See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/357992080

ESTIMATION DU COEFFICIENT D'OKUN ET ANALYSE DE LA COURBE DE

PHILLIPS : CAS DE LA TUNISIE

Article · January 2022

CITATIONS READS

0 282

2 authors, including:

Kamel Ben Abda

institut supérieur de gestion tunis
8 PUBLICATIONS   0 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Economics View project

All content following this page was uploaded by Kamel Ben Abda on 21 January 2022.

The user has requested enhancement of the downloaded file.

 1

ESTIMATION DU COEFFICIENT D’OKUN ET ANALYSE DE LA

COURBE DE PHILLIPS : CAS DE LA TUNISIE

Kamel BEN ABDA1

RESUME : Minimiser l’inflation, réduire le chômage, maximiser la croissance

économique et limiter au maximum le déficit courant de la balance des
payements, sont les problèmes fondamentaux pour les économistes d’un pays.

Dans le cas d’un chômage persistant, la relance de la croissance économique

serait le moyen adéquat pour réduire le chômage. C’est d’ailleurs Arthur Okun,
qui, a travers l’estimation d’un coefficient, a déterminé un seuil de croissance à
partir du quel le chômage commencerait à diminuer.

La relation chômage-inflation et l’arbitrage entre eux constitue à son tour un

problème majeur pour l’économie d’un pays. Selon Phillips et à l’aide de sa
courbe, la relation entres ces deux phénomènes devait être négative : la maitrise
de l’un des deux phénomènes, se fera au détriment de l’autre.

L’objectif recherché par notre étude est d’abord d’estimer le coefficient d’Okun
pour le cas Tunisien, afin de voir le sens et le degré de la relation entre le
chômage et la croissance économique et de vérifier la validité ou la non validité
de la loi d’Okun. Ensuite, de se pencher sur la relation entre le taux de chômage
de la Tunisie et son taux d’inflation pour voir si cette relation correspond ou non
avec les travaux théoriques et empiriques avancés par Phillips.

Le travail sera traité à partir de la technique de cointégration de Johansen et du

modèle à correction d’erreur (VECM) sur EVIEWS, lequel modèle intègre à la
fois l’évolution de court terme et de long terme.

La période étudiée est entre 1987 et 2020 et les données utilisées sont annuelles.

ABSTRACT: Minimizing inflation, reducing unemployment, maximizing

economic growth and minimizing the current account deficit are the
fundamental problems for a country’s economists.
In the case of persistent unemployment, the revival of economic growth would
be the appropriate way to reduce unemployment. It was Arthur Okun who,
through the estimation of a coefficient, determined a growth threshold from
which unemployment would begin to fall.

1
Universitaire
 2

The unemployment-inflation relationship and the trade-off between them is, in

turn, a major problem for a country’s economy. According to Phillips and using
his curve, the relationship between these two phenomena had to be negative: the
mastery of one of them, will be to the detriment of the other.
The objective of our study is first to estimate the Okun coefficient for the
Tunisian case in order to see the meaning and degree of the relationship between
unemployment and economic growth and to verify the validity or non-validity of
the Okun law. Second, to examine the relationship between Tunisia’s
unemployment rate and its inflation rate to see if this relationship fits perfectly
with the theoretical and empirical work advanced by Phillips.

The work will be processed using the Johansen co-integration technique and the
error correction model (VECM) on EVIEWS, which model integrates both
short-term and long-term evolution.
The period studied is between 1987 and 2020 and the data used are annual.

I- PRESENTATION DES AGREGATS ETUDIES ET DE

LEUR RELATION D’APRES PHILLIPS ET OKUN

Empiriquement, plusieurs variables ont été utilisées pour expliquer l’évolution

du taux de chômage d’une économie. Entre autres, le taux de change, les
investissements directs étrangers, les dépenses publiques, le taux d’inflation le
taux de croissance du PIB réel et…..Dans ce travail nous n’avons retenu que les
deux derniers agrégats cités, comme variables explicatives, car, suite à différents
tests faits, les meilleurs résultats ont été trouvé en se limitant aux deux agrégats
haut cités, comme explicatifs de l’évolution du taux de chômage. Ce sont
justement ces mêmes variables prisent séparément qui ont été utilisées par
Phillips et par Okun dans l’explication du chômage.

