PFE Promotion1 PDF

République Islamique de Mauritanie
**************
Honneur – Fraternité – justice

*****************
Société Mauritanienne des Hydrocarbures Institut Supérieur des Métiers de la Statistique
Mémoire
______________________________________________________
En vue de l’obtention du diplôme de licence professionnelle en Statistique
Option : Statistique appliquée à l’économie
_____________________________________________________
Thème
Analyse et prévision de la consommation des

hydrocarbures liquides sur la zone sud
Réaliser par : Encadré par : Sous la supervision de :

Ahmed Salem / Ahmed BOUSSAT M. Mohamed Abdellahi HABIBOULLAH Mr Abderrahmane OUBEED
Année académique
2021/2022
DÉDICACE
Je dédie ce modeste travail à :
Avant tous à mes chers parents.
Mes dédicaces s’adressent également à mes chers frères.
À toutes mes sœurs.

REMERCIEMENTS
Avant d’entamer ce rapport de stage, permettez-moi, de commencer par les remerciements, à

ceux qui m’ont beaucoup appris au cours de ce stage, et même à ceux qui ont eu la gentillesse
de faire de ce stage un moment très profitable, et particulièrement le chef de département
contrôle de gestion et audit de la Société Mauritanienne des Hydrocarbures, Mr. Amar, le chef
service audit, Mr. Mohamed Abdellahi HABIBOULLAH, pour l’encadrement et
l’accompagnement tout au long de cette période de stage avec beaucoup de patience et de
pédagogie. Par la même occasion, nous remercions aussi, toute l’équipe de contrôle, de gestion
et d’audit pour l’assistance de valeur qui m’ont donné tout au long de ce stage.
Je tiens à exprimer ma profonde gratitude et ma sincère reconnaissance à Mr. Abderrahmane
OUBEID pour la qualité de son encadrement, sa bienveillance, ses critiques, ses suggestions et
ses précieux conseils tout au long de la réalisation de ce travail.
Je tiens également à remercier vivement le directeur de l’ISMS Mr. Brice DONGMEZO pour
ses précieuses idées, ses disponibilités ainsi que pour ses conseils judicieux.
Ces remerciements ne seraient pas complets sans une pensée sur tous mes enseignants ayant
contribué à ma formation scolaire ainsi pour mes amis pour m’avoir aidé et encouragé, et tout
l’équipe de l’ISMS.
I
DÉCHARGE
L’institut supérieur des Métiers de la statistique et la société Mauritanienne des

hydrocarbures, n’entendent donner aucune approbation, ni improbation aux
opinions émises dans ce mémoire.
Ces opinions doivent être considérées comme propre à leur auteur.
Contacte de l’auteur :
Email : medsalum4194@gmail.com
Téléphone : + 222 41949011
II
LISTE DES ABRÉVIATIONS
SMH : Société Mauritanienne des Hydrocarbures.

AR (p) : modèle autorégressif d’ordre p.
MA (q) : moyen mobile d’ordre q.
ARMA (p, q) : modèle autorégressif et moyen mobile.
B&J : Box et Jenkins.
MPME : Ministère de pétrole, des Mines et d’Energie.
TS : tendance déterministe.
DS : tendance stochastique.
D&W : Dirbain et Watson
D &F : Dickey et Fuller
ISMS : Institut supérieur des Métiers de la Statistique
MCO : Méthode de moindre carrées ordinaire
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
Figure 1 : Évolution en volume de la consommation de Gasoil .............................................. 17

Figure 2 : Évolution en volume de consommation d’essence .................................................. 19
Figure 3 : Évolution en volume de la consommation de fioul ................................................. 20
Figure 4 : Évolution en volume de la consommation de kérosène ........................................... 22
Figure 5 : Schéma de stratégie simplifiée des tests de racine unitaire ..................................... 33
Figure 6 : Résumer des étapes de méthode de Box et Jenkins ................................................. 41
Figure 7 : Évolution mensuelle de la consommation de gasoil ................................................ 51
Figure 8 : Évolution mensuelle de la consommation d’essence............................................... 52
Figure 9 : Évolution mensuelle de la consommation de fioul .................................................. 52
Figure 10 : Évolution mensuelle de la consommation de kérosène ......................................... 53
Figure 11 : Graphe de la série après l’élimination de la tendance (série d’essence) ................ 65
Figure 12 : La série après l’élimination de la tendance (série de kérosène) ............................ 70
Figure 13 : La distribution des résidus (série de gasoil) .......................................................... 81
Figure 14 : La distribution des résidus (série d’essence) ......................................................... 84
Figure 15 : Distribution des résidus (série de fioul) ................................................................. 87
Figure 16 : Distribution des résidus (série de kérosène) .......................................................... 89
Figure 17 : les profiles annuels de la consommation de gasoil ................................................ 94
Figure 18 : les profiles annuels de la consommation d’essence ............................................... 94
Figure 19 : les profiles annuels de la consommation de fioul .................................................. 95
Figure 20 : les profiles annuels de la consommation de kérosène ........................................... 95
VII
LISTE DES TABLEAUX
Tableau 1 : Schéma d’identification des modèles .................................................................... 36

Tableau 2 : Indicateur statistique de la consommation de gasoil ............................................. 44
Tableau 3 : Indicateurs statistiques de la consommation de gasoil sur les périodes ................ 45
Tableau 4 : Indicateur statistique de la consommation de gasoil sur les années ...................... 45
Tableau 5 : Indicateur statistique de la consommation d’Essence ........................................... 46
Tableau 6 : Indicateur statistique de la consommation d’essence sur les années..................... 46
Tableau 7 : Indicateurs statistiques de la consommation d’essence sur les périodes ............... 47
Tableau 8 : Indicateur statistique de la consommation du fioul ............................................... 48
Tableau 9 : Indicateur statistique de la consommation de fioul sur les années ........................ 48
Tableau 10 : Indicateurs statistiques de la consommation de fioul sur les périodes ................ 49
Tableau 11 : Indicateurs statistiques de la consommation du kérosène ................................... 49
Tableau 12 : Indicateurs statistiques de la consommation de kérosène sur les périodes ......... 50
Tableau 13 : Indicateur statistique de la consommation de kérosène sur les années ............... 50
Tableau 14 : Fisher empirique et tabulé de la consommation de gasoil (tendance) ................. 54
Tableau 15 : Fisher empirique et tabulé de la consommation de gasoil (saisonnalité) ............ 54
Tableau 16 : Fisher empirique et tabulé de la consommation d’essence (tendance) ............... 55
Tableau 17 : Fisher empirique et tabulé de la consommation d’essence (saisonnalité) ........... 55
Tableau 18 : Fisher empirique et tabulé de la consommation de fioul (tendance) ................... 56
Tableau 19 : Fisher empirique et tabulé de la consommation de fioul (saisonnalité) .............. 56
Tableau 20 : Fisher empirique et tabulé de la consommation de kérosène (tendance) ............ 57
Tableau 21 : Fisher empirique et tabulé de la consommation de kérosène (saisonnalité) ....... 57
Tableau 22 : Corrélogramme de la série de consommation de gasoil ...................................... 58
Tableau 23 : Corrélogramme de la série de consommation d’essence..................................... 59
Tableau 24 : Corrélogramme de la série de consommation de fioul ........................................ 59
Tableau 25 : Corrélogramme de la série de consommation de kérosène ................................. 60
Tableau 26 : Résultat de l’estimation par MCO du modèle 3 (série de gasoil) ....................... 62
Tableau 27 : Résultat de l’estimation par MCO du modèle 2 (série de gasoil) ....................... 63
Tableau 28 : Résultat de l’estimation par MCO du modèle 3 (série d’essence) ...................... 64
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
Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 1

l’exploration, de l’exploitation, du développement et de la commercialisation ». En décembre
2016, le solde du compte du (FNRH) de Mauritanie était de 79,63 millions de dollars, soit un
peu plus de 27 milliards d’ouguiyas (selon le rapport national du mois de janvier produit par les
autorités mauritaniennes). Dans le cadre de l’exploitation pétrolière, le territoire et la zone
économique exclusive mauritanienne a été subdivisé en 104 blocs de pétrole dont six blocs de
pétrole offshore sont attribués. Depuis Chinguetti, plusieurs autres découvertes ont été réalisés
en Mauritanie, banda en 2002, pelican et tiof en 2003, en 2004 tevet et faucon en 2005. bien
que le pétrole constitue la troisième source de recettes d'exportations, il est en baisse constante
depuis le démarrage de la production. En 2015, la découverte d’un important gisement de gaz
naturel par la société d’exploration et de production en eaux profondes, kosmos. Le champ de
gaz naturel liquéfié (GNL) de tortue, au large de la Mauritanie s’inscrit dans le cadre de
développement innovant et transfrontalier du projet (GTA), ahmyim situé à la frontière
maritime entre la Mauritanie et le Sénégal.
Actuellement, il n'existe pas de raffinage de produits pétroliers en Mauritanie, et ces derniers
sont tous importés à l'état raffiné depuis l’indépendance, principalement d’Algérie. Les produits
pétroliers représentent 15 à 25%4 des importations nationales de marchandises selon les années,
soit un marché de plus de 400 millions de dollars.
1. Problématique
L’analyse de la consommation de produits pétroliers raffinés, fait l’objet de plusieurs études,

qui se sont intéressées à l’évolution de la consommation. Ces analyses sont basées sur une
vision statistique, fondé sur l’évolution du marché des hydrocarbures et la prévision de la
consommation de produits pétroliers raffinés sur une période donnée à partir des observations
passées.
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

La réponse à la problématique passe inévitablement par le traitement de certaines questions
intermédiaires à savoir :
• Quel est l’évolution en quantité de la consommation de produits pétroliers raffinées en
Mauritanie (zone Sud) ?
• Quelles sont les secteurs dépendante la consommation de produits pétroliers raffinées
en Mauritanie (zone Sud) ?
• Comment prévoir avec le plus d’exactitudes la consommation de produits pétroliers
raffinées en Mauritanie (zone Sud) ?
2. Objectifs et hypothèses de l’étude
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
raffinés entre 2015 et 2021.
• Spécifier les facteurs clé à la hausse consommation de produits pétroliers raffinés.
• Mettre sur pied un modèle de prévision de vente à court terme pour prévoir la
consommation mensuelle des hydrocarbures liquides.
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).
Notre plan est constitué de :
Chapitre 1 : la consommation de produits pétroliers raffinées
Chapitre 2 : méthodologie et modèle ARMA
Chapitre 3 : Analyse des variables
Chapitre 4 : application de la méthode de Box et Jenkins.

PRESENTATION DU LIEU DE STAGE
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.
Les missions assignées à la SMH
❖ Exercice de toutes les activités pétrolières et gazières y compris l’exploration,

l’évaluation, le développement, la production, le stockage, le transport, le traitement, le
raffinage, la transformation, la commercialisation, l’exportation, l’importation, et la
distribution des hydrocarbures qu’ils soient bruts, conditionnées ou raffinés ainsi que
leur dérivés, et c’est sur tout le territoire de la République Islamique de Mauritanie et
dans la zone économique exclusive placées sous sa juridiction, conformément au droit
international en vigueur et ce pour son propre compte, pour le compte de l’Etat ou pour
le compte de tiers.
A cet effet, la Société Mauritanienne des Hydrocarbures (SMH) peut demander l’octroi
des contrats pétroliers à elle-même, à ses filiales ou en partenariat avec des société
pétrolières.
❖ La construction, l’exploitation et la gestion des dépôts, infrastructures, installations et
équipements d’entreposage de tous produits pétroliers y compris les carburants pour
aviation.
❖ La construction, l’exploitation et la gestion des infrastructures, installations et
équipements de réception, de transport par pipeline ou par moyens mobiles, de mis à
bord et de transfert par pipeline ou par moyens mobiles de tous produits pétroliers y
compris les carburants pour aviation.
❖ Toute opération en relation avec ou utile pour la gestion des dépôts, des installations et
équipements de réception, ou par moyens mobiles de tous produits pétroliers y compris
les carburants pour aviation.
❖ La représentation de l’Etat et la gestion des participations de celui-ci dans les contrats
pétroliers.

❖ L’assistance technique au profit de l’Etat et au tiers de l’exercice de tous services
pétroliers et parapétroliers telle la logistique, les études et ingénierie, les forages, la
gestion et le suivi des projets.
❖ La réalisation de toutes opérations commerciales, industrielles, mobilières,
immobilières, et financières se rapportant directement ou indirectement à l’objet de la
société ou susceptibles d’en faciliter la réalisation ou l’extension.
❖ Conseil et assistance à l’Etat dans les secteurs Amont at Aval des hydrocarbures,
notamment : le suivi et la supervision, à la demande de l’Etat, des opérations
pétrolières ;
La conduite, à la demande de l’Etat, des audits des couts encourus par les opérateurs
pour les opérations pétrolières dans le cadre des contrats pétroliers ; la
commercialisation de la part de l’Etat dans les hydrocarbures bruts extraits des
gisements pétroliers ; le développement et la formation des ressources humaines dans
les différentes branches des industries pétrolières et les activités connexes ; la fourniture
d’avis au Ministère chargé des hydrocarbures par apport à tous plans d’évaluation, de
développement, de construction et d’exploitation soumis par les opérateurs pour les
découvertes pétrolières ainsi que pour les raffineries, usines, dépôts, et infrastructures
de transformation, de stockage et/ou de transport d’hydrocarbures. A cet effet, le
Ministère chargé des hydrocarbures transmet pour avis lesdits plans à la SMH ; l’Etat
peut solliciter l’avis de la SMH sur toutes questions techniques, environnementales,
économique, ou juridiques liées à l’objet de celle-ci.
❖ La SMH peut créer des filiales ou prendre des participations dans des entreprises dont
les activités se rapportent aux secteurs de son objet et aux secteur connexes. Elle peut
également crée des représentations à l’étranger, seul ou en association
La Direction Générale
La Direction Générale est en charge de la mise en œuvre de la stratégie de la SMH et de son

actionnaire unique : l’Etat Mauritanien.
Les Conseillers et Chargés de Mission
Ils interviennent sur diverses missions sur le mandat de la Direction Générale.
Le Département Contrôle de Gestion et Audit

Le Département Contrôle de Gestion et Audit a pour mission la réalisation des missions d’audit
interne au sien de la SMH, et des missions d’audit externe, au nom de l’Etat, des couts pétroliers
engagés par les opérateurs. Il réalise le suivi des cash call reçus ainsi que le suivi des dépenses
quotidiennes engagés par SMH. Il réalise aussi un tableau de bord mensuel destiné à la
Direction Générale.
Le Département Juridique
Le département Juridique a pour mission le conseil à la Direction Générale et l’assistance aux

autres Directions de la SMH en matière de droits des affaires (notamment sur les passations de
marché), et le droit des contrats pétroliers.
Le Département HSE
Le Département Hygiène, Sécurité et Environnement a pour mission d’assurer le suivi des

questions relatives à l’environnement à travers la Commission Environnementale. Il assure
aussi le respect des règles en matière de sécurité et de sureté au sien de la SMH en intervenant
de façon transverse auprès des différents Directions.
Le Département Commercial et Prestations
Le Département Commercial et prestations a pour mission de commercialiser la part de la

production de la SMH ainsi que la part revenant à l’Etat. Il est l’interface entre la SMH et les
opérateurs de marché (traders / clients finaux), et est en charge de la définition de la stratégie
de commercialisation. Ce département ne dispose pas de services rattachés.
La Direction de l’Amon Pétrolier
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 Pétroliers
La Direction de l’Aval Pétrolier a pour mission de stocker les quantités de gasoil, d’essence,
fioul et kérosène.

