Prévision À Court Terme de L'inflation Au Togo

FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION (FASEG)
DEPARTEMENT : ECONOMIE
Année Universitaire : 2018-2020
Mémoire N°.................../
PREVISION DE L’INFLATION A COURT TERME AU TOGO
Pour l’obtention du Master en
Domaine : Sciences Economiques et de Gestion

Mention : Sciences Economiques
Spécialité : Economie Appliquée
Présenté par
KENAO Mèhèza Laure
Soutenu Publiquement le....../12/2020
Composition du Jury de soutenance

Président du jury :
Examinateurs / juges :
Directeur de mémoire : AMADOU Akilou, Professeur Titulaire en
Sciences Economiques.
NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page 1

DEDICACE
Je dédie spécialement ce mémoire

à
Mon père et à ma mère
NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page i

P PREVISION DE L’INFLATION A COURT TERME AU TOGO
REMERCIEMENTS
La rédaction de ce mémoire a été possible grâce à l’engagement de nombreuses

personnes. Je tiens à exprimer ma profonde gratitude envers :
❖ Mon Directeur de mémoire Monsieur Akilou AMADOU, Professeur Titulaire ès

Sciences Economiques pour sa disponibilité, son encadrement et ses conseils
dans la rédaction de ce mémoire ;
❖ Le Président et aux membres de jury pour leur disponibilité à lire mon document
et avoir accepté de l’évaluer ;
❖ Monsieur Aklesso EGBEDEWE, Professeur Titulaire ès Sciences Economiques,
Chef du Département Master Economie de la Faculté des Sciences Economiques
et de Gestion (FASEG) de l’Université de Lomé, pour son encadrement
académique et les conseils utiles tout au long de notre cursus ;
❖ Le département d’Economie de la FASEG pour avoir mis en place le Master
Professionnel et au corps enseignant pour la qualité de la formation que nous
avons reçue tout au long des deux années (2018-2020) de formation ;
❖ Mon père et ma mère pour le sacrifice et les efforts consentis dans mon projet
d’éducation ; leurs précieux conseils, soutient moral et financier tout au long de
mon parcours académique ;
❖ Monsieur Papa Jonas KAO, Directeur Général du Cabinet GR2C pour m’avoir
accepté comme stagiaire et pour son appui technique ;
❖ L’Institut National de la Statistique et des Etudes Economiques et
Démographiques (INSEED) pour la disponibilité et la collecte des données et
informations utiles à la rédaction du mémoire ;
❖ Le Docteur Leleng KEBALO pour ses pertinentes observations ;
❖ Monsieur Komi Iyatan AKAKPO pour ses conseils et orientations ;
❖ Mes collègues de la promotion de Master pour leur convivialité et la qualité de
nos échanges ;
❖ Tous ceux qui, de près ou de loin, ont contribué de quelque manière que ce soit
à l’élaboration du présent document, qu’ils trouvent ici mes sincères
remerciements et gratitudes.
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page ii

SIGLES ET ACRONYMES
ADF : Augmented Dickey-Fuller (Dickey-Fuller Augmenté)
AIC : Akaike Information Criterion (Critère d’Informations d’Akaike)
AR : AutoRegressive (AutoRégressif)
AutoRegressive Conditionnal Heteroskedastic (Hétéroscédastique
ARCH :
Conditionnel AutoRégressif)
AutoRegressive Integreted Moving Average (Moyenne Mobile Intégrée
ARIMA :
AutoRégressif)
ARMA : AutoRegressive Moving Average (Moyenne Mobile AutoRégressif)
BCE : Banque Centrale Européenne
BCEAO : Banque Centrale des Etats de l’Afrique de l’Ouest
BEAC : Banque des Etats de l’Afrique Centrale
BIC : Bayesian Information Criterion (Critère d’Informations Bayésien)
CEA : Commission Economique pour l’Afrique
CEE : Communauté Economique Européenne
CEMAC : Communauté Economique et Monétaire de l’Afrique Centrale
CHAPO : Calcul Harmonisé des Prix par Ordinateur
CM : Commission Monétaire
COICOP : Classification Of Individual Consumption by Purpose (Classification de la
consommation individuelle par finalité)
CPM : Comité de Politique Monétaire
FAC : Fonction d’Autocorrélation
FAP : Fonction d’Autocorrélation Partielle
FCFA : Franc de la Communauté Financière Africaine
Fed : Federal Reserv (Reserve Fédérale Américaine)
FMI : Fond Monétaire International
FVAR : Factorial Vector AutoRegressive (Vecteur AutoRégressif Factoriel)
Hannan-Quinn information criterion (critère d’information d’Hannan-
HQ :
Quinn)
IHPC : Indice Harmonisé des Prix à la Consommation
INHPC : Indice National Harmonisé des Prix à la Consommation
INSEE : Institut National de la Statistique et des Etudes Economiques
Institut National de la Statistique et des Etudes Economiques et
INSEED :
Démographique
IPC : Indice des Prix à la Consommation
IPHC : Indice des Prix Harmonisé à la Consommation
KPSS : Kwiatkowski, Phillips, Schmidt, Shin
MA : Moving Average (Moyenne Mobile)
MCO : Moindres Carrés Ordinaires
NCOA : Nomenclature de Consommation Ouest Africaine
OCDE : Organisation de Coopération et de Développement Economique
PGD : Processus Générateur de Données
PIB : Produit Intérieur Brut
PP : Phillips-Perron
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page iii

PED : Pays en Développement

QUIBB : Questionnaire des Indicateurs de Base de du Bien-être
SCN Système de Comptabilité Nationale
SMIG : Salaire Minimum Interprofessionnel Garanti
SPSS : Statistical Package for the Social Science (Programme Statistique pour les
Sciences Sociales)
UEMOA : Union Economique et Monétaire Ouest Africaine
UMOA : Union Monétaire Ouest Africaine
USA : United States of America (Etats Unis d’Amérique)
VAR : Vector AutoRegressive (Vecteur AutoRégressif)
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page iv

LISTE DES TABLEAUX
Tableau 1: Annotation des variables ........................................................................................ 51
Tableau 2: Récapitulatif des tests de racine unitaire ................................................................ 53
Tableau 3: ARIMA candidats pour le choix des modèles ........................................................ 54
Tableau 4: Choix des meilleurs modèles ARMA..................................................................... 54
Tableau 5: Choix du modèle de l’inflation sous-jacente .......................................................... 54
Tableau 6: Récapitulatif des estimations des modèles ARMA retenus.................................... 55
Tableau 7: Comparaison des pouvoir prédictif des approches agrégée et désagrégée ............. 58
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page v

LISTE DES GRAPHIQUES
Graphique 1 : Taux d’inflation annuel au Togo ....................................................................... 20
Graphique 2 : Taux d’inflation annuel au Togo et dans l’UEMOA ......................................... 20
Graphique 3: Taux d’inflation mensuel au Togo et dans l’UEMOA ....................................... 21
Graphique 4: Evolution des taux d'inflation globale et de ses composantes ............................ 22
Graphique 5 : Evolution des taux d’inflation globale, sous-jacent, alimentaire-énergie ......... 23
Graphique 6 : Réalisations et prévisions des approches agrégée et désagrégée ...................... 57
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page vi

LISTE DES ANNEXES
Annexe 1: Graphiques des données primaires....................................................................................... IV
Annexe 2 : Graphiques comparés des données observées et désaisonnalisées ..................................... IV
Annexe 3 : Test de stationnarité de Augmented Dickey-Fuller (ADF) ................................................. VI
Annexe 4 : Test de stationnarité de Phillips-Perron ............................................................................. VII
Annexe 5 : Corrélogrammes des processus ARMA ........................................................................... VIII
Annexe 6 : Estimation des modèles ARMA candidats........................................................................... X
Annexe 7 : Estimation des modèles ARMA retenus ............................................................................. XI
Annexe 8 : Tests de validation des modèles ARMA retenus ............................................................... XII
Annexe 9 : Base des données primaires ............................................................................................. XIV
Annexe 10 : Tableau de calcul des écarts de prévision ...................................................................... XVI
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page vii

SOMMAIRE
DEDICACE ................................................................................................................................. i
REMERCIEMENTS .................................................................................................................. ii
SIGLES ET ACRONYMES ..................................................................................................... iii
LISTE DES TABLEAUX .......................................................................................................... v
LISTE DES GRAPHIQUES ..................................................................................................... vi
LISTE DES ANNEXES ........................................................................................................... vii
RESUME ................................................................................................................................... ix
INTRODUCTION GENERALE................................................................................................ 1
CHAPITRE I : CADRE CONCEPTUEL DE L’INFLATION .................................................. 6
I.1. HISTORIQUE, DEFINITIONS ET MESURE DE L’INFLATION ............................... 6
I.2. LA MESURE DE L’INFLATION ................................................................................. 11
I.3. EVOLUTION DE L’INFLATION AU TOGO : FAITS STYLISES ............................ 18
CHAPITRE II : REVUE DE LITTERATURE SUR LES METHODES DE PREVISION DE

L’INFLATION ......................................................................................................................... 24
II.1. CAUSES ET CONSEQUENCES DE L’INFLATION ................................................ 24
II.2. MODELES ET TECHNIQUES DE PREVISION DE L’INFLATION ....................... 37
CHAPITRE III : CADRE METHODOLOGIQUE DE LA PREVISION DE L’INFLATION A

COURT TERME ...................................................................................................................... 43
III.1. PERIODE D’ETUDE ET PRESENTATION DES DONNEES ................................. 43
III.2. APPROCHE METHODOLOGIQUE : METHODE DE BOX ET JENKINS ............ 45
III.3. RECOMMANDATIONS DE POLITIQUE ECONOMIQUE .................................... 59
CONCLUSION GENERALE .................................................................................................. 60
REFERENCES BIBLIOGRAPHIQUES .................................................................................... I
ANNEXES ............................................................................................................................... IV
TABLE DES MATIERES ................................................................................................. XVIII
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page viii

RESUME
La prévision de l’inflation à court terme au Togo a été l’objectif principal de la présente étude.
L’horizon temporel choisi nous a amené à utiliser les processus ARMA de la méthode de Box
et Jenkins sur la période allant de janvier 2014 à janvier 2020. Rappelons que les indices choisis
dans le cadre de cette étude sont l’inflation globale (approche agrégée), l’inflation des produits
alimentaires, celle des produits énergétiques et l’inflation sous-jacente (qui constituent
l’approche désagrégée). Les premiers résultats nous indiquent, tous les indices suivent un
processus ARMA. La suite de l’étude nous a permis de comparer les pouvoirs prédictifs des
approches globale ou agrégée (inflation globale) et décomposée ou désagrégée (inflation
alimentaire, énergétique et sous-jacente). Pour les comparaisons, nous avons utilisé l'erreur
moyenne (EM), l'erreur absolue moyenne (EAM) et de l'erreur quadratique moyenne (EQM).
Les résultats définitifs nous amènent à retenir que les erreurs de prévisions de l’approche
désagrégée sont inférieures à celles agrégée. Ce qui laisse penser que l’approche désagrégée de
l’inflation au Togo aurait un pouvoir prédictif plus élevé que celui de l’approche agrégée. Nous
déduisons donc de ces résultats, qu’il est préférable de prévoir les composantes de l’inflation
que l’inflation globale elle-même.
Mots clés : Prévision, Inflation, Court terme
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page ix

INTRODUCTION GENERALE
L’inflation est une augmentation soutenue du niveau général des prix des biens et services dans
une économie sur une période donnée (Bernanke et Abel,1995). L’inflation a toujours préoccupé
les économistes depuis la formulation de la théorie quantitative de la monnaie (Friedman, 1972),
associée à la dichotomie entre le secteur réel et le secteur monétaire. C’est ainsi que l’inflation
est devenue le principal objectif des décideurs de politique économique en général et des banques
centrales en particulier, à l’instar de la Banque Centrale Européenne (BCE), de la Reserve
Fédérale américaine (Fed), la Banque des États de l’Afrique Centrale (BEAC) et de la Banque
Centrale des Etats de l’Afrique de l’Ouest (BCEAO). Pour cette dernière, l'Article 8 des Statuts
stipule que « l'objectif principal de la politique monétaire de la Banque Centrale est d'assurer la
stabilité des prix ». Sur le plan opérationnel, le Comité de Politique Monétaire (CPM) a défini la
stabilité des prix comme un taux d'inflation, en glissement annuel, pour l'ensemble des pays de
l’UEMOA, compris dans une marge de plus ou moins un point de pourcentage (1%) autour d'une
valeur centrale de deux pour cent (2%), à l'horizon de vingt-quatre (24) mois1.
Si les économistes et les Banques centrales se focalisent sur l’inflation, notamment en ce qui
concerne sa prévision et sa maitrise, comme principal objectif, cela voudrait dire que l’inflation
est un sujet qui préoccupent tout le monde notamment les décideurs de politique économique.
Cette focalisation sur l’inflation nous amène à analyser ses causes et ses conséquences sur
l’économie. En ce qui concerne les causes de l’inflation, les débats sont partagés entre le
déséquilibre du secteur réel et celui du secteur monétaire. L'inflation relative au déséquilibre du
secteur réel de l'économie peut être regroupées en deux grandes catégories : celles qui voient
l'origine de l'inflation dans la demande et celles qui soutiennent qu'elle est le fait des coûts de
production ou de l'offre.
Pour les keynésiens, l'inflation a lieu lorsque la demande globale excède l'offre globale alors que
l'économie se trouve dans une situation de plein- emploi des facteurs de production (Goux, 2008).
La théorie de l’inflation par chocs d'offre stipule que la hausse des prix serait provoquée par des
hausses excessives des coûts de production et a été mise en avant à partir des travaux de Kalecki
au début des années 60. L’approche de l'inflation en termes de déséquilibre du secteur monétaire
est celle des monétaristes dont Friedman pour qui, une hausse brutale de la quantité de monnaie
va rendre excédentaires les encaisses monétaires et par conséquent, les individus vont modifier
la composition de leur portefeuille financier. Sur le plan empirique, entre autres études réalisées
1
Par décision n° 01/2010/CPM/BCEAO portant définition de l'objectif de stabilité des prix dans le cadre de la
politique monétaire au sein de l'UMOA.
NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page 1

sur les causes de l’inflation, nous pouvons retenir celles réalisées sur les déterminants de
l'inflation dans la zone UEMOA qui ont montré que l'inflation est expliquée à court terme
principalement par le différentiel de taux d'intérêt réel, le prix relatif des produits importés et les
dépenses courantes de l'Etat (Doe et Diallo, 1997)
Pour ce qui est des conséquences de l’inflation, elles sont soit néfastes soit bénéfiques. Elles sont
ressenties par différents agents économiques (décideurs de politiques économique, entreprises,
ménages). Mais il faut noter que ce sont plus les effets néfastes de l’inflation qui motivent les
décideurs de politiques économiques et les spécialistes de tout bord à s’intéresser à sa
détermination ou prévision. En effet, l’inflation peut influer négativement sur l’économie d’une
manière générale et particulièrement sur d’autres indicateurs macroéconomiques et sur les
différents agents économiques (ménages, entreprises, banques et Etat).
Concernant les ménages, la hausse des prix des produits de première nécessité est directement
ressentie par les ménages qui s’efforcent de préserver leur pouvoir d’achat. En effet, cette hausse
a pour effet d’intensifier le volume des dépenses quotidiennes des ménages sans pour autant
modifier le revenu qu’ils gagnent. Ce revenu faible est au détriment des autres achats de biens
plus durables et constitue un obstacle à l’épargne. Ainsi la hausse des prix pénalise les catégories
les plus démunies. Pour ce qui est des entreprises, l’inflation fausse complètement la gestion des
entreprises en leur donnant l’illusion de réaliser des profits alors que ceux-ci ne sont pas
nominaux, en déformant les calculs de rentabilités, en faisant assoir les impôts sur des gains
fictifs. Elle fausse également l’estimation de leur valeur patrimoniale car l’unité de mesure
change constamment de valeur dans le temps. L’inflation fait peser un risque sur toute décision
d'investissement ou de prêt, réduisant les incitations à des investissements productifs. Pour les
banques, en période de hausse des prix, elles peuvent rencontrer une baisse de leurs encaisses et
se reportent, dans ce cas, sur les placements productifs des intérêts avec une baisse des dépôts
non rémunérés. Cela fait aussi accentuer la concurrence entre les banques elles-mêmes pour
attirer les dépôts. Pour cela elles essayent d’augmenter leur taux d’intérêt par différents moyens.
L’inflation agit également sur l’Etat. En effet, au niveau des finances publiques, l'inflation
diminue le poids de la dette pour les États, et a parfois été délibérément utilisée à cette fin. Afin
de se couvrir, lorsque l'État débiteur est suspecté de vouloir recourir à cette méthode, les
investisseurs en dette publique demandent souvent une majoration du taux d'intérêt par
intégration d'une prime de risques, ou l'indexation du taux selon une clause dite de révision ou
selon la valeur d'un bien non contrôlable par l'État débiteur.
En dehors des ménages, entreprises, banques et Etats, l’inflation a également des effets néfastes
sur la balance des paiements ou le commerce extérieur, les investisseurs et la valeur de la
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page 2

monnaie. En effet, la persistance de l’inflation agit sur les échanges extérieurs et cette montée
généralisée des prix détériore la balance commerciale en la rendant déficitaire. Un niveau élevé
des prix intérieurs a pour conséquence la préférence des importations aux exportations. Aussi,
l’inflation induit une baisse du pouvoir d’achat monétaire et de ce fait la monnaie commence à
perdre sa valeur puisqu’elle ne fait que nous procurer une quantité réduite de biens. D’ailleurs si
le coût lié à l’importation semble très élevé, ceci peut se finir par une hausse des prix des biens
importés, proportionnellement à l’augmentation du coût. Dans cette situation, la monnaie se
déprécie par rapport aux devises puisque les importateurs seront obligés de déposer plus de
quantité de monnaie nationale pour acquérir des biens étrangers. Au niveau des investisseurs,
l'inflation fait peser un risque sur toute décision d'investissement ou de prêt, réduisant les
incitations à des investissements productifs.
Compte tenu de ces effets préjudiciables à l’ensemble de l’économie, il s’avère donc

indispensable de connaitre les évolutions ou comportements futurs de l’inflation, d’où sa
prévision. La prévision économique est définie comme l'estimation, par des méthodes
économétriques, des valeurs actuelles ou futures de grandeurs économiques (Fischhoff, 1994).
Elle est utilisée pour estimer par exemple l’évolution de la croissance économique ou de
l’inflation et permet d’orienter les comportements d’investissement des entreprises, de la
politique économique d’une Banque centrale et d’un gouvernement. Ainsi, la prévision de
l’inflation permet d’améliorer l’efficacité de l’intervention des Banques centrales qui sont
mandatées par les Etats pour préserver la stabilité des prix qui constitue leur objectif principal.
Pour l’atteinte de cet objectif, la prévision d'inflation constitue l'une des principales informations
utilisées par la BCEAO pour orienter ces décisions de politique monétaire.
En plus de vouloir prévoir l’inflation, il est également nécessaire de la prévoir à court terme. En
effet, les effets néfastes de l’inflation motivent les décideurs de politiques économiques à
privilégier la prévision à court terme. Ceci permettra de réagir de façon proactive pour éviter ou
réduire sensiblement ces inconvénients. Les prévisions à court terme peuvent servir à montrer
aux organes qui partagent la responsabilité de la politique conjoncturelle (banques centrales et
gouvernements) à quel moment et pendant combien de temps les instruments de politique
conjoncturelle (politique financière et fiscale, mesures d'expansion ou de resserrement du crédit
prises par les banques centrales, etc.) doivent être mis en œuvre. Elles doivent également faciliter
les prises de décisions des entreprises en matière d’investissement (Schmitt, 1961). C’est pour

cela que Keynes avançait qu’« à long terme nous seront tous morts »2. D’où il est préférable de
prévoir l’inflation dans le court terme.
C’est pour cette raison que (Friedman, 1996) encourage toutes les autorités monétaires à recourir
à différentes approches ou techniques possibles pour anticiper l’inflation. En ce qui concerne ces
techniques de prévision il se pose le problème du choix entre l’approche agrégée et celle
désagrégée de la prévision de l’inflation à court terme. La première approche dite ‘agrégée’
consiste à prévoir l’inflation dans son ensemble et la seconde dite ‘désagrégée’ consiste à prévoir
ses sous-composantes. Certains auteurs estiment que le modèle agrégé est moins précis que le
modèle désagrégé (Hendry et Hubrich, 2006) et (Dembo Toe, 2011). En revanche, d’autres
démontrent qu’il existe des processus générateurs de données pour lesquels les modelés agrégés
sont préférables (Griliches et Grunfeld, 1960). Il se pose donc un problème de l’utilisation d’une
meilleure approche de prévision de l’inflation à court terme en tenant compte des spécificités de
chaque pays, d’une part et de l’objectif communautaire d’autre part. En effet, au Togo, à notre
connaissance, il n’y a que des cadrages macroéconomiques faits par les services techniques
nationaux, des analyses et projections effectuées par des organismes partenaires (FMI, Banque
Mondiale). Il n’existe pas d’outils économétriques et statistiques, ou modèles utilisés par les
services habiletés à produire les statistiques au Togo pour des besoins de prévision économique
en général et de l’inflation en particulier. D’où la nécessité pour les spécialistes de mettre en
place des techniques appropriées et efficaces pour la prévision de l’inflation à court terme.
En somme, les effets néfastes de l’inflation sur l’ensemble de l’économie, l’importance de

prévoir l’inflation à court terme par différentes techniques ainsi que l’objectif de stabilité des prix
de la BCEAO sont les raisons qui nous motivent à se pencher sur le thème intitulé « La prévision
de l’inflation à court terme au Togo ».
A la lumière de tout ce qui a été développé et en prenant en compte l’importance de prévoir

l’inflation à court terme avec des techniques ou modèles pertinents, vu ses conséquences sur
l’économie, la problématique de la présente étude, s’énonce comme suit : Comment prévoir
l’inflation à court terme au Togo afin d’atténuer ses effets néfastes sur l’économie ? Pour
élucider notre problématique, nous posons des questions subsidiaires suivantes :
• quelles sont les différentes approches de prévision de l’inflation à court terme ?

