partie importante de la croissance économique des dernières années.
En Mauritanie le secteur de transport public est le plus grand utilisateur des Hydrocarbures
liquides, avec 54% de la consommation finale totale en 201813. Trois sous-groupes, le transport
de passagers et celui marchandises, plus le transport aérien sont cependant distingués et ont
affecté la demande des hydrocarbures en Mauritanie.
• Transport de passagers : en Mauritanie le transport de passagers est largement dominé
par l’utilisation de gasoil. Pour les voyageurs, la demande de gasoil est restée
relativement stable principalement dû à la demande liée aux autobus, scolaires, urbains
et interurbains. Dans cette catégorie de véhicule, il y avait sur les routes du Mauritanie
5886 véhicules à consommation de gasoil en 2017. En 2021, ce nombre s’établissait à
30554, une forte progression14.
• Transport de marchandises : Le transport de marchandises a connu un bond
spectaculaire partout dans le monde. L’augmentation de l’intensité de l’utilisation du
camionnage et dans le cas du Mauritanie une utilisation plus répandue aurait contribué
à une demande plus intense du carburant gasoil, étant l’énergie majoritairement utilisée
12
La demande comprend toutefois la variation des stocks réalisés par les consommateurs finals et par
les distributeurs
13
Moulaye Ahmed Mohamed BRAHIM, Stage ouvrier, 2021, p.22
14
ONS, Annuaire Statistique, 2015
15
Article du CRIDEM du 19 octobre 2010. Adresse consultée http://www.cridem.org/
C_Info.php?article=48457.
La consommation de produits pétroliers raffinés en Mauritanie (zone sud) s’est accrue ces
sept dernières années. L’intensification de l’urbanisation, le secteur de transport, le secteur de
l’armée, la pêche artisanale, les touristes et la croissance économique qui sont les déterminants
clé de ce hause de consommation. Les villes comptent pour presque 70% de la population-plus
de 3 millions d’habitants. Conjuguée à la hausse des revenus moyens, la croissance
démographique stimule la demande pour les automobiles et les deux-roues. Les zones rurales
comptent plus de 1 million d’habitants aujourd’hui, ce qui renforce les besoins en services de
5.1.Consommation de gasoil
450000000 60,00%
54,61%
400000000 50,00%
350000000 40,00%
300000000
10,30% 30,00%
250000000
-5,40% 20,00%
200000000
10,00%
150000000 -14,77% -11,58%
100000000 0,00%
0 -20,00%
2015 2016 2017 2018 2019 2020 2021
Gasoil Evolution
• Le Premier est les évènements saisonniers, dont la vacance scolaire, les fêtes et les
saisons d’agricole, plus les projets de l’états ainsi que les flutent de migrants et les
touristes, tous ces facteurs entrainent une forte demande de diesel ce qui augmente la
quantité consommée.
• Le deuxième concerne l’électricité, en effet, en 2014, l'énergie électrique était produite
dans 19 villes du pays par une vingtaine de centrales électriques dont quatre utilisent
l'énergie hydroélectrique, les autres utilisant le diesel. La centrale Arafat est une
centrale thermique d’une puissance de 42 MW, elle a été mise en service en 1989. Elle
est constituée de 6 groupes diésels (MAN), de puissance 7MW chacun. Située dans la
partie Sud de la ville de Nouakchott16.
• Le troisième est lié au secteur résidentiel. Le nombre de voiture personnelles a augmenté
ces dernières années ce qui entraine une forte consommation de diesel.
En ce qui concerne la tendance rétrospective de la consommation de diesel :
• Le premier est La fermeture du budget qui influence tous les marchées de bien et service
• La deuxième est la crise sanitaire provoquée par la pandémie de covid-19. En effet En
2020, la Mauritanie a été confrontée à l’instar de tous les pays du monde, aux difficultés
sanitaires liées à la propagation du Covid-19, lesquelles ont fortement impactées
l’ensemble des activités économiques, sociales et culturelles à travers des mesures
généralisées de confinement, de limitation de la circulation routier interurbain et de
fermeture des frontières terrestres et aériennes. En conséquence, le PIB réel de
l’économie mauritanienne a connu une contraction de 2,2% en 2020 après une hausse
de 5,6% en 201917, la consommation de diesel et l’importation de tous les produits
pétroliers ont été fortement affectés.
16
Yacoub Cheine, Stratégies de gestion du flux énergétique du réseau électrique dans la ville de Nouakchott, 2019, p.10
17
Banque centrale Mauritanien, Rapport annuel, 2020, p.21
Essence Evolution
La consommation d’essence augmentait rapidement entre l’année 2015 et 2021. En effet, elle a
accru d’une évolution en volume de 23,37% en 2016 par rapport à 2015, passant de près de 19
millions (L) à près de 23 millions (L). En 2017 la consommation d’essence a enregistré une
baisse en volume de 8,88% par rapport à l’année précédente. Après une légère régression en
2017, elle est évoluée de 26,98% en 2018 par rapport à 2017. En suite elle commence à
augmenter en 2019 jusqu’à atteindre près de 33 millions (L), soit une hausse en volume de
24,95% par rapport à 2018. En 2020, elle a continué d’accru jusqu’à atteindre près de 41
millions (L), soit une hausse en volume de 21,06% par rapport à l’année 2019. En 2021 elle a
enregistré une hausse en volume de 6,67% par rapport à 2020, passant de près de 41 millions
(L) à près de 43 millions (L).
• La première porte sur l’arrêt biologie de la pêche qui est entre le mois de mai et le mois
de novembre.
• La deuxième est la pandémie de Covid-19 qui a influencé tous l’économie mauritanien.
La consommation du fioul constitue le deuxième part dominant dans la facture pétrolière, elle
répond à plus de 30% de la demande des hydrocarbures liquides en Mauritanie. Le principal
consommateur de cet hydraulique est SOMELC, elle dispose d'un monopole de production, de
transport, et de distribution d'électricité dans les principales villes du pays.
L’énergie thermique représente 73% dans la production de l’électricité à Nouakchott18,
plusieurs centrales thermiques à Nouakchott se base sur la consommation de cet hydraulique,
notamment en Arafat, Ksar etc.
Figure 3 : Évolution en volume de la consommation de fioul
160000000 100,00%
140000000 80,00%
120000000 60,00%
5,13%
100000000 4,40% 40,00%
80000000 90,84% 20,00%
60000000 0,00%
40000000 -42,74% -20,00%
-23,58%
20000000 -40,00%
-13,85%
0 -60,00%
2015 2016 2017 2018 2019 2020 2021
Fuel Evolution
• Le premier est relatif à la stratégie des autorités mauritanienne, qui changent à coup
terme.
• La deuxième concerne le développement des centrales solaire et éolienne.
5.4.Consommation de kérosène
19
ID idem, YACOUB CHEINE, p.6
25000000 400,00%
300,00%
20000000
-0,61% 200,00%
15000000 2,57%
-49,06% 100,00%
10000000
0,00%
5000000 -100,00%
-83,68% -84,78%
0 -200,00%
2015 2016 2017 2018 2019 2020 2021
Kerosene Evolution
• Le premier est relatif aux niveaux des aéroports Mauritanienne à Nouakchott (en 2018)
Néma, Nouadhibou, Atar, etc., qui ont contribué aux transports aériens.