La Direction Administrative
La Direction Administrative a pour mission d’assurer la gestion administrative de la SMH,

notamment sur de kérosène et de fioul, destinées à l’approvisionnement de la zone Sud du pays.
Cette Direction ne fait ainsi que stocker, distribuer et de réguler les produits carburants.
Les questions liées aux ressource humaines et aux moyens généraux.
La Direction Economique et Financière
La Direction Economique et Financière est en charge de la tenue de la comptabilité et la gestion

de trésorière.

Partie 1 :
La consommation des produits pétroliers
raffinés en Mauritanie (zone sud) et modèle
théorique

Chapitre 1
LA CONSOMMATION DES PRODUITS PETROLIERS RAFFINÉS
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. Secteur pétroliers et gazeux en Mauritanie
3.1.Le pétrole
La Mauritanie possède deux bassins sédimentaires susceptibles de contenir des

hydrocarbures : le bassin de Taoudenni (500 000 km²) et le bassin côtier (180 000 km²). Les
recherches durent depuis 1960 sans production ni découverte exploitable jusqu'à présent, sauf
dans le cas de Chinguetti. En 2010, une vingtaine d'entreprises pétrolières y opéraient, dont
certaines avaient signé des contrats de partage de production avec le gouvernement. Chinguetti
fut mis en production en 2006 par la compagnie australienne « Woodside Energy ». La
production initialement de 40 000 barils par jour chute rapidement à moins de 15 000 barils par
jour en 2011. Au total, la durée de vie du gisement est estimée à dix ans ; les réserves
récupérables sont actuellement estimées à 120 millions de barils. En 2007, « Woodside
Energy » céda tous ses droits en Mauritanie à la société Malaisienne « Petronas », qui a
commercialisé en 2011 tout le pétrole Mauritanienne, dont l'intégralité est exportée en l'absence
de structures de raffinage locales. L'État mauritanien participe à hauteur de 12% dans le
consortium.

3.2.Gaz naturel
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.
3.3.Importation et exportation des produits
Actuellement, Il n'existe pas de raffinage de produits pétroliers en Mauritanie, et tous les

produits sont importés à l'état raffiné, principalement d'Algérie. Une raffinerie d'une capacité
de 20 000 barils par jour à Nouadhibou, qui ne fonctionne plus depuis 2001, était apparemment
en cours de réhabilitation en 2011. Les produits pétroliers représentent 15 à 25% des
importations nationales de marchandises selon les années, soit un marché de plus de 400
millions de dollars. Les activités d'importation d’hydrocarbures sont régulées par une
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.

Ordonnance de 2002.7 Celle-ci prévoit que la Commission nationale des hydrocarbures estime
les besoins du pays en hydrocarbures, lance les appels d'offres internationaux et sélectionne les
fournisseurs de produits pétroliers pour l'ensemble du pays, généralement au moyen de contrats
de deux ans stipulant les formules de détermination des prix, les quantités, et les stocks de
sécurité minimum à détenir. Durant cette période, les seules importations autorisées sont celles
réalisées par des importateurs agréés dans le cadre du contrat issu de l'appel d'offres. De
nombreux articles de presse décrivent les irrégularités et la manque de transparence des
procédures d'octroi desdits contrats. La distribution de produits pétroliers doit être
préalablement agréée par le MPEM (Ministère de Pétrole, des Mines et d’Energie). Le
distributeur est tenu d'effectuer un certain niveau d'investissement dans le pays, y compris la
création de deux stations-service par an. En 2010, six entreprises étaient impliquées dans la
distribution de détail du carburant dont les principales sont : STAR (46% des ventes, 102
stations-service), NAFTEC (18%, 160 stations-service), et TOTAL (14%, 65 stations-service).
La distribution est concentrée dans la capitale (Nouakchott), qui compte 137 stations-service
sur les 370 du pays. Le distributeur doit aussi entrer dans le capital de la Société mauritanienne
d'entreposage en produits pétroliers (MEPP). La MEPP est l'établissement chargé de
l'entreposage, du stockage et du transport des hydrocarbures en Mauritanie, notamment à
Nouakchott où elle gère les dépôts de produits pétroliers. A Nouadhibou, c'est la Société
mauritanienne des industries de raffinage (SOMIR) qui effectue le stockage, en échange d'une
rémunération par tonne stockée qui serait reversée à la MEPP. La MEPP appartient à la Société
de commercialisation des produits pétroliers (SMCPP), société d'économie mixte dont 40% du
capital appartient à des partenaires privés nationaux et étrangers. Selon certains observateurs,
ces sociétés sont donc des structures en partie privées qui exploitent des infrastructures
publiques au détriment des consommateurs.8 Les deux tiers environ des produits pétroliers
importés sont vendus aux particuliers, le reste étant acheté par les trois plus importantes
industries du pays : la SNIM (voir ci-dessous) qui les utilise pour produire sa propre énergie
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.

afin de faire fonctionner les usines d'extraction de minerai de fer; la SOMELEC, dont les
centrales thermiques produisent une partie de l'électricité du pays; et la SOMAGAZ.
Une taxe sur les produits pétroliers est prélevée sur les hydrocarbures liquides raffinés à
l'exclusion du carburant destiné à l'aviation.9 Sont passibles d'une taxe dite "taxe sur marge de
société", l'essence auto ordinaire et le super. Les produits livrés aux navires de haute mer, aux
bateaux de pêche pour la consommation en mer ou aux avions commerciaux sont toutefois
exonérés.10 Les hydrocarbures sont soumis aux droits de douane et à la TVA lors de leur
importation. Cependant, les importations de produits pétroliers des sociétés minières (SNIM,
Tasiast) sont exemptes de tous droits et taxes, y compris de la TVA. Les prix de détail du
carburant atteignaient environ 340 ouguiyas (1,2 dollars EU) le litre pour l'essence, alors que
celui du gasoil était de 277 ouguiyas (environ 1 dollar EU).
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.

par les quantités de brut ou de pétrole non conventionnel faisant l’objet d’une combustion
directe. Il s’agit donc de la demande hors stocks12
4.1.Les secteurs dépendants de la consommation des hydrocarbures liquides
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.
4.1.1. Secteur de transport :
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

avec les camions de plus gros volume. Plusieurs explications peuvent être retrouvées
dans la littérature économique et énergétique expliquant la forte croissance du transport
de marchandises dans le monde particulièrement venant du camionnage. Tout d’abord,
il y a une corrélation indéniable entre la croissance économique d’une région et
l’accroissement de la demande de service de transport. La demande en énergie n’est pas
une demande directe, on demande un service de transport qui provient d’un
accroissement de l’activité économique. Barla & al. (2014) et plusieurs autres
recherches démontrent que la demande de carburant a une élasticité-revenu positive.
Plus les consommateurs ont un revenu élevé, plus la demande en transport est élevée.
Plus une économie possède un niveau de croissance de son PIB élevé, plus le transport
sera demandé. La croissance de l’économie mondiale a atteint des records historiques
au cours de la décennie 2000, autant pour les pays développés que ceux en
développement, motivant ainsi la demande de transport.
• Transport aérien : Ce mode de transport semble avoir particulièrement pâti de problèmes
de gouvernance depuis 2002. Fin 2007, en parallèle avec la liquidation de la compagnie
publique Air Mauritanie, eut lieu le lancement de Mauritanien Airways, dont Tunis Air
détient 59% du capital. En septembre 2007, les deux avions d'Air Mauritanie avaient
été saisis à Paris pour non-paiement des dettes de la Société. Le gouvernement annonça
ensuite en janvier 2011 la création de la nouvelle société de transport aérien,
Mauritanienne Airlines International (MAI) avec l'acquisition de trois avions15. Les
voyages d’Air-Mauritanienne interne entre Nouakchott, Nouadhibou, Zouerate, Atar et
Néma plus le Mouvement militaire aérienne du G5-Sahel, Atar, etc. qui ont contribué à
la hausse demande de kérosène. En plus les voyages d’Air-Mauritanienne externe qui
sont presque journalier.
4.1.2. Secteur industriel
Le secteur industriel a lui aussi particulièrement influencé la consommation de diesel au

cours des dernières années par le biais de sa demande en transport, mais aussi par une utilisation
plus répandue de ce carburant dans ses activités. En 2021, selon ressource naturel
Mauritanienne, ce secteur représentait 32% de la consommation des carburants total au
Mauritanie, derrière le transport, réparti dans cinq grands secteurs ; la construction, l’industrie
15
Article du CRIDEM du 19 octobre 2010. Adresse consultée http://www.cridem.org/
C_Info.php?article=48457.

du raffinage pétrolier, l’exploitation forestière, l’exploitation minière et une catégorie
regroupant les autres secteurs manufacturiers.
4.1.3. Secteur d’électricité
L'important déficit de la production d'électricité en Mauritanie limite non seulement la

demande des consommateurs, mais également l'essor des nouveaux projets miniers. La
Mauritanie possède six centres thermiques qui se fonctionne par le carburant fioul :
• La centrale d’Arafat 1 : Les six groupes au fuel lourd de la centrale d’Arafat 1 ont
maintenant tous plus de 10 ans, et une puissance installée de 7 MW chacun, ce qui
correspond à un total de 42 MW.
• La centrale d’Arafat 2 : La centrale d’Arafat 2 est composée de sept groupes en container
au fuel lourd de 1,5 MW chacun, soit un total de 10,5 MW.
• La centrale de Wharf : La centrale de Wharf est une centrale qui a été construite dans le
cadre d’un plan d’urgence pour satisfaire La demande croissante du réseau
interconnecté. Elle comporte 9 groupes au fuel lourd de 4 MW de puissance installée
chacun, soit un total de 36 MW.
• La centrale de Ksar : Les groupes de 1 MW de la centrale de Ksar ont déjà près de 5 ans
de fonctionnement, ce qui est déjà bien pour des groupes au gasoil de cette taille.
• La centrale Duale : La construction de la centrale Duale a déjà démarré. Elle devrait être
équipée de 12 groupes de 15 MW de puissance installée chacun, pour une puissance
installée totale de 180 MW. La mise en service était en 2015. Comme son nom l’indique,
cette centrale fonctionne au fuel lourd.
5. Etude de la consommation de produits pétroliers raffinés
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

base d’accès à l’électricité, en effet l’électricité provenant d’énergies renouvelables, en
particuliers le solaire, qui commence à occuper une plus grande place dans le mixte, et le gaz
également qui est de plus en plus utilisé dans la production de l’électricité. Toutefois, sans que
les gisements du gaz qui ont été découverts entre la Mauritanie et le Sénégal était productive,
et sans investissement dans les réseaux électriques et l’infrastructure du gaz naturel, la
progressions de ces sources d’énergie sera limité. Cela se traduira par un maintien de la
génération électrique à base de Fioul qui, en l’absence d’infrastructure fiable, demeure une
énergie facile à déployer et à mettre en service.
La consommation de produits pétroliers raffinés est étroitement liée à la mobilité des sols,
de l’air et de la mer. La réforme lancée par le gouvernement dans la construction de nouvelles
routes et la réhabilitation des anciennes ainsi que le développement des réseaux soutenant les
échanges régionaux et sous-régionaux, qui comprennent tout ce qui concerne les transports
aériens, maritimes et terrestre ont été un catalyseur majeur pour la mobilité. La création de la
société nationale des transports publics qui réalise la mobilité urbaine dans la capitale de
Nouakchott ainsi que dans les centres-villes, en outre il existe plusieurs entreprises de transport
privé qui occupent une grande place dans ce secteur, les taxis et les propriétaires de voitures
qui mobiles tous les jours. D’un côté, tous ces éléments constituent la forte consommation de
diesel en Mauritanie. En plus il existe le secteur d’armée qui se déplace chaque jour à travers
les frontières et entre les villes, ainsi que les petits et grands camions utilisés par les entreprises
pour le transport de matériel. Tous ces facteurs expliquent la forte consommation de diesel
provenant de la mobilité terrestre. La pêche artisanale consomme une part importante d’essence,
plus de 1000 bateaux à Nouakchott qui pêchent, en plus une petite quantité est trafiqué vers le
réseau des petites autos car 35% du prix d’essence est exonérée.
Bien que les perspectives de retour à la normale après la pandémie de covid-19 et la crise
sanitaire demeurent incertaines, toute l’économie du Mauritanie affiche d’améliorations.
L’évolution de taux de contamination au covid-19 dans la Mauritanie est resté jusqu’à
maintenant relativement faible et la levée des mesures de restriction de transport du fait des
compagnes de vaccination déterminent la vitesse et la solidité de la reprise économique.
5.1.Consommation de gasoil
La consommation du gasoil constitue la part dominante dans la facture

pétrolières Mauritanienne. Il répond a plus de 50% de la demande de produits pétroliers raffinés
en Mauritanie. Toute pénurie de celui-ci entraîne une crise du carburant, car il couvre le secteur

de transport, secteur d’armée, une partie de l’électricité et le secteur d’agriculture. Il est utilisé
autant pour le transport routier que ferroviaire et maritime en plus d’être utile pour le chauffage,
la machinerie et les génératrices. La principale différence entre le gasoil et les autres
combustibles réside dans son contenu énergétique. Le diesel contient plus d’énergie,
l’équivalent en moyenne de 35 816 kilojoules/litre alors que le niveau de l’essence s’établit à
32 055 kilojoules/litre. Sa nature différente permet aussi à un litre de diesel de faire parcourir
de 20% à 35% plus de distance que l’essence. Il contient plus d’énergie, c’est pourquoi il est
préféré pour le transport de marchandises et pour les véhicules de plus grande masse.
L’utilisation du diesel procure une meilleure consommation énergétique ainsi qu’une plus
grande capacité de chargement et de puissance.
Figure 1 : Évolution en volume de la 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%
50000000 12,58% -10,00%
0 -20,00%
2015 2016 2017 2018 2019 2020 2021
Gasoil Evolution
Source : Calcul de l’auteur, Excel, 2022

La consommation Mauritanienne (zone sud) de diesel n’a pas connu une forte variation durant
les années, sauf en 2016. En effet, entre 2015 et 2016, elle est passé de près de 264 millions (L)
à près de 409 millions (L), soit une hausse en volume de 54,61%. Elle a ensuite reflué jusqu’à
atteindre près de 387 millions (L) en 2017, soit une baisse en volume de 5,40% par rapport à
2016. Puis, elle a continué de diminuer jusqu’à atteindre près de 330 millions (L) en 2018 avec
une baisse en volume de 14,77% par rapport à 2017. Après une légère régression en 2017 et
2018, elle a ensuite recommencé à augmenter en 2019 jusqu’à atteindre près de 371 millions
(L), soit une hausse en volume de 12,58% par rapport à l’année précédente. En 2020 elle à
continuer d’accru jusqu’à atteindre près de 409 millions (L), soit une hausse en volume de

10,30% par rapport à 2019. En fin, en 2021 elle a enregistré une baisse en volume de 11,58%,
passant de près de 409 millions (L) à près de 362 millions (L).
Cette évolution de la consommation de gasoil résulte de plusieurs facteurs :
• 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

5.2.La consommation d’essence
La consommation d’essence constitue une part importante dans la facture pétrolières

Mauritanienne. Elle répond à plus de 20% de la demande des hydrocarbures liquides en
Mauritanie. Il couvre les besoins en énergie des véhicules alimentés à l’essence, ainsi que des
navires de pêche. L’essence croît maintenant plus rapidement que le diesel alors que c’était le
contraire auparavant. L’essence automobile est majoritairement utilisée par le secteur
résidentiel. Ils profitent du trafic d’actions au port, parce que le prix de l’essence est exempté,
35% du cout du prix est subventionné par l’état.
Figure 2 : Évolution en volume de consommation d’essence