• quels peuvent être les pouvoirs prédictifs de ces approches de prévision de
l’inflation ?
2
(A Tract on Monetary Reform, 1923)

L’objectif principal poursuivi dans cette étude est de : prévoir l’inflation à court terme au
Togo. Il s’agit spécifiquement de :
• présenter les approches agrégé et désagrégé de prévision de l’inflation à court

terme ;
• comparer le pouvoir prédictif des deux approches de prévision de l’inflation.
Pour atteindre les différents objectifs fixés, nous posons les hypothèses suivantes :
• H1 : il existe une différence entre l’approche agrégée et celle désagrégé au niveau

des erreurs de prévision de l’inflation à court terme ;
• H2 : la prévision de l’inflation par l’approche désagrégée est meilleure que celle par
l’approche agrégé.
Le choix des hypothèses est motivé par la nécessité de retenir la meilleure approche en termes
de prévision de l’inflation à court terme. De plus, la revue de la littérature sur le thème que nous
traitons gravite le plus souvent autour de la comparaison entre les deux approches. La majorité
des économistes et prévisionnistes soutiennent leur thèse sur les mêmes hypothèses que nous
formulons.
Pour vérifier nos hypothèses, nous utilisons la méthode de prévision univariée (Box et Jenkins,
1976) sur la période janvier 2014 à janvier 2020. Rappelons que l’objectif est de comparer la
précision de prévision des approches agrégée et désagrégée afin d’en choisir la meilleure pour ce
qui est de la méthode de prévision de l’inflation à court terme pour le Togo.
Outre l’introduction et la conclusion, notre mémoire est structuré en trois chapitres. Dans le
premier chapitre, il s’agit dans un cadre conceptuel, de définir d’abord l’inflation, de parler
ensuite de l’histoire de la pensée économique sur l’inflation, de la mesurer et enfin d’analyser
son évolution au Togo à travers les faits stylisés. La revue de la littérature sur les causes et
conséquences de l’inflation puis les techniques de prévision de l’inflation feront l’objet du
deuxième chapitre. Dans le troisième et dernier chapitre, nous présentons l’approche
méthodologique adopté pour prévoir l’inflation à court terme au Togo. Puis en utilisant la
méthodologie, nous présentons les résultats de la comparaison des pouvoirs prédictifs des
approches agrégée et désagrégée.

CHAPITRE I : CADRE CONCEPTUEL DE L’INFLATION
L’objectif de ce chapitre est de présenter, dans une première section, l’histoire de la pensée
économique sur l’inflation, la définition, la mesure et les termes connexes de l’inflation. Dans
une seconde section, il est question de présenter, à travers des faits stylisés, le comportement de
l’inflation et de ces composantes au Togo et dans l’UEMOA.
I.1. HISTORIQUE, DEFINITIONS ET MESURE DE L’INFLATION
I.1.1. Histoire de la pensée économique sur l’inflation
Il est question ici de présenter la genèse de l’inflation, surtout en ce qui concerne son évolution
Le phénomène de hausse de prix est ancien, universel et est né dans les pays industrialisés durant
le 20e siècle.
Au 3e siècle, l'empire romain occidental a connu une forte crise accompagnée d'une forte hausse
des prix des produits alimentaires. Cette situation a occasionné la mise en place de la première
politique désinflationniste par l'empereur Dioclétien en 301 après J.C. Celui-ci, par l'édit du prix
maximum, décida de punir de la peine de mort quiconque augmenterait abusivement les prix.
Au début du 16e siècle, apparaît en Espagne une hausse des prix qui se propagera ensuite dans
toute l'Europe. L'économiste de l'époque, Bodin, reliait cette hausse des prix à l'afflux des métaux
précieux en provenance du Nouveau Monde3. Il proposait là une des premières interprétations
quantitativistes de la hausse des prix. La période de 17-18e siècles a été caractérisée par des
fluctuations et des hausses des prix. L'épisode le plus remarquable est évidemment celui de la
révolution française. L'inflation enregistrée pendant cette période en France trouve son origine
dans l'émission des quantités excessives d'assignat, la monnaie de l'époque, pour faire face aux
dépenses de la révolution.
Au 20e siècle, on peut repérer deux périodes principales de hausse des prix, à la fois proches et
différentes entre elles. Une première période va de la fin du siècle précédent jusqu'à la crise de
1929, et une seconde correspond à ce qu'il est convenu d'appeler les Trente Glorieuses, c’est-à-
dire les années 50, 60 et 70. En effet, la période 1895-1920 est celle de la nouvelle révolution
industrielle s'appuyant sur de nouvelles sources d'énergie (l'électricité et le pétrole) ainsi que les
3
Appellation du continent Américain aux premières années de sa découverte.

nouvelles matières premières, en particulier l'aluminium. Il s'agit de la naissance de trois grandes

branches industrielles (matériel électrique, chimique et automobile) qui vont marquer l'époque.
D'une façon générale, il y a jusqu'à la fin des années 20 un essor remarquable de la production
industrielle reposant sur un développement de l'investissement lourd, sur une intégration rapide
du progrès technique dans l'appareil de production et sur une hausse sensible des salaires
nominaux.
On peut distinguer, dans l'après-guerre deux périodes : l'une qui va du début des années 60, où
l'inflation qui accompagne la croissance reste modérée ; et l'autre qui démarre peu avant les
années 70 et se termine avec le deuxième choc pétrolier (1979), où l'inflation s'accélère alors que
la croissance économique s'essouffle.
La première période de croissance et d'inflation rampante (1950-1970) est essentiellement

caractérisée par la permanence de l'expansion économique et l'apparition de plusieurs crises
inflationnistes que les gouvernements de l'époque ont tenté de contrôler avec les moyens
traditionnels que sont : le blocage des prix4, le contrôle du crédit et la compression des dépenses
publiques. En France par exemple, on a relevé des taux d'inflation de 12,5%, 21,6% et 10%
respectivement en 1950, 1951 et 1958.
La deuxième période est celle de l'accélération de l'inflation dans les années 70. Depuis 1972, on
constate une accélération de l'inflation dans la plupart des pays industriels occidentaux. La hausse
des prix à la consommation est en moyenne de 4,2% pour les neuf pays 5de la CEE et de 3,9%
pour les pays de l'OCDE au cours de la période 1962-1972. En 1973, la hausse des prix atteint
8,3% pour les pays de la CEE et 7,9% pour les pays de l'OCDE. En 1974, ces deux pourcentages
s'élèvent respectivement à 12,6% et 13,3% mais les taux d'inflation relatifs des USA et du
Royaume-Uni se situent respectivement à 12, 2% et 25%. L'ouverture des frontières et la
généralisation du flottement des monnaies vont, à partir de cette décennie, contribuer à une
mondialisation et à une uniformisation des taux d'inflation parmi les grands pays industrialisés.
Mais cette tendance inflationniste sera renversée dans la plupart de ces pays vers le milieu des
années 1980. Des mesures budgétaires et des politiques monétaires audacieuses engagées au
début de la décennie, combinées à la baisse brutale du prix du pétrole et des matières premières,
ont permis de retrouver des taux annuels d'inflation de moins de 4%. Les statistiques récentes
mettent en exergue une nette différence en matière d'inflation entre les pays industrialisés et les
pays en développement (PED) ou en transition. D'après le FMI (Fonds Monétaire International),
4
Le blocage des prix est le fait pour un gouvernement d'adopter une règlementation pour limiter le niveau de prix
de biens ou services, afin de tenter de réduire l’inflation. (Wikipédia, l’encyclopédie libre).
5 Allemagne de l'Ouest, Belgique, la France, Italie, Luxembourg, Pays-Bas, Royaume-Uni, Irlande et Danemark

en 1992, alors que le taux moyen d'inflation se situait à 3,2% dans les pays industrialisés, il
s'élevait à 35,7% pour les PED et 68,2% pour les pays en transition. En 1996, ces chiffres sont
redescendus respectivement à 1,9%, 13,3% et 41,3%.
Après avoir parlé de l’historique de l’évolution de l’inflation mondiale, les lignes suivantes nous
édifierons sur la définition de l’inflation et de ses termes connexes.
I.1.2. Définition de l’inflation et termes connexes
I.1.2.1. Définition de l’inflation
Le terme inflation provient du latin « inflatio » qui signifie gonflement, dilatation, et est issu du
verbe « flare » qui signifie souffler. Elle traduit habituellement le processus d'augmentation
continue des prix des biens de consommation6. Jusque dans les années 1960, l'inflation désigne
l'excès de moyens monétaires par rapport à l'offre (phénomène dont la hausse des prix et la perte
de pouvoir d'achat de la monnaie résultent). Ainsi l'inflation est définie comme un excès de la
demande solvable sur l'offre. La hausse des prix en étant la conséquence (Fain ,1947)7.
Aujourd'hui, les définitions sont :
• de portée plus générale qui, selon l’Institut National de la Statistique et des Etudes
Economiques (INSEE), se définit comme la perte du pouvoir d'achat de la monnaie
matérialisée par une augmentation générale et durable des prix ;
• de nature plus systémique comme celle de (Olive, 1976)8 qui se refuse à associer
l'inflation à un mécanisme inflationniste particulier. Pour lui l'inflation est ;
• la hausse du niveau général des prix (et non la hausse des prix de quelques produits) ;
• un phénomène auto-entretenu de hausse des prix : une hausse en entraîne d'autres (et non
un phénomène isolé et/ou accidentel) ;
• une hausse des prix fondée sur des mécanismes macro-économiques qui mettent en jeu
l'interdépendance entre tous mécanismes et parties de l'économie (production, répartition,
formation des prix, distribution, etc.).
Assimiler donc l'inflation à la seule hausse de prix des biens de consommation, en excluant la
hausse des prix affectant les valeurs patrimoniales (actifs, financiers, immobilier, etc.), peut être
considéré comme un abus de langage, conséquence d'un mode de mesure restrictif de l'inflation.
6
Wikipédia
7
Gaël Fain « Lutte contre l’inflation et stabilisation monétaire » Préfacé en 1947 par René Courtin. 178 pages
8
Gaston Olive « L’inflation : de quoi parlons-nous ? » pp.5-9

Cependant, s'il est vrai que le terme d'inflation peut être appliqué à tout phénomène régulier
d'augmentation du niveau des prix, la réalité demeure que la majorité des Banques Centrales
ayant un objectif de politique monétaire de ciblage d'inflation vise bel et bien l'inflation des prix
à la consommation, à l'exclusion notamment de l'inflation des actifs (asset price targeting).
Mais beaucoup d’auteurs s’accordent pour dire que pour qu’il y ait inflation, trois conditions
doivent être remplies (Clerg ,1984), (Barro, 1997) et (Blanchard, 2000). Il faut donc :
• qu’il y ait une hausse des prix ;

• que cette hausse des prix soit généralisée, c’est-à-dire qu’elle affecte tous les biens et
services ;
• que cette hausse des prix soit continue, c’est-à-dire qu’elle soit prolongée dans le temps et
qu’elle paraisse devoir se prolonger indéfiniment.
Ainsi d’une manière générale l’inflation est une augmentation soutenue du niveau général des
prix des biens et services dans une économie sur une période donnée (Abel et Bernanke, 1995)9,.
Lorsque le niveau général des prix augmente, chaque unité monétaire achète moins de biens et
services. Par conséquent, l'inflation reflète une réduction du pouvoir d'achat par unité monétaire
(Walgenbach et al, 1973).
I.1.2.2. Termes connexes de l’inflation
Au-delà de toutes les définitions de l’inflation, il faut noter des termes qui lui sont liés. Il s’agit
de :
• La prévision qui est un ensemble de probabilités associées à un ensemble d’événements

futurs. Pour ce qui est de la prévision économique, elle est l'estimation, généralement par
des méthodes économétriques, des valeurs actuelles ou futures de grandeurs économiques
(Fischhoff, 1994). Elle est utilisée par exemple pour estimer l'évolution du PIB ou de
l'inflation, et orienter les comportements d'investissement des entreprises ou la politique
économique de la banque centrale et du gouvernement ;
• L'inflation sous-jacente : l’inflation totale à l’exclusion des composantes énergétique et
alimentaire. Elle est une mesure du niveau de la hausse générale des prix et dont l’objectif
est d’avoir une vision désaisonnalisée et non impacté par la politique menée par l'Etat10 ;
9
D’autres auteurs tels que Wyplosz et Burda (1997), Blanchard (2000) et Barro (1997) ont donné une définition
similaire
10
https://statistiques.public.lu/fr/methodologie/definitions/I/inflationsousjacente/index.html

• L’inflation importée : C’est une inflation par les coûts et est caractéristique d’une hausse
des prix intérieurs résultant du renchérissement des importations à la suite d’une
dépréciation du taux de change ;
• La déflation : une baisse du niveau général des prix des biens et services (Barro et Grilli,
1994). Elle se produit lorsque le taux d'inflation tombe en dessous de 0% (un taux
d'inflation négatif) ;
• La reflation : une tentative de relever le niveau général des prix pour contrer les pressions
déflationnistes. ;
• La stagflation : ou la récession-inflation est une situation dans laquelle le taux d'inflation
est élevé, le taux de croissance économique ralentit et le chômage reste régulièrement
élevé (Nelson et Nikolov, 2002) ;
• La désinflation : c’est une diminution du taux d'inflation ou un ralentissement du taux
d'augmentation du niveau général des prix des biens et services dans le produit intérieur
brut d'une nation au fil du temps. C'est l'opposé de la reflation. Elle se produit lorsque
l'augmentation du « niveau des prix à la consommation » ralentit par rapport à la période
précédente où les prix augmentaient. Selon le lexique des principaux termes
économiques, monétaires et financiers utilisé par la BCEAO, elle est marquée en principe
par un taux d'inflation négatif, c'est-à-dire que les prix des biens et services sur le marché
ont globalement diminué ;
• L'inflation rampante. Elle décrit un état d'inflation durable, sinon chronique, dont le taux
mesuré correspond à des valeurs faibles ;
• L'inflation galopante ou hyperinflation Elle correspond aussi à la situation d'une
économie affectée par une inflation extrêmement élevée, échappant à tout contrôle. C’est
un niveau d'inflation qui se maintient au-dessus de 50 % par mois (Cagan, 1956).
• La stabilité des prix. Elle décrit la situation d'une économie où la hausse des prix est
durablement très faible ou nulle, ce qui contribue à maintenir à un niveau faible
l'incertitude des agents économiques vis-à-vis du futur (moyen / long terme). En ce sens,
la stabilité des prix accroit la lisibilité de l'avenir et contribue à conforter les anticipations
positives des agents économiques. Ainsi la BCE (Banque centrale européenne) considère
que son objectif majeur (défense de la stabilité des prix) est atteint lorsque le taux moyen
d'inflation sur le moyen terme n'excède pas 2 % ;
• La politique de déflation. Elle fait référence à l'ancien sens du mot inflation (inflation
monétaire), et vise à restreindre le volume de la masse monétaire, dans l'objectif de
restaurer ou maintenir la valeur de la monnaie ;

• L'inflation financière. C’est un terme utilisé comme synonyme de spéculation (la

spéculation fait monter le prix des actifs financiers).
Dans le cadre de notre étude, nous avons retenu comme définition de l’inflation « la hausse
généralisée et continue du niveau des prix, calculée à partir des variations de l'indice national
harmonisé des prix à la consommation11 ». Cette définition est celle usitée par la BCEAO et qui
justifie notre choix.
I.2. LA MESURE DE L’INFLATION
L'inflation est un phénomène quantifiable dont le taux est évalué comme la variation du niveau
général des prix d'une période t-1 à une période t. Le plus souvent, on la mesure à l'aide de la
variation de deux instruments suivants : le déflateur du PIB et l'indice harmonisé des prix à la
consommation (IHPC).
I.2.1. L’indice harmonisé des prix à la consommation (IHPC)
• Définitions
L'IHPC est un indice synthétique qui décrit l'évolution des prix d'un panier de biens et services
entre deux périodes. C’est un instrument de mesure de l’inflation pour les pays de la zone euro
et celui de l’UEMOA. Au Togo et dans l’espace communautaire, il est devenu, depuis 2014,
l’indice national harmonisé des prix à la consommation (INHPC) car la couverture est devenue
nationale et prend en compte aussi bien le milieu rural qu’urbain. Il permet d’estimer entre deux
périodes données, la variation du niveau général des prix des biens et des services consommés
par les ménages. L’INHPC couvre presque tous les biens et services consommés sur l’ensemble
du territoire togolais. La période de base de ce nouvel indice est l’année 2014.
• Historique de l’IHPC
L’IHPC a été créé par le règlement de l’UEMOA no 05/97/CM du 16 décembre 1997 et a

remplacé l'indice des prix à la consommation africaine (IPC) calculé dans la principale
agglomération de chaque pays membre de l’UEMOA. L’IHPC possédait une base plus récente,
une nomenclature commune et internationale, et bénéficiait de pondérations actualisées (datant
de 1996), d’une collecte des prix améliorée et de calculs plus précis. Une rénovation de l’indice
11
Lexique des principaux termes économiques, monétaires et financiers usités par la BCEAO.

a été engagée depuis 2007 pour créer une meilleure série dite IHPC-2008 qui a apporté des
améliorations par rapport l’IPC. Ce sont :
• La spécification des produits qui n’est pas toujours suffisamment précise. L’IHPC 2008
constitue donc une amélioration dans ce domaine ;
• L’échantillon de points d’observation des prix a été élargi pour inclure les nouveaux types
de commerce, notamment les superettes et les supermarchés ;
• Le nombre de variétés et de séries a été considérablement augmenté, d’environ 300
variétés à plus de 500 par État. La fréquence de collecte a été accrue, notamment pour les
produits connaissant une forte volatilité des prix ;
• Le traitement des produits saisonniers et de la saisonnalité des prix a été améliorée.
• La classification NCOA-IHPC devrait être améliorée et assortie de nomenclatures
secondaires (branche d’activité, type de point de vente, secteur formel ou informel…).
Néanmoins, l’IHPC 2008 comporte quelques insuffisances qui sont :
• L’indice ne couvre que les prix relevés dans la principale agglomération de chaque
pays et ignore les variations de prix dans les autres agglomérations et les zones
rurales ;
• La capacité à prendre en compte les changements de qualité reste faible ;
• L’IHPC devrait apporter diverses améliorations techniques : suivi de produits «
difficiles », questionnaires de collecte, etc.
En somme, la qualité des IHPC devrait être mieux suivie, d’où il était nécessaire de changer de
base. En effet, à partir d’octobre 2018, l’IHPC de l’Union change de base et passe de l’IHPC
base 100 en 2008 à l’IHPC base 100 en 2014. Ce dernier indice a été validé par le règlement
N°03/2017/CM/UEMOA portant adoption des modalités d’élaboration et de calcul de l’Indice
Harmonisé des Prix à la Consommation au sein des Etats membres de l’UEMOA (IHPC base
100 en 2014). Les calculs de l’inflation dans l’Union se feront à partir de cet indice base 2014 à
partir de janvier 2017. Dans les huit pays de l’Union, des zones économiques au nombre de quatre
ou cinq ont été définies de sorte à couvrir l’ensemble du territoire de chaque Etat. Les
pondérations sont issues des dépenses de consommations qui proviennent des enquêtes auprès
des ménages de consommation et/ou de suivi de la pauvreté à couverture nationale réalisées entre
2011 et 2014. Ce travail a permis de déterminer les dépenses de consommation suivant la
nomenclature NCOA-IHPC dérivée de la COICOP. Les chiffres ont été ramenés en 2014 en
utilisant le taux d’inflation de la période, au cas où l’enquête ne serait pas réalisée au cours de

l’année 2014. Les paniers des pays contiennent en moyenne plus de 650 variétés et les prix sont
collectés sur des points de vente dont le nombre varie entre 1403 et 5182 suivant les Etats. Dans
les Etats de l’UEMOA, au minimum 7400 relevés sont alors effectués chaque mois.
Compte tenu des insuffisances de l’IHPC sus mentionnées, il était donc nécessaire de prendre en
compte presque toutes les variétés de biens et services sur toute l’étendue du territoire national.
D’où l’adoption par le Togo de l’Indice National Harmonisé des Prix à la Consommation
(INHPC) en 2014 qui couvre les milieux urbains et ruraux.
Ainsi donc, dans les lignes suivantes, nous allons circonscrire les différents rôles de l’INHPC, sa
nomenclature et sa méthode de calcul d’une manière générale.
I.2.1.1. Présentation et rôle de l’INHPC
• Présentation de l’INHPC
L'Institut National de la Statistique et des Études Économiques et Démographiques (INSEED)

met à la disposition des utilisateurs, l'Indice National Harmonisé des Prix à la Consommation
(INHPC). Cet indice est harmonisé car il est le fruit d'une même méthodologie mise en place
dans les huit pays membres de l'Union Économique et Monétaire Ouest Africaine (UEMOA) en
1996 et rénové en 2008. Depuis 2014, la couverture est devenue nationale et prend en compte
aussi bien le milieu urbain que rural.
L'INHPC a pour population de référence l'ensemble des ménages africains des régions Maritime
(y compris Lomé), Plateaux, Centrale, Kara et Savanes. Le panier considéré comprend 647
variétés suivies dans 1 520 points de vente au niveau national et 17 914 relevés sont effectués
chaque mois. La période de base de ce nouvel indice est l'année 2014. Les pondérations utilisées
proviennent de l’enquête QUIBB 2011 actualisée par les indices de prix à la consommation de
201412.
• Rôle de l’INHPC
L’INHPC joue un triple rôle :
• Sur le plan économique, il permet de suivre mois par mois l’inflation. L’INHPC est
également utilisé comme déflateur de nombreux agrégats économique (consommation,
revenu…) pour calculer des évolutions en volume ou en terme réels ;
12
Publication INHPC-INSEED

• Au niveau socio-économique, il est utilisé pour maintenir le pouvoir d’achat du salaire

minimum interprofessionnel garanti (SMIG) ou pour indexer de nombreux contrats privés,
des pensions alimentaires ;
• Au niveau monétaire et financier, il est constitué selon les normes internationales en
vigueur afin de permettre des comparaisons entre pays.
I.2.1.2. Nomenclature et échantillonnage
La nomenclature utilisée comprend 12 fonctions de consommations, 126 postes de

consommations, 647 variétés. L’INHPC est publié chaque mois par l’INSEED.
Le plan de sondage est stratifié selon trois types de critère13.
• le critère géographique : les relevés sont effectués sur l’ensemble des ménages africains
des régions Maritime (y compris Lomé), Plateau, Centrale, Kara, Savane. 17 914 relevés
sont effectués chaque mois ;
• le type de produit : un échantillon de 167 variétés est défini pour tenir compte de
l’hétérogénéité des produits au sein de 126 postes de consommation ;
• le type de point de vente : un échantillonnage de 1520 points de vente a été constitué

pour tenir compte de la diversité des produits par marque, enseigne, et mode d’achat des
consommateurs.
I.2.1.3. Méthode de calcul de l’INHPC
• Les différentes étapes de calcul de l’INHPC
Le calcul de cet indice nécessite une période de base déterminée en effectuant des observations
sur l'évolution des prix des biens et services pendant une période relativement longue et
l'estimation des coefficients budgétaires qui rentrent dans le calcul de cet indice. L'INHPC est
l'instrument le plus utilisé pour mesurer l'inflation malgré le fait qu'il reste limité. En effet, dans
la pratique, ne sont pris en compte dans la mesure des variations des prix que des biens de
consommation et services achetés par les ménages. Ainsi, les prix des biens d'équipement tels
que le logement et les services consommés par les entreprises ou les pouvoirs publics ne sont pas
1313
INSEED

pris en compte dans le calcul de l'INHPC. D’une manière générale, l’indice des prix se calcule
suivant les étapes ci-après ;
i. Population de référence
La population de référence est constituée de l'ensemble des ménages africains résidant dans la
principale agglomération de chaque État. Les ménages non africains et les ménages africains
expatriés dont un des membres occupe un emploi dans une organisation internationale sont exclus
du champ.
ii. Biens et services couverts
L’INHPC couvre la consommation finale des ménages au sens de la comptabilité nationale, mais
limitée à la population de référence et excluant les achats de biens d’occasion et
l’autoconsommation des ménages.
iii. Classifications
Les biens et services sont classés selon la Nomenclature de Consommation Ouest Africaine
(NCOA), adoptée en mars 1995, directement dérivée de la nomenclature internationale COICOP
(Classification of Individual Consomption by Purpose) et du Système de Comptabilité Nationale
(SCN93, révision IV).
Des indices peuvent être calculés pour divers sous-ensembles : produits frais, énergie, produits
locaux, produits importés, biens non durables, biens semi-durables, biens durables, services, etc.
iv. Relevés des prix
Dans chaque État membre, les prix de plus de 300 variétés sont relevés le plus souvent
mensuellement dans plusieurs centaines de points de vente (de 220 à plus de 500), soit de 3 000
à 4 000 relevés mensuels par État.
v. Pondérations et calcul
Les pondérations du nouvel indice proviennent d'une enquête sur les dépenses des ménages
réalisée en 1996 avec une méthodologie harmonisée auprès de 1 000 ménages de la principale
agglomération de chaque État. Les calculs sont opérés au moyen d’un logiciel commun (CHAPO
- Calcul Harmonisé des Prix par Ordinateur) qui assure un traitement harmonisé entre États
membres. C’est un indice de type Laspeyres.