• La deuxième est portée sur le mouvement militaire, en Atar (Formation et entrainement
militaire), et le mouvement du G5-Sahel.
En ce qui concerne la tendance rétrospective de la demande de fioul :
La consommation des hydrocarbures liquides dans la zone Sud a connu des fluctuations entre
2015 et 2021. Plusieurs facteurs venant expliquer ces fluctuations.
Il est admis que le principal consommateur de gasoil est le secteur de transport, celui-ci a connu
des hausses d’évolution spécifiquement dans les vacances scolaires, les fêtes ainsi que la
migration des touristes, et il enregistre des baisses d’évolution dans la fermeture de budget, plus
la crise monétaire et sanitaire. Puis le secteur d’armé constitue de sa part une forte demande à
cet hydraulique à travers les manœuvres militaire et la sécurité intérieure. Ensuite, le secteur de
l’électricité qui constitue la forte consommation de gasoil à partir des centres thermiques,
fournissant des électrifications dans la zone sud. Enfin, le secteur agricole qui constitue le
facteur le moins important de la consommation de gasoil, pendant les saisons d’agricole.
En ce qui concerne l’essence, il est principalement consommé par la pêche artisanale alimentant
les bateaux de pêchent qui sont nombreuse dans le port Mauritanienne. Cet hydraulique a connu
une évolution très rapide durant les dernières années. Ensuite, le secteur résidentiel, il est
remarqué que le nombre des voitures importées soit multiplier, ce qui entraîne une forte
consommation d’essence, qui est motivé par l’exonération de prix d’essence au port de 35%.
Pour la consommation de fioul, le SOMELEC est considéré comme le principale consommateur
de cette hydraulique, plus de 10 centrales thermiques dans la zone sud responsable la forte
consommation de cette hydraulique, alors que la consommation de fioul n’a pas connu de forte
variation durant les années, cela peut s’expliquer par le seul consommateur de cette hydraulique
(SOMELEC), donc les hausses d’évolution sont dûtes aux projets de la constriction de niveau
centrale, et les baisses d’évolution viennent des stratégies de la société.
Enfin, la consommation de kérosène qui a enregistré une baisse continue durant les années.
Cette baisse d’évolution est due aux stratégies de l’état dans le transport aérien. Le secteur
d’armé influence la demande de son part, à travers le mouvement de G5-sahel et en Atar.
6. Stationnarité
Une série temporelle est dite stationnaire si ces caractéristiques stochastique – c’est – à – dire
son espérance et sa variance ne se trouvent pas modifiées dans le temps, dans le cas d’un
processus stochastique invariant, la série temporelle est alors stationnaire. De manière
formalisée le processus stochastique 𝑦𝑡 est stationnaire si :
𝐸(𝑦𝑡 ) = 𝐸(𝑦𝑡+𝑚 ) = 𝑢 ∀ 𝑡 et ∀ 𝑚, la moyenne est constante est indépendante du temps.
Il apparait, à partir de ces propriétés, qu’un processus de bruit blanc 𝜀𝑡 dans lequel les 𝜀𝑡 sont
Indépendants et de même loi N (0, 𝜎𝜀2 ) est stationnaire.
Une série chronologique est donc stationnaire si elle est la réalisation d’un processus
Stationnaire. Ceci implique que la série ne comporte ni tendance, ni saisonnalité et plus
Généralement aucun facteur n’évoluant avec le temps.
Il existe deux types de stationnarité :
• Stationnarité forte : un processus aléatoire est strictement stationnaire si tous ces
caractéristiques, c’est – à – dire tous ces moments, sont invariants pour tout changement
de l’origine de temps.
La fonction d’autocorrélation simple (FAC) est la fonction noté 𝜌𝑘 qui mesure la corrélation de
La série avec elle-même décalée de k périodes. Sa formulation est la suivante :
cov(yt ; yt− k ) ∑𝑛
𝑡=𝑘+1(yt −y
̅)(yt−k −y
̅)
𝜌𝑘 = =
δ2yt δ2y
t−k √∑n ̅)2 √∑n
t=k+1(yt −y ̅ )2
t=k+1(yt−k −y
Cette formule est malaisée à manier puisqu’elle exige de recalculer pour chaque terme 𝜌𝑘 les
moyennes et les variances, c’est pourquoi on lui préfère la fonction d’autocorrélation
d’échantillonnage :
𝑛
∑ (yt −y
̅)(yt−k −y
̅)
𝑃̂𝑘 = 𝑡=𝑘+1
∑n (y ̅)2
t=1 t −y
Lorsque nous étudions la fonction d’autocorrélation d’une série chronologique, la question qui
se pose est de savoir quels sont les termes 𝜌𝑘 qui sont significativement différents de 0.
Nous pouvons distinguer différents types de séries stationnaires :
• A mémoire, c’est-à-dire dont on peut modéliser, par une loi de reproduction, le
processus ;
• Identiquement et indépendamment distribuée notée (i.i.d) ou appelée bruit blanc («
White Noise ») ;
• Normalement (selon une loi normale) et indépendamment distribuée notée (n.i.d) ou
appelée Bruit Blanc gaussien.
Le test d’hypothèse pour un terme 𝜌𝑘 est le suivant :
H0 : 𝜌𝑘 = 0
H1 : 𝜌𝑘 ≠ 0
|P𝑥 ,y |
Le t de student empirique : t∗ = pour x = 𝑦𝑡 et y = 𝑦𝑡−𝑘
2
√(1−Px ,y )
n−2
1
L’intervalle de confiance du coefficient 𝜌𝑘 est alors donné par : 𝜌𝑘 = ± 𝑡 ∝/2
√𝑛
𝛼/2
Si t ∗ > 𝑡𝑛−2 valeur lue dans une table de Student au seuil α = 0,05 (5 %) à n − 2 degrés de
liberté, nous rejetons l’hypothèse H0, le coefficient de corrélation est donc significativement
différent de 0 ; dans le cas contraire, l’hypothèse d’un coefficient de corrélation nul est acceptée.
Le test de Box-Pierce permet d’identifier les processus sans mémoire (suite de variables
aléatoires indépendantes entre elles). Nous devons donc identifier 𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡−𝑘 ) = 0 ou encore
𝜌𝑘 = 0 ∀ k.
Un processus bruit blanc implique que 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0, soit les hypothèses :
H0 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
Pour effectuer ce test, on a recouru à la statistique 𝑄 (du a Box-Pierce) qui est donnée par
𝑄 = 𝑛 ∑ℎ𝑘=1 𝑃̂𝑘2 h = nombre de retards, 𝑃̂𝑘 = autocorrélation empirique d’ordre k,
n = nombre d’observation.
La statistique 𝑄 est distribuée de manière asymptotique comme un 𝜒 2 (Chideux) à h degrés de
liberté. Nous rejetons donc l’hypothèse de bruit blanc, au seuil α, si la statistique Q est
supérieure au 𝜒 2 lu dans la table au seuil (1 − α) et h degrés de liberté.
Nous pouvons utiliser aussi une autre statistique, dont les propriétés asymptotiques sont
̂ 2k
P
meilleures, dérivée de la première qui est le Q ' de Ljung et Box2 : Q ' = n (n + 2)∑h
k=1 n−k
qui est aussi distribuée selon un 𝜒 2 à h degrés de liberté et dont les règles de décision sont
identiques au précédent. Ces tests sont appelés par les anglo-saxons : « Portmanteau test » soit
littéralement test « fourre-tout ».