50000000 30,00%
24,95%
21,37%
45000000 25,00%
40000000 20,00%
35000000 26,98%
15,00%
30000000 21,06%
-8,88% 10,00%
25000000
5,00%
20000000
0,00%
15000000
6,67% -5,00%
10000000
5000000 -10,00%
0 -15,00%
2015 2016 2017 2018 2019 2020 2021
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).
Cette évolution de la consommation d’essence résulte de deux principaux facteurs :

• La première porte sur la saison de pêche, spécifiquement la pêche artisanale qui génère
l'essentiel des emplois dans le secteur, dont à peu près un tiers de main-d'œuvre
étrangère. Elle fournit la quasi-totalité du poisson destiné à la consommation
domestique. Plusieurs bateaux de pêche sont en activité.
• La deuxième est relative au réseau de petites autos, de nombreuses entreprises ont
doublé la fabrication de voitures à essence en raison de la forte demande pour celle-ci
sur tous les véhicules personnels.
En ce qui concerne la tendance rétrospective de la consommation d’essence :
• 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.
5.3.La consommation de fioul
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

18 Yacoub Cheine, Stratégies de gestion du flux énergétique du réseau électrique dans la ville de Nouakchott, 2019, p.6

La consommation de fioul a fluctué entre 2015 et 2021, tandis que le seul consommateur de
cette énergie hydroélectrique est l’industrie électrique. En effet, la consommation de fioul-oïl
enregistre en 2016 une baisse en volume de 42,74% par rapport à 2015. En 2017 elle a accru
d’une hausse de volume de 90,84% par rapport à 2016, passant de près de 75 millions (L) à près
de 14 millions (L) (une forte hausse). En 2018 elle a poursuivi sa progression avec une évolution
en volume de 5,13% par rapport à 2017. Puis elle a enregistré en 2019 une baisse en volume de
13,85% par rapport à l’année 2018, passant de près de 150 millions (L) à près de 129 millions
(L). En 2020 elle a connu une hausse en volume de 4,40% par rapport à l’année précédente. En
2021 elle a enregistré une baisse en volume de 23,58% par rapport à 2020.
Cette évolution de la demande de fioul-oïl résulte de deux principaux facteurs :
• Le premier est relatif aux centres thermiques et hydroélectrique qu’elle possède

SOMELEC représentant 87%19 des centres électriques à Nouakchott.
• La deuxième porte sur la forte demande interne a l’électricité, en Kifa, Néma, Rosso,
etc. Ce qui influence la demande de fioul.
En ce qui concerne la tendance rétrospective de la consommation de fioul :
• 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
La consommation de kérosène repose essentiellement sur le transport aérien. En effet, ce mode

de transport semble avoir particulièrement pâti de problèmes de gouvernance depuis 2002, date
du dernier EPC de la Mauritanie. Fin 2007, en parallèle avec la liquidation de la compagnie
publique Air Mauritanie, eut lieu le lancement de Mauritania Airways, dont Tunis Air détient
59% du capital. La Mauritanie dispose de trois aéroports internationaux, auxquels s'ajoutent
sept aérodromes secondaires. Actuellement la Mauritanie possède 6 avions pour le transport
aérien, les 6 avions base sur la consommation de kérosène.
19
ID idem, YACOUB CHEINE, p.6

La consommation du kérosène constitue la part le moins important dans la facture pétroliers
Mauritanienne, il répond a moins de 10% de la demande des hydrocarbures liquides en
Mauritanie.
Figure 4 : Évolution en volume de la consommation de kérosène
30000000 420,37% 500,00%
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
La consommation de kérosène en Mauritanie a connu des diminutions considérables entre 2015

et 2021. En effet, en 2016, elle a enregistré une baisse en volume de 49,06% par rapport à 2015,
passant de près de 26 millions (L) à près de 13 millions (L). En 2017 elle a continué de refluer
jusqu’à atteindre près de 21 millions (L), soit une diminution en volume de 83,68% par rapport
à l’année précédente. Ensuite, elle a continué de diminuer jusqu’à atteindre près de 2 millions
(L), soit une diminution d’en volume de 0,61% par rapport à l’année 2017. En 2019, elle a
enregistré une forte augmentation, passant de près de 2 millions (L) à 1 million (L), soit une
hausse en volume de 420,37% (une forte régression). Après, en 2020, elle a baissé d’un volume
de 84,78% par rapport à 2019, passant de près de 11 millions (L) à près de 1 million (L). En
fin, en 2021, elle a enregistré une hausse en volume de 2,57% par apport à l’année précédente.
Cette évolution de la consommation de kérosène résulte de deux principaux facteurs :
• 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 :

• Le premier est relatif à la pandémie de Covid-19 qui a influé tout le transport mondial
aérien, que ça soit interne ou externe par la fermeture des frontières.
• La deuxième porte sur la stratégie de l’état dans le secteur de transport, entre 2015 et
2018, la Mauritanie ne possède que trois avions, et 2 aéroports internationales.
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.

Chapitre : 2
METHODOLOGIE ET MODÈLE ARMA
La méthodologie consiste à appliquer l’algorithme de Box et Jenkins.

Ce chapitre est consacré à une présentation sommaire des techniques d’analyse des séries
chronologique. Dans un premier temps, on va étudier les caractéristiques statistiques - en termes
de stationnarité - des séries temporelles en présentant les différents tests (Dickey-Fuller,
corrélogramme, etc.) s’y rapportant. Puis, nous présentons différentes classes de modèles (AR,
MA, ARMA) en étudiant leurs propriétés. Après, nous étudions la méthode Box et Jenkins qui
systématise une démarche d’analyse des séries temporelles. Enfin, nous décrirons la démarche
à adopter pour appliquer la méthode et atteindre nos objectifs.
.
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.
𝑉(𝑦𝑡 ) < ∞ ∀ 𝑡, la variance est finie et indépendant du temps.
𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡+𝑘 ) = 𝐸[(𝑦𝑡 − 𝑢)(𝑦𝑡+𝑘 − 𝑢)] = 𝛾𝑘 , la covariance 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.

• Stationnarité faible : un processus aléatoire est dit faiblement stationnaire si seuls les
moments d’ordre 1 et d’ordre 2 sont stationnaire.
6.1.Fonction d’autocorrélation simple et partielle
L’étude de la stationnarité s’effectue essentiellement à partir de l’étude des fonctions

d’autocorrélation (ou leurs représentations graphiques appelé corrélogramme)
6.1.1. Fonction d’autocorrélation simple
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
6.1.2. Fonction d’autocorrélation partielle
L’autocorrélation partielle d’ordre k est défini comme le coefficient de corrélation partielle

Entre 𝑦𝑡 𝑒𝑡 𝑦𝑡−𝑘 , c’est – à – dire comme étant la corrélation entre 𝑦𝑡 𝑒𝑡 𝑦𝑡−𝑘 l’influence des
Autres variables décalées de k périodes (𝑦𝑡−1 , 𝑦𝑡−2 , … … ⋅ 𝑦𝑡−𝑘+1 ) ayant été retirée.
6.2.Test de ≪ 𝑩𝒓𝒖𝒊𝒕 𝒃𝒍𝒂𝒏𝒄 ≫ et de stationnarité
Nous ne pouvons identifier clairement les caractéristiques stochastiques d’une série

chronologique que si elle est stationnaire. Cette étude de stationnarité s’effectue essentiellement

à partir de l’étude des fonctions d’autocorrélation appelée « corrélogramme ». Une série
chronologique est stationnaire si elle ne comporte ni tendance ni saisonnalité. Nous allons donc,
à partir de l’étude du corrélogramme d’une série, essayer de montrer de quelle manière nous
pouvons mettre en évidence ces deux Composantes.
6.2.1. Analyse des fonctions d’autocorrélation
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.

6.2.2. Statistique de Box-Pierce et Ljung-Box
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
H1 : il existe au moins un 𝑝𝑖 significativement différent de 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 ».
6.2.3. Test de normalité
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.
6.2.3.1.Les tests du Skewness et Kurtosis

1
Soit 𝜇𝑘 = ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )𝑘 , le moment centré d’ordre k, le coefficient Skewness (𝛽11/2) est
𝑛
1/2 μ3 𝜇4
égale à β1 = 3/2 et le coefficient de Kurtosis 𝛽2 = .
μ2 μ22

Si la distribution est normale et le nombre d’observation est grand (n > 30 ) :
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
de 5%) Si les hypothèses H0 : 𝑣1 = 0 (symétrie) et 𝑣2 = 0 (aplatissement normal) sont vérifiées,

alors 𝑣1 ≤ 1,96 et 𝑣2 ≤ 1,96 ; dans le cas contraire, l’hypothèse de normalité est rejetée.
6.2.3.2.Le Test de Jarque et Bera
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.
Donc si 𝑆 > 𝜒 21−𝛼 on rejette l’hypothèse H0 de normalité des résidus au seuil α.

Ces tests de normalité servent également dans le cas où il y a hétéroscédacité. En effet,
l’hétéroscédacité se manifeste sur le graphe de la distribution par des queues de probabilité plus
épaisses (distribution Leptokurtique) que les queues de la loi normale.
6.2.3.3.Test d’homoscédasticité
Un processus de bruit blanc doit être homoscédastique.

• Le test de Goldfeld-Quandt a pour but de comparer la somme des carrés des résidus
D’estimation après avoir scindé les résidus en deux sous-échantillons.
• Un autre test consiste à étudier la distribution des carrés des résidus. L’analyse des
termes du corrélogramme des résidus au carré permet de tester l’existence d’une
hétéroscédacité. Si certaines valeurs de la FAC (tests de Box-Pierce ou Ljung-Box) sont
significativement différentes de 0, nous pouvons conclure à la présence d’une
hétéroscédacité.
7. La non stationnarité et le test de racine unitaire
Les chroniques économiques sont rarement des réalisations de processus aléatoires

stationnaires. Pour analyser la non-stationnarité, deux types de processus sont distingués :
• Les processus TS (Trend Stationary) qui représentent une non-stationnarité de type
déterministe ;

• Les processus DS (Differency Stationary) pour les processus non stationnaires
aléatoires.
7.1.Les processus TS
Un processus TS s’écrit : 𝑦𝑡 = 𝑓𝑡 + 𝜀𝑡 où 𝑓𝑡 est une fonction polynômiale du temps, linéaire

ou non linéaire, et 𝜀𝑡 un processus stationnaire. Le processus TS le plus simple (et le plus
répandu) est représenté par une fonction polynômiale de degré 1. Le processus TS porte alors
le nom de linéaire et s’écrit : 𝑦𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝜀𝑡 , si 𝜀𝑡 est un bruit blanc (gaussien ou non),
les caractéristiques de ce processus sont alors :
𝐸[𝑦𝑡 ] = 𝑎0 + 𝑎1 𝑡 𝐸[𝜀𝑡 ] = 𝑎0 + 𝑎1 𝑡
𝑉[𝑦𝑡 ] = 0 + 𝑉[𝜀𝑡 ] = 𝜎𝜀2
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 .

Comme 𝜀𝑡 est un bruit blanc, ce processus DS porte le nom de modèle de marche au hasard
ou de marche aléatoire (Random Walk Model). Il est très fréquemment utilisé pour analyser
l’efficience des marchés financiers. Pour étudier les caractéristiques de ce modèle,
écrivons-le sous sa forme développée :
𝑦𝑡 = 𝑦𝑡−1 + 𝜀𝑡
𝑦𝑡−1 = 𝑦𝑡−2 + 𝜀𝑡−1 ⟹ 𝑦𝑡 = 𝑦𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
𝑦𝑡−2 = 𝑦𝑡−3 + 𝜀𝑡−2 ⟹ 𝑦𝑡 = 𝑦𝑡−3 + 𝜀𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
Etc.
Si le premier terme de la chronique est 𝑦0 , le modèle s’écrit alors : 𝑦𝑡 = 𝑦0 + ∑𝑡𝑖=1 𝜀𝑖 .
Les caractéristiques de ce processus sont (en supposant 𝑦0 certain) :
𝐸[𝑦𝑡 ] = 𝑦0
𝑉[𝑦𝑡 ] = 𝑡𝜎𝜀2
𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡 ′ ) = 𝜎𝜀2 × Min (t, 𝑡 ′ ) si t ≠ 𝑡 ′

Par exemple :
𝐶𝑂𝑉(𝑦4 ; 𝑦2 ) = 𝐸[(𝑦0 + 𝜀1 + 𝜀2 + 𝜀3 + 𝜀4 )(𝑦0 + 𝜀1 + 𝜀2 )]
E (𝜀1 × 𝜀1 ) + E (𝜀2 × 𝜀2 ) = 2𝜎𝜀2 .
En effet tous les produits de E (𝜀𝑡 × 𝜀𝑡 ′ ) = 0 si t ≠ 𝑡 ′
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
• 𝛽 ≠0: Le processus porte alors le nom de processus DS avec dérive. Il s’écrit :

𝑦𝑡 = 𝑦𝑡−1 + 𝛽+ 𝜀𝑡
Comme précédemment, on peut rechercher sa forme équivalente développée :
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

On peut analyser les caractéristiques de ce processus :
𝐸[𝑦𝑡 ] = 𝑦0 + 𝛽𝑡
𝑉[𝑦𝑡 ] = 𝑡𝜎𝜀2
𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡 ′ ) = 𝜎𝜀2 × Min (t, 𝑡 ′ ) si t ≠ 𝑡 ′

Le processus est non stationnaire en espérance et en variance. L’espérance étant de la même
forme que celle d’un processus TS, on reconnaît dans ce processus une non stationnarité
déterministe et aléatoire à la fois. La stationnarisation de ce processus est réalisée en utilisant
le filtre aux différences premières :
𝑦𝑡 = 𝑦𝑡−1 + 𝛽 + 𝜀𝑡 ⟺ (1 − 𝛽)𝑦𝑡 = 𝛽 + 𝜀𝑡
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.
7.3.Conséquences d’une mauvaise stationnarisation du processus
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.

7.4.Les tests de racine unitaire
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.
7.4.1. Les tests de Dickey et Fuller augmentés
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
Modèle [2] : ∆yt = ρyt−1 − ∑𝑝𝑗=2 ϕj ∆yt−j+1 + 𝐶 + 𝜀t
Modèle [3] : ∆yt = ρyt−1 − ∑𝑝𝑗=2 ϕj ∆yt−j+1 + 𝐶 + 𝑏𝑡 + 𝜀t

Avec 𝜀t → i.i.d.
Le test se déroule de manière similaire aux tests DF simples, seules les tables statistiques
diffèrent. La valeur de p peut être déterminée selon les critères de Akaike ou de Schwarz, ou
encore, en partant d’une valeur suffisamment importante de p, on estime un modèle à p – 1
retards, puis à p – 2 retards, jusqu’à ce que le coefficient du 𝑃𝑖𝑒𝑚𝑒 retard soit significatif.
7.4.2. Stratégie des tests
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

7.4.3. Le test de KPSS (1992)
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.
Figure 5 : Schéma de stratégie simplifiée des tests de racine unitaire
Estimation du Modèle [3]

yt = 𝐶+ bt + ϕ1 yt−1 + a t
Test b = 0
Non
Oui
Test ϕ1 = 1
Non Oui Estimation du Modèle [2]

yt = 𝐶+ϕ1 yt−1 + a t
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
Processus DS Processus stationnaire

8. Les modèles ARIMA
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
8.1.1. Caractéristiques des corrélogrammes
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.
8.2.Modèle MA (Moyenne Mobile)
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 :

(1−𝛼1 𝐿 − 𝛼2 𝐿2 − ⋯ − 𝛼𝑞 𝐿𝑞 )𝜀𝑡 = yt
Dans ce processus, tout comme dans le modèle autorégressif AR, les aléas sont supposés être
engendrés par un processus de type bruit blanc. Nous pouvons interpréter le modèle MA comme
étant représentatif d’une série chronologique fluctuant autour de sa moyenne de manière
aléatoire, d’où le terme de moyenne mobile car celle-ci, en lissant la série, gomme le bruit créé
par l’aléa.
Il est à noter qu’il y a une équivalence entre un processus MA (1) et un processus AR d’ordre
infini : MA = AR (∞)
Le corrélogramme simple d’un processus MA(q) est de la forme générale :

𝑖=𝑞−𝑘
∑𝑖=0 𝛼𝑖 𝛼𝑖+𝑞
𝜌𝑘 = 𝑞
∑𝑖=0 𝛼𝑖2
pour k = 0, 1, …, q et 𝑝𝑘 = 0 pour k > q
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.
8.3.Modèle ARMA (mélange de processus AR et MA)
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.