Un indice régional est calculé pour l’ensemble de l’UEMOA à partir des indices nationaux ; les
pondérations sont celles de la consommation des ménages des agglomérations principales de
chaque État.
• Le calcul algébrique
Comme nous l’avons dit précédemment, l’indice national harmonié des prix à la consommation
(INHPC) est d’un indice de Laspeyres. L’indice des prix de Laspeyres permet de synthétiser en
un indice unique un certain nombre d’indices. Il mesure l’évolution dans le temps du prix à payer
pour un panier de référence choisi sur la base des consommations d’une année de référence. Il ne
tient pas compte de la modification des habitudes de consommation (composition du panier).
D’une manière générale, le taux d’inflation est donné par la formule ci-après :
𝐈𝐏𝐂𝐭 − 𝐈𝐏𝐂𝐭−𝟏
𝐓𝐚𝐮𝐱 𝐝′ 𝐢𝐧𝐟𝐥𝐚𝐭𝐢𝐨𝐧𝐭 = × 𝟏𝟎𝟎 (𝟏)
𝐈𝐏𝐂𝐭−𝟏
Avec IPCt : Indice des prix au temps t ; IPCt-1 : Indice des prix au temps t-1.
De façon plus détaillée, pour calculer un indice synthétique permettant de mesurer l’évolution du
niveau général des prix, on utilise la quantité qi et le prix pi pour chaque produit i considéré.
Entre la date 0 et la date t, les quantités et les prix changent. Ceci nous donne la formule suivante :
∑ 𝐩𝐭,𝐢 × 𝐪𝟎,𝐢
∆𝐏𝐋 = × 𝟏𝟎𝟎 (𝟐)
∑ 𝐩𝟎,𝐢 × 𝐪𝟎,𝐢
I.2.1.4. Les limites de l’INHPC
La grande difficulté pour la réalisation de l'indice est l'innovation qui se traduit par l'apparition
d'un nouveau produit ou service ou d'une nouveauté dans un ancien produit.
Une deuxième difficulté est le changement dans la répartition des achats des consommateurs.
Lorsque le prix d'un bien augmente une année plus vite que les prix des autres biens et que sa
part dans la consommation diminue (par substitution du bien en question par d'autres biens), il y
a une difficulté à faire le lien avec l'année précédente. Si on considère seulement les ventes de la
dernière année, on ne prend pas en compte que la hausse du prix relatif a pu conduire à un report
de la consommation.
Une limite de l'indice des prix comme instrument est qu'il se fonde sur le panier du consommateur
moyen. Ainsi, l'indice des prix indiquerait une hausse de prix quand une personne au profil

marginal constaterait une baisse. La construction de l'INHPC se heurte à d'autres problèmes :

prise en compte de l'évolution de la qualité des biens, changement des goûts des consommateurs,
fluctuation du taux de change.
Afin d'illustrer l'importance de l'effet de la composition en biens et services du panier moyen

pour chaque consommateur pris individuellement, l'IINSEE mettait à disposition un simulateur
d'inflation personnalisé sur son site officiel qui permettait à chacun, en fonction de sa propre
consommation, d'évaluer l'inflation qu'il subissait.
I.2.2. Le déflateur du PIB
Le déflateur du PIB est défini comme le rapport du PIB nominal au PIB réel. Il mesure les prix
de tous les biens et services produits dans l'économie. En effet, le déflateur du PIB ne tient compte
que des prix des biens et services produits sur le territoire national en tenant compte d'un panier
de biens et services évolutifs. En d'autres termes, il tient compte d'un panier de biens et de
services qui évolue au gré de la composition du PIB. Cependant, le déflateur du PIB n'est pas le
meilleur instrument de mesure de l'inflation car, en fonction du volume et de l'évolution des prix
des importations, il mésestime l'inflation. Toutefois, il faut noter que d'après les utilisateurs, le
biais observé dans l'usage de cet instrument est habituellement faible.
Le déflateur du PIB est donné par la formule ci-après :
𝐏𝐈𝐁𝐧𝐨𝐦𝐢𝐧𝐚𝐥
𝐃é𝐟𝐥𝐚𝐭𝐞𝐮𝐫 = × 𝟏𝟎𝟎 (𝟑)
𝐏𝐈𝐁𝐫é𝐞𝐥
Avec PIB nominal : valeur en prix courants de la production ; PIB réel : valeur en prix constants
de la production ; Déflateur (indice implicite des prix du PIB) : mesure du niveau général des
prix de toute la production.
Après avoir défini l’inflation et avoir formalisé sa mesure, dans la deuxième section, nous
analysons son évolution dans le temps. Tout comme dans l’espace communautaire, au Togo,
l’indicateur retenu pour mesurer la hausse des prix est l’INHPC car il prend en compte tous les
biens et services et sur toute l’étendue du territoire national. Il s’agit pour nous de voir comment
l’inflation et ses différentes composantes ont évolué, en faits stylisés, sur une période donnée, au
Togo et dans la zone UEMOA.

I.3. EVOLUTION DE L’INFLATION AU TOGO : FAITS STYLISES
Dans l’espace UEMOA, le Comité de Politique Monétaire a défini la stabilité des prix comme
un taux d'inflation, en glissement annuel, pour l'ensemble de l'Union, compris dans une marge
de plus ou moins un point de pourcentage (1%) autour d'une valeur centrale de deux pour cent
(2%), à l'horizon de vingt-quatre (24) mois14. Chaque Etat membre de l’Union dispose d’un
service statistique qui produit des statistiques nationales. Ces statistiques, dont l’inflation, sont
mises à la disposition de tout utilisateur, mais surtout aux décideurs de politique économique.
Ceux-ci utilisent ces statistiques à des fins de conformité du critère de la valeur centrale de
l’inflation, notamment, définie par les textes. Au Togo, cette tâche de production des statistiques
nationale revient à l’Institut national des statistiques et des études économiques et
démographiques (INSEED).
Dans cette partie, nous analysons dans un premier temps, le taux d’inflation global national
d’abord sur la période 2008-2013, puis sur la période 2014-2019 d’une part et une analyse
comparée des taux d’inflation global du Togo et de l’UEMOA, d’autre part. Le choix des deux
périodes s’explique par le fait que sur l’ensemble de la période 2008-2019, nous avons deux
années de base distinctes : 2008 et 2014. Nous avons jugé intéressant de visualiser l’évolution de
l’indice des prix avec le changement de base de données. Au Togo, avant 2014, le calcul de
l’indice couvrait uniquement l’agglomération urbaine de Lomé (IHPC) mais depuis 2014, la
couverture est devenue nationale (INHPC) et prend en compte aussi bien le milieu urbain que
rural. Dans un second temps, nous avons fait une analyse détaillée de l’indice global, c’est-à-dire
ses composantes, mais cette fois ci, mensuelle sur la période janvier 2014 -janvier 2020.
I.3.1. Evolution de l’inflation au Togo et dans l’UEMOA
Dans ce paragraphe, nous analysons deux graphiques. Le premier (Graphique 1) décrit

l’évolution du taux d’inflation au Togo sur la période 2008-2013 (IHPC) et sur la période 2014-
2019 (INHPC) et le second (Graphique 2) fait une description comparée des taux d’inflation du
Togo et de l’UEMOA, sur les mêmes périodes.
• Ainsi, sur le premier graphique (Graphique 1), l’indice harmonisé des prix à la
consommation (pour l’année de base 2008) nous montre une tendance baissière passant d’un
taux de 8,67% en 2008 à 1,73% en 2013, soit une moyenne d’inflation de 3,63% sur la période
considérée ; moyenne au-delà de la cible communautaire d’inflation (2%) et même au-delà,
14
Par décision n° 01/2010/CPM/BCEAO portant définition de l'objectif de stabilité des prix dans le cadre de la
politique monétaire au sein de l'UMOA.

c’est-à-dire 3%. Il faut noter également qu’en dehors des années 2010 (0,77%) et 2013
(1,73%), pour les autres années, l’inflation a été au-delà de 2%. Concernant la période 2014-
2019, l’inflation présente des fluctuations remarquables allant de 0,2% en 2014 à 0,68% en
2019, soit une moyenne de 0,71% sur la période.
De l’analyse comparée des deux périodes, nous retenons que la période 2008-2013 présente des
taux d’inflation élevée et au-delà de la cible 2% communautaire alors que pour la période 2014-
2019 les taux sont plutôt faibles. Nous pensons que cette situation pourrait s’expliquer à deux
niveaux : d’abord, les taux élevés de la première période, surtout l’année 2008, sont dûs à la crise
financière et économique qui a secoué l’économie mondiale en cette année, et qui n’a pas épargné
les économies de l’espace UEMOA et donc du Togo. En plus des effets de cette crise financière,
il faut relever qu’au Togo, particulièrement, en 2008 il y a eu un choc d’offre au niveau des
produits de première nécessité notamment les céréales. Cette année a connu une forte
pluviométrie qui a endommagé des infrastructures routières dont le pont d’Amakpapé sur la route
nationale N°1 reliant les régions productrices et offreuses de céréales (région des Plateaux
surtout) aux régions consommatrices (région Maritime) située au sud du pays. Cette situation a
causé des difficultés d’acheminement des produits alimentaires des producteurs vers les
consommateurs, ce qui a provoqué une flambée des prix des céréales, étant donné que l’offre a
été inférieurs à la demande, toute chose étant égale par ailleurs. Ensuite, nous pouvons évoquer
la couverture géographique pour le calcul de l’inflation qui pourrait influencer les fluctuations
des prix. Pour cette période 2008-2013, la couverture du calcul de l’inflation est partielle et ne
prend en compte que les milieux urbains.
En effet, en considérant la seconde période, c’est-à-dire 2014-2019, la couverture est globale et

prend en compte aussi bien le milieu rural et urbain sur toute l’étendue du territoire national.
Cette nouvelle situation, dans le calcul de l’inflation, nous montre une évolution modérée et
surtout dans les normes communautaires, c’est-à-dire plus ou moins 2%.

Graphique 1 : Taux d’inflation annuel au Togo
Evolution de l'inflation Evolution de l'inflation

10,00% 2,00%
8,00% 1,50%
6,00% 1,00%
4,00%
0,50%
2,00%
0,00%
0,00% 2014 2015 2016 2017 2018 2019
2 008 2 009 2 010 2 011 2 012 2 013 -0,50%
Source des données : INSEED
• Sur le second graphique (Graphique 2), nous comparons les taux d’inflation du Togo à
celui de l’UEMOA sur les deux périodes suivant les années de base. Sur les deux périodes,
nous remarquons que les évolutions d’inflation sont en phase, allant de 7,30% à 1,52% pour
l’ensemble UEMOA, soit une moyenne de 2,82% (3,63% pour le Togo) pour la période 2008-
2013. Entre 2014-2019, cette évolution va de -0,1% à -0,58% pour une moyenne de 0,46%
(0,71% pour le Togo). Il n’y a pratiquement pas de différences majeures entre les évolutions
des taux d’inflation au Togo et dans l’UEMOA et pourrait données les mêmes explications
quant à la différence des fluctuations des taux sur les deux périodes, notamment la crise
financière mondiale, le changement d’année de base pour tenir compte de tous les biens et
services dans les milieux urbains et ruraux.
Graphique 2 : Taux d’inflation annuel au Togo et dans l’UEMOA
Evolution comparée des taux d'inflation Evolution comparée des taux d'inflation
10,00% 2,00%
8,00% 1,50%
6,00% 1,00%
0,50%
4,00%
0,00%
2,00% 2014 2015 2016 2017 2018 2019
-0,50%
0,00%
2008 2009 2010 2011 2012 2013 -1,00%
UEMOA Togo UEMOA Togo

Mais des taux moyens à la hausse pourraient cacher d’énormes fluctuations qui peuvent subsister
dans une analyse beaucoup plus fine, notamment mensuelle.
Ainsi, le graphique 3 nous montre une évolution mensuelle et en partant toujours sur la
comparaison des deux taux d’inflation du Togo et de l’Union, nous remarquons que les deux
courbes fluctuent pratiquement dans le même sens sur la période d’étude. Allant de -0,1% en
janvier 2014 à 0,39% en janvier 2020 pour l’UEMOA, soit une moyenne de taux d’inflation de
0,05 % puis de -0,1% à 1,84% de janvier 2014 à janvier 2020 pour le Togo, soit 0,09 % comme
taux d’inflation moyenne. Tout comme dans l’analyse annuelle, le taux moyen pour le Togo est
supérieur au taux moyen communautaire. Mais nous relevons des points caractéristiques pour les
fluctuations du taux d’inflation du Togo où nous avons des pics en août 2016 (-3,34%) et en avril
2018 (+2,35%). La situation d’août 2016 serait due aux actions conjuguées des subventions de
l’Etats sur les produits pétroliers ou à la chute du baril du pétrole à l’international, à une bonne
pluviométrie, source d’une bonne récolte, et l’intervention de l’ANSAT pour faire diminuer le
prix des produits céréaliers. Pour ce qui est d’avril 2018, cela pourrait s’expliquer par une
flambée des prix des produits alimentaires due à une mauvaise pluviométrie conduisant à une
mauvaise récolte et, toute chose étant égale par ailleurs, à une insuffisance d’offre face une forte
demande. Aussi, on pourrait ajouter la flambée du baril du pétrole à l’international qui se
répercute sur les prix nationaux. Les subventions tardant à venir, les consommateurs accusent le
coup de cette flambée. Toutes ces actions vont agir sur l’inflation globale pour la faire grimper.
Graphique 3: Taux d’inflation mensuel au Togo et dans l’UEMOA
Taux d'inflation mensuel

3,00%
2,00%
1,00%
0,00%
-1,00%
-2,00%
-3,00%
-4,00%
avr-15
avr-16
avr-14
mai-14
juil-14
juil-15
avr-17
août-14
mai-15
août-15
mai-16
juil-16
août-16
mai-17
juil-17
avr-18
avr-19
août-17
mai-18
juil-18
mai-19
juil-19
août-19
juin-14
sept-14
nov-14
juin-15
sept-15
nov-15
juin-16
sept-16
nov-16
juin-17
sept-17
nov-17
août-18
juin-18
sept-18
nov-18
juin-19
sept-19
nov-19
févr-14
févr-15
févr-16
févr-17
janv-14
mars-14
janv-15
mars-15
mars-16
mars-17
févr-18
févr-19
oct-14
oct-15
janv-16
oct-16
janv-17
janv-18
mars-18
janv-19
mars-19
janv-20
déc-14
déc-15
déc-16
oct-17
déc-17
oct-18
déc-18
oct-19
dec-19
UEMOA Togo

I.3.2. Evolution des composantes de l’inflation
Dans ce paragraphe, nous comparons l’inflation globale à ses différentes composantes :

l’inflation des produits alimentaires, celle des produits énergétiques et celle sous-jacente. Il s’agit
de mettre en exergue les composantes qui font flamber l’inflation globale. Ainsi sur le graphique
4 nous avons l’évolution des inflations globale, des produits alimentaires, des énergies et de
l’inflation sous-jacente (hors produits alimentaires et énergie). A la lumière de ce graphique,
nous remarquons que les taux d’inflation des produits alimentaires et du global varient dans le
même sens avec une volatilité beaucoup plus prononcée pour les produits alimentaires. En effet
la volatilité des produits alimentaires passe de -1,91% en janvier 2014 (0,3% pour l’énergie,
0,52% pour la sous-jacente et -0,10% pour le global) à 3,06% en janvier 2020 (-0,18%, pour
l’énergie, 0,99% pour la sous-jacente et 1,84% pour le global), en passant par des valeurs
caractéristiques comme -4,13% en sept. 2014(-1% pour l’inflation globale), 5,51% en mai 2016
(1,55% pour le global), -10,06% en août 2016(-3,34% pour l’inflation globale) et -4,63% en août
2019(2,35% pour l’inflation globale). La moyenne d’inflation des produits alimentaire est de
0,15% sur la période, alors que celle de la sous-jacente est de 0,08% et celles de du global est de
0,09% et celle des énergies est de 0,13%. Ceci laisse croire que la volatilité de l’inflation globale
serait due principalement à celle des produits alimentaires, vient ensuite celle des énergies.
L’inflation sous-jacente quant à elle a une volatilité très faible.
Graphique 4: Evolution des taux d'inflation globale et de ses composantes
Evolution des taux d'inflation globale et de ses composantes

8,00%
6,00%
4,00%
2,00%
0,00%
-2,00%
-4,00%
-6,00%
-8,00%
-10,00%
-12,00%
janv-15
janv-14
janv-16
janv-17
janv-18
janv-19
janv-20
mai-14
nov-14
mai-15
nov-15
mai-16
nov-16
mai-17
nov-17
mai-18
nov-18
mai-19
nov-19
sept-14
sept-15
sept-16
sept-17
sept-18
sept-19
mars-14
mars-15
mars-16
mars-17
mars-18
mars-19
juil-14
juil-15
juil-16
juil-17
juil-18
juil-19
Tx_Inf_Al Tx_Inf_Enrg Tx_Inf_SJ Tx_Inf_G
Pour avoir une analyse un peu plus accentuée sur l’influence des composantes de l’inflation
globale, nous avons couplé les produits alimentaires avec les énergies. Ceci nous a permis d’avoir

un graphique illustrant l’inflation globale, l’inflation sous-jacente et le couple produits

alimentaires-énergies En effet en analysant le graphique 5, nous pouvons dire que c’est le couple
produits alimentaires-énergie qui fait flamber l’INHPC global, avec une moyenne de volatilité
de 0,14% et 0,08 % pour l’inflation sous-jacente, tout comme dans l’analyse du graphique 3.
Graphique 5 : Evolution des taux d’inflation globale, sous-jacent, alimentaire-énergie
Evolution des inflations globale, Sous-jacent, Alimentaire-

Energie
6,00%
4,00%
2,00%
0,00%
-2,00%
-4,00%
-6,00%
-8,00%
-10,00%
janv-14
janv-15
janv-16
janv-17
janv-18
janv-19
janv-20
oct-14
oct-15
oct-16
oct-17
oct-18
oct-19
avr-14
avr-15
avr-16
avr-17
avr-18
avr-19
juil-15
juil-14
juil-16
juil-17
juil-18
juil-19
Tx_Alm&Enrg Tx_S-J Tx_Global
En résumé sur ce chapitre, nous pouvons dire que l’inflation est définie, d’une manière générale,
comme la hausse généralisée du niveau des prix. C’est un phénomène qui brasse autour d’elle
des termes connexes tels que la stagflation, la désinflation ou la reflation, entre autres. L’inflation
a évolué dans le temps en termes de dénomination. Elle est passée de l’indice des prix à la
consommation (IPC), ensuite à l’indice harmonisé des prix à la consommation (IHPC) et à
l’indice national harmonisé des prix à la consommation (INHPC) pour tenir compte de tous les
biens et services sur toute l’étendue du territoire national. L’inflation est un indicateur volatile et
pour ce qui est du Togo, sur la période 2014-2019, que ce soit annuellement ou mensuellement,
la volatilité est très remarquable et est toujours, en termes d’évolution, supérieure à la moyenne
communautaire.
Cette volatilité remarquée n’est pas sans conséquences sur les économies nationales et qui fait
souvent l’objet des débats entre économistes et prévisionnistes qui se penchent également sur les
causes et conséquences de cette inflation. Ces causes et conséquences obligent les décideurs de
politique économique à anticiper les comportements futurs de l’inflation à travers plusieurs
techniques de prévision. C’est dans cette perspective que nous abordons dans le chapitre suivant
les causes et conséquences de l’inflation puis les différentes techniques de sa prévision.