Pour calculer des intervalles de confiance prévisionnels et aussi pour effectuer les tests de
student sur les paramètres, il convient de vérifier la normalité des erreurs. Le test de Jarque et
Bera (1984), fondé sur la notion de Skewness (asymétrie) et de Kurtosis (aplatissement), permet
de vérifier la normalité d’une distribution statistique.
1/2 6 24
β1 → N (0 ; √ ) et 𝛽2 → N (3 ; √ ). On construit alors les statistiques :
𝑛 𝑛
1/2
|𝛽1 − 0| |𝛽2 − 3|
𝑣1 = 6
et 𝑣2 =
24
que l’on compare à 1.96 (valeur de la loi normale au seuil
√ √
𝑛 𝑛
1/2
Il s’agit d’un test qui synthétise les résultats précédents ; si 𝛽1 et 𝛽2 obéissent à des lois
𝑛 𝑛
normales alors la quantité 𝑆 : 𝑆 = 6 𝛽1 + 24 (𝛽2 − 3)2 suit un 𝜒 2 à deux degrés de liberté.
6.2.3.3.Test d’homoscédasticité
7.1.Les processus TS
𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡 ′ ) = 0 pour t ≠ 𝑡 ′
Ce processus TS est non stationnaire car 𝐸[𝑦𝑡 ] dépend du temps.
Connaissant 𝑎̂0 et 𝑎̂1 , le processus 𝑦𝑡 peut être stationnarisé en retranchant, de la valeur de 𝑦𝑡
en t, la valeur estimée 𝑎̂0 + 𝑎̂1 𝑡. Dans ce type de modélisation, l’effet produit par un choc (ou
par plusieurs chocs aléatoires) à un instant t est transitoire. Le modèle étant déterministe, la
chronique retrouve son mouvement de long terme qui est ici la droite de tendance. Il est Possible
de généraliser cet exemple à des fonctions polynômiales de degré quelconque.
7.2.Le processus DS
Les processus DS sont des processus que l’on peut rendre stationnaires par l’utilisation d’un
filtre aux différences : (1 − 𝐿)𝑗 𝑦𝑡 = 𝛽 + 𝜀𝑡 ou 𝜀𝑡 est un processus stationnaire, 𝛽 constante
réelle, L l’opérateur décalage et j l’ordre du filtre aux différences.
Ces processus sont souvent représentés en utilisant le filtre aux différences premières (j = 1), le
processus est dit alors processus du premier ordre. Il s’écrit :
(1 − 𝐿)𝑦𝑡 = 𝛽 + 𝜀𝑡 ⟺ 𝑦𝑡 = 𝑦𝑡−1 + 𝛽 + 𝜀𝑡
L’introduction de la constante 𝛽 dans le processus DS permet de définir deux processus
différents :
• 𝛽= 0 : le processus DS est dit sans dérive
Il s’écrit : 𝑦𝑡 = 𝑦𝑡−1 + 𝜀𝑡 .
𝑉[𝑦𝑡 ] = 𝑡𝜎𝜀2
Ce processus est non stationnaire en variance puisqu’elle dépend du temps. Cette non
stationnarité est dite aléatoire ou stochastique. Pour stationnariser la marche aléatoire, il
suffit d’appliquer au processus le filtre aux différences premières :
𝑦𝑡 = 𝑦𝑡−1 + 𝜀𝑡 ⟺ (1 − 𝐿)𝑦𝑡
𝑦𝑡 = 𝑦𝑡−1 + 𝛽 + 𝜀𝑡
𝑦𝑡−1 = 𝑦𝑡−2 + 𝛽 + 𝜀𝑡−1 ⟹ 𝑦𝑡 = 𝑦𝑡−2 + 2𝛽 + 𝜀𝑡−1 + 𝜀𝑡
𝑦𝑡−2 = 𝑦𝑡−3 + 𝜀𝑡−2 ⟹ 𝑦𝑡 = 𝑦𝑡−3 +3𝛽 + 𝜀𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
Etc.
Si on suppose la valeur d’origine 𝑦𝑡 connue et déterministe, on a alors :
𝑦𝑡 = 𝑦0 + 𝛽𝑡 + ∑𝑡𝑖=1 𝜀𝑖
𝑉[𝑦𝑡 ] = 𝑡𝜎𝜀2
On a 𝑦𝑡 - 𝑦𝑡−1 = (1 − 𝛽)𝑦𝑡 = 𝛽 + 𝜀𝑡
Dans les processus de type DS, un choc à un instant donné se répercute à l’infini sur les valeurs
futures de la série ; l’effet du choc est donc permanent et va en décroissant.
En résumé, pour stationnariser un processus TS, la bonne méthode est celle des moindres carrés
ordinaires ; pour un processus DS, il faut employer le filtre aux différences. Le choix d’un
processus DS ou TS comme structure de la chronique n’est donc pas neutre.
Pour un processus TS, la bonne méthode de stationnarisation est celle des moindres carrés
ordinaires. Supposons que l'on applique au processus TS du premier ordre un filtre aux
différences premières. A priori, comme le degré du polynôme est 1, ce filtre peut être considéré
comme correct puisqu'un filtre aux différences d'ordre (d) élimine un polynôme de même degré.
Cependant, on démontre que l'application du filtre aux différences a créé une perturbation
artificielle.
Pour un processus DS, la bonne méthode de stationnarisation est le filtre aux différences
premières. Supposons que l'on applique la méthode des moindres carrés ordinaires (régression
sur le temps) sur les observations d'un échantillon du processus, les paramètres de la tendance
sont estimés et par conséquent les résidus de la régression doivent être un bruit blanc. Nelson
et Kang montrent à partir de simulations, que l'élimination d'une tendance linéaire sur un
processus de marche aléatoire crée artificiellement une forte autocorrélation des résidus pour
les premiers retards.
Les tests de racine unitaire « Unit Root Test » permettent non seulement de détecter l’existence
d’une non-stationnarité mais aussi de déterminer de quelle non-stationnarité il s’agit (processus
TS ou DS) et donc la bonne méthode pour stationnariser la série.
Dans les modèles précédents, utilisés pour les tests de Dickey-Fuller simples, le processus εt
est, par hypothèse, un bruit blanc. Or il n’y a aucune raison pour que, à priori, l’erreur soit non
corrélée ; on appelle tests de Dickey-Fuller Augmentés (ADF, 1981) la prise en compte de cette
hypothèse.
Les tests ADF sont fondés, sous l’hypothèse alternative |ϕ1 | < 1, sur l’estimation par les MCO
des trois modèles :
Modèle [1] : ∆yt = ρyt−1 − ∑𝑝𝑗=2 ϕj ∆yt−j+1 + 𝜀t
Nous constatons que pour réaliser un test de racine unitaire, le résultat n’est pas identique selon
l’utilisation de l’un des trois modèles comme processus générateur de la chronique de départ.