Tableau 1 : Schéma d’identification des modèles
Processus Fonction autocorrélation simple Fonction autocorrélation partielle
Pic significatif pour le premier retard :

AR (1) Décroissance exponentielle (θ1 >) où Positif si θ1 > 0 et négatif si θ1 < 0,
Sinusoïdale amortie (θ1 < 0) Les autres coefficients nuls pour des
Retards > 1
Pics significatifs pour le premier et

AR (2) Décroissance exponentielle ou Seconds retards, les autres coefficients
sinusoïdale selon les signes de θ1 et θ2 sont nuls pour des retards > 2
Décroissance exponentielle et/ou Pics significatifs pour les p premiers

AR (p) Retards, les autres coefficients sont
sinusoïdale
nuls
pour des retards > p
Pic significatif pour le premier retard :
Positif si α1 < 0 et négatif si α1 > 0. Décroissance exponentielle ( α1 > 0) ou
MA (1)
Les autres coefficients sont nuls pour sinusoïdale amortie (α1 < 0)
Des retards > 1
Pics significatifs pour le premier et Décroissance exponentielle ou sinusoïdale

MA (2) Seconds retards. Les autres coefficients Selon les signes de α1 et α2
Sont nuls pour des retards > 2
Pics significatifs pour les q premiers

MA (q) Retards. Les autres coefficients nuls pour Décroissance exponentielle et/ou sinusoïdale
Des retards > q
Décroissance géométrique à partir du

ARMA (1, 1) Décroissance exponentielle ( α1 > 0) où
Premier retard, le signe est déterminé
Sinusoïdale amortie (α1 < 0)
Par θ1 – α1
ARMA (p, q) Décroissance exponentielle ou Décroissance exponentielle ou sinusoïdale

sinusoïdale amortie tronquée après Amortie tronquée après p – q retards
(q – p) retards
Source : régis Bourbonnais, 9 éditions, 2015

8.3.2. Conditions d’utilisation
Les modèles AR, MA, ARMA ne sont représentatifs que de chroniques :

• Stationnaires en tendance ;
• Corrigées des variations saisonnières.
9. L’extension aux processus ARIMA et SARIMA
Les tests de Dickey-Fuller et Dickey-Fuller Augmenté envisagés précédemment permettent

de déterminer si la série est stationnaire et dans le cas d’une non stationnarité de quel type il
s’agit : TS et DS.
Si la série étudiée est de type TS, il convient de la stationnariser par régression sur le temps et
le résidu d’estimation est alors étudié selon la méthodologie de Box-Jenkins. Ceci permet de
déterminer les ordres p et q des parties AR et MA du résidu. Le modèle est toujours dans ce cas
un ARMA (p, q).
Si la série étudiée est de type DS, il convient de la stationnariser par passage aux différences
selon l’ordre d’intégration I = d (c’est-à-dire le nombre de fois qu’il faut différencier la série
pour la rendre stationnaire). La série différenciée est alors étudiée selon la méthodologie de
Box-Jenkins qui permet d déterminer les ordres p et q des parties AR et MA respectivement.
On note ce type de modèle ARIMA (p, d, q).
Les modèles SARIMA permettent d’intégrer un ordre de différenciation lié à une saisonnalité
généralisée par la transformation : (1− Ds )yt = yt − yt−s où s correspond à la périodicité des
données (s = 4 pour une série trimestrielle, s = 12 pour une série mensuelle).
10.Méthode de Box et Jenkins
10.1. Généralité et algorithme de la méthode
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.

10.2. L’identification du modèle
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.
10.2.2. Recherche de la stationnarité en termes de tendance
Si l’étude du corrélogramme simple et les tests statistiques s’y rapportant (statistique Q)

présagent d’une série affectée d’une tendance, il convient d’en étudier les caractéristiques selon
les tests de Dickey-Fuller. La méthode d’élimination de la tendance est fonction du processus
DS ou TS sous-jacent à la chronique étudiée.
Après actionnarisation, nous pouvons identifier les valeurs des paramètres p, q du modèle
ARMA.
• Si le corrélogramme simple n’a que ses q premiers termes (q = 3 maximum) différents
de 0 et que les termes du corrélogramme partiel diminuent lentement, nous pouvons
pronostiquer un MA(q).

• Si le corrélogramme partiel n’a que ses p premiers termes (p = 3 maximum) différents
de 0 et que les termes du corrélogramme simple diminuent lentement, cela caractérise
un AR(p).
• Si les fonctions d’autocorrélation simple et partiel ne paraissent pas tronquées, il s’agit
alors d’un processus de type ARMA, dont les paramètres dépendent de la forme
particulière des corrélogrammes.
10.3. Estimation des paramètres
Estimation des coefficients des modèles identifiés :

• AR(p) : on estime 𝜑1 , 𝜑2 , ⋯ , 𝜑𝑝
• MA(q) : on estime 𝜗1 , 𝜗2 , ⋯ , 𝜗𝑝
• ARMA (p, q) : on estime 𝜑1 , 𝜑2 , ⋯ , 𝜑𝑝 et 𝜗1 , 𝜗2 , ⋯ , 𝜗𝑝
L’estimation peut se faire par deux méthodes

❖ Méthode de moindre carrés, conditionnels, inconditionnels
❖ Maximum de vraisemblance
En générale si on estime les paramètres ont cherchent leur significativité
10.4. Tests d’adéquation du modèle et prévision (validation et prévision)
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

la spécification du modèle est incomplète et qu’il convient d’ajouter au moins un ordre
au processus ;
• Le test ARCH d’hétéroscédasticité effectué à partir de la fonction d’autocorrélation du
résidu au carré.
La phase de validation du modèle est très importante et nécessite le plus souvent un retour à la
phase d’identification.
Lorsque le modèle est validé, la prévision peut alors être calculée à un horizon de quelques
périodes, limitées car la variance de l’erreur de prévision croît très vite avec l’horizon.
10.5. Etude empirique
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.

Figure 6 : Résumer des étapes de méthode de Box et Jenkins
Série 𝑦𝑡 Analyse du graphe et du

corrélogramme
Analyse de saisonnalité
Test de Dickey-Fuller
Régression sur le temp si TS Passage aux différences si DS
Série stationnaire 𝑦𝑡
Analyse des corrélogrammes simple et partiel
Détermination du ordres p et q du processus ARMA
Estimation des paramètres
Test de student
Les coefficients non significatifs sont supprimés
Oui Non
Ajout d’un ordre p ou q
Prévision par ARMA
Recoloration de la série
(Exponentiel, Saisonnalité)
Source : régis Bourbonnais, 9 éditions, 2015

11.Démarche pour la construction des modèles
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.
11.1. Données et sources des données
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.
11.2. Analyse chronologique des variables
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.

PARTIE II :
Analyse et application de la méthode de box et
Jenkins

Chapitre 3
ANALYSE DES VARIABLES
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.
12.Analyse chronologique des variables
12.1. Analyse descriptive des variables

Il s’agit de produire des indicateurs statistiques de chacun des variables et faire une analyse
descriptive de périodes et des années.
Tableau 2 : Indicateur statistique de la consommation de gasoil
Minimum Maximum Médian Général Moyenne Général Ecart_type

19605538 45775452 30413143 30188177 5929401
La consommation du gasoil/L en Mauritanie, varie de près de 19 millions (L) aux prés de 45

millions (L), la quantité minimale consommée était enregistré en septembre 2015 et la quantité
maximale est enregistrée en septembre 2020. En moyenne la consommation de gasoil s’établit
de près 30 millions (L), avec une médiane (milieu de distribution) de près de 30 millions (L).
L’écart-type (mesure la dispersion des Quantités sur les mois étudiées) vaut 5 millions (L).

Tableau 3 : Indicateurs statistiques de la consommation de gasoil sur les périodes
Mois Moyenne / P Ecart-type / P Min / P Max / P

Janvier 30 258 476 4718662,787 23 679 900 36 950 694
Février 26 756 271 5083276,217 21 169 970 34 675 041
Mars 29 961 785 3853872,995 24 833 660 36 011 526
Avril 29 659 847 5136863,233 22 079 392 37 233 893
Mai 30 793 669 6124887,315 22 935 625 39 142 388
Juin 31 381 497 8129048,64 20 892 754 42 382 500
Juillet 33 440 981 7005043,983 22 325 709 42 816 060
Août 32 370 852 6593564,867 19 662 595 39 843 278
Septembre 30 176 880 8211541,272 19 605 538 45 775 452
Octobre 30 479 820 5823037,144 21 645 654 40 651 522
Novembre 28 857 378 6118742,379 20 148 925 38 199 034
Décembre 28 120 670 4561861,199 23 180 041 34 569 479
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).
Tableau 4 : Indicateur statistique de la consommation de gasoil sur les années
Années Moyenne /A Ecart-type / A Min / A Max / A

2015 22 068 876 1 941 811 19 605 538 26 495 385
2016 34 120 995 3 808 111 30 325 615 41 712 208
2017 32 277 471 2 306 950 27 823 436 36 273 195
2018 27 510 006 2 885 671 24 543 538 35 595 552
2019 30 970 688 4 915 807 23 180 041 37 233 893
2020 34 162 051 6 627 475 22 555 144 45 775 452
2021 30 207 155 6 782 329 21 169 970 42 816 060

En examinent le tableau 4 on observe que la plus grande quantité moyenne vendue par année a
été enregistré en 2020 (près de 34 millions 162 milles L), suivi par l’année 2016 (près de 34
millions 120 milles L), et la plus petite quantité moyenne vendue par année été en 2015 (près
de 22 millions L). On remarque encore que la plus grande variation entre les quantités vendues
(par mois) et leur moyen c’été en 2021 (6782329), suivi par l’année 2020 (6627475), et la plus
petite variation été en 2015 (1941811). La quantité minimale de gasoil vendue par année a été
enregistré en 2015 (près de 19 millions L), suivi par l’année 2021 (près de 21 millions L), alors
que la plus grande minimum quantité vendue par année a été enregistré en 2017 (près de 27
millions L). La quantité maximale de gasoil vendu est en 2020 (près de 45 millions L), suivi
par l’année 2021 (près de 42 millions L).
Tableau 5 : Indicateur statistique de la consommation d’Essence
Minimum Maximum Moyenne Ecart_type Médiane

1185100 4505400 2546546 926777 2339065
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.
Tableau 6 : Indicateur statistique de la consommation d’essence sur les années

Années Moyenne Ecart-type Maximum Minimum
2015 1 609 738 235633,3826 1 991 335 1 185 100

2016 1 953 782 381474,8806 2 671 078 1 354 300
2017 1 780 217 356461,8399 2 491 400 1 250 200
2018 2 260 511 442712,6316 3 155 630 1 829 400
2019 2 824 581 349084,5683 3 527 260 2 363 930
2020 3 419 469 487778,0022 3 986 100 2 712 000
2021 3 977 525 613972,6994 4 505 400 2 264 482
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

millions L), et la plus petite quantité moyenne vendue par année été en 2015 (près de 16 millions
L). On remarque encore que la plus grande variation entre les quantités vendues (par mois) et
leur moyen c’été en 2021 (613972,6994), suivi par l’année 2020 (487778,0022), et la plus petite
variation été en 2015 (235633,3826). La quantité minimale d’essence vendu par année a été
enregistré en 2015 (près de 1 million L), suivi par l’année 2016 (près de 2 millions L), alors que
la plus grande minimum quantité vendue par année a été enregistré en 2017 (près de 4 millions
L). Le maximum quantité d’essence vendue est en 2020 (près de 2 millions 712 milles L), suivi
par l’année 2021 (2 millions 264 milles L).
Tableau 7 : Indicateurs statistiques de la consommation d’essence sur les périodes
Mois Moyenne Ecart-type Maximum Minimum

Janvier 2 547 177 734 031 3 766 000 1 756 660
Février 2 059 728 634 931 3 202 676 1 250 200
Mars 2 502 601 1 031 190 4 424 700 1 578 000
Avril 2 371 864 887 009 3 942 850 1 504 500
Mai 2 256 994 906 742 3 956 865 1 411 700
Juin 2 560 729 930 553 4 333 500 1 668 500
Juillet 2 930 416 1 031 560 4 345 150 1 650 000
Août 2 826 674 839 345 4 098 650 1 991 335
Septembre 2 498 183 1 164 382 4 150 500 1 254 900
Octobre 2 305 626 1 049 424 3 828 000 1 185 100
Novembre 2 762 783 1 097 375 4 505 400 1 689 500
Décembre 2 935 776 996 976 4 407 300 1 797 600
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).

Tableau 8 : Indicateur statistique de la consommation du fioul
Minimum Maximum Moyenne Ecart_type Médian

1 977 000 17 027 000 10 351 060 3498070,478 9 995 000
La consommation de fioul en Mauritanie, varie de 1 millions 977 milles L, aux prés de 17

millions (L), la quantité minimale consommé était enregistrée en février 2016 et la quantité
maximale est enregistrée en juillet 2018. En moyenne la consommation de fioul s’établit à près
de 10 millions (L), avec une médiane de 9 millions 995 milles (L). L’écart-type vaut 926777.
Tableau 9 : Indicateur statistique de la consommation de fioul sur les années
Années Moyenne / A Écart-type Max / A Min / A

2015 10 935 083 2165499,29 14 454 000 8 123 000
2016 6 261 083 2716109,231 9 896 000 1 977 000
2017 11 948 750 3222710,777 16 104 000 7 196 000
2018 12 561 167 3729671,295 17 027 000 7 788 000
2019 10 821 417 2755144,228 15 849 000 6 617 000
2020 11 297 167 2445089,395 14 401 000 5 370 000
2021 8 632 750 3350349,754 13 179 000 3 335 000
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).

Tableau 10 : Indicateurs statistiques de la consommation de fioul sur les périodes
Mois Moyenne / P Écart-type Max /P Min / P
Janvier 6 846 429 1575255,414 8 728 000 5 269 000

Février 6 991 714 2596802,952 10 002 000 1 977 000
Mars 8 009 571 1379837,05 9 988 000 5 700 000
Avril 8 411 429 3269868,288 11 568 000 2 927 000
Mai 10 646 000 3256105,957 14 893 000 4 230 000
Juin 10 675 857 5058509,017 16 238 000 3 335 000
Juillet 12 934 143 3042175,342 17 027 000 8 409 000
Août 12 698 286 2789858,88 16 287 000 9 275 000
Septembre 11 963 429 2374923,568 15 221 000 8 978 000
Octobre 13 875 714 2052639,091 16 141 000 9 857 000
Novembre 11 186 857 3130671,303 15 074 000 6 335 000
Décembre 9 973 286 1827889,65 12 693 000 7 694 000
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).
Tableau 11 : Indicateurs statistiques de la consommation du kérosène
Minimum Maximum Moyenne Ecart_type Médian

0 2 715 000 703 611 904636,09 189 875
La consommation de kérosène en Mauritanie, varie de 0 (L) à 2 millions 715 milles (L), la

quantité minimale consommée était enregistrée en juillet 2021 et la quantité maximale est
enregistrée en octobre 2015. En moyenne la consommation de kérosène est près de 703 milles
(L), avec une médiane de 189875. L’écart-type vaut 904636.09.