CHAPITRE II : REVUE DE LITTERATURE SUR LES METHODES DE

PREVISION DE L’INFLATION
Après avoir défini l’inflation et analysé ses évolutions, il est primordial de relever l’importance,
pour les décideurs de politique économique, de prévoir l’inflation, surtout à court terme. Cette
importance qui provient de la connaissance des causes et conséquences de l’inflation fait l’objet
de la revue littéraire dans la première section. Dans la seconde section il est question de présenter
les méthodes et techniques de prévision de l’inflation.
II.1. CAUSES ET CONSEQUENCES DE L’INFLATION
Dans cette section, il s’agit d’exposer les causes ou origines de l’inflation dans un premier
paragraphe puis ses conséquences ou effets dans un second paragraphe aussi bien sur le plan
théorique qu’empirique.
II.1.1. Les causes ou origines de l’inflation
Les débats théoriques et les travaux empiriques ont toujours meublé les questions sur les origines
ou les causes de l’inflation.
II.1.1.1. Débat théorique sur les causes de l’inflation
Les explications quant aux causes de l'inflation les plus répandues sont en termes de déséquilibres
des secteurs réel ou monétaire de l'économie et de l'évolution des structures économiques ou
socioculturelles.
II.1.1.1.1. Inflation comme déséquilibre du secteur réel
L'inflation relative au déséquilibre du secteur réel de l'économie peut être regroupées en deux
grandes catégories : celle qui voient l'origine de l'inflation dans la demande et celles qui
soutiennent qu'elle est le fait des coûts de production ou de l'offre. A ces deux sources d’inflation,
nous pouvons ajouter d’autres facteurs qui influenceraient également l’inflation.
• L'inflation par la demande
Les fondements de l'inflation par la demande, mis en évidence par les économistes classiques et
développés par Keynes, ont longtemps servi pour expliquer l'inflation. D'après (Goux, 2008), on
parle de l'inflation par la demande lorsque, globalement, la demande de produits excède

durablement l'offre sur les marchés. L'excès de demande peut avoir plusieurs origines : (i)
l’accroissement des dépenses publiques avec déficit budgétaire ; (ii) l’accroissement des
dépenses de consommation des ménages dû à une hausse des salaires ou au développement
excessif du crédit ; (iii) l’accroissement des dépenses d'investissement des entreprises financés
par le crédit bancaire sans épargne préalable ; (4i) l’accroissement des revenus provenant d'un
excédent de la balance des paiements. La pression de la demande constitue encore de nos jours
la source majeure des préoccupations des autorités monétaires des différents pays, en particulier,
lorsque la hausse résulte essentiellement d’un accroissement exclusif de la demande intérieure.
D’une manière générale, l’inflation par la demande peut être perçue sous un double aspect :
l'analyse classique et l'analyse keynésienne.
Selon l'analyse classique, une version, appelée drame classique de l'inflation qualifie l'Etat
comme le principal acteur et le responsable de tous les maux. En effet, l'Etat ayant besoin de plus
de biens et d'une main-d’œuvre suffisante, souvent pour la guerre, achète plus. Les citoyens eux,
devront acheter moins car l'économie fonctionnant très près de la capacité normale. Les nouvelles
demandes du gouvernement s'accumulent et s'ajoutent à la diminution des demandes privées si
bien que l'économie ne peut satisfaire les deux à cause du revenu national supplémentaire faible.
Ainsi, l'excès des dépenses gouvernementales vient, dans ce cas, favoriser une hausse du niveau
général des prix et sa manifestation première sera une perte du pouvoir d'achat des agents
économiques.
Pour les keynésiens, l'inflation a lieu lorsque la demande globale excède l'offre globale alors que
l'économie se trouve dans une situation de plein emploi des facteurs de production. En effet, en
supposant que les entrepreneurs anticipent une hausse de dépenses de consommation, ce qui
provoque par conséquent un accroissement des dépenses d'investissement, la demande globale
se trouve propulsée à un niveau plus élevé. Dans ce cas, le produit d'équilibre anticipé en vue de
répondre à cette demande ne pourra pas être réalisé dans la mesure où tous les facteurs de
production ont été pleinement utilisés. En définissant le revenu national comme la production en
termes réels Q multipliée par le niveau général des prix P, nous aurons l'équation suivante : Y=
P.Q. Comme l'économie se trouve dans une situation de plein emploi, la production Q ne peut
augmenter ; ce qui signifie que toute augmentation du revenu national ne pourrait provenir que
d'un accroissement des prix. Dans ce cas, l'inflation par la demande peut constituer une situation
favorable aux entrepreneurs dans la mesure où elle leur permettrait d'accroître leurs recettes avec
la même quantité.

• L'inflation par les coûts ou l’offre
L’inflation par les coûts ou par les chocs d'offre est mise en avant à partir des travaux de Kalecki
au début des années 60. Selon les tenants de cette théorie, la hausse des prix serait provoquée par
des hausses excessives des coûts de production. Les coûts les plus souvent mis en cause sont le
prix des matières premières, les charges financières et fiscales, les salaires et charges sociales.
Cette approche explique le fait que, dans certains cas, l'inflation perdure même en situation de
demande défaillante, de récession ou de sous-utilisation des capacités de production. D'après
cette théorie, les salaires et les charges sociales sont responsables à partir de la différence entre
leur augmentation et celle de la productivité. L'impact sur l'inflation dépend de leur part dans les
charges de l'entreprise et est fonction de l'excédent de leur hausse sur celle de la productivité.
Quant aux coûts des matières premières, plus particulièrement ceux des produits pétroliers, ils
agissent dans le processus inflationniste par deux effets : (i) un effet mécanique qui débute par la
hausse immédiate des prix intérieurs des hydrocarbures et la propagation de ce choc s'étend à
toute l'économie ; (ii) un second effet sur les prix provenant de la réaction de certains agents qui
cherchent à se prémunir contre ces chocs (les producteurs effectuent une augmentation des prix
supérieure à celle de l'effet mécanique).
En dehors des facteurs traditionnels que sont la demande et l’offre, il y a d’autres facteurs qui
influencent aussi l’inflation.
• L'influence de la croissance
En période de croissance économique, la demande de biens de consommation et de biens

d'investissement est forte, les salaires et la plupart des coûts sont élevés, et le chômage est faible ;
on risque donc de connaître une situation de « surchauffe économique » et de tensions
inflationnistes. La théorie keynésienne, qui explique les prix par les coûts salariaux, considère
que les prix sont stables ou orientés à la baisse en période de sous-emploi, mais qu'il existe des
tensions inflationnistes à proximité du plein emploi. Le risque d'inflation n'existerait qu'en
situation de plein emploi, ce serait une conséquence de la « surchauffe économique ».
L'explication keynésienne consiste finalement à considérer que l'inflation est un résultat plus ou
moins inéluctable de la croissance économique et des hausses des salaires qu'elle engendre.

• L'influence des structures économiques
Les structures économiques ont, d'une manière ou d'une autre, une certaine influence sur
l'inflation et cela peut s'expliquer de la manière suivante : (i) d'après de nombreux auteurs,
l'inflation est due au pouvoir de fixer les prix dont disposent les structures oligopolistiques dans
certains pays. Pour les entreprises oligopoles, le prix n'est plus déterminé par la loi du marché
mais une variable fixée par elles-mêmes en fonction de leurs propres critères ; (ii) les banques
sont aussi indexées comme facteurs influents de la hausse des prix par les monétaristes qui voient
en la monnaie la cause essentielle, sinon unique, de l'inflation. Pour ces auteurs, les banques
contribuent au processus de l'inflation par le flux du pouvoir d'achat supplémentaire qu'elles
injectent dans l'économie à travers les crédits accordés aux agents économiques ; (iii) la troisième
explication est donnée par le rôle de l'environnement international dans le processus
inflationniste. La hausse du coût des produits importés peut s'analyser comme une inflation par
les coûts. La hausse brutale du prix de pétrole en 1973 en est un exemple. Tout excès de demande
extérieure peut également être analysé comme une inflation par la demande telle que nous l'avons
présentée précédemment ; (4i) la quatrième explication est donnée par l'influence des structures
industrielles de production sur l'inflation. En effet, lorsque l'appareil de production est obsolète
ou inadapté, il est dans l'incapacité de répondre rapidement à la demande ; la seule réponse
possible est la hausse des prix. Il s'agit là d'une inflation par l'insuffisance de l'offre face à la
demande.
• L'influence des structures socioculturelles
Cette théorie est soutenue par le psychologue (Katona, 1975)15 d'après qui, les causes premières
de l'inflation sont d'ordre psychologique en raison du rôle prépondérant des anticipations. Pour
lui, les individus sont convaincus que le processus est cumulatif et sans fin (phénomène de
spirale). Les prévisions sont auto-réalisantes, c’est-à-dire les anticipations créent les conditions
de leur réalisation et renforcent la croyance dans la poursuite de l'inflation. Les contagions
mimétiques y participent également.
• L'influence des structures institutionnelles
D'après la théorie régulationniste, les institutions économiques et politiques d'un pays peuvent
également être considérées comme facteurs influents de la hausse des prix à travers ce qu'elle
appelle le mode de régulation. De la multitude des régulations praticables a priori, dans le cas
15
George Katona était un psychologue américain d’origine hongroise qui fut l’un des premiers à préconiser le
rapprochement entre l’économie et la psychologie.

d'une économie capitaliste, deux sont privilégiées : la régulation concurrentielle et la régulation

monopolistique. Mais l'inflation actuelle s'explique uniquement en référence à ce deuxième type
de régulation. En effet, dans la régulation monopolistique ou administrée, apparaissent des
nouvelles formes institutionnelles telles que la concentration financière, la structure
oligopolistique de l'économie, et les conventions collectives. D'une manière ou d'une autre, ces
nouvelles structures institutionnelles entraînent des procédures particulières de formation des
prix et de salaires : prix rigides, salaires nominaux déterminées par des conventions collectives,
prix du monopole, impliquant un relâchement de la contrainte monétaire avec le développement
du crédit.
II.1.1.1.2. Inflation comme déséquilibre du secteur monétaire
Cette approche de l'inflation en termes de déséquilibre du secteur monétaire est celle des
monétaristes dont un des principes généraux est : l'inflation a essentiellement pour origine un
taux d'expansion monétaire trop élevé par rapport au taux de croissance réel de l'économie. Elle
repose sur les hypothèses suivantes : (i) l'offre de monnaie est exogène (déterminée par les
autorités monétaires) ; (ii) la demande de monnaie est stable ; (iii) l'inflation est « partout et
toujours un phénomène monétaire » dû à l'augmentation trop rapide de la masse monétaire
(moyens de paiement mis en circulation) ; (iv) les agents font des anticipations adaptatives qui
diminuent à long terme l'effet des politiques conjoncturelles ; (vi) il existe un taux de chômage
naturel en dessous duquel l'économie ne peut pas descendre sans déclencher l'inflation.
Ces hypothèses sont à la base des différentes formulations de la théorie quantitative de la monnaie
(Fisher, 1911), des économistes dits de l'école de Cambridge et de Friedman.
• Modèle de Fisher et de Marshall
Selon la théorie de Fisher avec son équation MV = PQ où M représente la masse monétaire, V

est la vitesse de circulation de monnaie ou le nombre moyen d'utilisations de chaque unité
monétaire pour effectuer une quantité d'échanges donnée ; P le niveau général des prix et Q le
volume de la production ; V et Q sont constants alors toute hausse de M ne peut s'équilibrer que
par une hausse de P. D’après les tenants de l’école de Cambridge (Marshall,1923), l’écriture
comptable de Fisher en une fonction de demande de monnaie de la forme suivante :M = k PY
où P représente le niveau général des prix, M est l'encaisse monétaire nominale, autrement dit,
la trésorerie que les individus souhaitent détenir (c'est pourquoi on parle de demande), Y
représente le revenu réel et le coefficient k traduit la préférence pour la liquidité des agents

économiques. Cette équation fait du niveau général des prix, la résultante, pour une certaine
production, de l'offre de monnaie et d'une demande de monnaie représentée par le coefficient k.
• Modèle de Milton Friedman
Pour (Friedman,1956) la monnaie doit avoir une place importante dans l'explication des
phénomènes économiques. Il a proposé un modèle qui considère que la réallocation du
portefeuille des individus ne va plus se faire simplement entre la dépense de biens et services et
la monnaie, mais entre de nombreux actifs, financiers ou non. D'après ce modèle, une hausse
brutale de la quantité de monnaie va rendre excédentaires les encaisses monétaires et par
conséquent, les individus vont modifier la composition de leur portefeuille financier. Ils vont par
exemple acheter des titres, ce qui entraînera sans doute l'augmentation des prix et inciter d'autres
agents économiques à vendre davantage. Ainsi, de proche en proche, de nombreux agents
économiques seront concernés. Les actifs financiers devenant plus chers que les actifs non
financiers (immobiliers, par exemple), ces derniers seront alors recherchés et leurs prix vont
croître. Le marché des biens et services est touché en dernier lieu. La stimulation monétaire se
transmet donc au domaine non monétaire (immobilier, puis biens et services) par l'intermédiaire
du marché financier. L'inflation n'apparaît vraiment pas et n'est reconnue en tant que telle qu'à ce
moment-là.
Cette théorie a fait l'objet de plusieurs critiques portant essentiellement sur ses hypothèses de
base. Nombreuses sont les études empiriques qui remettent en cause le caractère absolu de la
démonstration de Friedman. D'après certains économistes, en observant la réalité, le caractère
autonome de l'offre ainsi que la stabilité de la demande de monnaie sont des raisonnements très
théoriques. On peut mentionner, par exemple, le fait qu'il n'est pas toujours facile d'expliquer
comment la vitesse de circulation de la monnaie tend à varier et aussi, le fait que le stock de
monnaie n'est pas toujours contrôlé par la banque centrale (en particulier dans une économie
ouverte avec un taux de change fixe, les taux d'intérêts doivent s'établir à un niveau tel que la
parité fixe de la monnaie est maintenue).
II.1.1.2. Travaux empiriques sur les origines de l’inflation
Plusieurs auteurs se sont penchés sur les origines de l’inflation et ont travaillé sur les déterminants
empiriques de l'inflation dans la zone UEMOA (Doe et Diallo,1997). Dans leurs travaux, ils ont
montré que l'inflation est expliquée dans le court terme principalement par le taux d'inflation en
France (inflation importée) et, accessoirement, par le différentiel de taux d'intérêt réel, le prix
relatif des produits importés et les dépenses courantes de l'Etat. Dans le long terme, l'inflation est

déterminée par le taux d'inflation en France, la politique monétaire et budgétaire, ainsi que la
compétitivité.
Des études similaires sur les déterminants empiriques de l’inflation dans les pays africains
menées par la Commission Economique pour l’Afrique (CEA, 1994) (Boccara et Devaradjan,
1993) retiennent dans les modèles spécifiés comme variables explicatives, notamment les prix à
l’importation et la masse monétaire.
Dans leurs travaux, (Doe et Diarisso, 1998) ont montré que la politique monétaire influence
l'évolution des prix dans tous les pays de l'Union tant à court terme qu'à long terme. Toutefois,
ils ont estimé que les mouvements de l'offre sur l'inflation ont des effets plus importants que ceux
résultant de l'action monétaire. Des travaux récents ont cependant prouvé que les modifications
des taux d'intérêt débiteurs de la BCEAO ont un effet immédiat et durable sur l'inflation dans la
zone UEMOA (Nubukpo, 2001).
Une étude réalisée par la Commission de l’UEMOA en 2007, sur les « déterminants de l’inflation
au niveau de la zone UEMOA » a montré que, s’il y a une hausse tendancielle des prix, celle-ci
serait due à des facteurs tels que l’inflation importée, l’évolution des prix des produits
alimentaires, le prix de l’énergie, la fiscalité et les facteurs socio-politiques.
II.1.2. Les conséquences et prévision de l’inflation à court terme
Dans ce paragraphe, il s’agit de parler des conséquences de l’inflation, dans un premier temps,
puis de la nécessité ou l’importance de la prévoir à court terme dans un second temps.
II.1.2.1 Les conséquences de l’inflation
Les effets ou conséquences de l’inflation sont de nature néfaste et bénéfique. Ils peuvent se
manifester différemment sur les différents agents économiques (ménages, Etat, Entreprises) et
sur l’ensemble de l’économie.
L'inflation change le contexte des relations contractuelles explicite entre débiteurs et créanciers
Il faut noter que les entreprises sont des débiteurs nets (sauf exception d'entreprises financières),
de même que l’administration publique en général. Alors que les ménages dans leur ensemble
sont des prêteurs ou créanciers nets mais avec une proportion qui est débitrice (ex : les acheteurs
de logement à crédit pour un montant plus élevé que leur patrimoine initial). L’inflation change
également le contexte entre les détenteurs d'actifs économiques dont la valeur n'est pas affectée
par l'inflation et les détenteurs de monnaie ou titres financiers équivalent qui sont affectés par

l'inflation. La déflation agit en sens inverse. Pour être plus précis, ce n'est pas l'inflation ni la
déflation qui comptent, ce sont les variations de l'inflation par rapport à celle qui était prévue.
Une hausse de l'inflation ou une désinflation produisent un effet, pas une inflation égale à celle
contre laquelle on a pu se prémunir.
• L’inflation pénalise les épargnants et d’une manière générale toutes les personnes à
revenu fixe. L’inflation fait baisser le pouvoir d’achat ;
• L’inflation pénalise le commerce extérieur en rendant les produits relativement plus
chers à l’étranger ;
• L’inflation entraîne des taux d’intérêt élevé, qui n’incitent pas les ménages aux crédits
à la consommation.
Dans les lignes suivantes, nous exposons les effets néfastes et bénéfiques de l’inflation sur les
différents agents économiques.
II.1.2.1 1. Les effets néfastes de l’inflation
Nous exposons ici les différents effets négatifs que peut avoir l’inflation sur les agents
économique et sur l’ensemble de l’économie.
❖ Inflation et crises sociales
La hausse des prix réalisés dans le secteur de l’alimentation, notamment les produits de première
nécessité, est directement ressenti par les ménages qui s’efforcent de préserver leur pouvoir
d’achat. L’inflation a pour effet d’intensifier le volume des dépenses quotidiennes des ménages
sans pour autant modifier le revenu qu’ils gagnent. Ce revenu faible est au détriment des autres
achats de biens plus durables et constitue un obstacle à l’épargne. Ainsi la hausse des prix
pénalise les catégories les plus démunies et les fait vivre dans la misère.
❖ Inflation et incertitude
Dans un premier temps, le niveau de l'inflation ou sa progression n'ont pas de conséquences

directes sur l'économie. Si les agents savent que l'inflation sera de 3% pour les années à venir, ils
intégreront cette évolution dans leurs contrats, conduisant à une allocation des ressources
identique à une situation sans inflation.
Cependant, l'inflation dépend souvent de décisions discrétionnaires que les agents peuvent
difficilement anticiper correctement. De ce fait, l'inflation fait peser un risque sur toute décision
d'investissement ou de prêt, réduisant les incitations à des investissements productifs. Cet aspect
doit toutefois être mis en balance avec l'effet négatif de l'inflation sur les investissements à

revenus fixes, comme les rentes ou les emprunts d'État. En limitant la rentabilité de ces titres, un
taux élevé d'inflation encourage la substitution vers les investissements à rendements liés à
l'activité économique, généralement plus productifs du point de vue de l'emploi et de la création
de richesses. En rendant incertaine l'évolution des valeurs nominales des prix et des revenus,
l'inflation complique les prévisions économiques et rend la croissance économique plus
chaotique.
En effet, lorsque les prix varient, il est difficile de distinguer les mouvements de prix relatifs et
le mouvement général des prix. Si la réalité des mouvements est difficile à appréhender, leur
anticipation est encore plus incertaine. La variabilité des prix et l'éventuelle modification des prix
relatifs engendrent une incertitude sur les prix futurs. Cette incertitude rend le calcul individuel
moins efficace. Les décisions prises par les agents ne sont plus nécessairement optimales et la
mauvaise allocation des ressources conduit à une situation sous-optimale au sens de (Pareto,
1981).
En définitive, l'inflation peut conduire, lorsqu'elle est forte, à un ralentissement de la croissance

économique, du produit global et d'une détérioration de l'emploi. D'autre part, lorsque l'inflation
nationale est plus forte qu'à l'étranger, elle réduit la compétitivité de l'économie et conduit à
procéder à des réajustements monétaires. L'intensité et la fréquence de l'inflation font que les
pouvoirs publics cherchent à élaborer les stratégies appropriées pour y remédier.
❖ Émetteurs et détenteurs de monnaie

L'inflation a des conséquences négatives pour les agents détenant de la monnaie, puisqu'avec la
hausse des prix la même quantité de monnaie permettra d'acheter moins de choses (perte
de pouvoir d'achat) lorsqu'elle est due à une création ex nihilo de monnaie, l'émetteur de
monnaie, État, système bancaire ou faux-monnayeur, s'enrichit (il peut acheter plus de choses
qu'avant). Mais c'est aux dépens des autres détenteurs de monnaie ou des vendeurs. Si donc
l'émetteur de monnaie est l'État (ou une entité qu'il contrôle, comme une banque centrale par
exemple) l'inflation est comme un impôt frappant la détention d'encaisses réelles. C'est un impôt
pratique, d'un excellent rendement et apparemment sans douleur, mais les conséquences estimées
trop négatives pour l'économie ont conduit la plupart des États à abandonner la possibilité
d'émettre directement de la monnaie. L'État ne bénéficie alors de l'inflation qu'en tant que
débiteur par la réduction de sa dette.
À noter que dans le cas de monnaie créée par le crédit adossé à des biens réels engagés par
l'emprunteur, l'effet est plus complexe : l'émetteur (l'emprunteur) ne s'enrichit pas aux dépens des
autres, qui peuvent toujours acheter les mêmes biens qu'avant pour le même prix ; il n'y a que si

les biens gagés s'avèrent de valeur insuffisante que la monnaie correspondante devient
inflationniste si elle n'est pas détruite (par le remboursement).
❖ Débiteurs et créanciers
Lorsqu'un créancier (par exemple une banque) et un débiteur (par exemple un ménage) sont liés
par un taux d'intérêt fixe, l'inflation favorise le débiteur au détriment du créancier (créditeur).
Lorsque le taux d'inflation est supérieur au taux d'intérêt nominal, le taux d'intérêt réel est
négatif ; c'est-à-dire que l'on gagne de l'argent à emprunter. Cela stimule d'ailleurs la demande et
a tendance à alimenter davantage les pressions inflationnistes.
Face à une menace d'inflation, le créancier ne peut qu'imparfaitement se couvrir, l'inflation étant
un phénomène imprévisible. Il peut alors soit avoir recours aux systèmes de couverture
financière, notamment les swaps de taux d'intérêt pour les relations déjà établies, et demander
dans les nouvelles relations des garanties, par exemple des contreparties du prêt peu sensibles à
l'inflation (hypothèque sur un bien, valeur indexée sur l'inflation, valeur indexée sur un bien de
référence comme l'or par exemple) ou un taux de remboursement indexé sur l'inflation (prêt à
taux variable).
Pour les finances publiques, l'inflation diminue de la même manière le poids de la dette pour les
États, et a parfois été délibérément utilisée à cette fin. Afin de se couvrir, lorsque l'État débiteur
est suspecté de vouloir recourir à cette méthode, les investisseurs en dette publique demandent
souvent une majoration du taux d'intérêt par intégration d'une prime de risques, ou l'indexation
du taux selon une clause dite de révision ou selon la valeur d'un bien non contrôlable par l'État
débiteur. (Par ex : devise étrangère, panier de monnaies, valeur or, etc.).
Le type même de créancier perdant en période d'inflation est le rentier titulaire d'une rente fixe.
Pour cet agent, la valeur de sa rente diminue proportionnellement à l'inflation sans possibilité de
couverture. Les périodes de haute inflation du XXe siècle en France (années 1920, années 1960)
ont conduit à la quasi-disparition des anciens rentiers, qui ont vu leur revenus réels laminés par
l'inflation; la leçon a été retenue et désormais la plupart des détenteurs de capitaux financiers se
protègent contre l'inflation.
❖ Inflation et friction
Dans son article l'économiste (Mankiw, 1985)16 montre que les agents peuvent hésiter à ajuster
systématiquement leurs prix face à l'inflation lorsque cela a un coût, même très faible, pour eux
16
"Small menu costs and large Business Cycles : A Macroeconomic Model of Monopoly", G. Mankiw, Quarterly
Journal of Economics, mai 1985.