Les conclusions auxquelles on parvient sont donc différentes et peuvent entraîner des
transformations erronées. C’est la raison pour laquelle Dickey et Fuller, et à leur suite d’autres
auteurs, ont élaboré des stratégies de tests. Nous présentons un exemple simplifié (tableau 1)
d’une stratégie de tests. Les valeurs critiques des 𝑡̂𝑐 et 𝑡̂𝑏 permettant de tester la nullité des
coefficients c et b des modèles [2] et [3] sont données en fin d’ouvrage
Kwiatkowski et al. (1992) propose d’utiliser un test du multiplicateur de Lagrange (LM) fondé
sur l’hypothèse nulle de stationnarité. Après estimation des modèles [2] ou [3], on calcule la
somme partielle des résidus : st = ∑ti=1 ei et on estime la variance de long terme (st2 ) comme
pour le test de Phillips et Perron.
Non
Oui
Test ϕ1 = 1
Processus DS Test C = 0
Processus TS : |ϕ1 | <1
Non
yt = 𝐶+ bt + ϕ1 yt−1 + a t
Oui
Test ϕ1 = 1
Oui
Estimation du Modèle [1]
Processus DS
yt = ϕ1 yt−1 + a t
Non
Test ϕ1 = 1
Processus stationnaire
Oui Non
Nous allons présenter une famille de processus aléatoires qui sont censés recouvrir une gamme
très large d’évolution possible de séries chronologiques : les processus autorégressifs et les
processus de moyenne mobile.
Un modèle des séries temporelles est une représentation simplifiée du processus générateur des
données chronologiques.
8.1.Modèle AR(Autorégressif)
Dans le processus autorégressif d’ordre p, l’observation présente yt est générée par une
moyenne pondérée des observations passées jusqu’à la p-ième période sous la forme suivante :
AR (1): yt = θ1 yt−1 + 𝜀𝑡
AR (2): yt = θ1 yt−1 + θ2 yt−2 𝜀𝑡
⋯
AR(p): yt = θ1 yt−1 + θ2 yt−2 + ⋯ +θp yt−p + 𝜀𝑡
Où 𝜃1 , 𝜃2 , ⋯ , 𝜃𝑝 sont des paramètres à estimer positifs ou négatifs, 𝜀𝑡 est un aléa gaussien.
Nous pouvons ajouter à ce processus une constante qui ne modifie en rien les propriétés
stochastiques. L’équation peut aussi s’écrire à l’aide de l’opérateur de décalage L :
(1−𝜃1 𝐿 − 𝜃2 𝐿2 − ⋯ − 𝜃𝑝 𝐿𝑝 ) yt = 𝜀𝑡
Il est démontré que le corrélogramme simple d’un processus AR(p) est caractérisé par une
décroissance géométrique de ses termes de type : 𝑝𝑘 = 𝑝𝑘 .
Le corrélogramme partiel a ses seuls p premiers termes différents de 0.
Dans le processus moyenne mobile d’ordre q, chaque observation yt est générée par une
moyenne pondérée d’aléas jusqu’à la q-ième période.
MA (1) : 𝜀𝑡 − α1 εt−1
MA (2) : 𝜀𝑡 − α1 εt−1 − α2 εt−2
⋯
MA (p) : 𝜀𝑡 − α1 εt−1 − α2 εt−2 − ⋯ − αq εt−q
Où 𝛼1 , 𝛼2 , ⋯ , 𝛼𝑞 sont des paramètres à estimer positifs ou négatifs, 𝜀𝑡 est un aléa gaussien.
L’équation peut aussi s’écrit :
C’est-à-dire que seuls les q premiers termes du corrélogramme simple sont significativement
Différents de 0.
Le corrélogramme partiel est caractérisé par une décroissance géométrique des retards.
Les modèles ARMA sont donc représentatifs d’un processus généré par une combinaison des
Valeurs passées et des erreurs passées. Ils sont définis par l’équation :
ARMA (p, q) : (1−𝜃1 𝐿 − 𝜃2 𝐿2 − ⋯ − 𝜃𝑝 𝐿𝑝 ) yt = (1−𝛼1 𝐿 − 𝛼2 𝐿2 − ⋯ − 𝛼𝑞 𝐿𝑞 )𝜀𝑡
Nous avons :
ARMA (1,0) = AR (1) ; ARMA (0,1) = MA (1).
Dans le cas d’un processus ARMA (p, q) avec constante :
yt = μ + θ1 yt−1 + θ2 yt−2 + ⋯ +θp yt−p + εt − α1 εt−1 − α2 εt−2 − ⋯ − αq εt−q
𝜇
L’espérance du processus est donnée par E [yt ] = ; (1 − θ1 − θ2 − ⋯ −
(1−θ1 − θ2 − ⋯ − θp )
θp ) ≠ 0.
Les corrélogrammes simples et partiels sont, par voie de conséquence, un mélange des deux
corrélogrammes des processus AR et MA. Il s’avère ainsi plus délicat d’identifier ces processus
à partir de l’étude des fonctions d’autocorrélation empiriques.
Un modèle des séries temporelle est une représentation simplifiée du processus générateur des
données chronologique. Les modèles de base pour les séries temporelle sont connus sous
l’acronyme de << Modèles ARMA>> on parle des modèles autorégressifs et moyenne mobile.
L’approche de Box et Jenkins (1976) consiste en une méthodologie d’étude systématique des
séries chronologiques à partir de leurs caractéristiques afin de déterminer, dans la famille des
modèles ARIMA, le plus adapté à représenter le phénomène étudié. Trois étapes principales
sont définies.
La phase d’identification est la plus importante et la plus difficile : elle consiste à déterminer le
modèle adéquat dans la famille des modèles ARIMA. Elle est fondée sur l’étude des
corrélogrammes simple et partiel. Nous pouvons essayer d’édicter quelques règles simples
facilitant la recherche des paramètres p, d, q du modèle ARIMA.
Afin d’identifier les valeurs des ordres p et q du modèle ARMA (p, q), Box et Jenkins (1976)
ont proposé une méthode qui repose sur l’utilisation des fonctions d’autocorrélation (AC) et
d’autocorrélation partielle (PAC).
Ces fonctions représentent respectivement l’évolution du coefficient d’autocorrélation et du
coefficient d’autocorrélation partielle pour chacun des retards K.
Principe :
Le principe consiste à confronter des fonctions d’autocorrélation et d’autocorrélation partielle
théorique (donc connues) à des fonctions estimées à partir de la série temporelle (échantillon).
Il s’agit donc de rechercher une correspondance entre un modèle ARMA théorique et le
processus générateur de la série temporelle.
10.2.1. Désaisonnalisation
Dans le cas d’une série affectée d’un mouvement saisonnier, il convient de la retirer
préalablement à tout traitement statistique. Cette saisonnalité est ajoutée à la série prévue à la
fin du traitement afin d’obtenir une prévision en terme brut.
• MA(q) : on estime 𝜗1 , 𝜗2 , ⋯ , 𝜗𝑝
Les paramètres du modèle étant estimés (on vérifie la convergence de la procédure itérative
d’estimation), nous examinons les résultats d’estimation.
• Les coefficients du modèle doivent être significativement différents de 0 (le test du t
de Student s’applique de manière classique). Si un coefficient n’est pas
significativement différent de 0, il convient d’envisager une nouvelle spécification
éliminant l’ordre du modèle AR ou MA non valide.
• L’analyse des résidus : si les résidus obéissent à un bruit blanc, il ne doit pas exister
d’autocorrélation dans la série et les résidus doivent être homoscédastiques.
Les tests suivants peuvent être utilisés.