Tableau 12 : Indicateurs statistiques de la consommation de kérosène sur les périodes
Mois Moyenne / A Écart-type Min/ P Max/ P

Janvier 1 021 429 1086077,86 39 000 2 449 000
Février 1 011 857 1023713,16 158 000 2 460 000
Mars 1 231 714 1131062,40 261 000 2 553 500
Avril 924 643 995418,16 32 000 2 094 000
Mai 894 857 950741,01 98 000 2 167 500
Juin 539 429 739035,15 63 000 1 829 500
Juillet 445 000 840701,15 0 2 335 500
Août 400 614 771222,33 71 500 2 148 500
Septembre 426 857 941215,96 19 500 2 560 000
Octobre 571 143 949235,34 105 000 2 715 000
Novembre 541 964 701837,95 177 500 2 120 000
Décembre 433 821 834454,05 74 500 2 324 500
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).
Tableau 13 : Indicateur statistique de la consommation de kérosène sur les années
Années Moyen Annuels Écart-type Max / A Min / A

2015 2 201 000 299998,64 2 715 000 1 761 000
2016 1 121 192 1025462,01 2 553 500 56 000
2017 183 000 123942,99 513 000 75 500
2018 181 875 101398,43 442 000 87 500
2019 946 417 1009137,54 2 453 500 60 500
2020 144 042 88625,22 272 500 19 500
2021 147 750 98424,06 281 000 0

En examinent le tableau 13 on observe que la plus grande quantité moyenne de kérosène vendue
par année était enregistré en 2015 (près de 2 millions 201 milles L), suivi par l’année 2016 (prés
de 1 millions L), et la plus petite quantité moyenne vendue par année était en 2020 (près de 144
milles L). On remarque encore que la plus grande variation entre les quantités vendues (par
mois) et leur moyen c’été en 2015 (299998,64), suivi par l’année 2016 (1025462,01), et la plus
petite variation été en 2020 (88625,22). La quantité minimale de kérosène vendue par était
enregistré en 2021 (0 L), suivi par l’année 2020 (19 milles 500 L), alors que la plus grande
minimum quantité vendue par année a été enregistré en 2015 (prés 1 millions761 milles L). Le
maximum quantité de kérosène vendue était enregistrée en 2015 (près de 2 millions L), suivi
par l’année 2016 (près de 2 millions 553 milles L).
12.2. Comportement à long terme des variables
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.
Figure 7 : Évolution mensuelle de la consommation de gasoil
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
2015 2016 2017 2018 2019 2020 2021
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.

Figure 8 : Évolution mensuelle de la consommation d’essence
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
Un examen le figure 8 de la série, on met en évidence que la consommation d'essence a suivi

cette dernière décennie une tendance que l'on peut visuellement supposer croissante, alors que
le caractère saisonnier parait difficile à confirmer sa présence graphiquement.
Figure 9 : Évolution mensuelle de la consommation de fioul
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
2015 2016 2017 2018 2019 2020 2021
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).

Figure 10 : Évolution mensuelle de la consommation de kérosène
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.
12.3. Analyse de la variance et test de ficher
L’examen visuel du graphique ou du tableau ne permet pas toujours de déterminer avec

certitude l'existence d'une saisonnalité, de surcroît il interdit l'automatisme de traitement qui
peut s'avérer nécessaire dans le cas d'un nombre important de séries à examiner. Le test de
Fisher à partir de l'analyse de la variance permet de pallier ces deux inconvénients. Ce test
suppose la chronique est sans tendance ou encore sans extra-saisonnalité. Dans le cas contraire
cette composante est éliminée par une régression sur le temps (extra-saisonnalité déterministe),
ou par un procédure de filtrage (extra-saisonnalité aléatoire).
12.3.1. Tests de l’influence du facteur mois et année de la consommation de gasoil

a. Test de l'influence du facteur ≪ année ≫
• 𝑯𝟎 : Les moyennes sont toutes égales (l’impact du Facteur « année » n’est pas
significatif).
• 𝑯𝟏 : Les moyennes ne sont pas toutes égales (le Facteur « année » est significatif),
donc La série est affecté d’une tendance).

𝑣𝑃
• Calcul du Fisher empirique 𝐹𝐶 = 𝛼
que l'on compare au Fisher lu dans la table 𝐹𝑉1:𝑉2
𝑉𝑅
à v1 = p – 1, et V2 = (T – 1) × (P – 1) degrés de liberté. Si le Fisher empirique est

supérieur au Fisher lu, on rejette l'hypothèse H0, la série est donc affecté par une
tendance.
Tableau 14 : Fisher empirique et tabulé de la consommation de gasoil (tendance)

Tendance
𝐹𝑐 0,30
𝐹𝑡 2
• 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
à v1 = N– 1, et V2 = (T – 1) × (P – 1) degrés de liberté. Si le Fisher empirique est

supérieur au Fisher lu, on rejette l'hypothèse H0, la série est donc affectée d'une
saisonnalité.
Tableau 15 : Fisher empirique et tabulé de la consommation de gasoil (saisonnalité)
Saisonnalité
𝐹𝑐 0,03
𝐹𝑡 2
• 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.
12.3.2. Tests de l’influence du facteur mois et année de la consommation d’essence

a. Test de l’influence du facteur ≪ 𝒂𝒏𝒏é𝒆 ≫

significatif).
• 𝑯𝟏 : Les moyennes ne sont toutes égales (l’impact du Facteur « année » n’est pas
significatif).
Tableau 16 : Fisher empirique et tabulé de la consommation d’essence (tendance)

Tendance
𝐹𝑐 2,19
𝐹𝑡 1,92
• 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.
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 toutes égales (l’impact du Facteur « mois » n’est pas
significatif).
Tableau 17 : Fisher empirique et tabulé de la consommation d’essence (saisonnalité)
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.
12.3.3. Tests de l’influence du facteur mois et année de la consommation de fioul

significatif).

significatif).
Tableau 18 : Fisher empirique et tabulé de la consommation de fioul (tendance)
Tendance
𝐹𝑐 0,4
𝐹𝑡 1,92
pas 𝑯𝟎 , la série est donc n’est pas affecté par une tendance.
a. Test de l’influence du facteur ≪ 𝒎𝒐𝒊𝒔 ≫

significatif).
significatif).
Tableau 19 : Fisher empirique et tabulé de la consommation de fioul (saisonnalité)
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.
12.3.4. Tests de l’influence du facteur mois et année de la consommation de kérosène

significatif).
significatif).

Tableau 20 : Fisher empirique et tabulé de la consommation de kérosène (tendance)
Tendance
𝐹𝑐 0,22
𝐹𝑡 1,92
pas 𝑯𝟎 , la série est donc n’est pas affecté par une tendance.
b. Test de l’influence du facteur ≪ 𝒎𝒐𝒊𝒔 ≫

significatif).
significatif).
Tableau 21 : Fisher empirique et tabulé de la consommation de kérosène (saisonnalité)
Saisonnalité
𝐹𝑐 0,02
𝐹𝑡 1,92
pas H0, la série est donc n’est pas affecté par une saisonnalité.
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 série de la consommation de kérosène n’est pas affecté par une tendance ni par une
saisonnalité.
13.Etude de la Stationnarité des variables
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.
Tableau 22 : Corrélogramme de la série de consommation de gasoil
Date: 06/07/22 Tim e: 01:50

Sam ple: 2015M01 2021M09
Included obs ervations : 81
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.716 0.716 43.082 0.000

2 0.511 -0.003 65.305 0.000
3 0.353 -0.024 76.031 0.000
4 0.101 -0.291 76.928 0.000
5 -0.072 -0.081 77.383 0.000
6 -0.140 0.039 79.149 0.000
7 -0.183 0.020 82.198 0.000
8 -0.193 -0.026 85.615 0.000
9 -0.141 0.020 87.467 0.000
10 -0.130 -0.093 89.059 0.000
11 -0.112 -0.022 90.264 0.000
12 -0.040 0.078 90.423 0.000
13 -0.045 -0.075 90.622 0.000
14 0.032 0.160 90.722 0.000
15 0.064 -0.069 91.143 0.000
16 0.058 -0.014 91.486 0.000
17 0.072 -0.005 92.029 0.000
18 0.059 -0.015 92.395 0.000
19 0.026 0.004 92.466 0.000
20 -0.003 -0.013 92.467 0.000
21 -0.099 -0.200 93.557 0.000
22 -0.143 0.036 95.881 0.000
23 -0.192 -0.103 100.14 0.000
24 -0.236 -0.033 106.69 0.000
25 -0.247 -0.021 114.03 0.000
26 -0.171 0.070 117.59 0.000
27 -0.169 -0.134 121.15 0.000
28 -0.158 -0.075 124.34 0.000
29 -0.076 0.016 125.08 0.000
30 -0.076 -0.054 125.85 0.000
Source : Calcul de l’auteur, Eviews, 2022

Tableau 23 : Corrélogramme de la série de consommation d’essence
Date: 06/07/22 Tim e: 01:55

Sam ple: 2015M01 2021M09
1 0.716 0.716 43.126 0.000

2 0.555 0.087 69.370 0.000
3 0.270 -0.321 75.669 0.000
4 0.058 -0.141 75.962 0.000
5 -0.093 0.012 76.720 0.000
6 -0.229 -0.126 81.405 0.000
7 -0.219 0.094 85.768 0.000
8 -0.142 0.178 87.616 0.000
9 0.046 0.225 87.813 0.000
10 0.205 0.080 91.804 0.000
11 0.256 -0.176 98.100 0.000
12 0.315 0.046 107.78 0.000
13 0.215 -0.130 112.35 0.000
14 0.095 -0.168 113.27 0.000
15 -0.072 -0.031 113.80 0.000
16 -0.252 -0.063 120.39 0.000
17 -0.355 -0.041 133.62 0.000
18 -0.436 -0.104 153.89 0.000
19 -0.330 0.156 165.67 0.000
20 -0.223 0.061 171.17 0.000
21 -0.068 -0.077 171.69 0.000
22 0.075 -0.009 172.33 0.000
23 0.129 -0.044 174.27 0.000
24 0.189 -0.000 178.50 0.000
25 0.132 -0.032 180.59 0.000
26 0.023 -0.069 180.65 0.000
27 -0.119 -0.001 182.43 0.000
28 -0.235 0.023 189.43 0.000
29 -0.268 0.004 198.70 0.000
30 -0.292 -0.038 209.96 0.000
Tableau 24 : Corrélogramme de la série de consommation de fioul
Date: 06/07/22 Tim e: 01:52

Sam ple: 2015M01 2021M09
1 0.806 0.806 54.644 0.000

2 0.729 0.226 99.901 0.000
3 0.690 0.157 140.89 0.000
4 0.659 0.104 178.87 0.000
5 0.643 0.103 215.45 0.000
6 0.614 0.031 249.21 0.000
7 0.589 0.032 280.74 0.000
8 0.593 0.106 313.13 0.000
9 0.531 -0.122 339.50 0.000
10 0.477 -0.086 361.00 0.000
11 0.468 0.057 382.06 0.000
12 0.460 0.043 402.72 0.000
13 0.385 -0.193 417.36 0.000
14 0.315 -0.137 427.32 0.000
15 0.289 0.020 435.81 0.000
16 0.276 0.018 443.67 0.000
17 0.287 0.120 452.33 0.000
18 0.276 0.067 460.46 0.000
19 0.244 -0.051 466.89 0.000
20 0.243 0.037 473.39 0.000
21 0.171 -0.124 476.66 0.000
22 0.115 -0.075 478.18 0.000
23 0.151 0.158 480.83 0.000
24 0.180 0.129 484.66 0.000
25 0.138 -0.141 486.93 0.000
26 0.086 -0.135 487.84 0.000
27 0.055 -0.020 488.22 0.000
28 0.044 -0.048 488.46 0.000
29 0.004 -0.130 488.47 0.000
30 -0.012 0.059 488.48 0.000

Tableau 25 : Corrélogramme de la série de consommation de kérosène
Date: 06/09/22 Tim e: 06:09

Sam ple: 2015M01 2021M09
1 0.777 0.777 50.793 0.000

2 0.682 0.197 90.396 0.000
3 0.664 0.222 128.34 0.000
4 0.646 0.133 164.75 0.000
5 0.543 -0.136 190.88 0.000
6 0.432 -0.171 207.62 0.000
7 0.468 0.215 227.48 0.000
8 0.434 -0.017 244.85 0.000
9 0.412 0.118 260.72 0.000
10 0.318 -0.171 270.31 0.000
11 0.305 -0.016 279.25 0.000
12 0.303 0.011 288.18 0.000
13 0.201 -0.163 292.18 0.000
14 0.122 -0.096 293.67 0.000
15 0.062 -0.065 294.06 0.000
16 0.052 -0.035 294.35 0.000
17 -0.047 -0.102 294.58 0.000
18 -0.117 -0.058 296.05 0.000
19 -0.071 0.204 296.59 0.000
20 -0.014 0.224 296.61 0.000
21 -0.028 0.027 296.69 0.000
22 -0.058 0.029 297.08 0.000
23 0.010 0.070 297.09 0.000
24 0.015 -0.085 297.12 0.000
25 -0.041 -0.080 297.32 0.000
26 -0.077 -0.019 298.05 0.000
27 -0.073 -0.040 298.71 0.000
28 -0.070 -0.072 299.33 0.000
29 -0.100 -0.017 300.63 0.000
30 -0.098 0.024 301.89 0.000
13.1. Test de Ljung-Box des séries
Nous devons donc identifier 𝐶𝑂𝑉(𝑦𝑡 ; 𝑦𝑡−𝑘 ) = 0 ou encore 𝜌𝑘 = 0 ∀ k.

En effectuant le test de Ljung-Box
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
• 𝑯𝟏 : il existe au moins un 𝑝𝑖 significativement différent de 0
❖ La série de la consommation de gasoil : Nous nous apercevons que 3 termes du

corrélogramme simple sont extérieurs de l'intervalle de confiance. Le processus n'est
pas un bruit blanc (il semble même caractéristique d'un processus non stationnaire). La
statistique Q de Ljung-Box (la seule calculée par Eviews) confirme ce fait : Q-Stat =
2
140,87 (au retard k = 30) > 𝜒0.05, 30 = 43,773, on refuse l'hypothèse de nullité des
coefficients 𝑝𝑘 (la probabilité critique de ce test est indiquée 𝛼𝑐 = 0,000 < 0,05, donc
on rejette 𝑯𝟎 ). Le processus n’est pas un bruit blanc.