(l'auteur prend l'exemple du coût de changer les prix sur les menus des restaurants, qu'il faut faire
réimprimer). Les agents n'ajustent alors l'allocation de leurs ressources qu'avec un retard.
L'auteur montre que ces retards ont des conséquences importantes sur l'allocation d'ensemble des
facteurs, conduisant à d'importantes inefficacités.
En pratique, l'arbitrage entre les différents effets de l'inflation conduit la plupart des économistes
à estimer qu'un taux d'inflation stable proche des 2%17 est un signe de bon fonctionnement d'une
économie développée.
❖ Inflation et commerce extérieur
Un fort différentiel d’inflation entre un pays et ses concurrents commerciaux tend à dégrader le
solde de ses échanges extérieur puisque ses produits deviennent moins attractifs pour les
acheteurs étrangers, alors que les consommateurs du pays sont attirés par les produits importés.
Lorsque l’inflation persiste, elle peut avoir un impact sur les échanges extérieurs. La hausse
généralisée des prix détériore la balance commerciale en la rendant déficitaire. Un niveau élevé
des prix intérieurs a pour conséquence la préférence des importations aux exportations. Dans ce
cas le volume de la demande extérieur apparait à la baisse ce qui entraîne une faible compétitivité
des produits nationaux et l’économie ne s’améliore pas en conséquence devant ce déficit de la
balance commerciale. Cette situation conduit souvent les gouvernants ou dirigeants à s’endetter
auprès des pays étrangers afin de découvrir les pertes provenant de l’intensification des
importations.
❖ Inflation et les banques
Les banques souffrent de plus en plus de l’inflation. En effet, en période de hausse des prix, les
banques peuvent rencontrer une baisse de leurs encaisses et se reportent, dans ce cas, sur les
placements productifs des intérêts avec une baisse des dépôts non rémunérés et fait accentuer la
concurrence entre les banques elles-mêmes pour attirer les dépôts. Pour cela elles essaient
d’augmenter leur taux d’intérêt par différents moyens. Par contre, une hausse du taux d’intérêt
met en péril tout projet d’investissement car il y aura une tendance et une préférence aux
placements ou dépôts.
Une augmentation des taux d’intérêt par les banques aggrave l’inflation et diminue la demande
finale des agents économiques restreignant ainsi les dépenses de consommation et ralentit
17
Taux usité par la BCE et la BCEAO

l’activité économique. Mais cette situation constitue quand même une lutte contre l’expansion
de la masse monétaire puisque le volume de la monnaie en circulation sera en baisse.
D’une part, même si l’inflation existe, les entreprises empruntent toujours, soit parce qu’elles se
sont déjà habituées dans la période d’inflation, soit le phénomène de concurrence les oblige à
maintenir, à n’importe quel prix, leur part de marché. D’autre part, si les entreprises empruntent
encore à un taux élevé, leurs coûts vont s’élever aussi et elles pensent à déterminer un prix
unitaire élevé afin de récupérer les coûts qu’elles ont supporté et de même pouvoir payer les
intérêts des banques.
En résumé, le fait d’augmenter la masse monétaire accentue les risques accrus d’inflation qui
suscitent ensuite un accroissement du taux d’intérêt nominal qui est au détriment des banques.
II.1.2.1 2. Les effets bénéfiques de l'inflation
Caractérisée par une augmentation des revenus nominaux distribués, l'inflation peut contribuer à
soutenir la demande globale et, partant, à stimuler la croissance économique. Deux facteurs
principaux sont susceptibles de justifier l'existence d'une relation entre l'inflation et la croissance
économique : elle allège les dettes des agents économiques et améliore, par l'effet de levier, la
rentabilité financière des entreprises.
• Allégement des dettes des agents économiques
L'inflation diminue le coût réel de l'endettement en fonction de la différence entre la hausse du

niveau général des prix et les taux d'intérêt débiteurs en général non révisables ; ménages et
entreprises ont longtemps bénéficié des taux d'intérêt réels faibles, voire négatifs. En effet,
l'inflation allège la charge de remboursement réel d'un débiteur. La somme reversée au créancier
peut même être, en valeur réelle, inférieure à celle empruntée si le taux d'inflation devient
supérieur au taux d'intérêt.
• Amélioration de la rentabilité financière des entreprises
Il est difficile d’apprécier l’effet de l’inflation sur la capacité des entreprises sur leur taux de
rentabilité. Cet effet est pourtant d’une importance considérable car il détermine en grande partie
le volume des investissements et, par conséquent, le niveau de l’activité. L'inflation exerce une
action d'un autre ordre sur la rentabilité des entreprises. En effet, comme elle réduit le poids de
la dette, les entreprises sont d'autant plus incitées à recourir au financement extérieur que leur

taux de profit interne est supérieur au taux d'intérêt des capitaux empruntés car une telle situation
élève la rentabilité de leurs fonds propres : c'est ce que l'on appelle l’« effet de levier »18
Vu les différents effets, surtout néfastes que présente l’inflation, il devient primordial, pour les
décideurs de politiques économiques en particulier et les agents économiques en général, de
connaitre le comportement futur de l’évolution des prix à travers leur prévision.
II.1.2.2. La prévision de l’inflation à court terme
Il s’agit ici de démontrer l’importance de la prévision à court terme sur le plan théorique et
empirique.
II.1.2.2.1. Revue théorique
Sur le plan théorique et d’une manière générale, la prévision de l’inflation constitue une
préoccupation principale pour les décideurs de politique économique et a fait l’objet de nombreux
travaux qui utilisent différentes techniques de prévision dont l’objectif est de proposer une
meilleure visibilité sur l’évolution future, (Feki et al, 2012). En ce qui concerne l’horizon
temporel de la prévision, les effets néfastes (inconvénients) de l’inflation font que les décideurs
de politiques économiques privilégieraient la prévision à court terme afin d’agir en temps
opportun et de façon proactive pour éviter ou réduire sensiblement ces inconvénients. Les
prévisions à court ou à moyen terme peuvent servir à montrer aux organes qui partagent la
responsabilité de la politique conjoncturelle (banques centrales et gouvernements) à quel moment
et pendant combien de temps les instruments de politique conjoncturelle (politique financière et
fiscale, mesures d'expansion ou de resserrement du crédit prises par les banques centrales, etc.)
doivent être mis en œuvre. Elles doivent également faciliter les décisions que les entreprises ont
à prendre lors de l'établissement de leur programme de production (Schmitt, 1961). Aussi, les
règlements institutionnels des services chargés d'élaborer des prévisions à court terme sont
importants pour plusieurs raisons. D’abord pour cause de collecte des informations nécessaires
et d'organisation surtout technique de l'élaboration des prévisions ou du déroulement des travaux.
Ensuite de l'insertion des résultats de la prévision dans les travaux des organismes
gouvernementaux politiquement responsables19.
18
Pierre BESBAKH « Inflation et désinflation ». pp 66-69.
19
Colloque sur les méthodes d'élaboration des budgets économiques à l'intérieur de la Communauté, organisé par la
Commission des Communautés européennes, (1971).
Fonteneau Alain. La fiabilité des prévisions macroéconomiques à court terme : 12 ans d’expériences françaises
(1970-1981). In : Observations et diagnostics économiques : revue de l’OFCE, n°2, 1982. pp.69-111.

II.1.2.2 2. Revue empirique
Les études empiriques quant à l’importance de la prévision à court terme de l’inflation sont plutôt
rares. Néanmoins nous pouvons évoquer l’étude faite par (Fonteneau, 1982)20 en examinant la
qualité des prévisions économiques à court terme élaborées par douze organismes français sur la
période 1970-1981. Il ressort de cette étude que l’erreur absolue moyenne sur les prix à la
consommation diminue sensiblement au fur et à mesure que l’horizon prévisionnel se raccourcit.
En plus le colloque sur les méthodes d’élaboration des budgets économiques à l’intérieur de la
communauté, organisé par la commission des communautés européennes (1971) a montré que
les prévisions et projections de l’évolution économique à court terme sont bonnes en
Allemagne21.
Après avoir passé en revue les causes et les conséquences de l’inflation, nous avons mis en
exergue, à travers la revue littéraire, l’importance de la prévoir. Dans la section suivante, nous
exposons les différentes techniques ou méthode de prévision de l’inflation.
II.2. MODELES ET TECHNIQUES DE PREVISION DE L’INFLATION
L’historique de l’inflation et les différents modèles et approche de prévision sont les deux
paragraphes qui constituent la présente section.
II.2.2. Modèles et approches de prévision de l’inflation à court terme
Plusieurs études décrivent des moyens de prédire l'inflation, mais le premier défi pour un modèle
de prévision est de réaliser une meilleure prévision que celle que peut faire la démarche aléatoire.
Dans la littérature économique on dénombre plusieurs méthodes de prévision de l’inflation
utilisées aussi bien par les prévisionnistes que par les économistes. Parmi ces modélisations
économétriques, nous avons les modèles univariés qui sont utilisés dans la prévision à court terme
et les modèles multivariés, considérés plus complexes, qui sont utilisés dans la prévision de
moyen et long terme. Les modèles univariés sont des approches statistiques de prévision et les
modèles multivariés sont des approches structurelles de prévision généralement fondé sur la
théorie de la courbe de Phillips22, basée sur la relation entre l’inflation et plusieurs d’autres
20
Fonteneau Alain. La fiabilité des prévisions macroéconomiques à court terme : 12 ans d’expériences françaises
(1970-1981). In : Observations et diagnostics économiques : revue de l’OFCE, n°2, 1982. pp.69-111.
21
Colloque sur les méthodes d'élaboration des budgets économiques à l'intérieur de la Communauté, organisé par la
Commission des Communautés européennes, (1971) pp 67- 82.
22
Pour plus de détails sur la courbe de Phillips ; cf Herve LE BIHAN, ≪ 1958-2008, avatars et enjeux de la courbe
de Phillips ≫, Banque de France, 2008

variables macroéconomiques, (Canova, 2002). Au-delà des modèles univarié et multivarié, il est
également important d’analyser les points de vue des spécialistes en prévision quant aux
approches ou techniques de prévision de l’inflation notamment l’approche agrégée et l’approche
désagrégée, aussi bien sur le plan théorique qu’empirique.
II.2.2.1. Modèle univarié ou statistique
• Sur le plan théorique
Le modèle statistique ou univariée de prévision, est un type de modélisation basé uniquement sur
la dynamique intrinsèque de l’inflation, c’est-à-dire que les prévisions issues de ces modèles sont
des fonctions linéaires des observations passées de la variable d’intérêt et ne considère pas les
interactions qui peuvent exister entre l’inflation et les différents indicateurs macroéconomiques
tels que le produit intérieur brut, l’investissement, etc. Ainsi l’information permettant de prévoir
la série se trouve dans la série elle-même sans apport exogène d’où le nom de prévision endogène.
Parmi les modèles univariés nous pouvons citer ceux développés par (Box et Jenkins, 1976), dont
les modèles autorégressifs moyennes mobiles (ARMA) ou le modèle autorégressif moyenne
mobile intégré (ARIMA) basés sur l’analyse statistique des données ; ensuite les modèles
autorégressifs à retard échelonnés, les modèle à composantes inobservables et à volatilité
stochastique puis les modèles de marche aléatoire. Ainsi à très court terme et à court terme, (Stock
et Watson, 1999) ont montré que ces modèles sont très efficaces et visent à déterminer, pour une
série temporelle linéaire stationnaire, son processus générateur de données (PGD) du fait que la
plupart des séries macroéconomiques sont non-stationnaires et modélisées à travers les processus
ARIMA (p, d, q).
• Sur le plan empirique
Plusieurs auteurs ont montré que les modèles statistiques univariés simples donnent souvent de
meilleurs résultats par rapport aux modèles multivariés structurels. Ceci a été confirmé par les
travaux (Atkeson et Ohanian, 2001) qui avancent qu’aucun des modèles de prévision ne devance
automatiquement le modèle autorégressif univarié. De même, (Fritzer et al, 2002) constatent que
pour des horizons de court terme, les prévisions issues des modèles univariés aboutissent à de
meilleurs résultats que celles issues des modèles multivariés comme aussi l’affirme (Hurbrich,
2005) sur l’horizon d’une année. C’est le même constat sur les travaux de (Stock et Watson,
2006) sur la précision satisfaisant des modèles autorégressifs de marche aléatoire dans les
prévisions de variables économiques aux États-Unis. De même l’efficacité des modèles univariés

dans la prévision de l’inflation à court terme a également été confirmée par les travaux de (Mouha
et al, 2017) en Tunisie.
En raison de son efficacité, les modèles univariés sont prisés par les gestionnaires de politique
monétaire, notamment les banques centrales. La BCEAO l’utilise pour faire des prévisions de
l’inflation à court terme. Dans certains travaux, il a été utilisé les modèles autorégressifs à retard
échelonné et le modèle ARIMA dans la prévision de l’IHPC de la zone UEMOA (Dembo Toe
2010, 2011). Les modèles univariés ont été également utilisés pour notifier leur performance à
travers les travaux effectués sur les pays de la Communauté Economique et Monétaire de
l’Afrique Centrale (CEMAC) pour le compte de la Banque des Etats de l’Afrique Centrale
(BEAC). (Bikai et al ,2018)
Cependant, il faut souligner que les modèles statistiques se restreignent uniquement à l’historique
de la variable d’intérêt et son pouvoir prédictif à un horizon de prévision de court terme. En effet,
dans l’exercice de prévision de moyen et long terme la performance des modèles univariés est
réduite du fait de l’absence d’autres variables macroéconomiques.
II.2.2.2. Modèle multivarié ou structurel
Les modèles multivariés sont des modèles qui permettent de prendre en compte les interactions,
notamment les endogénéités qui existent entre plusieurs variables (Canova, 2002). Cependant, le
choix du nombre de variables et des retards du modèle doit être fait avec une attention particulière
car ceux-ci influencent l’efficacité de ces modèles en prévision. Les modèles multivariés les plus
utilisés sont les modèles VAR simples et ses variantes, notamment les VAR à coefficients
variants, à changement de régime, augmenté de facteurs (FAVAR).
Des travaux montrent qu’un modèle VAR simple de l’économie française peut produire des
prévisions équivalentes aux notes de conjoncture de l’INSEE (Clément et Germain, 1993). A cet
égard, les modèles VAR constitue un outil de plus à la disposition des conjoncturistes et des
prévisionnistes. Les prévisions issues de ces modèles ont tendance à s’affiner lorsque le modèle
VAR est singularisé, à travers notamment la possibilité de variation des coefficients, (Barnett et
al, 2012) pour la Grande Bretagne. En revanche, ces modèles souffrent du problème d’«
overfitting », ce qui a tendance à affaiblir leurs capacités prédictives, (Nguyen et Vu Pham, 2012)
et (Lai et Roy,2004).

Après avoir parlé des modèles de prévision, nous analysons, dans les lignes suivantes, la
prévision de l’inflation à travers les approches agrégée et désagrégée.
II.2.2.3. Approches agrégée et désagrégée de la prévision de l’inflation

L’horizon de prévision retenu étant de trois mois au plus et compte tenu de la performance
reconnue des modèles statistiques dans la prévision à court terme, nous aborderons dans cette
partie, les caractéristiques des approches agrégé et désagrégé de la prévision de l’inflation. Il
s’agit de confronter les deux approches sur le plan théorique et empiriques et ensuite présenter
leurs avantages et inconvénients.
La question du choix entre les approches agrégée et désagrégée a été abordée par plusieurs
auteurs pour prévoir des variables économiques. Un auteur a étudié la disparité entre les
paramètres estimés d'équations agrégées et désagrégées (Theil, 1954). Il montre que le paramètre
de l'équation agrégée est la moyenne des paramètres des équations désagrégées plus un terme de
covariance ; ce qui rend donc l'agrégation moins précise que la désagrégation du fait de la
présence d’un biais au sein de l’approche agrégée. Ce problème de biais d’agrégation fut abordé
par certains auteurs notamment (Rose,1977) et (Pesaran,1989). Pour (Hendry et Hubrich, 2006),
qui ont étudié l’information utilisée par chaque modèle, ils ont démontré que les modèles
sectoriels utilisant des informations plus complètes ont des erreurs plus faibles que les modèles
agrégés qui utilisent un ensemble relativement plus restreint d'informations. A cet effet, ils
précisent que le modèle désagrégé présente de meilleurs résultats si les variables ont des
structures stochastiques différentes et sont interdépendantes.
En revanche, (Griliches et Grunfeld, 1960), quant à eux, ont démontré que les modèles agrégés
surplantent les modèles désagrégés du fait de l’existence d’un processus générateur de données
C’est ainsi qu’ils se sont basés sur le coefficient de corrélation pour comparer les modèles agrégés
et désagrégés en concluant que plus la corrélation entre les variables désagrégées est forte, plus
il y a un avantage à agréger les variables. De plus, le processus générateur de données est
généralement moins bien connu au niveau désagrégé induisant ainsi une mauvaise spécification
des équations désagrégées. Dans la même lignée, (Lutkepohl, 1984) avance l’idée selon laquelle
la variabilité des modèles, due à la sélection de la spécification et l'estimation des paramètres,
peut rendre préférable la prévision de l’agrégat directement. Cette idée est soutenue par les
travaux de (Reinsel, 1980) et (Yamamoto, 1981) qui montrent que l'erreur quadratique de
prévision augmente quand le nombre de paramètres à estimer augmente.

La divergence est également remarquée entre les deux approches. Ainsi, les travaux de (Bruneau
et al, 2006) pour le cas de la France ont trouvé que la prévision des indices selon l’approche
désagrégé donne des résultats plus précis que la prévision par l’approche agrégé. Les mêmes
conclusions ont été données par (Hendry et Hubrich, 2007).
Par contre (Benalal et al, 2004), en utilisant l'erreur quadratique moyenne, ont comparé, pour la
zone euro, la précision des prévisions des composantes (approche désagrégée ou indirecte) de
l'Indice des Prix à la Consommation Harmonisé (IPCH) à celle de l'IPCH pris dans son ensemble
(approche agrégée ou directe). Ils concluent que la prévision effectuée selon l'approche directe
est plus précise que celle effectuée sur les composantes de l'IPCH pour des horizons de 12 à 18
mois. De même, (Zotteri et Caniato, 2005) ont, dans leurs travaux, abouti à des conclusions
comparables à celles de (Lutkepohl, 1984) puis (Grunfeld et Griliches, 1960), confirmant ainsi
que la détermination du processus générateur de données (PGD) favorise la prévision agrégée
aux dépens de celle désagrégée.
En revanche, (Rua et Duarte, 2004), en se penchant sur le degré de désagrégation à retenir, ont
montré une relation inverse entre l'horizon de prévision et la quantité d'informations utilisée dans
la prévision. Pour ces derniers, un niveau de désagrégation élevé donne de meilleurs résultats de
prévision à très court terme, alors que des niveaux moins désagrégés sont préférables lorsqu’il
s’agit des projections à moyen terme.
Pour trancher sur la primauté de l’une des deux approches sur l’autre, (Demers, 2005), (Tobias
et Zellner, 2000) ne donnent raison à aucune des deux approches.
Bien que les théoriciens et les praticiens ne soient pas unanimes sur le choix de l’une des
approches, il ressort tout de même que l’approche désagrégée présente plus d’avantages que
d’inconvénients quant à son utilisation. En effet :
• Contrairement aux modèles statistiques agrégés qui sont incapables de décomposer la

prévision et de donner les contributions à l’évolution attendue de la variable cible,
notamment l’IHPC, les modèles désagrégés permettent de trouver la source des futures
pressions inflationnistes et de donner des informations sur les prévisions de l’inflation
sous-jacente, variable-clé dans l’orientation de la politique monétaire ;
• La ventilation de la variable cible, l’IHPC, permet une meilleure spécification de la
structure dynamique de chacune de ses composantes et conduit à un degré de précision
plus élevé des prévisions de la variable dans sa totalité (Barker et Pesaran, 1990) ;

• Selon (Hubrich, 2005), la désagrégation permet une compensation partielle des erreurs
de prévision issues des prévisions des différentes composantes, pourvue que ces erreurs
soient faiblement corrélées ;
• La désagrégation pourrait permettre de mener une analyse plus fine des différents chocs
qui peuvent affecter la prévision.
Malgré les avantages que donne l’approche désagrégée de la prévision, elle présente tout de
même un certain nombre d’inconvénients, notamment :
✓ Le degré de précision de la prévision globale risque d’être affecté par la mauvaise

spécification de ses composantes si le PGD n’est pas bien identifié (Grunfeld et
Griliiches, 1960) ;
✓ Le nombre élevé des variables explicatives dans les modèles désagrégés tend
habituellement à augmenter les erreurs de mesures. Ce qui pourraient donc impacter
négativement la précision de la prévision de la variable globale.
Nous relevons l’absence de consensus sur la suprématie des modèles de prévision désagrégés par
rapport à ceux agrégés.
Ce chapitre a abordé les causes, les conséquences de l’inflation, de même que l’importance et les
techniques de prévision de l’inflation. S’agissant des causes, nous pouvons retenir que l’inflation
peut être induite par un excès de la demande ou de l’offre selon les classiques et les keynésiens
si on considère que le déséquilibre du secteur réel est la cause de l’inflation. Elle peut avoir
également pour cause le déséquilibre du secteur monétaire avec les auteurs comme Marshal,
Fisher et Friedman. Selon cette approche, c’est la circulation excessive de la monnaie dans
l’économie qui est à la base de l’inflation. Pour ce qui est des conséquences de l’inflation, elles
sont multiples et se divises en effets néfastes et bénéfiques. Les éléments développés dans le
présent chapitre nous montrent les effets néfastes l’emportent sur ceux bénéfiques. Ces différents
effets ont conduit les décideurs de la politiques économiques (Etat et Banques Centrales) à
prévoir l’inflation à court terme afin d’anticiper ces effets néfastes. Plusieurs techniques
concourent à cette prévision et la méthode la plus utiliser dans le court terme est celle univariée
de Box et Jenkins.
Ainsi, compte tenu de ses effets néfastes et de l’importance pour les décideurs de politique
économique de prévoir l’inflation, nous avons jugé opportun de nous pencher sur l’étude de cet
indicateur macroéconomique en abordant le sujet de la prévision de l’inflation à court terme au
Togo en comparant les approches agrégée et désagrégée en termes de pouvoir prédictif. C’est
l’objet du troisième et dernier chapitre dans les lignes suivantes.