• Le test de Durbin Watson, bien qu’il ne permette de détecter que des autocorrélations
d’ordre 1 ;
• Les tests de Box et Pierce et de Ljung et Box qui permettent de tester l’ensemble des
termes de la fonction d’autocorrélation. Si les résidus est à Mémoire, cela signifie que
Moulaye Muhammad, (2021), dans le cadre d’un thème de stage au sien de la direction générale
des hydrocarbures. Cette étude présente un modèle prédictif de la consommation national des
hydrocarbures liquides en Mauritanie par la méthode de Box et Jenkins un retenant un modèle
ARIMA, pour effectuer la prévision. Les données de la consommation des hydrocarbures
s’étalent d’une période allant de Janvier 2012 à Avril 2021, au total 99 observations. L’analyse
et l’examen des résultats des modèles estimés choisies, montre que le modèle ARIMA (1, 1, 6)
est celui le plus adéquat pour la modélisation.
Analyse de saisonnalité
Test de Dickey-Fuller
Série stationnaire 𝑦𝑡
Test de student
Les coefficients non significatifs sont supprimés
Oui Non
Ajout d’un ordre p ou q
Recoloration de la série
(Exponentiel, Saisonnalité)
Source : régis Bourbonnais, 9 éditions, 2015
Pour atteindre notre objectif qui est celui de construire des modèles de prévision de la
consommation mensuels des hydrocarbures liquides en Mauritanie (zone sud), nous allons
suivre en certaine nombre d’étapes. Celles-ci nous Permettront de mieux prévoir la
consommation des hydrocarbures.
La première étape de notre démarche est de faire une collecte des données. Les variables que
nous avons utilisées n’étaient pas disponibles sur place. Ils sont obtenus dans le dépôt port du
métier de Nouakchott.
Les variables (Essence, Gasoil, Fioul, Kérosène) ont été collecté au fil des mois par département
contrôle de Gestion et Audit de la SMH. Les données disponibles sur ces variables vont de
janvier 2015 à décembre 2021.
Une analyse chronologique des variables doit être effectuée. Dans un premier temp nous
commencerons par tracer l’évolution de chacune des variables pour identifier graphiquement
les composantes (tendance, saisonnalité). Dans un deuxième temps nous ferons des tests de
fisher pour confirmer ou affirmé l’existante de ces composantes. Après on identifie le type des
modèles en faisant des tests statistiques pour confirmer si le modèle est additif ou multiplicatif.
Ensuite nous ferons une analyse univarié des variables, afin d’appliqué la méthode de Box et
Jenkins.
Dans ce chapitre, il est question de faire une analyse des variables. Il s’agit de faire une analyse
descriptive des variables sur les périodes et les années. Faire des représentations graphiques de
chacune des variables et tester la présence de la tendance ainsi que la saisonnalité à partir d’un
test fisher. Ensuite nous identifions le modèle de chacune des variables et faire des tests
statistiques pour confirmer s’il s’agit d’un modèle additif ou multiplicatif à partir de test de
Student. Enfin nous étudions la stationnarité de nos variables et nous les rendre stationnaire
s’ils ne sont pas.
La plus grande quantité moyenne vendu par période a été enregistré en juillet (près de 33
millions L), suivi par le mois d’Août (près de 32 millions L), et la plus petite quantité moyenne
vendu par période a été enregistré en Février (près de 26 millions L). La plus grande variation
entre les quantités vendues par période est leur moyenne vaut (8211541,272 en Septembre),
suivi par (8129048,64 en Juin), alors que la plus petite variation est (3853872 en Mars). La
minimum quantité vendue par période est enregistrée en Septembre (près de 19 millions L),
suivi par (près de 19 millions L en Août), alors que la plus grande minimum quantité vendu par
période a été enregistré en Mars (près de 24 millions L). La quantité maximale vendue par
période a été enregistré en Septembre (près de 45 millions L), suivi par (près de 40 millions L)
en Octobre, la plus petite quantité maximum vendue par période a été enregistré en Décembre
(près de 34 millions L).
La consommation d’essence en Mauritanie a varié de près de 1 million 185 milles (L) aux prés
de 4 millions 505 milles (L), la quantité minimale consommé était enregistrée en octobre 2015
et la quantité maximale est enregistrée en novembre 2021. En moyenne la consommation
d’essence s’établit à 2 millions 546 milles 546 (L), avec une Médiane de près de 2 millions 339
milles (L). L’écart-type vaut 926777.
En examinent le tableau 6, on observe que la plus grande quantité moyenne d’essence vendue
par année a été enregistré en 2021 (près de 39 millions L), suivi par l’année 2020 (près de 34
La plus grande quantité moyenne vendue par période a été enregistré en Décembre (près de 2
millions 935 milles L), suivi par le mois de Juillet (près de 2 millions 930 milles L), et la plus
petite quantité moyenne vendue par période a été enregistré en Février (près de 2 millions L).
La plus grande variation entre les quantités vendues par période est leur moyenne vaut (1164382
en Septembre), suivi par (1097375 en Novembre), alors que la plus petite variation est (634931
en Février). La quantité minimale vendue par période est enregistré en Février (près de 1 million
250 milles L), suivi par (près de 1 millions 254 milles L) en septembre, alors que le plus grande
minimum quantité vendue par période a été enregistré en (près de 1 million 991 milles L) en
Août. La quantité maximale vendue par période a été enregistré en Novembre (prés de 4
millions 505 milles L), suivi par (près de 4 millions 407 milles L) en décembre, la plus petite
quantité maximum vendu par période a été enregistré en février (près de 3 millions 202 milles
L).
En examinent le tableau 9 on observe que la plus grande quantité moyenne de fioul vendue par
année a été enregistré en 2018 (près de 12 millions L), suivi par l’année 2017 (près de 11
millions L), et la plus petite quantité moyenne vendue par année été en 2021 (près de 8 millions
L). On remarque encore que la plus grande variation entre les quantités vendues (par mois) et
leur moyen c’été en 2018 (3729671,295), suivi par l’année 2021 (3350349,754), et la plus petite
variation été en 2015 (2165499,29). La quantité minimale de fioul vendue par année a été
enregistré en 2016 (près de 1 millions L), suivi par l’année 2021 (près de 1 millions L), alors
que la plus grande minimum quantité vendue par année a été enregistré en 2018 (près de 7
millions L). La quantité maximale de fioul vendue été en 2018 (près de 17 millions L), suivi
par l’année 2017 (près de 16 millions L).
La plus grande quantité moyenne vendu par période a été enregistré en octobre (près de 13
millions L), suivi par le mois de Juillet (près de 12 millions L), et la plus petite quantité moyenne
vendu par période a été enregistré en Janvier (près de 6 millions L). La plus grande variation
entre les quantités vendues par période est leur moyenne (5058509,017 en Juin), suivi par
(3269868 en Avril), alors que la plus petite variation est (1379837,05 en Mars). La quantité
minimale vendue par période est enregistré en Février (près de 1 millions L), suivi par (près de
2 millions L) en Avril, alors que la plus grande minimum quantité vendue par période a été
enregistré en Octobre (près de 9 millions L). La quantité maximale vendue par période a été
enregistré en Juillet (près de 17 millions L), suivi par (près de 16 millions L) en Aout, la plus
petite quantité maximale vendue par période a été enregistré en Janvier (près de 8 millions L).