1-Le chômage : On appelle population active (PA), l’ensemble des personnes

en âge de travailler, capables de travailler et cherchant un travail

Un chômeur est une personne de la PA qui n’a pas trouvé de travail, celui qui a
trouvé un travail fait partie de la population active occupée (PAO)

La population inactive regroupe les jeunes de moins de 15 ans, les étudiants et

retraités ne travaillant pas en complément de leurs études ou de leur retraite,
hommes et femmes au foyer, personnes incapables de travailler et les gens qui
ne cherchent pas de travail
 3

Le taux de chômage est le % des chômeurs dans la PA

(Nombre de chômeurs / PA) × 100
L’équivalent de la formule
[(PA – PAO) / PA] × 100
2-L’inflation : Il y a inflation quand il y a augmentation généralisée et durable
de certains produits représentatifs de la consommation des ménages.

L’inflation est la baisse de la valeur de la monnaie, donc c’est une diminution du

pouvoir d’achat du consommateur.

Le taux d’inflation est le taux de croissance de l’indice des prix (IP)

[(IPt /IPt-1) – 1] × 100

IP peut être représenté par l’indice des prix à la production (IPP) appelé aussi
déflateur du PIB, ou par l’indice des prix à la consommation (IPC)

Il existe donc deux optiques pour déterminer le taux d’inflation : Optique de

production, où on utilise l’IPP et optique de consommation où on utilise l’IPC.

L’évolution du taux de chômage et du taux d’inflation devrait logiquement être

en sens inverse. Cette évolution négative a été développée par William Phillips
suite à des travaux sur des données britanniques durant la période 1851-1957. La
relation a commencé par décrire un lien empirique entre l’évolution du chômage
et l’évolution des salaires nominaux. A partir de cette dernière, s’est construite
une nouvelle version plus large entre chômage et inflation, vu le lien entre
l’évolution des salaires et celle des prix, puisque les entreprises répercutent
l’augmentation des salaires accordés, sur les prix de leurs ventes afin de garder
le même niveau de marges.

Selon Phillips, un dilemme se pose alors aux gouvernements, les décideurs

doivent arbitrer entre, plus d’inflation pour baisser le chômage, ou accepter le
chômage pour maitriser l’inflation.

La courbe de Phillips se présente sous la forme suivante :

 4

3-La croissance économique : La croissance économique est mesurée par le

taux de croissance annuel du PIB réel (PIB en valeur ou encore PIB constant).

Comme l'augmentation du PIB courant entre deux années peut être due soit à
une augmentation de la quantité produite, soit à une augmentation des prix, la
croissance en valeur, neutralise l'augmentation des prix, elle est donc corrigée de
l'inflation.

La croissance économique mesure la richesse d’un pays. C’est la note globale

figurant sur le bulletin d'évaluation des résultats économiques d'un pays. Sa
formule est la suivante :

[(PIBtr / PIBt-1r ) – 1] × 100

t et (t-1) sont deux années successives

La relation entre taux de chômage et croissance économique a été initiée par

Arthur Okun en 1962, selon la loi de l’auteur, il y a une relation linéaire
empirique entre les deux agrégats. Okun montre qu’il faut une croissance du PIB
réel en moyenne supérieure à un certain niveau, pour baisser le chômage.
L’équation de la loi se présente sous la forme suivante :

Ut – Ut-1 = - 0,5 (𝚫Y / Y - 3 ). La loi a permis ainsi de dégager un coefficient,

appelé coefficient d’Okun, approximativement égal à 3, qui s’interprète comme
suit : une augmentation de 1% du chômage entraine une baisse d’environ 3% du
PIB et que chaque point supplémentaire de croissance au-delà de 3% permet une
baisse du chômage de 0.5%.
 5

II- LECTURE DE L’EVOLUTION ET ANALYSE

DESCRIPTIVE DES AGRAGATS

Les données utilisées dans notre travail sont principalement tirées du ‘’World
development indicators’’ (WDI) de la banque mondiale. Pour l’agrégat
chômage, les sources utilisées sont ‘’Perspective monde, date de consultation
03/01/2021’’, de la banque mondiale et ‘’Indicateurs du développement dans le
monde et perspectives de croissance mondiale’’ du FMI.