CHAPITRE III : CADRE METHODOLOGIQUE DE LA

PREVISION DE L’INFLATION A COURT TERME
Comme nous l’avons fait ressortir dans le chapitre précédent et dans la revue de la littérature
notamment, la méthode couramment utilisée pour la prévision de l’inflation à court terme est la
méthode de Box et Jenkins avec le processus ARMA ou ARIMA selon le comportement de la
variable. Dans ce chapitre, il s’agit d’abord de présenter la période et les données de l’étude,
ensuite de décrire l’INHPC global et de ses composantes, de passer à leur estimation et enfin de
comparer les pouvoirs prédictifs des approches agrégée et désagrégée pour enfin choisir la plus
performante en termes de prévision de l’inflation à court terme au Togo.
III.1. PERIODE D’ETUDE ET PRESENTATION DES DONNEES
Cette section décrit les données et la période d’étude puis la description de l’indice global
III.1.1. Période d’étude et source de données
Dans cette étude nous utilisons des données mensuelles de l’indice national harmonisée des prix
à la consommation INHPC et de ces composantes.
La période choisie va de janvier 2014 à janvier 2020. Ces données sont tirées des publications
mensuelles de l’INHPC par l’Institut National de la Statistique et des Etudes Economique et
Démographiques (INSEED). La période d’étude choisie est motivée par le fait que l’année 2014
est la nouvelle année de base pour le calcul des indices par l’INSEED en remplacement de
l’ancienne année de base qui était 2008.
III.1.2. Présentation des données : Description de l’INHPC agrégé et désagrégés
Il s’agit, dans ce paragraphe, de décrire l’indice global ou agrégé et ses composantes ou indices
désagrégés.
• L’indice agrégé ou global
L'Indice Harmonisé des Prix à la Consommation des pays de l'UEMOA publié par les Instituts
Nationaux de la Statistique (INS) depuis 1997 est obtenu à partir de plusieurs niveaux de
désagrégations. En effet, au Togo, l'Institut National de la Statistique et des Études Économiques
et Démographiques (INSEED) met à la disposition des utilisateurs, l'Indice National Harmonisé
des Prix à la Consommation (INHPC). Cet indice est harmonisé car il est le fruit d'une même
méthodologie mise en place dans les huit pays membres de l'Union Économique et Monétaire

Ouest Africaine (UEMOA) en 1996 et rénové en 2008. Depuis 2014, la couverture est devenue
nationale et prend en compte aussi bien le milieu urbain que rural. L'INHPC a pour population
de référence l'ensemble des ménages africains des régions Maritime (y compris Lomé), Plateaux,
Centrale, Kara et Savanes. Le panier considéré comprend 647 variétés suivies dans 1 520 points
de vente au niveau national et 17 914 relevés sont effectués chaque mois.23
• Les composantes de l’indice global ou indices désagrégés

L'INHPC est publié suivant divers regroupements allant de la fonction de consommation (12
fonctions) aux postes de consommation (126 postes). L’INSEED calcule également l'INHPC
selon des nomenclatures dites secondaires. Il s'agit de la nomenclature selon l'origine
géographique des biens et services (locale ou importée), selon la nature (biens ou services), selon
le secteur d'activité (primaire, secondaire, tertiaire) et selon la nomenclature de calcul de
l'inflation sous-jacente qui isole les composantes les plus volatiles de l'INHPC et dégage la
composante tendancielle. Dans le cadre de cette étude, nous nous sommes focalisés sur les douze
(12) fonctions de consommation reparties en composantes volatiles et en composantes
tendancielles
Prenons d’abord connaissance des 12 fonctions de consommations. Sans aller dans les détails de
chaque fonction, elles se répartissent comme suit :
1. Produits alimentaires et boissons non alcoolisées :

2. Tabacs et stupéfiants
3. Articles d'habillement et chaussures
4. Logement, eau, gaz, électricité et autres combustibles
5. Meubles, articles de ménage et entretien courant du foyer
6. Santé
7. Transports
8. Communication
9. Loisirs et culture
10. Enseignement
11. Restaurants et hôtels
12. Biens et services divers
S’agissant des composantes, le choix est guidé par la nécessité d'isoler les rubriques les plus
volatiles, en raison des chocs spécifiques qui les affectent ou tout simplement de leur forte
23
INSEED

saisonnalité. Il répond également à la nécessité de disposer d'une prévision de la composante

inflation sous-jacente qui est utile pour la conduite de la politique monétaire. Ainsi, la
désagrégation de l'INHPC est basée sur la définition de l'inflation sous-jacente adoptée au niveau
de l’UEMOA, consistant à exclure les composantes les plus volatiles de l'indice global des prix
qui est subdivisé en trois composantes :
• la composante « produits frais et les céréales non transformées »
Elle regroupe les postes volatiles de l'alimentation : les légumes, les produits de la pêche, les
fruits et les céréales non transformées (riz, maïs, mil, sorgho). Selon les travaux empiriques de
(Dembo Toé, 2011), les produits frais et céréales non transformées sont à l'origine de la moitié
de la volatilité de l'indice global dans l'Union. Ils expliquent à 48,1% la volatilité de l'indice
global. De ce fait, une importance doit être accordée à la modélisation de cette composante ;
• la composante « énergie »
Elle regroupe les carburants et lubrifiants, les combustibles liquides (pétrole lampant), le gaz,
l'électricité et les autres combustibles (bois de chauffe et charbon de bois). L'indice de l'énergie,
sa contribution à la volatilité de l'indice global est de même ordre de grandeur que son poids dans
l'indice global évalué à 7,5%. Le choix de la modélisation de ce secteur est lié essentiellement à
sa dynamique supposée liée aux fluctuations des cours du pétrole.
• la composante « inflation sous-jacente »
C’est l'indice hors produits frais et céréales non transformées et énergie. Elle regroupe les biens
et services autres que les produits frais et l'énergie. Elle peut être subdivisée en deux catégories
à savoir : les biens importés et les biens et services locaux. Les prix des biens importés dépendent
essentiellement des prix sur les marchés étrangers et du taux de change du franc CFA par rapport
aux monnaies des pays partenaires. Quant aux prix des biens et services produits localement, ils
évoluent en fonction des coûts de production et des marges des producteurs.
III.2. APPROCHE METHODOLOGIQUE : METHODE DE BOX ET JENKINS
Après avoir décrit l’INHPC et ses composantes, nous passons, dans cette section, à leurs
modélisations par la méthode de (Box et Jenkins, 1976). Cette section décrit cette méthode avec
ses différentes étapes qui conduisent aux processus ARMA ou ARIMA et pour finir, estimer
l’INHPC global et ses composantes.

III.2.1. Description de la méthode Box et Jenkins
La méthodologie de (Box & Jenkins, 1976) vise à formuler un modèle permettant de représenter
une chronique avec comme finalité de prévoir des valeurs futures. De ce fait, l'objet de cette
méthodologie est de modéliser une série temporelle en fonction de ses valeurs passées et
présentes afin de déterminer le processus ARIMA adéquat. Avant de développer les différentes
étapes de la méthode Box et Jenkins, prenons connaissance des processus ou modèles ARIMA.
III.2.1.1. Typologie des modèles AR, MA et ARMA ou ARIMA
La classe des modèles ARIMA de Box et Jenkins a été introduite pour reconstituer le
comportement de processus soumis à des chocs aléatoires au cours du temps : entre deux
observations successives d’une série de mesures portant sur l’activité du processus, un événement
aléatoire appelé perturbation vient affecter le comportement temporel de ce processus et ainsi
modifier les valeurs de la série chronologique des observations, (Yule, 1927). Les modèles
ARIMA permettent de combiner trois types de processus temporels : les processus autorégressifs
(AR-AutoRegressive), les processus intégrés (I-Integrated), et les processus moyennes mobiles
(MA-Moving Average). En général, un modèle ARIMA combine les trois types de processus
aléatoires, la contribution de chacun d’eux étant précisée par la notation ARIMA (p, d, q), où p
est l’ordre du processus autorégressif AR(p), d le degré d’intégration d’un processus I(d), et q
l’ordre de la moyenne mobile MA(q), (Kolmogorov, 1933).
❖ Modèle AR (Auto Régressif)

Pour un processus autorégressif, chaque valeur de la série est une combinaison linéaire des
valeurs précédentes de la série. Dans le modèle autorégressif d’ordre 1 à p, l’observation Yt est
générée par une moyenne pondérée des observations passées de la 1ère jusqu’à la p-ième période
sous la forme suivante :
𝐀𝐑 (𝟏): 𝐘𝐭 = 𝛃𝟏 𝐘𝐭−𝟏 + 𝛆𝐭 (𝟏)

𝐀𝐑 (𝐩): 𝐘𝐭 = 𝛃𝟏 𝐘𝐭−𝟏 + 𝛃𝟐 𝐘𝐭−𝟐 + ⋯ + 𝛃𝐩 𝐘𝐭−𝐩 + 𝛆𝐭 (𝟐)
𝒑
𝑨𝑹 (𝒑): 𝒀𝒕 = 𝜶 + ∑ 𝜷𝒊 𝒀𝒕−𝒊 + 𝜺𝒕 (𝟑)

𝒊=𝟏
Un processus autorégressif possède une « mémoire » au sens où chaque valeur est corrélée à
l’ensemble des valeurs qui la précède.

❖ Modèle MA (Moving Average : Moyenne Mobile)

La valeur courante d’un processus de moyenne mobile est définie comme une combinaison
linéaire de la perturbation courante avec une ou plusieurs perturbations précédentes. L’ordre de
la moyenne mobile indique le nombre de périodes précédentes incorporées dans la valeur
courante. Dans le processus de moyenne mobile d’ordre 1 à q, chaque observation Yt est générée
par une moyenne pondérée d’aléas de la 1ère jusqu’à la q-ième période :
𝐌𝐀 (𝟏): 𝐘𝐭 = 𝛆𝐭 − 𝛂𝟏 𝛆𝐭−𝟏 (𝟒)

𝐌𝐀 (𝐪): 𝐘𝐭 = 𝛆𝐭 − 𝛂𝟏 𝛆𝐭−𝟏 − 𝛂𝟐 𝛆𝐭−𝟐 − ⋯ − 𝛂𝐪 𝛆𝐭−𝐪 (𝟓)
𝐪
𝐌𝐀 (𝐪): 𝐘𝐭 = 𝛂 + 𝛆𝐭 + ∑𝐣=𝟏 𝛉𝐣 𝛆𝐭−𝐣 (𝟔)
Pour une moyenne mobile, chaque valeur est une moyenne pondérée des plus récentes
perturbations tandis que pour un processus autorégressif c’est une moyenne pondérée des valeurs
précédentes. L’effet d’une perturbation aléatoire décroît tout au long de la série au fur et à mesure
que le temps s’écoule dans un processus autorégressif tandis que dans une moyenne mobile la
perturbation aléatoire affecte la série temporelle pour un nombre fini d’observations (l’ordre de
la moyenne mobile) puis au-delà cesse brutalement d’exercer une quelconque influence.
❖ Les processus intégrés

Les processus intégrés sont caractéristiques des séries non stationnaires. 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 (la moyenne et la variance sont constantes et indépendantes du temps).24 Un processus
est alors intégré d’ordre 1, noté I (1), si la série en différence première est stationnaire. Par
récurrence donc, un processus intégré d’ordre d, I(d), pourra être noté comme processus ARIMA
(0, d,0).
❖ Le modèle ou processus ARMA ou ARIMA (mélange de AR et MA)

Les modèles ARMA sont représentatifs d’un processus généré par une combinaison des valeurs
passées et des erreurs passées. Les modèles AR (p), MA(q), ARMA (p, q) ne sont représentatifs
que de chroniques stationnaires en tendance et corrigées des variations saisonnières. Le modèle
ARMA (p, q) nous indique le nombre de retard p de la variable dépendante et le nombre de retard
q des termes d’erreurs. Les modèles ARIMA (p, d, q) indiquent que la variable présente une
24
Econométrie, Régis Bourbonnais. p 240.

tendance ou une variation saisonnière, qu’il faut éliminer en la rendant stationnaire par
intégration. Au modèle ARMA on ajoute donc l’intégration pour avoir ARIMA (p, d, q) et d
indique le nombre de fois que la variable est intégrée ou différenciée pour la rendre stationnaire.
Ainsi d’une manière générale, les processus ARMA et ARIMA se présentent comme suit :
𝐩 𝐪
𝐀𝐑𝐌𝐀 (𝐩, 𝐪): 𝐘𝐭 = 𝛂 + ∑𝐢=𝟏 𝛃𝐢 𝐘𝐭−𝐢 + 𝛆𝐭 + ∑𝐣=𝟏 𝛉𝐣 𝛆𝐭−𝐣 (7)
𝐩 𝐪
𝐀𝐑𝐈𝐌𝐀 (𝐩, 𝐝, 𝐪): ∆𝐘𝐭 = 𝛂 + ∑ 𝛃𝐢 ∆𝐘𝐭−𝐢 + 𝛆𝐭 + ∑ 𝛉𝐣 𝛆𝐭−𝐣 (𝟖)

𝐢=𝟏 𝐣=𝟏
Après avoir décrit la typologie des modèles ARIMA (p, d, q), nous passons aux différentes étapes
qui conduisent à leur génération.
III.2.1.2. Les différentes étapes de la méthode Box et Jenkins
La méthodologie de Box et Jenkins comporte essentiellement quatre (04) étapes25 : Identification,

estimation du modèle, validation du modèle (ou test de diagnostic) et enfin la prévision.
Etape 1 : Identification
Cette étape 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 qui permettent de trouver des paramètres p, d, q du modèle ARIMA. Mais avant la
recherche des paramètres, l’on doit s’assurer que les processus ou les varaibles ne présentent ni
saisonnalités ni tendance. Les tests formels et informels permettent de détecter la saisonnalité et
la tendance d’un processus. Le test informel ou test de présomption consiste en l’analyse des
graphiques et des corrélogrammes. Mais ce sont les tests formels qui nous édifient sur la présence
ou non de tendance et de saisonnalité. Il s’agit, pour la détection des tendances, des tests de
stationnarité ou de racine unitaire de :
• (Augmented Dickey-Fuller, 1981) ou Dickey-Fuller Augmenté qui est un test

paramétrique basé sur l’estimation d’un modèle autorégressif ;
• (Phillips et Perron, 1988). Ce test est construit sur une correction non paramétrique des
statistiques de Dickey-Fuller pour prendre en compte des erreurs hétéroscédastiques.
• Les tests d’ADF et de PP sont basés sur les hypothèses nulles de non-stationnarité.
25
Econométrie, Régis Bourbonnais. pp 260-270

• (Kwiatkowski et al, 1992) qui propose d’utiliser un test du multiplicateur de Lagrange

(LM) fondé sur l’hypothèse nulle de stationnarité.
Après les tests de racine unitaire, la suite de l’étape de l’identification consiste à trouver les
paramètres (p, q) du modèle ARMA ou (p, d, q) du modèle ARIMA selon que les variables
étudiées sont stationnaires ou non. Le paramètre d est fixé par le nombre de différenciations
effectuées pour rendre la série stationnaire, en règle générale une différenciation suffit : d. ∈ {0,1,
2}. Il s’agit d’analyser le graphe ou le corrélogramme de la fonction d’autocorrélation simple
(FAC) et celui de la fonction d’autocorrélation partielle (FAP) afin de déterminer, selon leurs
aspects, les paramètres (p, d, q). Les corrélogrammes affichent les intervalles de confiance à 95
%, qui permettent de déterminer quels sont les coefficients statistiquement significatifs à prendre
en compte. L’interprétation des corrélogrammes pour la spécification des processus AR et MA
est généralement gouvernée par les règles suivantes :
• 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.
Après cette étape d’identification, très déterminante, la seconde étape consiste à l’estimation des
paramètres du modèle retenus.
Etape 2 : Estimation des paramètres

Il existe plusieurs méthodes d'estimation des paramètres : la méthode des moindres carrés
ordinaires (MCO), la méthode de Yule-Walker et la méthode du maximum de vraisemblance
(MV). Les logiciels économétriques et statistiques (Eviews, Stata, SPSS, etc.) permettent
d’estimer rapidement les paramètres ou coefficients de la typologie des modèles ARIMA. Une
fois l’estimation faite, nous passons à la validation du modèle retenu avec les tests de diagnostic.

Etape 3 : Validation du modèle

Le modèle qui est finalement choisi est celui considéré comme le meilleur basé sur un ensemble
de critères de contrôle et de diagnostic. Ces critères comprennent :
• Les tests de significativité des paramètres estimés.
Les paramètres estimés doivent être significativement différent de zéro (0). Ceci est vérifié par
le test de t-Student. De même leurs probabilités doivent également être inférieures à 5% ou 1%
• Analyse des résidus (normalité, absence d'autocorrélation, homoscédasticité)
Pour un bon modèle, les résidus (différence entre les valeurs observées et les valeurs estimées)
doivent
• suivre une loi normale et la statistique de Jarque Berra permet de vérifier cette
loi. Sa probabilité doit être supérieur à 5%) ;
• être non corrélés. Il existe plusieurs tests d'absence d'autocorrélation comme
ceux de (Box et Pierce, 1970), de (Ljung et Box, 1978) et de (Breusch-
Godfrey)
• être homoscédastiques. Les tests d'homoscédasticité les plus connus dans la
littérature sont au nombre de deux : le test de (White, 1980) et le test de ARCH
de (Engel, 1982).
Pour tous ces tests, les probabilités permettent de décider de l’absence ou non d’autocorrélation,
d’hétéroscédasticité. Pour une probabilité supérieure à 5%, les résidus sont non corrélés ou sont
homoscédastiques.
• Les critères d'informations.
Les critères les plus fréquemment employés sont : le critère d’information d'(Akaike, 1969), le
critère de (Schwarz, 1978), le critère de (Hannan-Quinn, 1979).
Un modèle choisi par critère d'information est un modèle qui minimise la valeur d’un des
précédents critères.
La phase de validation du modèle est très importante et nécessite le plus souvent un retour à la
phase d’identification s’il subsiste des biais dans le modèle. Rappelons que les valeurs des
différents critères mentionnés sont calculées sous les logiciels économétriques et statistiques
évoqués plus haut.

Lorsque le modèle est validé, la prévision peut être alors envisagée à un horizon de quelques
périodes, limitées car la variance de l’erreur de prévision croît très vite avec l’horizon.
Etape 4 : Prévision des valeurs futures
Les valeurs futures sont prévues à partir des modèles retenus après la validation sur un horizon
choisi.
Après cette partie théorique de la méthode Box Jenkins, passons à la phase pratique avec la
prévision de l’inflation à court terme au Togo.
III.2.2. Prévision de l’inflation à court terme au Togo

Nous passons, dans ce paragraphe, à la phase pratique de la méthode de Box et Jenkins pour
déterminer un modèle de prévision de l’inflation à court terme au Togo. Il s’agit de reprendre les
différentes étapes de cette méthode pour générer les processus ARIMA de l’inflation. Mais bien
avant, nous avons procédé à l’annotation des varaibles.
III.2.2.1. Annotation des variables
Il s’agit de présenter les annotations retenues pour matérialiser l’inflation globale et ses
différentes composantes consignées dans le tableau ci-dessous.
Tableau 1: Annotation des variables
Inflation Notation Approche

Logarithme de l’inflation globale Lpg Agrégée
Logarithme de l’inflation alimentaire Lpal
Logarithme de l’inflation énergétique Lper Désagrégée
Logarithme de l’inflation sous-jacente Lpsj
Source : Auteur
III.2.2.2. Modélisation de l’inflation globale et de ses composantes
Nous reprenons ici les quatre (4) grandes étapes de la méthode de Box & Jenkins pour
modéliser l’inflation globale et ses composantes.
• Etape 1 : Identification
C’est l’étape d’identification des processus ARIMA (p, d, q). Mais elle précédée par une étape
préalable de désaisonnalisation et de racine unitaire.