La plus grande quantité moyenne vendu par période a été enregistré en Mars (près de 1 millions
231 milles L), suivi par le mois de Janvier (près de 1 millions 021 milles L), et la plus petite
quantité moyenne vendu par période a été enregistré en Août (près de 400 milles L). La plus
grande variation entre les quantités vendues par période est leur moyenne (1131062,40 en
Mars), suivi par (1086077.86 en Janvier), alors que la plus petite variation est (701837,95 en
Mars). La quantité minimale vendue par période était enregistré en Juillet (0 L), suivi par (19500
L) en Septembre, alors que le plus grande minimum quantité vendue par période a été enregistré
en Mars (261 milles L). La quantité maximale vendue par période a été enregistré en Octobre
(près de 2 millions 715 milles L), suivi par (près de 2 millions 560 milles L en Septembre), la
plus petite quantité maximum vendue par période était enregistré en Juin (près de 1 millions
829 milles L).
Nous allons étudier le comportement à long terme sur 7 ans pour essayer de détecter les
composantes décrivant ces séries chronologiques. La période considérée est celle allant du 1er
Janvier 2015 au 31 Décembre 2021. Nous avons fait des tests statistiques sur ces composantes.
50 000 000
45 000 000
40 000 000
35 000 000
30 000 000
25 000 000
20 000 000
15 000 000
10 000 000
5 000 000
0
janvier
octobre
janvier
octobre
janvier
octobre
janvier
octobre
janvier
octobre
janvier
octobre
janvier
octobre
avril
avril
avril
avril
avril
avril
avril
juillet
juillet
juillet
juillet
juillet
juillet
juillet
En examinent le figure 7, il semblerait que la série n’est pas tendancielle. On remarque encore
que notre série peut avoir des effets saisonniers, mais cela ne peut confirmer qu’avec les tests
de fisher.
5 000 000
4 500 000
4 000 000
3 500 000
3 000 000
2 500 000
2 000 000
1 500 000
1 000 000
500 000
0
octobre
octobre
octobre
octobre
octobre
octobre
octobre
janvier
janvier
janvier
janvier
janvier
janvier
janvier
avril
avril
avril
avril
avril
avril
avril
juillet
juillet
juillet
juillet
juillet
juillet
juillet
2015 2016 2017 2018 2019 2020 2021
18 000 000
16 000 000
14 000 000
12 000 000
10 000 000
8 000 000
6 000 000
4 000 000
2 000 000
0
juil
juil
juil
juil
juil
juil
juil
avr
avr
avr
avr
avr
avr
avr
janv
janv
janv
janv
janv
janv
janv
oct
oct
oct
oct
oct
oct
oct
En examinent le figure 9, il est difficile d’identifiée l'existence d'un de deux composantes qui
décrivent les séries temporelles (tendance et saisonnalité).
3 000 000
2 500 000
2 000 000
1 500 000
1 000 000
500 000
0
octobre
octobre
octobre
octobre
octobre
octobre
octobre
janvier
janvier
janvier
janvier
janvier
janvier
janvier
avril
avril
avril
avril
avril
avril
avril
juillet
juillet
juillet
juillet
juillet
juillet
juillet
2015 2016 2017 2018 2019 2020 2021
On remarque à travers la figure de la consommation de kérosène qu’il y'a des fortes fluctuations.
La consommation a été nul en mois de juillet (2021), alors que le caractère saisonnier et la
tendance parait difficile à confirmer ces présences graphiquement.
• Comme le fisher empirique 𝐹𝑐 = 0,30 est inférieure au fisher tabulé 𝐹𝑡 = 2. Donc la série
donc n’est affecté par une tendance.
• Règle de décision : non rejet de 𝑯𝟎 .
b. Test de l'influence du facteur ≪ mois ≫
• 𝑯𝟎 : les moyennes sont toutes égales (l'impact du facteur "mois" n'est pas significatif)
• 𝑯𝟏 : les moyennes ne sont pas toutes égales (l'impact du facteur "mois" est significatif,
Donc la série est affecté par une saisonnalité.
𝑣𝐴
• Calcul du Fisher empirique 𝐹𝐶 = 𝛼
que l'on compare au Fisher lu dans la table 𝐹𝑉1:𝑉2
𝑉𝑅
• Comme le fisher empirique 𝐹𝑐 = 0,03 est inférieure au fisher talibé 𝐹𝑡 = 2. Donc la série
donc n’est pas affecté par une par une saisonnalité.
• Règle de décision : non rejet de 𝑯𝟎 .
• Comme le fisher empirique 𝐹𝑐 = 2,99 est supérieure au fisher tabulé 𝐹𝑡 = 1,92, on rejette
H0, la série est donc affecté par une tendance.
• Règle de décision : non rejet de 𝑯𝟎 .
• 𝑯𝟎 : Les moyennes sont toutes égales (l’impact du Facteur « mois » n’est pas
significatif).
• 𝑯𝟏 : Les moyennes ne sont toutes égales (l’impact du Facteur « mois » n’est pas
significatif).
Saisonnalité
𝐹𝑐 0,12
𝐹𝑡 1,92
• Comme le fisher empirique 𝐹𝑐 = 0,12 est inférieure au fisher tabulé 𝐹𝑡 = 1,92, on ne rejette
pas 𝑯𝟎 , la série est donc n’est pas affecté par une saisonnalité.
• Règle de décision : non rejet de 𝑯𝟎 .
Tendance
𝐹𝑐 0,4
𝐹𝑡 1,92
• Comme le fisher empirique 𝐹𝑐 = 0,4 est inférieure au fisher tabulé 𝐹𝑡 = 1,92, on ne rejette
pas 𝑯𝟎 , la série est donc n’est pas affecté par une tendance.
• Règle de décision : non rejet de 𝑯𝟎 .
Saisonnalité
𝐹𝑐 0,3
𝐹𝑡 1,92
• Comme le fisher empirique 𝐹𝑐 = 0,3 est inférieure au fisher talibé 𝐹𝑡 = 1,92, on ne rejette
pas 𝑯𝟎 , la série est donc n’est pas affecté par une saisonnalité.
• Règle de décision : non rejet de 𝑯𝟎 .
Tendance
𝐹𝑐 0,22
𝐹𝑡 1,92
• Comme le fisher empirique 𝐹𝑐 = 0,22 est inférieure au fisher tabulé 𝐹𝑡 = 1,92, on ne rejette
pas 𝑯𝟎 , la série est donc n’est pas affecté par une tendance.
• Règle de décision : non rejet de 𝑯𝟎 .
Saisonnalité
𝐹𝑐 0,02
𝐹𝑡 1,92
• Comme le fisher empirique 𝐹𝑐 = 0,02 est inférieure au fisher tabulé 𝐹𝑡 = 1,92, on ne rejette
pas H0, la série est donc n’est pas affecté par une saisonnalité.
• Règle de décision : non rejet de 𝑯𝟎 .
Après avoir faire les tests de fisher sur l’existence de deux composantes de la série temporelle
(tendance et saisonnalité), et nous avons sorti de :
➢ La série de la consommation de gasoil n’est pas affecté par une tendance ni par une
saisonnalité.
➢ La série de la consommation d’essence est affecté par une tendance, mais elle n’est pas
affectée par une saisonnalité.
➢ La série de la consommation de fioul n’est pas affecté par une tendance ni par une
saisonnalité.