La lecture de l’évolution individuelle de chaque agrégat Tunisien durant la

période étudiée ainsi que celle de leurs évolutions comparées, permet les
conclusions suivantes :

 Le taux de chômage a toujours été de deux chiffres. Il a oscillé de 1987 à

2020 entre 12,30% et 18,30%. Dans le meilleur des cas, ce taux n’est
jamais passé sous la barre des 12%.
Selon les dernières statistiques, le taux est de 18,4% à la fin de 2021.
 L’inflation a connu un pic dépassant les 8% en 1987 et en 1991, pour
ensuite osciller autour de 4%. Le taux d’inflation est de 6,6% en
Décembre 2021.
 La croissance économique a connu sa dégringolade depuis l’année de la
révolution (2011). Le taux de croissance du PIB réel s’est toujours situé
entre 3 et 5%, allant même jusqu'à atteindre 6,24% en 2004 et 7,95% en
1990. En 2011, il chute à (-2%). Pire encore, en 2020 c’est une chute libre
de (-9,18%) suite à l’épidémie COVID. Le taux de croissance le plus
récent, est selon l’institut national des statistiques de 0,3% au 3ème
trimestre de 2021.

Notre analyse descriptive des agrégats retenus se limite à l’analyse de leur

corrélation et de leur covariance. On rappelle que selon la théorie des
probabilités et en statistique, le nombre covariance entre deux séries permet de
quantifier leurs écarts conjoints par rapport à leurs espérances respectives, il
permet de voir la direction d’une relation entre les deux variables traitées. C’est
donc une corrélation entre les variables à l’aide de leur coefficient. Un
coefficient de corrélation positif, atteste d’une positive relation entre les séries et
inversement. Coté covariance, si sa valeur est négative, les deux séries varient
dans le sens inverse et varient dans le même sens si la corrélation est positive.
La relation entre deux variables n’existe pas si la covariance est nulle.
 6

Le coefficient peut encore être plus précis selon que sa valeur, comprise entre -1
et +1, est proche de -1, de -0,5, de 0,5 ou de +1.

L’étude sur les paramètres de relation donne comme résultats, ce qui suit :

Covariance

TCHOM TINF
TCHOM 1.967 0.9229
TINF 0.9229 3.135

Corrélation

TCHOM TINF
TCHOM 1.000000 0.371
TINF 0.371 1.000000

Covariance

TCHOM TPIB
TCHOM 2,026 -1,527
TPIB -1.527 9.627

Corrélation

TCHOM TPIB
TCHOM 1.000000 -0.345
TPIB -0.345 1.000000

A partir des tableaux récapitulant les résultats trouvés sur la covariance et sur la
corrélation du taux de chômage et du taux d’inflation, on peut conclure que les
deux variables sont liées positivement, c'est-à-dire qu’elles tendent à augmenter
ensemble (la covariance étant > 0), mais faiblement, puisque la valeur prise par
le coefficient de corrélation, n’est pas vraiment proche de l’unité (0.371).

Entre le taux de chômage et le taux de croissance du PIB, la liaison est plutôt

faiblement négative (la covariance à un signe négatif et la corrélation (0.345) est
distante de l’unité.
 7

III- COINTEGRATION ET ESTIMATION DU MODELE A

CORRECTION D’ERREUR (VECM)

1-Méthodologie : Les variables retenues pour l’estimation économétrique sont,

le taux de chômage, noté TCHOM comme variable à expliquer, le taux
d’inflation (TINF) et le taux de croissance du PIB réel (TPIB), sont retenues
comme variables explicatives. La variable TCHOM et TINF, sont toutes les
deux traitées en Log, la série TPIB n’a pas été transformée en Log, du fait que
quelques valeurs de la série sont négatives et donc leur transformation en Log
n’est pas permise.