❖ La série de la consommation d’essence : en examinent le corrélogramme de la série on
remarque que plus de 10 termes sont extérieurs de l’intervalle de confiance. Ce qui
confirme que le processus n’est pas un bruit blanc.
❖ La série de la consommation de fioul : en examinent le corrélogramme on observe que
plus de 5 termes sont extérieurs de l’intervalle de confiance. Ce qui confirme que le
processus n’est pas un bruit blanc. La statistique Q =229,42 confirme ce fait, il est
2
supérieur à 𝜒0.05, 30 = 43,773.
❖ La série de la consommation de kérosène : en examine le corrélogramme de la série de
consommation, on remarque que 12 termes sont extérieurs de l’intervalle de confiance.
Ce qui confirme que le processus n’est pas un bruit blanc.
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
Le test de D&F augmenté permet de détecter l’existence d’une non-stationnarité et en plus

déterminer de quelle non-stationnarité s’agit ‘il (processus DS ou TS) par la détermination de
qu’il s’agit : soit tendance déterministe ou stochastique, et en ajoutant des endogènes retardées.
Les modèles servant de base à la construction de ces tests sont au nombre de trois.
1. Un modèle sans constante
2. Un modèle avec constante
3. Un modèle avec constante et tendance
Le principe des Tests est simple : si l’hypothèse H0 : ϕ1 = 1 est retenue dans l’un de ces trois
modèles, le Processus est alors non stationnaire.
❖ La démarche de l’application de stratégie séquentielle de test de D&F :
M3 yt = ϕ1 yt−1 + 𝑏𝑡 + 𝑐 + 𝑎𝑡 Si on trouve que la tendance (b) est significative on arrête
M2 yt = ϕ1 yt−1 + 𝑐 + 𝑎𝑡 Si on trouve que la constante (c) est significative on arrête
M1 yt = ϕ1 yt−1 + 𝑎𝑡

13.3. Résultats de l’application de la stratégie de D&F (consommation de gasoil)
Tableau 26 : Résultat de l’estimation par MCO du modèle 3 (série de gasoil)
Augm ented Dickey-Fuller Tes t Equation

Dependent Variable: D(GAZOIL)
Method: Leas t Squares
Date: 06/06/22 Tim e: 17:26
Sam ple (adjus ted): 2015M02 2021M09
Included obs ervations : 80 after adjus tm ents
Variable Coefficient Std. Error t-Statis tic Prob.
GAZOIL(-1) -0.308088 0.081969 -3.758585 0.0003

C 8572641. 2399689. 3.572397 0.0006
@TREND("2015M01") 20873.35 21354.61 0.977463 0.3314
R-s quared 0.155447 Mean dependent var 107212.3

Adjus ted R-s quared 0.133510 S.D. dependent var 4498704.
S.E. of regres s ion 4187638. Akaike info criterion 33.36995
Sum s quared res id 1.35E+15 Schwarz criterion 33.45928
Log likelihood -1331.798 Hannan-Quinn criter. 33.40576
F-s tatis tic 7.086236 Durbin-Wats on s tat 1.998151
Prob(F-s tatis tic) 0.001497

• 𝑯𝟎 : b = 0 (le paramètre de la tendance n’est pas significatif)
• 𝑯𝟏 : b ≠ 0 (le paramètre de la tendance est significatif)
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.
On passe à l’estimation du modèle 2 :

Tableau 27 : Résultat de l’estimation par MCO du modèle 2 (série de gasoil)
Null Hypothes is : GAZOIL has a unit root

Exogenous : Cons tant
Lag Length: 0 (Autom atic - bas ed on SIC, m axlag=11)
t-Statis tic Prob.*
Augm ented Dickey-Fuller tes t s tatis tic -3.636563 0.0070

Tes t critical values : 1% level -3.514426
5% level -2.898145
10% level -2.586351
*MacKinnon (1996) one-s ided p-values .

Dependent Variable: D(GAZOIL)
Date: 06/06/22 Tim e: 17:30
GAZOIL(-1) -0.282933 0.077802 -3.636563 0.0005

C 8657816. 2397421. 3.611304 0.0005

Adjus ted R-s quared 0.134005 S.D. dependent var 4498704.
S.E. of regres s ion 4186442. Akaike info criterion 33.35728
• 𝑯𝟎 : C = 0 (la constante n’est pas significative)

• 𝑯𝟏 : C ≠ 0 (la constante est significative)
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
Donc on s’interroge à la présence de racine unitaire.
• 𝑯𝟎 : la série est affecté par une racine unitaire

• 𝑯𝟏 : la série est stationnaire
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).

Pourtant, les valeurs critiques pour les marges d’erreurs de 1% et de 10% préconisent le même,
c’est-à-dire que la série est stationnaire.
• Règle de décisions : rejet de 𝑯𝟎 , la série est stationnaire
13.4. Résultats de l’application de la stratégie de D&F (consommation d’essence)
Tableau 28 : Résultat de l’estimation par MCO du modèle 3 (série d’essence)
Null Hypothes is : ESSENCE has a unit root

Exogenous : Cons tant, Linear Trend
t-Statis tic Prob.*

5% level -3.466966
10% level -3.160198

Dependent Variable: D(ESSENCE)
Date: 06/06/22 Tim e: 20:17
ESSENCE(-1) -0.653722 0.106178 -6.156855 0.0000

C 758013.9 157027.7 4.827263 0.0000
@TREND("2015M01") 21833.27 3979.564 5.486347 0.0000

Adjus ted R-s quared 0.313586 S.D. dependent var 514604.8
S.E. of regres s ion 426350.6 Akaike info criterion 28.80069
• 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 = 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

Alors l’estimation du modèle 3, montre que la série est affecté par une tendance.
On s’intéresse au type de la tendance
• 𝑯𝟎 : la série est affecté par une racine unitaire (processus DS)

• 𝑯𝟏 : la série est stationnaire de type TS
• La comparaison de la valeur de t − statistique, pour une marge d’erreur de 5 pour cent,
nous conduit à rejeter l’hypothèse nulle de non stationnarité en niveau
(-3,466966 >-6,156855). En plus la valeur critique (0,0000 < 0,05) ce qui confirme que
le processus est un processus TS, on le rend stationnaire en retranchant de la valeur de
𝑦𝑡 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.
Figure 11 : Graphe de la série après l’élimination de la tendance (série d’essence)
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.

Tableau 29 : Corrélogramme de la série de consommation d’essence (sans tendance)
Date: 06/07/22 Tim e: 18:32

Sam ple: 2015M01 2021M09
1 0.343 0.343 9.8825 0.002

2 0.153 0.040 11.881 0.003
3 0.121 0.065 13.148 0.004
4 0.142 0.088 14.911 0.005
5 0.202 0.136 18.522 0.002
6 0.189 0.079 21.736 0.001
7 0.247 0.159 27.274 0.000
8 0.216 0.078 31.575 0.000
9 0.116 -0.021 32.831 0.000
10 0.060 -0.037 33.171 0.000
11 0.160 0.105 35.621 0.000
12 0.241 0.118 41.277 0.000
13 0.054 -0.149 41.562 0.000
14 -0.101 -0.205 42.592 0.000
15 -0.086 -0.096 43.338 0.000
16 -0.055 -0.079 43.650 0.000
17 0.051 0.052 43.923 0.000
18 0.042 -0.006 44.113 0.001
19 -0.008 -0.067 44.120 0.001
20 0.046 0.091 44.353 0.001
21 -0.139 -0.104 46.507 0.001
22 -0.215 -0.112 51.775 0.000
23 -0.080 0.038 52.519 0.000
24 0.053 0.112 52.852 0.001
25 -0.082 -0.092 53.659 0.001
26 -0.141 -0.010 56.076 0.001
27 -0.095 0.042 57.205 0.001
28 -0.055 0.019 57.585 0.001
29 -0.112 -0.114 59.206 0.001
30 -0.060 0.051 59.683 0.001
Test de Ljung-Box
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 0
❖ La série de la consommation de gasoil : Nous nous apercevons qu’un terme du

corrélogramme simple est extérieurs à l'intervalle de confiance. Le processus n'est pas
un bruit blanc. La statistique Q de Ljung-Box (la seule calculée par Eviews) confirme
2
ce fait : Q-Stat = 59,683 (au retard k = 30) > 𝜒0.05, 30 = 43,773 on refuse l'hypothèse
de nullité des coefficients 𝑝𝑘 (la probabilité critique de ce test est indiquée 𝛼𝑐 < 0,05,
donc on refuseH0). Le processus n’est pas un bruit blanc.
• Règle de décision : rejet de 𝑯𝟎

Tableau 30 : Test de la stationnarité (série d’essence)
Null Hypothesis: DESSENCE has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.237593 0.0000

Test critical values: 1% level -2.594189
5% level -1.944915
10% level -1.614114
• 𝑯𝟎 : le processus affect d’une racine unitaire

• 𝑯𝟏 : le processus est stationnaire
• La comparaison de la valeur de t − statistique, pour une marge d’erreur de 5 pour cent,
nous conduit à rejeter l’hypothèse nulle de non stationnarité en niveau
(-1,944915 >-3,237593). Pourtant, les valeurs critiques pour les marges d’erreurs à 1 et
à 10 pour cent préconisent le même, c’est-à-dire que la série est stationnaire.
13.5. Résultats de l’application de la stratégie de D&F (consommation de fioul)
Tableau 31 : Résultat de l’estimation du modèle 3 (série de fioul)

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(FUEL)
Method: Least Squares
Date: 06/07/22 Time: 18:47
Sample (adjusted): 2015M04 2021M09
Included observations: 78 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
FUEL(-1) -0.343800 0.088092 -3.902755 0.0002

D(FUEL(-1)) 0.024123 0.116890 0.206373 0.8371
D(FUEL(-2)) 0.323345 0.110798 2.918332 0.0047
C 3454523. 1037632. 3.329236 0.0014
@TREND("2015M01") 2382.289 12253.37 0.194419 0.8464
R-squared 0.238346 Mean dependent var 12102.56

Adjusted R-squared 0.196611 S.D. dependent var 2706427.
S.E. of regression 2425823. Akaike info criterion 32.30320
Sum squared resid 4.30E+14 Schwarz criterion 32.45427
F-statistic 5.711003 Durbin-Watson stat 2.081912
Prob(F-statistic) 0.000469

• 𝑯𝟎 : b ≠ 0 (le coefficient de la tendance est significatif)
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.
On passe à l’estimation du modèle 2
Tableau 32 : Résultats de l’estimation du modèle 2 (série de fioul)

Null Hypothes is : FUEL has a unit root
Exogenous : Cons tant
t-Statis tic Prob.*

5% level -2.899115
10% level -2.586866

Dependent Variable: D(FUEL)
Date: 06/07/22 Tim e: 18:58
FUEL(-1) -0.342289 0.087176 -3.926418 0.0002

D(FUEL(-1)) 0.022686 0.115895 0.195745 0.8453
D(FUEL(-2)) 0.322280 0.109940 2.931403 0.0045
C 3537837. 938847.2 3.768277 0.0003
• 𝑯𝟎 : C = 0 (la constante n’est pas significative)

• 𝑯𝟏 : C ≠ 0 (la constante est significative)
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.

On s’intéresse à la stationnarité de la série (absence de racine unitaire)
• 𝑯𝟎 : la série est affecté par une racine unitaire

• 𝑯𝟏 : la série est stationnaire
• 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
(-2,899115 > -3,926418). En plus la valeur critique (0,0029 < 0,05) ce qui confirme la
stationnarité de la série.
13.6. Résultats de l’application de la stratégie de D&F (consommation de kérosène)
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.
• 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.
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
t-Statis tic Prob.*

5% level -3.466966
10% level -3.160198

Dependent Variable: D(DHKEROSENE)
Date: 06/09/22 Tim e: 06:14
DHKEROSENE(-1) -0.387938 0.090500 -4.286599 0.0001

C 5.358194 1.280486 4.184501 0.0001
@TREND("2015M01") -0.013491 0.004984 -2.706949 0.0084
R-s quared 0.193612 Mean dependent var -0.033831

S.E. of regres s ion 0.746773 Akaike info criterion 2.290667
Sum s quared res id 42.94053 Schwarz criterion 2.379993

• 𝑯𝟎 : la série est affecté par une racine unitaire (processus DS)
• 𝑯𝟏 : la série n’est pas affecté par une racine unitaire (processus TS)
• 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
(-1,466966 > -4,286599). En plus la valeur critique (0,0054 < 0,05) ce qui confirme
que la série est de type TS.
On le rend stationnaire en retranchant de la valeur de 𝑦𝑡 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.
Tableau 34 : Résultat de l’estimation de modèle après l’élimination de tendance (série - kéro)
Null Hypothesis: DHTKEROSENE has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.345745 0.0000

Test critical values: 1% level -2.594189
5% level -1.944915
10% level -1.614114
• 𝑯𝟎 : la série affect d’une racine unitaire.

• 𝑯𝟏 : la série n’affecte pas d’une racine unitaire
Figure 12 : La série après l’élimination de la tendance (série de kérosène)

DHKEROSENE
15
14
13
12
11
10
9
2015 2016 2017 2018 2019 2020 2021

En conclusion, nous avons étudier la stationnarité des quatre séries de la consommation de
produits pétrolier raffinées, tout d’abord en testant les bruitées blancs des séries, par le test de
Ljung-Box, ensuite nous avons appliqué la stratégie séquentielle de test de Ducke et Fuller sur
les quatre séries. Il sort que
❖ 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.

Chapitre 4
APPLICATION DE LA METHODE DE BOX ET JENKINS
Dans ce chapitre on va appliquer l’algorithme de la méthode de Box et Jenkins après l’étude de

la stationnarité des séries. Dans un premier temps, on va commencer par l’identifications des
modèles, et l’identifications des ordres (p, q et q). Ensuite nous allons estimer les paramètres
des modèles qui est équivaut à la recherche de significativité des coefficients. En fin nous
passons par la validation des modèles à partir des boucles de test avant de faire la prévision.
14.Identifications des modèles

L’étape de l’identification se repose sur l’analyse des fonctions d’autocorrélation simple et
partielle (corrélogramme).
• Le processus autorégressif (AR), s’identifie par l’analyse la fonction d’autocorrélation

partielle
• Le processus de moyenne mobile (MA), s’identifie par l’analyse de la fonction
d’autocorrélation simple.
• Le processus autorégressif et moyenne mobile (ARMA), s’identifie par l’analyse de
deux fonctions d’autocorrélation.
Alors dans l’étape de l’identification on va essayer à partir des corrélogramme vu

précédemment (chapitre 3) de déterminer les processus générateurs des données et identifier les
ordres p, q et d.
14.1. Identification du modèle de la série de consommation de gasoil
Tableau 35 : Corrélogramme de la série de consommation de gasoil

Date: 06/07/22 Tim e: 22:20
Sam ple: 2015M01 2021M09
1 0.716 0.716 43.082 0.000

2 0.511 -0.003 65.305 0.000
3 0.353 -0.024 76.031 0.000
4 0.101 -0.291 76.928 0.000
5 -0.072 -0.081 77.383 0.000
6 -0.140 0.039 79.149 0.000
7 -0.183 0.020 82.198 0.000
8 -0.193 -0.026 85.615 0.000
9 -0.141 0.020 87.467 0.000
10 -0.130 -0.093 89.059 0.000
11 -0.112 -0.022 90.264 0.000
12 -0.040 0.078 90.423 0.000

D’après le corrélogramme, on peut identifier :
• 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).
14.2. Identification du modèle de la série de consommation d’essence

On peut identifier à partir de corrélogramme le processus suivant :
• 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).
Tableau 36 : Corrélogramme de la série de consommation d’essence
Date: 06/07/22 Time: 22:26

Sample: 2015M01 2021M09
Included observations: 81
1 0.343 0.343 9.8825 0.002

2 0.153 0.040 11.881 0.003
3 0.121 0.065 13.148 0.004
4 0.142 0.088 14.911 0.005
5 0.202 0.136 18.522 0.002
6 0.189 0.079 21.736 0.001
7 0.247 0.159 27.274 0.000
8 0.216 0.078 31.575 0.000
9 0.116 -0.021 32.831 0.000
10 0.060 -0.037 33.171 0.000
11 0.160 0.105 35.621 0.000
12 0.241 0.118 41.277 0.000
D’après l’examen de corrélogramme on peut identifier :

• AR (1)
• MA (1)
• MA (7)
Nous avons 3 pics significatifs, le premier au niveau de la fonction d’autocorrélation partielle

au retard 1 (AR), le deuxième et le troisième sont au niveau de la fonction d’autocorrélation
simple aux retardes 1 et 12 (MA).
14.3. Identification du modèle de la série de consommation de fioul
Tableau 37 : Corrélogramme de la série consommation de fioul
Date: 06/07/22 Time: 22:33

Sample: 2015M01 2021M09
1 0.716 0.716 43.126 0.000

2 0.555 0.087 69.370 0.000
3 0.270 -0.321 75.669 0.000
4 0.058 -0.141 75.962 0.000
5 -0.093 0.012 76.720 0.000
6 -0.229 -0.126 81.405 0.000
7 -0.219 0.094 85.768 0.000
8 -0.142 0.178 87.616 0.000
9 0.046 0.225 87.813 0.000
10 0.205 0.080 91.804 0.000
11 0.256 -0.176 98.100 0.000
12 0.315 0.046 107.78 0.000
A Partir du corrélogramme on peut identifier :
• 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).