La stationnarité est la propriété de base des séries temporelles en économétrie en ce sens où elle
nous assure la stabilité des processus générateurs de nos séries dans le temps. Nous allons
utiliser le test de Dickey & Fuller augmenté (ADF) et le test Kwiatkowski Phillips-Schmidt-
Shin (KPSS) pour tester la stationnarité des variables. Pour le test ADF, on part du modèle le
plus global contenant le trend et la constante vers le plus restreint tout en appliquant à chaque
fois le test de racine unitaire dans le modèle. L’hypothèse nulle est celle de non stationnarité.
Si la statistique calculée et tabulée par Dickey & Fuller est supérieure à la valeur critique, on
ne rejette pas 𝑯𝟎 , c’est-à-dire que la série n’est pas stationnaire. Pour le test KPSS, l’hypothèse
nulle est 𝑯𝟎 : la série 𝑦𝑡 est stationnaire. Si la statistique calculée par KPSS est inférieure à la
valeur critique, on ne rejette pas 𝑯𝟎 , c’est-à-dire que la série est stationnaire.
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
• 𝑯𝟏 : il existe au moins un 𝑝𝑖 significativement différent de 0
Nous retenons que tous les processus ne sont pas des bruits blancs, mais la non stationnarité
des séries ne peut ce confirmé qu’avec les tests vus précédemment (D&F, D&F augmenté,
Phillip et Perron)
13.2. Test de Dickey et Fuller augmenté et la stratégie des tests de racine unitaire
M1 yt = ϕ1 yt−1 + 𝑎𝑡
La statistique 𝑡𝜙̂ = 0,977463 fournit par Eviews est inférieur aux seuils tabulés par Dickey et
Fuller pour le troisième modèle 𝑡𝑏 = 3,14, alors le coefficient de la tendance n’est pas
significatif au seuil de 5%. D’autre part (0,3314 > 0,05) c’est qui confirme que la série n’est
pas affecté par une tendance.
• Règle de décisions : non rejet de 𝑯𝟎 .
Alors l’estimation du modèle 3, montre que la série n’est pas affecté par une tendance.
La statistique 𝑡𝜙̂ = 3,611304 fournit par Eviews est supérieure au seuil tabulé par Dickey et
Fuller pour le deuxième modèle 𝑡𝑏 = 2,86, alors la constante est significative au seuil de 5%.
D’autre part (0,0005 < 0,05) ce qui confirme la significativité de la constante.
• Règle de décisions : rejet de 𝑯𝟎 , la constante est significative
La comparaison de la valeur de t − statistique, pour une marge d’erreur de 5%, nous conduit à
rejeter l’hypothèse nulle de non stationnarité en niveau (-2,898145 >-3,636563).
La statistique 𝑡𝜙̂ = 5,486347 fourni par Eviews est supérieure au seuil tabulé par Dickey et
Fuller pour le troisième modèle 𝑡𝑏 = 3,14, alors le coefficient de la tendance est significatif au
seuil de 5%. D’autre part (0,0000 < 0,05) ce confirme que la série est affecté par une tendance.
• Règle de décisions : rejet de 𝑯𝟎
DESSENCE
1,200,000
800,000
400,000
-400,000
-800,000
-1,200,000
-1,600,000
2015 2016 2017 2018 2019 2020 2021
On remarque à travers la figure 12, que les observations sont autours de la moyenne, la série de
consommation d’essence est semblé stationnaire après l’élimination de la tendance.
Test de Ljung-Box
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
• 𝑯𝟏 : il existe au moins un 𝑝𝑖 significativement différent de 0
t-Statistic Prob.*
La statistique 𝑡𝜙̂ = 0,194419 fourni par Eviews est inférieur aux seuils tabulés par Dickey et
Fuller pour le troisième modèle 𝑡𝑏 = 3,14, alors le coefficient de la tendance n’est pas
significatif au seuil 5%. D’autre part (0,8464 > 0,05) ce qui confirme que la série n’est pas
affecté par une tendance.
• Règle de décisions : non rejet de 𝑯𝟎
Alors l’estimation du modèle 3, montre que la série n’affecte pas d’une tendance.
La statistique 𝑡𝜙̂ = 3,768277 fourni par Eviews est supérieure aux seuils tabulés par Dickey et
Fuller pour le deuxième modèle 𝑡𝑏 = 2.86, alors la constante est significative au seuil de 5%.
D’autre part (0,0003 < 0,05) ce qui confirme la significativité de la constante.
• Règle de décisions : rejet de 𝑯𝟎 , la constante est significative.
Avant de mettre en œuvre la stratégie de test de Dickey et Fuller, nous avons effectué une
transformation logarithmique pour diminuer l’effet de forte variation des observations.
• 𝑯𝟎 : b = 0 (le coefficient de la tendance n’est pas significatif)
• 𝑯𝟏 : b ≠ 0 (le coefficient de la tendance est significatif)
La statistique 𝑡𝜙̂ = − 2,706949 fourni par Eviews est inférieur aux seuils tabulés par Dickey et
Fuller pour le troisième modèle 𝑡𝑏 = 3,14, alors le coefficient de la tendance est significatif au
seuil de 5%. D’autre part (0,0084 < 0,05) ce confirme que la série n’est pas affecté par une
tendance.
• Règle de décisions : rejet de 𝑯𝟎
Tableau 33 : Résultats de l’estimation du modèle 3 (série de kérosène)
Null Hypothes is : DHKEROSENE has a unit root
Exogenous : Cons tant, Linear Trend
Lag Length: 0 (Autom atic - bas ed on SIC, m axlag=11)
t-Statistic Prob.*
14
13
12
11
10
9
2015 2016 2017 2018 2019 2020 2021
❖ Les quatre séries de la consommation de produits pétrolier raffinés sont pas des bruits
blancs.
❖ Les deux séries (gasoil, et fioul) de la consommation de produits pétrolier raffinés sont
stationnaire.
❖ La séries de la consommation d’essence et kérosène sont de type TS.
• AR (1)
• AR (4)
• MA (1)
• MA (2)
• MA (3)
Les deux fonctions d’autocorrélation simple et partielle sont décroissantes de façon sinusoïdale,
en plus on remarque deux pics significatifs au niveau de la fonction d’autocorrélation partielle
(AR) et trois pic successif significatifs au niveau de la fonction d’autocorrélation simple (MA).
• ARMA (1, 1)
• Les deux fonctions d’autocorrélation simple et partielle décroissent de façon sinusoïdale
et on observe deux pics significatifs l’un au niveau de la fonction d’autocorrélation
simple au retard 1 (MA), et l’autre au niveau de la fonction d’autocorrélation partielle
au retard 1 (AR).
• AR (1)
• AR (3)
• MA (1)
• MA (2)
• MA (3)
Les fonctions d’autocorrélation simple et partielle sont décroissantes d’une façon sinusoïdale,
on a des pics significatifs au niveau de la fonction d’autocorrélation partielle aux retardes (1, et
3) puis, on a trois pics successif significative au niveau de la fonction d’autocorrélation simple
au retard (1, 2 et 3).
• AR (1)
• MA (1)
• MA (2)
• MA (3)
• MA (4)
• MA (5)
On remarque que la fonction d’autocorrélation simple décroit d’une façon sinusoïdale, il y’a 5
pics successif significatifs du retard 1 à 5. Puis nous avons un pic significatif au niveau de la
fonction d’autocorrélation simple aux retardes 1.