Le modèle à estimer est le suivant :

LogTCHOM = α LogTINF + β LogTPIB + δ

Pour qu’une relation de cointégration existe entres des séries temporelles, deux
conditions doivent être réunies. Premièrement, les séries doivent être non
stationnaires et intégrées du même ordre, deuxièmement, il doit exister au
moins une combinaison linéaire de ces séries qui soit stationnaire. Dans ce cas,
il y a une possibilité de cointégration entre les différentes variables étudiées.
Une fois la cointégration faite, l’estimation d’un modèle VECM est
envisageable. Toutefois, le passage par le modèle VAR, pour déterminer
l’éventuel nombre de retards (p), s’impose préalablement à l’étude du modèle à
correction d’erreur.

La démarche à suivre sera faite en cinq étapes : la stationnarité des variables du

modèle, l’estimation du modèle VAR, la cointégration de Johansen, le modèle
VECM et pour clôturer, la causalité entre les variables retenues dans le modèle
étudié.

2-Les résultats empiriques 

a-1ère étape : La stationnarité des séries 

Une série chronologique est dite stationnaire, si elle ne comporte ni tendance ni

saisonnalité. Elle permet de vérifier une hypothèse nulle H0 contre une
hypothèse alternative H1.

Le test de stationnarité sur les séries permet de déterminer s’il y a possibilité de

cointégration ou non. L’étude de la stationnarité de la série LTCHOM par le test
ADF, nous a renseigné sur sa non stationnarité en niveau et sa stationnarité en
 8

différence première et c’est le niveau de la probabilité par rapport à 0.05 qui le

confirme (0.2752 > 0.05 et 0.0006 < 0.05).

Ces conclusions sont récapitulées dans les tableaux suivants

Le même test appliqué sur la série LTINF en niveau et en différence première

(D(LOGTINF)) donne respectivement les p-values 0.1448 et 0.0000 et donc, la
série est non stationnaire en niveau et l’est en différence première.
 9

Concernant LOGTPIB, l’hypothèse nulle (H0) de stationnarité de la série est

rejetée et c’est l’hypothèse alternative de stationnarité de la série qui est
acceptée.

Nous pouvons alors conclure que les séries sont intégrées d’ordre (I), il convient
alors de réaliser un test de cointégration afin de rechercher l'existence de relation
de long terme entre les variables utilisées.

b-2ème étape : L’estimation du modèle VAR

L’estimation du modèle VECM exige au préalable la détermination du nombre

de retards (p) du modèle VAR, dont voici les résultats :
 10

La ligne trois du tableau atteste qu’il faut retenir (p=1) comme retard pour les
variables dans l’élaboration du test de Johansen et du modèle VECM.

c-3ème étape : Le test de cointégration de Johansen

L’analyse de la cointégration permet d’identifier la véritable relation entre les

variables à l’aide d’un vecteur de cointégration.

L’idée étant la suivante : à court terme, la variable dépendante et celles

explicatives peuvent avoir une relation divergente mais elles vont évoluer
ensemble et donc vont garder une relation stable à long terme appelée relation
de cointégration.
 11

A partir de la lecture des deux tableaux, Trace et Maximun Eigenvalue, on peut

conclure que le modèle est intégré avec une équation de cointégration et ainsi le
passage à l’étape suivante d’estimation du modèle à correction d’erreurs devient
permise.

On note aussi qu’une augmentation en % de l’inflation, n’as aucun effet

(0.000000) sur te chômage, chose qui va être confirmée plus loin par
l’estimation à l’aide du modèle à correction d’erreur.

d-4ème étape : L’estimation du modèle à correction d’erreurs

La base du MCVE est le modèle vectoriel autorégressif (VAR). Le modèle de

correction vectorielle d'erreur (MCVE) est une extension du modèle VAR qui
implique l'ajout du terme de correction de l'erreur retardée pour avoir une
estimation prenant en compte la cointégration des variables.