14.4. Identification du modèle de la série de consommation de kérosène
Tableau 38 : Corrélogramme de la série de consommation de kérosène

Date: 06/07/22 Time: 22:48
Sample: 2015M01 2021M09
1 0.942 0.942 74.563 0.000

2 0.872 -0.136 139.26 0.000
3 0.804 -0.009 194.96 0.000
4 0.741 0.004 242.90 0.000
5 0.700 0.158 286.30 0.000
6 0.646 -0.195 323.68 0.000
7 0.588 -0.017 355.13 0.000
8 0.528 -0.060 380.77 0.000
9 0.442 -0.239 399.03 0.000
10 0.369 0.060 411.95 0.000
11 0.309 0.052 421.13 0.000
12 0.258 -0.002 427.60 0.000
En observant le corrélogramme de la série on peut identifier les processus suivants :
• 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.
15.Estimation des modèles
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.

15.1. L’estimation des coefficients des modèles de la série de (gasoil)
Tableau 39 : Comparaison des modèles identifiés de la consommation de gasoil
Modèle Schwarz criterion Akaike info criterion

AR (1) 33,48222 33,39353
MA (1) 33,70852 33,61984
MA (2) 33,90482 33,81614
MA (3) 33,96014 33,87145
On remarque que le meilleur modèle qui minimise les deux critères (AIC ET SCH) est celui
de AR (1).
15.2. L’estimation des coefficients des modèles de la série (essence)
Tableau 40 : Comparaison des modèles identifiés de la consommation d’essence

AR (1) 28,84469 28,0855
MA (1) 28,86271 28,80358
MA (7) 28,88372 28,8246
ARMA (1, 1) 28,87473 28,78604
ARMA (1, 7) 28,85544 28,76676
On remarque que le meilleur modèle les critères (AIS et SCH) est le modèle AR (1).
15.3. L’estimation des coefficients des modèles de la série (fioul)
Tableau 41 : Comparaisons des modèles identifiés de la consommation de fioul

AR (1) 32,43027 32,34159
AR (3) 33,07037 32,98169
MA (1) 32,74513 32,65645
On remarque le modèle AR (1) est le meilleur, car il minimise mieux les deux critères.

15.4. L’estimation des coefficients des modèles de la série (kérosène)
Tableau 42 : Comparaison des modèles identifié de la consommation de kérosène

AR (1) 27,78 27,72
ARMA (1, 11) 27,80 27,72
On remarque que le modèle AR (1) minimise mieux les deux critères.
Après avoir comparer les critères de chacune des modèles identifiés nous pouvons résumer les
modèles retenus :
❖ La série de la consommation de gasoil : nous avons retenue AR (1).
❖ La série de la consommation d’essence : nous avons retenue AR (1).
❖ La série de la consommation de fioul : nous avons retenue AR (1).
❖ La série de la consommation de kérosène : nous avons retenue AR (1).
16.Validation des modèles
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.

16.1. Validation du modèle de la série de consommation de gasoil
16.1.1. Vérification des coefficients du modèle
Tableau 43 : Résultat de l’estimation du modèle AR (1) (série de gasoil)
Dependent Variable: GAZOIL

Method: ARMA Maximum Likelihood (BFGS)
Date: 06/08/22 Time: 15:22
Sample: 2015M01 2021M09
Convergence achieved after 3 iterations
Coefficient covariance computed using outer product of gradients
C 30111074 1725234. 17.45333 0.0000

AR(1) 0.718947 0.086556 8.306190 0.0000
SIGMASQ 1.71E+13 2.43E+12 7.064258 0.0000
R-squared 0.521094 Mean dependent var 30246409

Inverted AR Roots .72
On remarque les probabilités sont inférieurs à 0,05 ce qui confirme la significativité des
coefficients.

16.1.2. Test de Box-Pierce et Ljung-Box
Tableau 44 : Corrélogramme des résidus (série de gasoil)

Date: 06/08/22 Tim e: 16:43
Sam ple: 2015M01 2021M09
Q-s tatis tic probabilities adjus ted for 1 ARMA term
1 -0.007 -0.007 0.0040

2 0.012 0.012 0.0154 0.901
3 0.194 0.194 3.2499 0.197
4 -0.087 -0.088 3.9153 0.271
5 -0.176 -0.190 6.6586 0.155
6 -0.064 -0.108 7.0315 0.218
7 -0.087 -0.050 7.7140 0.260
8 -0.136 -0.075 9.4160 0.224
9 0.029 0.034 9.4934 0.302
10 -0.039 -0.056 9.6406 0.380
11 -0.100 -0.116 10.598 0.390
12 0.114 0.055 11.857 0.375
13 -0.115 -0.147 13.153 0.358
14 0.078 0.098 13.764 0.391
15 0.077 0.015 14.370 0.423
16 -0.012 -0.004 14.385 0.497
17 0.063 0.023 14.805 0.539
18 0.036 -0.023 14.941 0.600
19 -0.001 0.007 14.941 0.666
20 0.092 0.128 15.865 0.666
21 -0.090 -0.123 16.781 0.667
22 -0.019 0.019 16.821 0.722
23 -0.043 -0.066 17.039 0.761
24 -0.087 -0.074 17.923 0.762
25 -0.185 -0.126 22.023 0.578
26 0.095 0.088 23.121 0.571
27 -0.039 -0.014 23.312 0.615
28 -0.139 -0.107 25.745 0.533
29 0.110 -0.031 27.310 0.501
30 -0.065 -0.122 27.871 0.525
• 𝑯𝟎 : 𝑝1 = 𝑝1 = ⋯ = 𝑝ℎ = 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 .

16.1.3. Test de Box-Pierce Ljung-Box
Tableau 45 : Corrélogramme des résidus au carré (série de gasoil)

Date: 06/08/22 Tim e: 16:44
Sam ple: 2015M01 2021M09
1 -0.064 -0.064 0.3443 0.557

2 -0.027 -0.031 0.4061 0.816
3 -0.095 -0.099 1.1834 0.757
4 0.092 0.079 1.9249 0.750
5 0.194 0.204 5.2661 0.384
6 -0.029 -0.006 5.3423 0.501
7 -0.014 0.009 5.3592 0.616
8 -0.042 -0.016 5.5236 0.700
9 0.138 0.100 7.3098 0.605
10 -0.015 -0.038 7.3321 0.694
11 0.140 0.153 9.2024 0.603
12 -0.021 0.026 9.2450 0.682
13 0.004 -0.003 9.2468 0.754
14 -0.035 -0.058 9.3669 0.807
15 0.060 0.049 9.7340 0.836
16 0.046 -0.007 9.9525 0.869
17 -0.007 0.002 9.9581 0.905
18 0.025 0.032 10.022 0.931
19 0.018 0.052 10.058 0.952
20 0.048 -0.010 10.315 0.962
21 0.061 0.076 10.726 0.968
22 -0.011 -0.022 10.740 0.978
23 -0.051 -0.055 11.043 0.983
24 0.189 0.184 15.269 0.913
25 -0.012 0.003 15.286 0.934
26 -0.010 -0.051 15.297 0.952
27 -0.108 -0.087 16.763 0.937
28 -0.045 -0.084 17.019 0.948
29 0.250 0.182 25.089 0.674
30 -0.061 -0.072 25.580 0.696
• 𝑯𝟎 : homoscédasticité des résidus

• 𝑯𝟎 : hétéroscédasticité des résidus
❖ Les résidus au carrée de l’estimation du modèle AR (1) : on constate que tous les termes
sont intérieurs à l’intervalle de confiance (ce qui semble même un bruit blanc). La
statistique Q de Ljung-Box confirme ce fait : Q-Stat = 25,580 (au retard k = 30) <
2
𝜒0.05, 30 = 43,773 (la probabilité critique de ce test est indiquée 𝛼𝑐 sont tous > 0,05,
donc on accepte H0). Les résidus aux carrés sont des bruits blancs.
• Règle de décision : non rejet de 𝑯𝟎 : absence d’hétéroscédasticité
16.1.4. Test de normalité des résidus (Les tests du Skewness et du Kurtosis)
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.

• H0 : 𝑣1 (asymétrie) = 0 et 𝑣2 (aplatissement) = 0
• 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
• Règle de décision : rejet de H0

• La distribution des résidus n’est pas normale
Figure 13 : La distribution des résidus (série de gasoil)
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
La probabilité de Jarque-Bera est supérieur à 0,05. Ce qui confirme la normalité de distribution

des résidus.

16.2. Validation du modèle de la série de consommation d’essence
16.2.1. Vérification des coefficients du modèle
Tableau 46 : Résultat de l’estimation du modèle AR (1) (série d’essence)

Dependent Variable: DTTESSENCE
Method: ARMA Maxim um Likelihood (BFGS)
Date: 06/09/22 Tim e: 08:41
Sam ple: 2015M01 2021M09
Coefficient covariance com puted us ing outer product of gradients
AR(1) 0.267940 0.107986 2.481259 0.0152

SIGMASQ 0.029704 0.005186 5.727306 0.0000
R-s quared 0.072065 Mean dependent var -3.28E-11

S.E. of regres s ion 0.174516 Akaike info criterion -0.628305
Sum s quared res id 2.405997 Schwarz criterion -0.569183
Log likelihood 27.44635 Hannan-Quinn criter. -0.604584
Durbin-Wats on s tat 1.930484
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
Tableau 47 : Corrélogramme des résidus (série d’essence)

Date: 06/09/22 Tim e: 08:39
Sam ple: 2015M01 2021M09
1 0.130 0.130 1.4131 0.235

2 0.051 0.034 1.6316 0.442
3 0.254 0.248 7.2038 0.066
4 -0.061 -0.133 7.5286 0.110
5 0.065 0.085 7.9050 0.162
6 -0.108 -0.212 8.9564 0.176
7 0.008 0.127 8.9616 0.255
8 -0.013 -0.109 8.9770 0.344
9 -0.107 0.031 10.050 0.346
10 0.008 -0.071 10.056 0.436
11 -0.100 -0.025 11.018 0.442
12 -0.010 -0.004 11.028 0.527
13 0.021 0.045 11.072 0.605
14 -0.060 -0.041 11.429 0.652
15 -0.027 -0.047 11.501 0.716
16 -0.102 -0.106 12.588 0.703
17 0.035 0.091 12.717 0.755
18 -0.079 -0.121 13.380 0.769
19 -0.069 0.053 13.895 0.790
20 0.123 0.039 15.551 0.744
21 -0.060 -0.007 15.948 0.773
22 0.012 -0.025 15.966 0.818
23 -0.003 -0.032 15.967 0.857
24 -0.027 -0.006 16.053 0.886
25 0.094 0.070 17.123 0.877
26 0.047 0.078 17.394 0.897
27 0.064 0.006 17.911 0.906
28 0.066 0.037 18.468 0.914
29 0.017 -0.032 18.506 0.933
30 -0.100 -0.165 19.834 0.921

• 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 sont intérieurs à l'intervalle de confiance. Les résidus sont des
bruits blancs. La statistique Q de Ljung-Box (la seule calculée par Eviews) confirme ce
2
fait : Q-Stat = 19,834 (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.
Tableau 48 : Corrélogramme des résidus aux carrées (série d’essence)

Date: 06/08/22 Tim e: 19:04
Sam ple: 2015M01 2021M09
Q-s tatis tic probabilities adjus ted for 2 ARMA term s
1 -0.011 -0.011 0.0100

2 -0.001 -0.001 0.0101
3 0.060 0.060 0.3156 0.574
4 0.052 0.053 0.5504 0.759
5 0.095 0.097 1.3452 0.718
6 0.098 0.099 2.2018 0.699
7 -0.001 -0.002 2.2018 0.821
8 0.123 0.114 3.6044 0.730
9 0.078 0.066 4.1777 0.759
10 -0.023 -0.035 4.2260 0.836
11 0.086 0.059 4.9313 0.840
12 0.222 0.208 9.7390 0.464
13 -0.012 -0.022 9.7539 0.553
14 -0.087 -0.131 10.507 0.572
15 -0.014 -0.055 10.528 0.650
16 -0.053 -0.103 10.822 0.700
17 0.042 -0.030 11.005 0.752
18 0.038 0.017 11.162 0.799
19 -0.064 -0.047 11.601 0.824
20 0.126 0.101 13.353 0.770
21 -0.104 -0.113 14.564 0.750
22 -0.167 -0.153 17.734 0.605
23 -0.044 -0.094 17.961 0.651
24 0.131 0.122 19.984 0.584
25 -0.084 -0.035 20.830 0.591
26 -0.076 -0.027 21.540 0.607
27 -0.027 0.058 21.632 0.657
28 0.021 0.066 21.686 0.706
29 -0.068 -0.106 22.292 0.722
30 0.026 0.051 22.381 0.763

• H0 : homoscédasticité des résidus
• H1 : hétéroscédasticité des résidus
sont intérieurs à l’intervalle de confiance. La statistique Q de Ljung-Box confirme ce
2
fait : Q-Stat = 22,283 (au retard k = 30) < 𝜒0.05, 30 = 43,773 (la probabilité critique de
ce test est indiquée 𝛼𝑐 sont tous > 0,05, donc on accepte H0). Les résidus aux carrés
sont des bruits blancs.
• Règle de décision : non rejet de H0 : absence d’hétéroscédasticité

16.2.3. Test de normalité des résidus
Figure 14 : La distribution des résidus (série d’essence)

12
Seri es : Res i dua l s
Sa mpl e 2015M01 2021M09
10
Obs erva ti ons 81
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
• 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.
16.3. Validation du modèle de la série de consommation de fioul
16.3.1. Test de Dirbun et Watson d’autocorrélation des résidus
De par sa construction, cette statistique varie entre 0 et 4 et nous avons DW = 2 lorsque 𝑝̂ = 0 (

𝑝̂ est le ρ observé). Afin de tester l’hypothèse H0, Durbin et Watson ont tabulé les valeurs
critiques de DW au seuil de 5 % en fonction de la taille de l’échantillon n et du nombre de
variables explicatives (k).
• H0 : p = 0 (absence d’autocorrélation)
• H1 : p ≠ 0 (présence d’autocorrélation)

Tableau 49 : Résultat de l’estimation du modèle (série de fioul)
Dependent Variable: FUEL
Method: ARMA Maximum Likelihood (BFGS)
Date: 06/09/22 Time: 03:35
Sample: 2015M01 2021M09
Coefficient covariance computed using outer product of gradients
C 10214708 993324.6 10.28335 0.0000

AR(1) 0.709718 0.077433 9.165629 0.0000
SIGMASQ 5.99E+12 9.88E+11 6.063006 0.0000
R-squared 0.514499 Mean dependent var 10269988


On constate que la valeur de Durbin-Watson est entre (d et d – 4) on cherche la valeur de d,

dans le tableau de Durbin-Watson, nous allons trouver (d = 1,66) avec k = 1 et n = 81.
Ou k : nombre de variable explicative, et n : nombre de l’échantillon.
Règle de décision : non rejet de H0.
Car 2,1, est entre d = 1,66 et d – 4 = 2,34).