• Désaisonnalisation
Les séries chronologiques présentent le plus souvent des tendances et des variations saisonnières
ou saisonnalités. Ces situations rendent les prévisions biaisées du fait que les moyennes et
variances des chroniques varient dans le temps. Une saisonnalité ou variation saisonnière d'une
série chronologique à l’instant t est une variation due à un effet momentané se reproduisant
régulièrement dans le temps. Dans le cas d’une série affectée d’un mouvement saisonnier, il
convient de la retirer préalablement à tout traitement statistique. La désaisonnalisation vise à
éliminer les effets saisonniers et de calendrier combinés.
Les effets saisonniers sont observés en analysant les graphiques des chroniques. A l’analyse de
ces graphiques consignés à l’annexe.1, nous remarquons qu’il y a une saisonnalité dans
l’évolution des varaibles. Ce qui nous amène à les désaisonnaliser. Avant la désaisonnalisation,
il est important de savoir de quel type d’effets saisonniers nous avons. En effet il en existe deux :
le type additif et le type multiplicatif.
✓ Dans la saisonnalité additive, la composante saisonnière de la série est indépendante du

mouvement de longue période et les variations sont d’amplitudes égales ;
✓ Dans la saisonnalité multiplicative, la série se décompose en composantes dépendantes
les unes des autres. La composante saisonnière de la série est proportionnelle au
mouvement de longue période et les variations sont d’amplitudes variables (croissantes
ou décroissantes).
A l’analyse des graphiques de l’Annexe 1, nous concluons que nous sommes en présence d’une
saisonnalité de type multiplicatif. Ceci nous amène à procéder à la désaisonnalisation des
variables. Il existe plusieurs méthodes de désaisonnalisation. Dans le cadre de notre étude, nous
utilisons la méthode Census X-12 sous Eviews 10. Les graphiques combinés des series
saisonnières et désaisonnalisées sont consignées à l’annexe.2.
• Tests de racine unitaire

Avant le traitement d’une série chronologique, il convient d’en étudier les caractéristiques
stochastiques (espérance et variance). Si elles se trouvent modifiées dans le temps, la série
chronologique est considérée comme non stationnaire ; 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 ) = 𝛍 ∀𝐭 𝐞𝐭 ∀𝐦, la moyenne est constante et indépendante du temps ;

• 𝐕(𝐲𝐭 ) < ∞ ∀𝑡, la variance est finie et indépendante du temps

Une série chronologique est donc stationnaire si elle est ne comporte ni tendance, ni saisonnalité
et plus généralement aucun facteur n’évoluant avec le temps.26.
Nous utilisons ici les tests de Dickey-Fuller Augmenté (ADF) et de Phillips Perron (PP).
Les hypothèses et règles de décision pour ces deux tests de racine unitaire sont les suivantes :
H0 : la variable est non stationnaire ;

H1 : la variable est stationnaire
Règle de décision : si les probabilités calculées sont inférieures au seuil 5% et la valeur des
statistiques de Student (T-Statistic) calculés est inférieure (ou supérieure en valeur absolue) à la
valeur critique ou critical value (CV) à 5%, alors on rejette H0 et on retient H1.
Les résultats détaillés des tests de racine unitaire sont consignés aux Annexe 3 et 4, mais nous en
récapitulons dans le tableau ci-dessous l’essentiel.
Tableau 2: Récapitulatif des tests de racine unitaire

A NIVEAU EN DIFFERENCE PREMIERE
Ordre
Variables ADF PP ADF PP
intégration
Cste No Cste Cste No Cste Cste No Cste Cste No Cste
-2,57 1,15 -2,43 2,13 -10,37*** -12,07***
Lpg I (1)
(0,1030) (0,9343) (0,1380) (0,9917) (0,0000) (0,0000)
-
0,658 1,19 -12,47***
Lpal 11,00*** I (1)
(0,8559) (0,9387) (0,0000)
(0,0000)
-2,70 0,07 -4,80 0,540 -9,180*** -20,60***
Lper I (1)
(0,0786) (0,7015) (0,0002) (0,8305) (0,0000) (0,0000)
-
2,18 2,36 -10,65*** -10,67***
Lpsj 11,15*** I (1)
(0,9927) (0,9954) (0,0000) (0,0000)
(0,0001)
Source : Tests de stationnarité sous Eviews 10. (.) valeurs de probabilités ; (***) stationnarité à 1%.
Les tests de racine unitaire nous permettent de conclure que toutes les variables ne sont pas
stationnaires à niveau mais le sont en différence première. On dit qu’elles sont I (1). Il y a
donc présomption d’un processus ARIMA (p, d, q) généré par ces variables.
Après ces deux tests préalables, nous passons à l’identification proprement dite des processus
ARIMA générés par les varaibles à travers l’analyse des corrélogrammes.
• Analyse des corrélogrammes et génération de processus ARIMA

L’analyse des corrélogrammes avec les FAC et FAP de la méthode de Ljung et Box (1978)
(Annexe 5) nous permet de déterminer les processus ARIMA de chaque variable et que nous
résumons dans le tableau ci-après :
26
Régis Bourbonnais, 9è Ed. pp 239-240.

Tableau 3: ARIMA candidats pour le choix des modèles
Variables AR (p) MA (q) ARMA (p, q)

D(lpg) AR (4) MA (0) ARMA (4,0)
D(lpal) AR (1) MA (1) ARMA (1,1)
D(lper) AR (1) MA (1) ARMA (1,1)
D(lpsj) AR (1) MA (1) ARMA (1,1)
Source : Corrélogrammes sous Eviews 10
L’analyse du tableau ci-dessus nous indique que les quatre varaibles génèrent chacun un
processus ARMA qui seront estimés puis soumis à des tests de validation avant de les utiliser à
des fins de prévision.
• Etape 2 : Estimation des paramètres ou coefficients des modèles ARMA
Cette étape nous permet d’estimer les équations des modèles ARMA retenus à partir de l’analyse
des corrélogrammes. Les équations estimées nous ont permis d’éliminer les paramètres non
significatifs afin de garder les modèles à coefficients significatifs comme meilleurs modèles. Le
tableau ci-après récapitule l’estimation des processus ARMA.
Tableau 4: Choix des meilleurs modèles ARMA

Variable AR (1) AR (4) MA (1) Modèle retenu
D(lpg) -2.447748** AR (4)
(0.0424)
D(lpal) 1.330226 -3.548673*** MA (1)
(0.1879) (0.0007)
D(lper) -0.414121 -6.007668*** MA (1)
(0.6801) (0.0000)
D(lpsj) -0.094629 -0.998339 Pas de modèle
(0.9249) (0.3217) significatif
Source : Eviews 10. (.) probabilités ; (***) (**) significativité respective à 1% et 5%
L’analyse du tableau ci-dessus nous permet de retenir les modèles dont les coefficients sont
significatifs (probabilités inférieures à 5%). Mais pour l’inflation sous-jacente, les coefficients
de son processus ARMA (1,1) ne sont pas significatifs. Ceci nous amène à estimer séparément
les processus AR (1) et MA (1) afin de choisir le meilleur à partir des critères d’information AIC
et HQC. Le modèle retenu sera celui qui minimise les critères d’information.
Tableau 5: Choix du modèle de l’inflation sous-jacente
Inflation Sous-Jacente Modèle retenu

Critères AR (1) MA (1)
AIC 0.384380 0,456629 AR (1)
HQC 0.409727 0.444151
Source : Eviews 10

D’après le tableau ci-dessus c’est le processus AR (1) qui minimise les critères retenus pour la
comparaison. L’inflation sous-jacente suit donc un processus AR (1).
Nous récapitulons les estimations modèles ARMA retenus dans le tableau ci-dessous. Les
estimations détaillées étant consignés à l’annexe 7.
Tableau 6: Récapitulatif des estimations des modèles ARMA retenus

Variable Constante AR (1) AR (4) MA (1)
D(lpg) 0,093073 -0.169381**
(0,0424)
D(lpal) 0,118195 -0.402310***
(0,0004)
D(lper) -0,012733 -0,757895***
(0,0000)
D(lpsj) 0.060286 -0.268321**
(0,0212)
Source : Eviews 10. (.) probabilités ; (***) (**) significativité respective à 1% et 5%
Après l’étape d’estimation des modèles, nous passons à la validation de ceux qui sont retenus.
• Etape 3 : validation des modèles retenus
La validation consiste à faire un certain nombre de tests dont les plus utilisés sont les tests
d’absence d’autocorrélation des erreurs, test d'hétéroscédasticité, tous deux basés sur la
statistique de Fisher (F-statistic) et dont la probabilité doit être supérieure à 5% pour que les
erreurs des modèles soient non-corrélées et homoscédastiques. Les résultats de ces tests
(Annexe.8) nous montrent que toutes les probabilités sont supérieures au seuil 5% : les erreurs
de tous les modèles sont donc non corrélées et sont homoscédastiques.
Après la validation des modèles qui ont été retenus, nous écrivons leurs équations
I. 𝐃(𝐥𝐩𝐠) ∶ AR (4)
𝐃(𝐥𝐩𝐠) = 𝛂𝟎 + 𝛂𝟏 𝐃(𝐥𝐩𝐠)𝐭−𝟒 + 𝛆𝐭 (𝟗)
𝐃(𝐥𝐩𝐠) = 𝟎, 𝟎𝟗𝟑 − 𝟎. 𝟏𝟕𝟎 𝐃(𝐥𝐩𝐠)𝐭−𝟒 (𝟏𝟎)

(0,0424)
II. 𝐃(𝐥𝐩𝐚𝐥): MA (1)
𝐃(𝐥𝐩𝐚𝐥) = 𝛃𝟎 + 𝛃𝟏 𝛆𝐭−𝟏 + 𝛆𝐭 (𝟏𝟏)
𝐃(𝐥𝐩𝐚𝐥) = 𝟎, 𝟏𝟐𝟎 − 𝟎. 𝟒𝟎𝟐 𝛆𝐭−𝟏 (𝟏𝟐)

(0,0004)

III. 𝐃(𝐥𝐩𝐞𝐫) MA (1)
𝑫(𝒍𝒑𝒆𝒓) = 𝜸𝟎 + 𝜸𝟏 𝜺𝒕−𝟏 + 𝜺𝒕 (𝟏𝟑)
𝑫(𝒍𝒑𝒆𝒓) = −𝟎, 𝟎𝟏𝟑 − 𝟎, 𝟕𝟓𝟖 𝜺𝒕−𝟏 (𝟏𝟒)

(0,0000)
IV. 𝐃(𝐥𝐩𝐬𝐣) AR (1)
𝑫(𝒍𝒑𝒔𝒋) = 𝜹𝟎 + 𝜹𝟏 𝑫(𝒍𝒑𝒔𝒋)𝒕−𝟏 + 𝜺𝒕 (𝟏𝟓)
𝑫(𝒍𝒑𝒔𝒋) = 𝟎. 𝟎𝟔𝟎 −𝟎, 𝟐𝟕𝟎 𝑫(𝒍𝒑𝒔𝒋)𝒕−𝟏 (𝟏𝟔)

(0,0212)
Après avoir validé les modèles retenus, nous passons à la quatrième et dernière étape qui est la
prévision des valeurs futures.
• Etape 4 : Prévision et comparaison des approches agrégée et désagrégée
La prévision permet de prévoir les valeurs futures des indicateurs à partir des modèles validés.
Nous rappelons ici que notre période d’étude va de janvier 2014 à janvier 2020.Nous avons retenu
trois (03) de prévision, de novembre 2019-janvier 2020.
Les valeurs futures sont prévues à partir des modèles agrégée et désagrégée. L’objectif de cette
dernière étape est de comparer les prévisions de l’inflation globale ou agrégée D(lpg) à celles de
ses composantes ou inflations désagrégées (D(lpal), D(lper) et D(lpsj)). Les comparaisons se
font avec des indicateurs appropriés pour avoir l’approche qui a le pouvoir prédictif le plus
performant. Les indicateurs les plus utilisés sont l’Erreur Quadratique Moyenne (EQM), la
Racine Carré de l’Erreur Quadratique Moyenne (REQM) et l’Erreur Absolue Moyenne (EAM).
Tous les indicateurs mentionnés sont calculés à partir de la moyenne des erreurs ou écarts de
prévision entre les valeurs prévues et celles observées sur les trois derniers mois pris comme
période de prévision.
Les formules de calcul des indicateurs se présentent comme suit :
• Erreur Quadratique Moyenne ou Mean Squared Error (MSE) : c’est la moyenne

arithmétique des carrés des écarts de prévision du modèle.
𝟏
𝐌𝐒𝐄 = ∑(𝐲𝐭 − 𝐲̂)𝟐 (𝟏𝟕)
𝐧

Une MSE faible indique que la séquence d’erreurs est caractérisée à la fois par une faible
variance et une erreur moyenne réduite.
• Racine Carré de l’Erreur Quadratique Moyenne ou Root Mean Squared Error

(RMSE) : c’est la racine carrée du MSE.
𝟏
𝐑𝐌𝐒𝐄 = √ ∑(𝐲𝐭 − 𝐲̂)𝟐 (𝟏𝟖)
𝐧
• Erreur Absolue Moyenne ou Mean Absolut Error (MAE) : c’est la moyenne

arithmétique de la valeur absolue des écarts de prévision. L’erreur absolue moyenne est
une mesure courante de l’erreur de prévision dans l’analyse des séries chronologiques.27
le MAE nous indique l’ampleur moyenne que nous pouvons attendre de la prévision.
𝟏
𝐌𝐀𝐄 = 𝐧 |𝐲𝐭 − 𝐲
̂| (𝟏𝟗)
Avec n le nombre de mois de prévision (ici,3) ; 𝐲𝐭 les valeurs observées et 𝐲̂ les valeurs estimées.
A partir des indicateurs calculés, nous analysons donc les résultats graphiquement et
algébriquement. Les graphiques des réalisations ou données observées agrégées puis celles des
prévisions agrégée et désagrégée sur les trois (3) mois de prévision sont présentées sur le
graphique 6. L’analyse de ce graphique nous laisse dire que les prévisions par l’approche
désagrégée semblent être plus proches des réalisations agrégées que les prévisions par l’approche
agrégée.
Graphique 6 : Réalisations et prévisions des approches agrégée et désagrégée
Comparaison approche agrégée-approche désagrégée

1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,2 2019M11 2019M12 2020M01
-0,4
Prévisions approche désagrégée Prévisions approche agrégée Réalisations
Source : Auteur
La comparaison de la prévision des deux approches par les graphiques ne nous permet pas de
prendre une décision objective et pertinente quant à l’approche qui est plus proche des
réalisations de l’inflation globale en termes de prévision. L’écart entre les prévisions des deux
27
Hyndman et Koehler (2005) : « Un autre regard sur les mesures de l’exactitude des prévisions »

approches et les réalisations est donc difficile à évaluer, d’où la nécessité de passer par la
comparaison algébrique en utilisant des indicateurs que nous avons évoqués plus haut. Le calcul
de ces indicateurs nous permet de comparer les erreurs ou écarts de prévision entre les approches
agrégée et désagrégée. L’approche la plus performante, dans le cadre de notre étude, est celle
dont les écarts sont les plus petits ou les erreurs de prévision sont minimisées.
Pour obtenir les valeurs des indicateurs consignées dans le tableau 7, nous calculons d’abord les
prévisions désagrégées pondérées (Colone A, annexe 11) en faisant la moyenne pondérée des
prévisions des composantes de l’inflation globale (D(lpal), D(lper), D(lpsj)) à partir de leurs
processus ARMA. Ensuite nous calculons également les prévisions de l’inflation globale ou
agrégée (Colone B, annexe 11) à partir de son processus ARMA. Puis nous calculons deux écarts
de prévision : le premier entre les réalisations de l’inflation globale (Colonne C, annexe 11) et
ses prévisions (Ecart agrégé, colonne D, annexe 11) ; le second écart est calculé entre les
réalisations de l’inflation globale et les prévisions désagrégées (Ecart désagrégé, colonne E,
annexe 11). Une fois ces écarts connus, nous procédons aux calculs des indicateurs afin de
comparer les deux approches de prévision. Les calculs faits nous permettent de dresser le tableau
de comparaison suivant :
Tableau 7: Comparaison des pouvoirs prédictifs des approches agrégée et désagrégée
Mois Ecart Ecart

Agrégé Désagrégé
2019M11 0,058285401 0,207669836
Période de
prévision
2019M12 -0,531876434 -0,291344008
2020M01 1,14419536 1,065142151
EQM (MSE) 0,53182425 0,420845298
Indicateurs REQM (RMSE) 0,729262813 0,648725903
EAM (MAE) 0,578119065 0,521385332

Source : Calculs de l’auteur.
En analysant les résultats ci-dessus, nous remarquons que, sur la période de prévision, les valeurs
des trois indicateurs, pour l’approche désagrégée, sont inférieures à celles de l’approche agrégée.
Ce qui voudrait dire que l’approche désagrégée minimise les erreurs ou écarts de prévisions.
Avec ces résultats et selon les données de notre étude, nous pouvons conclure que
l’approche désagrégée aurait un pouvoir prédictif plus performant que l’approche agrégée.
Cela voudrait dire que pour prévoir l’inflation à court terme au Togo, il est préférable de
le faire par l’approche désagrégée parce qu’elle minimise les erreurs de prévision.

Nos résultats sont en phase avec ceux de la majorité des économistes et prévisionnistes de notre
revue empirique qui soutiennent que l’approche désagrégée était plus performante que celle
agrégée en termes de prévision de l’inflation à court terme. Ceci confirme nos deux hypothèses
que nous avons posées.
III.3. RECOMMANDATIONS DE POLITIQUE ECONOMIQUE
L’analyse des faits stylisés nous montre que ce sont les prix des produits alimentaires et
énergétiques qui flambent énormément et par conséquent font grimper l’inflation globale. Dans
cette perspective, nous formulons les recommandations de politique économique suivantes :
• A l’endroit des prévisionnistes et les services publics en charge de la production des

statistiques officielles de l’Etat, retenir l’approche désagrégée de la méthode Box et
Jenkins comme modèle de prévision de l’inflation à court terme au Togo ;
• A l’endroit des autorités publiques, l’approche désagrégée étant retenue, elles devraient
mettre en place des politiques économiques dans le but d’adoucir la flambée des prix des
produits alimentaires et énergétiques :
✓ pour les produits alimentaires notamment les céréales, l’Etat devrait renforcer et
multiplier les dispositifs de constitution des stocks de sécurité de ces produits
(comme le cas de l’ANSAT), pour ensuite les écouler sur les marchés à des prix
abordables pour le consommateur lambda, ceci dans le but de réduire la flambée des
prix. L’Etat pourrait aussi subventionner les prix des intrants agricoles pour éviter
que les agriculteurs ne répercutent les coûts de production sur les prix de leurs
extrants.
✓ pour ce qui est des produits énergétiques, l’action de l’Etat devra consister à
subventionner ces produits lorsque les prix mondiaux flambent, avec pour finalité de
faire chuter les prix intérieurs évitant ainsi les conséquences fâcheuses de l’inflation
des produits énergétiques aussi bien pour les consommateurs que pour les
producteurs.

CONCLUSION GENERALE
Principal objectif et préoccupation majeure de toutes les banques centrales, l’inflation est au
centre de la politique monétaire. Ses causes sont d’origine diverses et elle a des effets néfastes
sur les différents agents économiques (ménages, entreprises ou opérateurs économiques et l’Etat)
et par ricochet sur l’ensemble de l’économie. Ce qui a poussé les décideurs de politique
économique en général et de la politique monétaire en particulier à chercher à la maîtriser ou la
stabiliser en essayant d’anticiper ses comportements futurs à travers les prévisions, surtout à court
terme.
L’objectif principal de notre recherche est de prévoir l’inflation à court terme au Togo. L’horizon
temporel choisi nous a amené à utiliser les processus ARIMA de la méthode de Box et Jenkins
sur la période allant de janvier 2014 à janvier 2020 avec comme période de prévision les trois (3)
derniers mois de la période. Rappelons que les indices choisis dans le cadre de cette étude sont
l’inflation globale (approche agrégée), l’inflation des produits alimentaires, celle des produits
énergétiques et l’inflation sous-jacente (qui constituent l’approche désagrégée). La revue de la
littérature, dans son ensemble, nous renseigne que la prévision de l’inflation à court terme par
l’approche désagrégée est meilleure que celle par l’approche agrégée. Ce qui a suscité, dans le
cadre de notre étude, deux hypothèses qui ont été retenues. La première est qu’il existe une
différence entre l’approche agrégée et désagrégée de prévision de l’inflation et la seconde est que
l’approche désagrégé a un pouvoir prédictif plus élevé que celui agrégée.
Les premiers résultats nous indiquent tous les indices suivent un processus ARMA. La suite de
l’étude nous nous a permis de comparer les pouvoirs prédictifs des approches globale ou agrégée
(inflation globale) et décomposée ou désagrégée (inflation alimentaire et énergétique). Pour les
comparaisons, nous avons utilisé l'erreur moyenne (EM), l'erreur absolue moyenne (EAM) et de
l'erreur quadratique moyenne (EQM). Les résultats définitifs nous amènent à retenir que les
erreurs de prévisions de l’approche désagrégées sont inférieures à celles agrégée. Ce qui laisse
croire que l’approche désagrégée de l’inflation au Togo aurait un pouvoir prédictif plus élevé que
celui de l’approche agrégée. Nous déduisons donc de ces résultats, qu’il est préférable de prévoir
les composantes de l’inflation que l’inflation globale elle-même. Au terme de notre étude, nous
remarquons qu’il existe effectivement une différence entre l’approche agrégée et celle
désagrégée de la prévision de l’inflation. De même que l’approche désagrégé a un pouvoir
prédictif plus élevé que celui agrégée suivant les critères et indicateurs choisis. Ce qui nous
amène à dire que nos deux hypothèses ont été vérifiées et confirmées.

Les résultats obtenus tiennent compte de l’objectif poursuivi et des variables ou de la base de
données utilisées. Ce qui nous laisse dire que les résultats obtenus ne seraient pas exhaustifs
surtout en termes de méthodologie car avec d’autres méthodes et critères de comparaison, on
pourrait avoir des résultats différents. En termes donc de perspectives et pour la suite de nos
recherches, nous comptons mener d’autres études pour apporter notre contribution à la maitrise
de l’inflation au Togo afin de circonscrire ses effets néfastes. Il s’agit de :
• mener une étude sur la prévision de l’inflation de façon détaillée selon l'origine
géographique des biens et services (locale ou importée), selon la nature (biens ou
services), et selon le secteur d'activité (primaire, secondaire, tertiaire). Cette étude nous
permettrait d’avoir une vue plus détaillée de l’inflation au Togo, d’en connaitre les zones
géographiques et les secteurs d’activité les plus impacter par l’inflation ou plus volatiles ;
• mener une étude sur les déterminants de l’inflation au Togo. Selon la revue littéraire, les
déterminants de l’inflation sont divers et sont fonction des pays et de leur économie. En
effet, l’étude que nous venons de mener, stipule que l’inflation est expliquée par ses
propres valeurs. Il serait donc intéressant de connaitre les facteurs explicatifs de
l’inflation au Togo ;
• mener une étude comparée, en terme de prévision, de la méthode de Box et Jenkins à
celle de la prévision de l’inflation à partir de ses déterminants ou valeurs exogènes.
Ces perspectives d’études nous permettrons de mieux circonscrire l’inflation afin de proposer ou
de permettre aux décideurs de politique économique de prendre des mesures adéquates pour,
dans un premier temps, maîtriser l’inflation et, dans un second temps, anticiper ces
comportements futurs (prévision) dans le but de réduire considérablement ses effets néfastes qui
sont préjudiciables aux agents économiques et à l’ensemble de l’économie.