L’estimation du modèle est fournie dans le tableau suivant

 12

La dynamique de long terme est représentée par l’équation suivante

LogTCHOM = 0.089773 LogTINF – 0.047878 TPIB + 2.759209

(0.04985) (0.01249)

Une lecture de cette équation appelle les conclusions suivantes :

 On commence par noter que le mécanisme de correction d’erreur (le

coefficient d’ajustement) est statistiquement significatif et présente le
signe correct (- 0.55696)2. Ceci implique qu’un mécanisme de correction
d’erreur existe, autrement dit, que la variable dépendante (le chômage)
revient à l'équilibre après un éventuel changement dans l’une des
variables explicatives.
 En examinant le coefficient de la ‘’croissance économique TPIB’’, on
remarque que la relation entre le taux de chômage et le taux de croissance
du PIB réel est négative telle qu’elle a été prévue par Arthur Okun (ce qui
confirme les résultats trouvés à l’aide de l’analyse descriptive et par le test
de cointégration de Johansen).
Le coefficient trouvé dans le cas Tunisien consolide aussi celui trouvé par
le même auteur. On rappelle que selon la loi d’Okun, une augmentation
moyenne d’au moins 3% du PIB réel permet de réduire le nombre de
chômeur d’un pays, sans quoi, le chômage continu à augmenter.
Le coefficient calculé est de 0.048% c'est-à-dire qu’ne augmentation de
1% de croissance économique fait diminuer de 0.048% le taux de
chômage et donc, dans le cas Tunisien, une croissance économique de 3%
permet une baisse de 0.141% du chômage. Lorsqu’on sait que le nombre
de chercheurs de travail est actuellement de 840000 en Tunisie, une unité
pour cent de croissance économique résout le problème de 395 chômeurs
par an et les 3% d’augmentation du PIB réel embauchent à peine 1185
chômeurs. Soit, pratiquement garder le chômage au même niveau. Ce
résultat rejoint la conclusion faite par Okun.
 La relation inverse entre l’inflation et le chômage, telle qu’expliquée par
Phillips à travers sa théorie économique et ses travaux empiriques, n’est
pas vérifiée dans le cas Tunisien. D’après l’estimation faite ici, une hausse
de 1% du taux d’inflation entraine une augmentation de 0.08773% du taux
de chômage. La relation est ici plutôt positive. Cela confirme la thèse
selon laquelle, c’est un faux dilemme que de croire que c’est ou l’un ou

2
Voir annexe
 13

l’autre des deux phénomènes qui domine l’autre, mais qu’on peut avoir au
même temps de l’inflation et du chômage et ainsi les faits sur le cas
Tunisien contredisent la théorie telle que développée par Phillips.
Nous avons tenté de faire un graphique de la courbe de Phillips appliquée
au cas Tunisien pour la période étudiée. Le graphique a donné un
ensemble de point éparpillé d’une manière hasardeuse ne permettant de
voir aucun lien visible entre l’évolution du taux de chômage et l’évolution
du taux d’inflation et de ce fait l’interprétation n’a aucun sens.

5ème étape : Le test de causalité de Granger

Le lien de causalité se définit comme le lien de cause à effet. Il se fera dans le

cadre d’un modèle vectoriel à correction d’erreur.
Nous avons dans notre travail, à l’aide d’une estimation économétrique, utilisé
le test de causalité de Granger. La causalité a été prise deux à deux entre les trois
variables étudiées. On a testé l’hypothèse de voir si l’inflation cause le chômage
ou si c’est le chômage qui cause l’inflation. De même, la causalité entre
croissance économique et chômage dans les deux sens, idem entre croissance
économique et inflation.
Les résultats figurent dans le tableau qui suit

Nous constatons qu’au seuil de 5%, aucune des trois variables n’influence les
deux autres, non plus, elle n’est pas influencée par les deux variables restantes.
Il y a de ce fait absence totale de causalité au sens de Granger entres les trois
agrégats, chômage, inflation et croissance économique.
 14

CONCLUSION :

L’objectif recherché par ce travail s’est attaché à explorer les liens empiriques
entre chômage et inflation et entre chômage et croissance économique, en
mesurant la sensibilité du chômage aux variations du taux de croissance du PIB
en Tunisie et la sensibilité du chômage aux variations du taux d’inflation, afin de
vérifier la validité des hypothèses théoriques et pratiques avancées par Phillips
et par Okun. Selon ces hypothèses, il y a une relation en sens inverse entre le
chômage et l’inflation (d’après Phillips) et une relation négative entre le
chômage et la croissance économique (selon Okun).