Tableau 50 : Corrélogramme des résidus aux carrées (série de fioul)
Date: 06/09/22 Tim e: 03:45

Sam ple: 2015M01 2021M09
1 0.206 0.206 3.5734 0.059

2 -0.013 -0.058 3.5873 0.166
3 -0.044 -0.031 3.7555 0.289
4 -0.028 -0.013 3.8218 0.431
5 0.121 0.134 5.1262 0.401
6 0.080 0.025 5.6966 0.458
7 -0.037 -0.058 5.8215 0.561
8 0.021 0.056 5.8638 0.662
9 -0.030 -0.039 5.9497 0.745
10 -0.107 -0.115 7.0386 0.722
11 -0.105 -0.082 8.1037 0.704
12 -0.016 0.032 8.1294 0.775
13 -0.134 -0.169 9.9161 0.701
14 -0.013 0.036 9.9328 0.767
15 0.000 0.021 9.9328 0.824
16 -0.012 0.005 9.9478 0.869
17 0.076 0.074 10.562 0.878
18 0.131 0.156 12.399 0.826
19 -0.043 -0.088 12.604 0.858
20 -0.078 -0.090 13.271 0.865
21 -0.019 0.034 13.311 0.897
22 -0.101 -0.161 14.474 0.884
23 0.113 0.087 15.964 0.857
24 0.084 0.025 16.790 0.857
25 -0.082 -0.080 17.605 0.859
26 0.012 0.025 17.622 0.889
27 -0.037 0.036 17.791 0.910
28 -0.064 -0.044 18.313 0.918
29 0.062 0.058 18.804 0.926
30 0.022 0.044 18.870 0.943

2

Figure 15 : Distribution des résidus (série de fioul)
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

• On remarque que la probabilité de Jarque et Bera est supérieur à 0,05, ce qui signifie
16.4. Validation du modèle de la série de consommation de kérosène
16.4.1. Test de Dirbun et Watson d’autocorrélation des résidus
De par sa construction, cette statistique varie entre 0 et 4 et nous avons DW = 2 lorsque 𝑝̂ = 0 (

𝑝̂ est le ρ observé). Afin de tester l’hypothèse H0, Durbin et Watson ont tabulé les valeurs
critiques de DW au seuil de 5 % en fonction de la taille de l’échantillon n et du nombre de
variables explicatives (k).
• H0 : p = 0 (absence d’autocorrélation)
• H1 : p ≠ 0 (présence d’autocorrélation)

Tableau 51 : L’estimation de modèle (série de kérosène)
AR(1) 0.606415 0.090253 6.719065 0.0000

SIGMASQ 0.532601 0.084054 6.336429 0.0000
R-squared 0.372194 Mean dependent var -1.44E-11

Adjusted R-squared 0.364247 S.D. dependent var 0.926800
S.E. of regression 0.738975 Akaike info criterion 2.262937
Sum squared resid 43.14070 Schwarz criterion 2.322060
Durbin-Watson stat 2.169228

On constate que la valeur de Durbin-Watson est entre (d et d – 4) on cherche la valeur de d,
dans le tableau de Durbin-Watson, nous allons trouver (d = 1,66) avec k = 1 et n = 81.
Ou k : nombre de variable explicative, et n : nombre de l’échantillon.
Règle de décision : non rejet de H0.
Car 2, 1 est entre d = 1,66 et d – 4 = 2,34).
Tableau 52 : Corrélogramme résidus aux carrées (série de kérosène)
Date: 06/09/22 Tim e: 09:29

Sam ple: 2015M01 2021M09
1 0.082 0.082 0.5612 0.454

2 0.049 0.043 0.7691 0.681
3 0.138 0.132 2.4198 0.490
4 0.060 0.038 2.7336 0.603
5 0.187 0.174 5.8251 0.324
6 0.041 -0.004 5.9745 0.426
7 0.072 0.051 6.4414 0.489
8 -0.051 -0.115 6.6855 0.571
9 0.234 0.241 11.785 0.226
10 0.086 0.001 12.484 0.254
11 -0.068 -0.069 12.927 0.298
12 0.025 -0.051 12.985 0.370
13 0.016 0.034 13.010 0.447
14 -0.046 -0.134 13.218 0.509
15 -0.088 -0.088 14.010 0.525
16 0.054 0.064 14.310 0.576
17 -0.088 -0.039 15.130 0.586
18 0.073 0.071 15.693 0.614
19 0.009 -0.023 15.702 0.677
20 -0.097 -0.017 16.747 0.669
21 0.126 0.141 18.526 0.616
22 -0.017 -0.031 18.557 0.672
23 0.063 0.078 19.011 0.701
24 -0.103 -0.088 20.261 0.682
25 -0.033 -0.038 20.389 0.726
26 0.063 0.032 20.866 0.749
27 0.023 0.042 20.932 0.789
28 0.030 -0.046 21.044 0.824
29 -0.008 0.072 21.053 0.857
30 -0.003 -0.079 21.054 0.886
31 -0.009 -0.021 21.065 0.910
32 0.010 -0.040 21.079 0.930
33 -0.048 0.009 21.395 0.940
34 -0.008 0.006 21.405 0.954
35 -0.103 -0.114 22.961 0.941
36 -0.031 -0.011 23.106 0.953

2
Figure 16 : Distribution des résidus (série de kérosène)

16
Seri es : Res i dua l s
14 Sa mpl e 2015M01 2021M09
Obs erva ti ons 81
12
Mea n 0.004506
10
Medi a n 0.051556
8 Ma xi mum 2.025132
Mi ni mum -1.567946
6 Std. Dev. 0.734328
Skewnes s 0.315962
4 Kurtos i s 3.251482
2
Ja rque-Bera 1.561180
0 Proba bi l i ty 0.458136
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

• On remarque que la probabilité de Jarque et Bera est supérieur à 0,05, ce qui signifie

17. Prévision des séries
Tableau 53 : Prévision de la consommation de gasoil
Mois Consommation réelles Consommation prévues MAPE

Oct-21 3534900 3445004 0,03%
Nov-21 4505400 4460980 0,01%
Déc-21 447300 445405 0,01%
Tableau 54 : Prévision de la consommation d’essence

Oct-21 3534900 3569800 0,01%
Nov-21 4505400 435800 11,12%
Déc-21 447300 426900 0,06%
Tableau 55 : Prévision de la consommation de fioul

Oct-21 13179000 12589000 0,06%
Nov-21 12882000 11398000 0,15%
Déc-21 11559000 10668000 0,10%
Tableau 56 : Prévision de la consommation de kérosène

Oct-21 281000 284580 1,50%
Nov-21 258000 239800 9,04%
Déc-21 122500 120358 2,12%

CONCLUSION GÉNÉRALE
La publication des prévisions et l’analyse de l’évolution de la consommation des produits

pétroliers raffinés est un événement économétrique et statistique souvent attendu par différents
agents économiques, consommateurs producteurs et autres opérateurs financiers. Elle est
considérée comme des informations clés pour l’aide à la prise de décision.
Au terme de cette étude, ou il nous incombait de mettre sur pied des modèles stochastiques
univariées et prévisionnels de la consommation mensuelle de produits pétroliers raffinées, il
ressort dans l’ensemble que la consommation de gasoil a connu une hausse annuelle moyenne
de 5% entre l’année 2015 et 2021, alors que La consommation d’essence a évolué en moyenne
annuels de 12%. D’autre part, la consommation de kérosène a enregistré une baisse annuelle
moyenne en volume de 37%, ainsi que le fioul qui a enregistré une baisse annuelle moyenne en
volume de 4%.
En ce qui concerne la consommation mensuelle de produits pétrolier raffinés, le gasoil a
enregistré une hausse en volume de près de 56% entre 2015 et 2016, par contre à leur évolution
entre 2017 et 2018, elle a connu deux baisse successive 5,4% en 2017 par rapport à 2016 et
14,78 en 2018 par rapport à 2017. Après elle a connu deux évolutions successifs 12,58% en
2019 par rapport à 2018 et 10,30% en 2020 par rapport à 2019, avant qu’elle baisse de 11,58%
en 2021 par rapport à 2020. La consommation d’essence a connu une évolution très rapide entre
2015 et 2021. En effet, elle a enregistré une hausse en volume de 21,37% en 2016 par rapport
à 2015, avant qu’elle baisse en 2017 de 8,88% par rapport à 2016. Après, elle a continué
d’évoluer de 26,98% en 2018 par rapport à 2017 ; 24,95% en 2019 par rapport à 2018 ; 21,06
en 2020 par rapport à 2019 ; 6,67% en 2021 par rapport à 2020. La consommation de kérosène
a enregistré des fortes baisses entre 2015 et 2021. En effet, en 2016, elle enregistre une baisse
en volume de 49.06% par rapport à 2015, en 2017 elle a continué de refluer, soit une diminution
en volume de 83.68% par rapport à l’année précédente. Ensuite, en 2018 elle a continué de
baisser d’en volume de 0.61% par rapport à l’année auparavant. En 2019, elle enregistre une
forte hausse, soit une hausse en volume de 420,37% (une forte régression). Après, en 2020, elle
a baissé d’en volume de 84,78% par rapport à 2019. En fin, en 2021, elle enregistre une hausse

un volume de 2,57% par rapport à l’années précédente. La consommation de fioul-oïl enregistre
en 2016 une baisse en volume de 42,74% par rapport à 2015. En 2017 elle a accru d’une hausse
de volume de 90,84% par rapport à 2016, (une forte hausse). En 2018 elle a poursuivi sa
progression avec une évolution en volume de 5.13% par rapport à 2017. La consommation de
mazout enregistre en 2019 une baisse en volume de 13,85% par rapport à l’années auparavant.
En 2020 elle a connu une hausse en volume de 4,40% par rapport à l’année précédent. En 2021
elle enregistre une baisse en volume de 23,58% par rapport à 2020.
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.

BIBLIOGRAPHIE
[1] Assane Fall, l’exploitation pétroliers en Mauritanie, avril 2020.
[2] régis Bourbonnais, 9 éditions, 2015.
[3] Bresson, G. & Pirotte, A. (1995), "Économétrie des séries temporelles : théories et
applications". Presses universitaires de France.
[4] Charpentier, A. (2004), "Cours de séries temporelles théories et applications, vol 2 ".
Université de Paris Dauphine.
[5] Bressoux, P. (2008), "Modélisation statistique appliquée aux sciences sociales". Edition de
Boeck université.

ANNEXES
Figure 17 : les profiles annuels de la consommation de gasoil
250000000
200000000
150000000
100000000
50000000
2015 2016 2017 2018 2019 2020 2021
Figure 18 : les profiles annuels de la consommation d’essence
25000000
20000000
15000000
10000000
5000000
2015 2016 2017 2018 2019 2020 2021

Figure 19 : les profiles annuels de la consommation de fioul
120000000
100000000
80000000
60000000
40000000
20000000
0
janv fevr mars avr mai juin juil août sept oct nov déc
2015 2016 2017 2018 2019 2020 2021
Figure 20 : les profiles annuels de la consommation de kérosène
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
2015 2016 2017 2018 2019 2020 2021

Tableau 57 : Analyse de la variance
Somme des carrés Degré de Désignation Variance

liberté
P–1 Variance 𝑠𝑃
̅̅̅̅. )2
𝑆𝑝 = 𝑇 ∑(𝑥̅ . 𝑗 − 𝑥. 𝑉𝑝 =
période 𝑃−1
𝑗
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
Source : Cours ISMS 2020 - 2021

PFE Promotion1 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PFE Promotion1 PDF

Transféré par

Droits d'auteur :

Formats disponibles

République Islamique de Mauritanie

Honneur – Fraternité – justice

Société Mauritanienne des Hydrocarbures Institut Supérieur des Métiers de la Statistique

Analyse et prévision de la consommation des

Réaliser par : Encadré par : Sous la supervision de :

Je dédie ce modeste travail à :

Avant tous à mes chers parents.

Mes dédicaces s’adressent également à mes chers frères.

À toutes mes sœurs.

Avant d’entamer ce rapport de stage, permettez-moi, de commencer par les remerciements, à

L’institut supérieur des Métiers de la statistique et la société Mauritanienne des

SMH : Société Mauritanienne des Hydrocarbures.

Figure 1 : Évolution en volume de la consommation de Gasoil .............................................. 17

Tableau 1 : Schéma d’identification des modèles .................................................................... 36

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 1

L’analyse de la consommation de produits pétroliers raffinés, fait l’objet de plusieurs études,

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 2

2. Objectifs et hypothèses de l’étude

raffinés entre 2015 et 2021.

• Spécifier les facteurs clé à la hausse consommation de produits pétroliers raffinés.

consommation mensuelle des hydrocarbures liquides.

Notre plan est constitué de :

Chapitre 1 : la consommation de produits pétroliers raffinées

Chapitre 2 : méthodologie et modèle ARMA

Chapitre 3 : Analyse des variables

Chapitre 4 : application de la méthode de Box et Jenkins.

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 3

Les missions assignées à la SMH

❖ Exercice de toutes les activités pétrolières et gazières y compris l’exploration,

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 4

La Direction Générale est en charge de la mise en œuvre de la stratégie de la SMH et de son

Les Conseillers et Chargés de Mission

Ils interviennent sur diverses missions sur le mandat de la Direction Générale.

Le Département Contrôle de Gestion et Audit

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 5

Le département Juridique a pour mission le conseil à la Direction Générale et l’assistance aux

Le Département Hygiène, Sécurité et Environnement a pour mission d’assurer le suivi des

Le Département Commercial et Prestations

Le Département Commercial et prestations a pour mission de commercialiser la part de la

La Direction de l’Amon Pétrolier

La Direction de l’Aval Pétroliers

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 6

La Direction Administrative a pour mission d’assurer la gestion administrative de la SMH,

La Direction Economique et Financière

La Direction Economique et Financière est en charge de la tenue de la comptabilité et la gestion

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 7

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 8

LA CONSOMMATION DES PRODUITS PETROLIERS RAFFINÉS

3. Secteur pétroliers et gazeux en Mauritanie

La Mauritanie possède deux bassins sédimentaires susceptibles de contenir des

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 9

3.3.Importation et exportation des produits

Actuellement, Il n'existe pas de raffinage de produits pétroliers en Mauritanie, et tous les

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 10

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 11

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 12

4.1.Les secteurs dépendants de la consommation des hydrocarbures liquides

4.1.1. Secteur de transport :

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 13

Le secteur industriel a lui aussi particulièrement influencé la consommation de diesel au

Ahmed Salem / Ahmed Boussat, élève statisticien économiste ISMS, 2022 14

4.1.3. Secteur d’électricité

L'important déficit de la production d'électricité en Mauritanie limite non seulement la