L’étape de l’estimation se repose sur l’estimation des coefficients des modèles par la méthode
de moindre carrée ordinaire, on compare les estimations lorsque les coefficients sont
significatifs en suivant les critères de AIC et SCH.
On remarque que le meilleur modèle qui minimise les deux critères (AIC ET SCH) est celui
de AR (1).
On remarque que le meilleur modèle les critères (AIS et SCH) est le modèle AR (1).
Après avoir comparer les critères de chacune des modèles identifiés nous pouvons résumer les
modèles retenus :
La phase de validation du modèle est très importante et nécessite le plus souvent un retour à la
phase d’identification. Cette étape passe par une boucle de test afin de vérifier les paramètres
des modèles :
1. Les coefficients des modèles : doivent être significativement différents de 0 (le test du
t de Student s’applique de manière classique). Si un coefficient n’est pas
significativement différent de 0, il convient d’envisager une nouvelle spécification
éliminant l’ordre du modèle AR ou MA non valide.
2. L’analyse des résidus : si les résidus obéissent à un bruit blanc, il ne doit pas exister
d’autocorrélation dans la série et les résidus doivent être homoscédastiques. Les tests
suivants peuvent être utilisés.
2.1. Test de Box-Pierce et Ljung-Box
2.2. Le test de ARCH d’hétéroscédasticité.
On remarque les probabilités sont inférieurs à 0,05 ce qui confirme la significativité des
coefficients.
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
• 𝑯𝟏 : il existe au moins un 𝑝𝑖 significativement différent de 0
❖ Les résidus de l’estimation du modèle AR (1) : Nous nous apercevons que aucun terme
du corrélogramme simple est extérieurs de l'intervalle de confiance. Les résidus sont
des bruits blancs. La statistique Q de Ljung-Box (la seule calculée par Eviews) confirme
2
ce fait : Q-Stat = 27,871 (au retard k = 30) < 𝜒0.05, 30 = 43,773 on accepte l'hypothèse
de nullité des coefficients 𝑝𝑘 (la probabilité critique de ce test est indiquée 𝛼𝑐 sont tous
> 0,05, donc on accepte H0). Les résidus sont des bruits blancs.
• Règle de décisions : non rejet de 𝑯𝟎 .
Le test de Jarque et Bera (1984), fondé sur la notion de Skewness (asymétrie) et de Kurtosis
(aplatissement), permet de vérifier la normalité d’une distribution statistique.
• 𝑣1 ≠ 0 ou 𝑣2 ≠ 0
1/2
|𝛽1 − 0| 0,662858 |𝛽2 − 3| |4,230390− 3|
𝑣1 = 6
= 6
= 2.4354 et 𝑣2 =
24
=
24
= 2,60
√ √ √ √
𝑛 81 𝑛 81
12
Series: Residuals
Sample 2015M01 2021M09
10
Observations 81
8 Mean 0.002858
Median -0.001817
6 Maximum 0.457836
Minimum -0.276722
Std. Dev. 0.136392
4
Skewness 0.349392
Kurtosis 3.617303
2
Jarque-Bera 2.934097
0 Probability 0.230605
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 0.4
Source : Calcul de l’auteur, Eviews, 2022
On remarque les probabilités sont inférieurs à 0,05 ce qui confirme la significativité des
coefficients.
16.2.2. Test de Box-Pierce Ljung-Box
8 Mea n 1143.884
Media n 33817.09
6 Ma ximum 1286118.
Minimum -1376054.
Std. Dev. 422761.2
4
Skewnes s -0.091685
Kurtos is 4.057271
2
Ja rque-Bera 3.886136
0 Proba bility 0.143264
-1000000 -500000 0 500000 1000000
Source : Calcul de l’auteur, Eviews, 2022
• H0 : la distribution des résidus est normale
• H1 : la distribution des résidus n’est pas normale
• On remarque que la probabilité de Jarque et Bera est inférieur à 0,05, ce qui signifie
que la distribution est non normale.
• Règle de décision : non rejet de H0.
14
Series: Residuals
12 Sample 2015M01 2021M09
Observations 81
10
Mean 19170.24
8 Median 267190.8
Maximum 4635402.
6 Minimum -7432076.
Std. Dev. 2462468.
4 Skewness -0.512136
Kurtosis 3.155030
2
Jarque-Bera 3.621941
0 Probability 0.163495
-6000000 -4000000 -2000000 0 2000000 4000000
Source : Calcul de l’auteur, Eviews, 2022
D’autre part, nous avons appliqué la méthode de Box et Jenkins pour prévoir la consommation
de produits pétroliers raffinées. Cette méthode base sur l’utilisation des modèles autorégressif
et moyenne mobile (ARMA) linéaire et stationnaire. L’application de cette méthode passe par
4 étapes principale afin de vérifier la stationnarité des chacun des variables et en enlever les
coefficients saisonniers s’ils existent. La première étape est fondée sur l’identification des
modèles a partie de la représentation graphique des fonctions des autocorrélations simple et
partielle. La deuxième étape consiste à estimer les coefficients des modèles identifiées et vérifié
leur significativité. La troisième étape est le plus important qui consiste à valider les modèles
estimés à partir des boucles de tests, afin de faire cette dernière prévision qui est la dernière
étape.
Ces différents résultats permettent de ressortir le rôle important que joue l’analyse de
l’évolution de la consommation de produits et prévision. L’SMH, devrait également recruter
des statisticiens capables de collecter, traiter, et analyser les données, spécifiquement les
données temporelles qui sont le plus utilisé dans ce domaine, l’analyse de cette dernière
permettent de maitriser la demande et l’offres des produits pétroliers raffinées, ainsi que le
stock. L’SMH, doivent encore collaborer avec les stagiaires et leur offrir les données possibles
afin qu’ils puisent contribuer au développement de la société.
[3] Bresson, G. & Pirotte, A. (1995), "Économétrie des séries temporelles : théories et
[4] Charpentier, A. (2004), "Cours de séries temporelles théories et applications, vol 2 ".
[5] Bressoux, P. (2008), "Modélisation statistique appliquée aux sciences sociales". Edition de
Boeck université.
250000000
200000000
150000000
100000000
50000000
25000000
20000000
15000000
10000000
5000000
100000000
80000000
60000000
40000000
20000000
0
janv fevr mars avr mai juin juil août sept oct nov déc
10000000,00
9000000,00
8000000,00
7000000,00
6000000,00
5000000,00
4000000,00
3000000,00
2000000,00
1000000,00
0,00
janv fevr mars avr mai juin juil août sept oct nov déc
T–1 Variance 𝑠𝐴
𝑉𝐴 =
̅̅̅̅. )2
𝑆𝐴 = 𝑃 ∑(𝑥̅ 𝑖. −𝑥.
Année 𝑇−1
𝑗
(P – 1) × (T – 1) Variance 𝑣𝑅
𝑠𝑅
Residue =
SR=∑ ∑𝑗(𝑋𝑖𝑗 − ̅̅̅̅
𝑋𝑖.− ̅̅̅̅
𝑋. 𝑗 + ̅̅̅̅
𝑋. . )2 (𝑇 − 1) × (𝑃 − 1)
𝑖