Les résultats des estimations basées sur la modélisation vectorielle à correction

d’erreurs (VECM) faites sur le cas Tunisien contredisent la logique de Phillips,
puisque la relation entre taux de chômage et taux d’inflation, s’est avérée
positive, il n’y a pas eu donc d’arbitrage, étant donné que, quand l’inflation
augmentait, le chômage ne reculait pas. Cela est compatible avec la logique
avancée par les classiques et les néo-classiques.

Nos résultats confirment toutefois le raisonnement fait par la relation dite ‘’loi
d’Okun’’ qui détermine un seuil de croissance de 3%, à partir duquel le taux de
chômage commencerait à diminuer et que chaque point de croissance
économique supplémentaire fait diminuer le chômage de 0.5%.

Les points de pourcentage supplémentaires, dont Okun fait référence, au-delà

des 3%, ne sont pas acquis dans le cas Tunisien, d’ailleurs, le PIB réel Tunisien
a effectué une croissance de 0.3% en glissement annuel au 3ème trimestre 2021 et
le programme mis en œuvre par le gouvernement actuel ne prévoit que la
création de 150000 postes sur trois ans, soit, un programme qui ne couvre
même pas les nouveaux venus sur le marché de l’emploi qui est de presque
80000 par année.

Le problème de chômage dans notre pays, comme d’ailleurs dans beaucoup

d’autres pays semblables au notre, est structurel, la productivité du travail est en
dessous de son niveau potentiel.

Entre autres, la réforme du système éducatif s’impose pour former des

entrepreneurs capables de créer des emplois à productivité meilleure.
 15

BIBLIOGAPHIE

Engel.R et Granger.C. Cointegration and error correction : representation,

estmation and testing. Econometrica 55 (1987)

Johansen. S. (1988). Statistical analysis of cointegration vectors. Journal of

Economie Dynamics and Control

Johansen. S. (1991). Estimation and hypothesis testing of cointegration vector

autoregessive models. Econometrica, 59

Lardic S. et Mignon V. (2002). Econométrie des séries Temporelles

Macroéconomiques et Financières. Economica.

Documentation électronique :

Ben Rabah I. ‘’Les déterminants du taux de change’’ Notes et analyses de l’itceq

n°6 Déc 2020 sur www.itceq.tn

Hamisultane H. ‘’Modèle à correction d’erreur (MCE) et applications’’ sur

www.gpe-afrique.com

Keho M. ‘’Leçon 4 : Stationnarité, cointégration et modèle à correction

d’erreurs’’ sur www.halshs.archives-ouvertures.fr
 16

ANNEXE
TCHOM TINF TPIB
1987 15,29 8,225806
1988 15,96 7,19697 0,072
1989 15,94 7,740886 1,747
1990 15,71 6,545293 7,95
1991 15,64 8,193715 3,9
1992 15,74 5,824345 7,8
1993 15,91 3,974956 2,19
1994 15,96 4,733231 3,18
1995 15,95 6,24415 2,35
1996 15,96 3,725145 7,15
1997 15,94 3,652026 5,44
1998 15,54 3,125366 4,78
1999 15,21 2,690125 6
2000 14,94 2,962308 4,71
2001 14,4 1,983333 3,8
2002 14,55 2,721033 1,32
2003 14,51 2,712592 4,7
2004 14,23 3,63228 6,24
2005 12,87 2,017786 3,49
2006 12,51 3,225253 5,24
2007 12,37 2,966944 6,71
2008 12,44 4,345028 4,29
2009 12,29 3,664903 3,04
2010 13,05 3,33898 3,51
2011 18,33 3,240028 -1,9
2012 17,63 4,611844 4
2013 15,93 5,316235 2,88
2014 15,06 4,625551 2,98
2015 15,16 4,437371 1,2
2016 15,51 3,629399 1,16
2017 15,18 5,308848 1,92
2018 15,46 7,307592 2,66
2019 15,13 6,720075 1,4
2020 16,69 5,634151 -9,18
17
 18

View publication stats