REFERENCES BIBLIOGRAPHIQUES
I- ARTICLES ET REVUES ECONOMIQUES
Akaike, H. (1969): “Fitting Autoregressive Models for Prediction”, Annals of the

Institute of Statistical Mathematics, 21(2), pp. 243-247.
Andrew, B. A. et B. S. Bernanke (1995): “Macroeconomics”, 2e éd Reading, Mass.
Atkeson, A. et L. Ohanian (2001) : “Are Phillips curves useful for forecasting inflation
?” Federal Reserve Bank of Minneapolis Quarterly Review, 25(1), pp. 2-11.
Benalal, N. et al (2004): “To aggregate or not to aggregate? euro area inflation
forecasting”, BCE, WP 374.
Bourbonnais, R. (2015) : “Économétrie : cours et exercices corrigés”, Dunod, 9e éd.
Box, G.et G. Jenkins (1976): “Time series Analysis: Forecasting and control”, Holden-
Day, San Francisco, 1(4), pp. 161-215.
Box, G. et D. Pierce (1970): “Distribution of residual autocorrelations in autoregressive
moving average time series models”. Journal of the American Statistical Association,
65, pp. 1509-1526.
Canova, F. (2002): “G-7 inflation forecasts”, CEPR Discussion Papers No. 3283,
Center for Economic Policy Research.
Dembo Toé, M. (2010) : “Modèles de prévision de l'inflation dans les pays de
l'UEMOA”, Document d’Etude et de Recherche N°DER/10/03, BCEAO.
Dickey, D. et W. Fuller (1981): “Likelihood ratio statistics for autoregressive time
series with unit root”, Econometrica, 49 (4).1981.
Doe, L. et M. L. Diallo (1997) : “Déterminants empiriques de l’inflation dans les pays
de l’UEMOA”, Notes d'Information et Statistiques, BCEAO, DER n 476, déc. 1997.
Doe, L. et S. Diarisso (1998) : “De l’origine monétaire de l’inflation dans les pays de
l’UEMOA”, BCEAO.
Engle, R. F. (1982): “Autoregressive conditional heteroscedasticity with estimate of the
variance of UK inflation”, Econometrica, 50 (4), pp. 987-1007.
Fonteneau, A. (1981) : “ Les prévisions du GAMA pour 1979 et 1980 : bilan critique
et comparaisons”, Prévision et Analyse Economique, 2(4), pp. 69-94.
NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page I

Granger, C. W. J. (1969): “Investigating causal relations by econometrics models and

cross spectral methods”, Econometrica,37(16), pp.267-285.
Grunfeld, Y. et Z. Griliches (1960): “Is Aggregation Necessaliry Bad”, The Review of
Economies and Statistics, 42(1), pp. 1-13.
Hannan, E. et B. Quinn (1979): “The Determination of the Order of an
Autoregression”, Journal of the Royal Statistical Society, series B, 41, pp. 190-191
Hendry, D. F. et K. Hubrich (2007): “Combining Disaggregate Forecasts or
Combining Disaggregate Information to Forecast an Aggregate”, Oxford University.
Hubrich, K. (2005): “Forecasting euro area inflation: does aggregating forecasts by
HICP component improve forecast accurary?”, International Journal of Forecasting,
21(1), pp. 119- 136.
Kwiatkowski, D., Phillips, P., Schmidt, P.et Y. Shin (1992): “Testing the Null
Hypothesis of Stationarity against the Alternative of a Unit Root”, Journal of
Econometrics, 54(1-3), pp. 159-178.
Lai, C.S. et A. Roy (2004): “Accuracy of bayesian VAR in forecasting the economy of
Indiana”, Proceedings of the Midwest Business Economics Association.
Ljung, G. et G. Box (1978): “On a measure of the lack of fit in time series models”,
Biometrika,65(2), p. 297.
Lükepohl, H. (1984): “Forecasting contemporaneously aggregated vector ARMA
processes”, Journal of Business & Economic Statistics, 2(3), pp. 201–214.
Nguyen, T.T.H. et H.D. Vu Pham (2012): “Economic growth and inflation forecast in
Vietnam”, Bayesian Vector Autoregression (BVAR), 332(6).
Nubukpo, K.K. (2001): “L’impact des variations des taux d’intérêt directeurs de la
BCEAO sur l’inflation et la croissance dans l’UMOA”, DER n° 526, juin 2002.
Pesaran, M.H., Pierse, R.G. et M.S. Kumar (1989) : “Econometric Analysis of
Aggregation in the Context of Linear Prediction Models”, Econometrica, 57(4), pp.861-
888.
Perron, P. (1988): “Testing for unit root in time series regression”; Biometrika, 75(2),
p. 335.
Rose, D.E. (1977): “Forecasting Aggregates of Independent Arima Processes”, Journal
of Econometries, 5, pp.323-345.
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageII

Schwartz, G. (1978): “Estimating the Dimension of a model”, The Annals of Statistics,

6, pp. 461-464.
Stock, J. et M. Watson (1999): “Forecasting inflation”, Journal of Monetary
Economics, 44, pp. 293-335.
Theil, H. (1954): “Linear aggregation of economic relations”, Contribution to
Economic Analysis, Amsterdam, North-Holland Publishing Company, VII, pp. xi+205
Yamamoto, T. (1981): “Predictions of Mu1tivariate Autoregressive-moving Average
Models”, Biometrika, 68(2, pp. 485-492.
Zellner, A. et J. Tobias (1999): “A Note on Aggregation, Disaggregation and
Forecasting Performance”, Graduate School of Business of Chicago, 19(5), p. 457.
Zotteri, G., Kalchschmidt M. et F. Caniato (2005) : “The impact of aggregation on
forecasting performance”, International Journal of Production Economies, 93-94(5) pp.
479-491.
II- DOCUMENTS CONSULTES
• Harmonisation des indices des prix dans les pays de l’UEMOA28

• Indice harmonisé des prix à la consommation (IHPC) au sein de l’UEMOA base
100 en 201429
• Indice national harmonise des prix à la consommation (INHPC) pour les pays
membres de l’UEMOA TOGO30
III- REFERENCES ELECTRONIQUES
• www.bceao.int
• www.cairn.info.com
• www.inseed.tg
• www.memoreonline.com
• www.pdf.drive.com
• www.uemoa.int
• www.wikipedia.com
28
Guide élaboré par la Commission de l’UEMOA, BCEAO, AFRISAT, EUROSAT et EUROCOST, 1998.
29
Date de parution : 18-06-2019
30
Publication mensuelle de l’INSEED.
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageIII

ANNEXES
Annexe 1: Graphiques des données primaires
IPG IPAL
108 120
106 115
104 110
102 105
100 100
98 95
2014 2015 2016 2017 2018 2019 2014 2015 2016 2017 2018 2019
IPER IPSJ
110 105
108 104
106
103
104
102
102
101
100
98 100
96 99
2014 2015 2016 2017 2018 2019 2014 2015 2016 2017 2018 2019
(IPG) : Indice des prix Global

(IPAL) : Indice des Prix Alimentation
(IPER) : Indice des Prix Energie
(IPSJ) : Indice des Prix Sous-Jacente
Annexe 2 : Graphiques comparés des données observées et désaisonnalisées

Indice Global (IPG) Indice désaisonnalisé (IPG_SA)
107
106
105
104
103
102
101
100
99
98
2014 2015 2016 2017 2018 2019
IPG IPG_SA
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageIV

Indice produits alimentaires (IPAL) Indice désaisonnalisé (IPAL_SA)

120
115
110
105
100
95
2014 2015 2016 2017 2018 2019
IPAL IPAL_SA
Indice Produits Energétiques (IPER) ; Indice désaisonnalisé (IPER_SA)

110
108
106
104
102
100
98
96
2014 2015 2016 2017 2018 2019
IPER IPER_SA
Indice Sous-Jacente (IPSJ) Indice désaisonnalisé (IPSJ_SA)

105
104
103
102
101
100
99
2014 2015 2016 2017 2018 2019
IPSJ IPSJ_SA
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageV

Annexe 3 : Test de stationnarité de Augmented Dickey-Fuller (ADF)

Inflation globale : Lpg
Null Hypothesis: LPG has a unit root Null Hypothesis: D(LPG) has a unit root
Exogenous: Constant Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=8) Lag Length: 0 (Automatic - based on SIC, maxlag=8)
t-Statistic Prob.* t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.574004 0.1030 Augmented Dickey-Fuller test statistic -10.45396 0.0001
Test critical values: 1% level -3.524233 Test critical values: 1% level -3.525618
5% level -2.902358 5% level -2.902953
10% level -2.588587 10% level -2.588902
Exogenous: None Exogenous: None
Augmented Dickey-Fuller test statistic 1.150954 0.9343 Augmented Dickey-Fuller test statistic -10.37496 0.0000
5% level -1.945389 5% level -1.945456
10% level -1.613838 10% level -1.613799
Inflation produits alimentaires : Lpal

Null Hypothesis: LPAL has a unit root Null Hypothesis: D(LPAL) has a unit root
5% level -1.945456 5% level -1.945456
10% level -1.613799 10% level -1.613799
Inflation produits énergétiques : Lper

Null Hypothesis: LPER has a unit root Null Hypothesis: D(LPER) has a unit root
Augmented Dickey-Fuller test statistic -2.702467 0.0786 Augmented Dickey-Fuller test statistic -9.112136 0.0000
5% level -2.902953 5% level -2.903566
10% level -2.588902 10% level -2.589227
5% level -1.945525 5% level -1.945525
10% level -1.613760 10% level -1.613760
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageVI

Inflation sous-jacente : Lpsj

Null Hypothesis: LPSJ has a unit root Null Hypothesis: D(LPSJ) has a unit root
5% level -1.945456 5% level -1.945456
10% level -1.613799 10% level -1.613799
Annexe 4 : Test de stationnarité de Phillips-Perron

Inflation globale : Lpg
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel Bandwidth: 11 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.* Adj. t-Stat Prob.*
Phillips-Perron test statistic -2.427039 0.1380 Phillips-Perron test statistic -13.37284 0.0001
5% level -2.902358 5% level -2.902953
10% level -2.588587 10% level -2.588902
Phillips-Perron test statistic 2.131497 0.9917 Phillips-Perron test statistic -12.07060 0.0000
5% level -1.945389 5% level -1.945456
10% level -1.613838 10% level -1.613799
Inflation produits alimentaires : Lpal

Null Hypothesis: LPAL has a unit root Null Hypothesis: D(LPAL) has a unit root
5% level -1.945389 5% level -1.945456
10% level -1.613838 10% level -1.613799
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageVII

Inflation produits énergétiques : Lper

5% level -1.945389 5% level -1.945456
10% level -1.613838 10% level -1.613799
Inflation sous-jacente : Lpsj

5% level -1.945389 5% level -1.945456
10% level -1.613838 10% level -1.613799
5% level -2.902358 5% level -2.902953
10% level -2.588587 10% level -2.588902
Annexe 5 : Corrélogrammes des processus ARMA

D(Lpg) : AR (4)
Date: 10/24/20 Tim e: 08:55
Sam ple: 2014M01 2020M01
Included obs ervations : 72
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.197 -0.197 2.9120 0.088

2 -0.116 -0.161 3.9280 0.140
3 -0.046 -0.111 4.0909 0.252
4 -0.162 -0.234 6.1495 0.188
5 0.113 -0.009 7.1586 0.209
6 -0.047 -0.104 7.3404 0.291
7 -0.068 -0.139 7.7233 0.358
8 0.117 0.019 8.8601 0.354
9 -0.068 -0.070 9.2483 0.415
10 0.125 0.085 10.598 0.390
11 0.118 0.172 11.813 0.378
12 -0.189 -0.060 14.999 0.241
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageVIII

D(Lpal) : ARMA (1,1)

Date: 10/24/20 Tim e: 08:55
Sam ple: 2014M01 2020M01
1 -0.261 -0.261 5.1226 0.024

2 -0.011 -0.086 5.1325 0.077
3 -0.134 -0.172 6.5171 0.089
4 -0.027 -0.127 6.5751 0.160
5 0.001 -0.072 6.5751 0.254
6 0.012 -0.048 6.5876 0.361
7 -0.008 -0.051 6.5925 0.473
8 0.029 -0.004 6.6605 0.574
9 -0.018 -0.022 6.6872 0.670
10 0.132 0.133 8.1767 0.612
11 0.154 0.276 10.252 0.508
12 -0.253 -0.108 15.934 0.194
D(Lper) : ARMA (1,1)

Date: 10/24/20 Tim e: 08:55
Sam ple: 2014M01 2020M01
1 -0.490 -0.490 18.031 0.000

2 0.075 -0.218 18.459 0.000
3 0.025 -0.051 18.506 0.000
4 -0.134 -0.173 19.908 0.001
5 0.096 -0.076 20.635 0.001
6 0.089 0.132 21.267 0.002
7 -0.156 -0.039 23.253 0.002
8 0.037 -0.105 23.364 0.003
9 -0.051 -0.123 23.583 0.005
10 0.013 -0.069 23.597 0.009
11 0.233 0.249 28.334 0.003
12 -0.196 0.071 31.731 0.002
D(Lpsj) : ARMA (1,1)

Date: 10/24/20 Tim e: 08:56
Sam ple: 2014M01 2020M01
1 -0.257 -0.257 4.9638 0.026

2 -0.046 -0.120 5.1271 0.077
3 -0.061 -0.114 5.4146 0.144
4 0.116 0.067 6.4723 0.167
5 0.165 0.225 8.6319 0.125
6 -0.154 -0.034 10.550 0.103
7 -0.017 -0.032 10.574 0.158
8 0.033 0.009 10.662 0.222
9 0.261 0.249 16.439 0.058
10 -0.014 0.150 16.456 0.087
11 -0.163 -0.060 18.765 0.065
12 -0.055 -0.138 19.032 0.088
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageIX

Annexe 6 : Estimation des modèles ARMA candidats

D(Lpg) : AR (4)
Dependent Variable: DLPG
Method: Leas t Squares
Date: 10/24/20 Tim e: 08:54
Sam ple (adjus ted): 2014M06 2020M01
Included obs ervations : 68 after adjus tm ents
Variable Coefficient Std. Error t-Statis tic Prob.
C 0.093073 0.079352 1.172908 0.2450

DLPG(-4) -0.169381 0,069190 -2.447748 0.0424
R-s quared 0.030780 Mean dependent var 0.079902

Adjus ted R-s quared 0.016095 S.D. dependent var 0.655336
S.E. of regres s ion 0.650041 Akaike info criterion 2.005409
Sum s quared res id 27.88854 Schwarz criterion 2.070688
Log likelihood -66.18389 Hannan-Quinn criter. 2.031274
F-s tatis tic 2.095973 Durbin-Wats on s tat 2.413145
Prob(F-s tatis tic) 0.002421
D(Lpal) : ARMA (1,1)

Dependent Variable: DLPAL
Method: ARMA Conditional Leas t Squares (Marquardt - EViews legacy)
Date: 10/24/20 Tim e: 18:02
Convergence achieved after 7 iterations
MA Backcas t: 2014M02
C 0.097929 0.100920 0.970365 0.3353

AR(1) 0.330866 0.248729 1.330226 0.1879
MA(1) -0.683525 0.192614 -3.548673 0.0007

Inverted AR Roots .33

Inverted MA Roots .68
Ici, AR (1) n’est pas significatif (Probabilité supérieure à 5%), on l’enlève donc de l’équation
D(Lper) : ARMA (1,1)
Dependent Variable: DLPER
Date: 10/24/20 Tim e: 18:06
C -0.015014 0.043986 -0.341331 0.7339

AR(1) -0.068929 0.166447 -0.414121 0.6801
MA(1) -0.718537 0.119603 -6.007668 0.0000

Inverted AR Roots -.07

Ici, AR (1) n’est pas significatif (Probabilité supérieure à 5%), on l’enlève donc de l’équation
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageX

D(Lpsj) : ARMA (1,1)

Dependent Variable: DLPSJ
Date: 10/24/20 Tim e: 17:47
C 0.059012 0.023656 2.494540 0.0150

AR(1) -0.028682 0.303103 -0.094629 0.9249
MA(1) -0.297386 0.297881 -0.998339 0.3217


Ici, AR (1) et MA (1) ne sont pas significatifs (Probabilités supérieures à 5%)
Annexe 7 : Estimation des modèles ARMA retenus

D(Lpg) : AR (4)
Dependent Variable: DLPG
Method: Leas t Squares
Date: 10/24/20 Tim e: 08:54
C 0.093073 0.079352 1.172908 0.2450

DLPG(-4) -0.169381 0,069190 -2.447748 0.0424

D(Lpal) : MA (1)
Dependent Variable: DLPAL
Date: 10/25/20 Tim e: 10:39
C 0.118195 0.124893 0.946367 0.3472

MA(1) -0.402310 0.108547 -3.706321 0.0004

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXI

D(Lper) : MA (1)
Dependent Variable: DLPER
Date: 10/24/20 Tim e: 18:07
C -0.012733 0.040176 -0.316932 0.7522

MA(1) -0.757895 0.080039 -9.469065 0.0000

D(Lpsj) : AR (1)
Dependent Variable: DLPSJ

Date: 10/24/20 Tim e: 19:28
C 0.060286 0.027062 2.227718 0.0292

AR(1) -0.268321 0.113782 -2.358193 0.0212

Annexe 8 : Tests de validation des modèles ARMA retenus

D(Lpg) : AR (4)
Autocorrélation des erreurs Hétéroscédasticité des erreurs

Breusch-Godfrey Serial Correlation LM Test: Heteroskedasticity Test: White
F-statistic 0.676186 Prob. F(2,65) 0.5121

F-statistic 3.739759 Prob. F(2,64) 0.2910 Obs*R-squared 1.385954 Prob. Chi-Square(2) 0.5001
Obs*R-squared 7.115426 Prob. Chi-Square(2) 0.2850 Scaled explained SS 3.360398 Prob. Chi-Square(2) 0.1863
Les probabilités des statistiques de Fisher et de Khi-2 sont toutes supérieures au seuil de 5%
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXII

D(Lpal) : MA (1)


D(Lper) : MA (1)

D(Lpsj) : AR (1)

Obs*R-squared 0.058796 Prob. Chi-Square(2) 0.9710
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXIII

Annexe 9 : Base des données primaires

Mois IPG IPAL IPER IPSJ
2014M01 98,6 97,5 99,2 99,17
2014M02 99,8 99,2 100,1 99,9
2014M03 99,9 99,9 100 99,92
2014M04 100,8 102,8 101 99,96
2014M05 101 103,6 100,7 99,93
2014M06 100,9 103,5 99,1 100,1
2014M07 100,9 103,3 99,8 100,03
2014M08 99,7 99,3 98,8 100,07
2014M09 98,7 95,2 99,4 100,11
2014M10 99,7 98 100,3 100,34
2014M11 99,4 96,9 101,1 100,27
2014M12 100,5 100,9 100,5 100,28
2015M01 101,4 104,3 101,8 100,09
2015M02 101,2 104,5 100,9 99,83
2015M03 100,8 102,9 101,4 99,86
2015M04 100,8 102,9 101,4 99,94
2015M05 102,2 107,9 100,8 99,98
2015M06 102,4 108,5 100,1 100,18
2015M07 102,6 107,8 101,5 100,69
2015M08 102,8 109 101,2 100,33
2015M09 101,9 105,8 101,6 100,34
2015M10 101,4 104,2 101,3 100,32
2015M11 101,9 105,7 101,4 100,37
2015M12 102,1 107,1 100,4 100,29
2016M01 103,2 109,9 104,4 100,18
2016M02 102,5 108,3 101,2 100,34
2016M03 101,9 106,5 100,1 100,37
2016M04 103,1 110,7 100,8 100,4
2016M05 104,7 116,8 100,3 100,4
2016M06 104,9 117,6 101,2 100,26
2016M07 104,8 117,7 100,2 100,28
2016M08 101,3 105,7 99,7 100,01
2016M09 100,9 103,6 100,2 100,23
2016M10 100,3 101,4 101,2 100,19
2016M11 101,8 106,3 101,7 100,28
2016M12 102,6 106,1 108,4 100,28
2017M01 101,6 106,6 98 99,51
2017M02 101,5 105,1 99 99,92
2017M03 102,2 106,8 98,7 100,24
2017M04 102,8 109,4 97,4 100,16
2017M05 104,1 112,6 98,5 100,32
2017M06 104,7 115,1 97 100,17
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXIV

Mois IPG IPAL IPER IPSJ

2017M07 103,4 111,2 97,3 100,15
2017M08 103 109,5 98 100,29
2017M09 101,7 105 98,8 100,39
2017M10 100,9 103,4 99,4 99,81
2017M11 101,3 104 99,6 100,11
2017M12 101,9 105 100,3 100,34
2018M01 102,1 105,4 98,5 100,8
2018M02 102,1 105,8 97,7 100,77
2018M03 102 105,4 98,4 100,69
2018M04 104,4 110,9 97,6 101,96
2018M05 106 115,7 97 102,06
2018M06 105 112,5 97,3 102,13
2018M07 104,3 111,3 97,5 101,61
2018M08 103,6 108,8 97,5 101,78
2018M09 102,3 104,3 97,7 102,22
2018M10 102,1 103,2 97,6 102,52
2018M11 103,1 106 98,3 102,49
2018M12 103,9 108 99,2 102,42
2019M01 104,6 109,6 99,7 102,78
2019M02 104,2 108,7 99,1 102,61
2019M03 104 108,2 99 102,68
2019M04 104 108,5 98,2 102,63
2019M05 105,4 112,6 98 102,81
2019M06 106,3 114,6 97,2 103,31
2019M07 105 110,2 97,3 103,54
2019M08 103,3 105,1 98 103,36
2019M09 102,7 102,8 99 103,5
2019M10 102,5 102 98,4 103,76
2019M11 103,5 103,6 99,5 104,37
2019M12 103,5 104,6 100,5 103,6
2020M01 105,4 107,8 103,1 104,48
IPG : Indice des prix Global
IPAL : Indice des prix produits alimentaires
IPER : Indice des prix produits énergétiques
IPSJ : Indice des prix sous-jacente
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXV

Annexe 10 : Tableau de calcul des écarts de prévision

A B C D= C-B E= C-A
Période Prév. Approche Prév. Approche Réalisations Ecart- Ecart-
Désagrégée Agrégée Agrégées Agrégé Désagrégé
2014M01 0 0 0 0 0
2014M02 0,490295628 1,630464437 1,630464437 0 1,140168809
2014M03 0,088639753 0,222322351 0,222322351 0 0,133682598
2014M04 0,127262781 0,240608274 0,240608274 0 0,113345493
2014M05 -0,301465051 -0,906527623 -0,906527623 0 -0,605062572
2014M06 -0,094455046 -0,305207529 -0,305207529 0 -0,210752483
2014M07 0,204526425 0,599880841 0,599880841 0 0,395354416
2014M08 -0,214049847 -0,484172309 -0,484172309 0 -0,270122462
2014M09 0,008587309 0,254069832 0,254069832 0 0,245482523
2014M10 0,501113499 1,492404874 1,492404874 0 0,991291375
2014M11 -0,259476009 -0,974381743 -0,974381743 0 -0,714905734
2014M12 0,195965995 0,651021529 0,651021529 0 0,455055534
2015M01 0,271962033 0,395204339 0,395204339 0 0,123242305
2015M02 0,070892771 0,227398192 0,227398192 0 0,15650542
2015M03 -0,141201073 -0,282460262 -0,282460262 0 -0,141259189
2015M04 -0,206524751 -0,615871735 -0,615871735 0 -0,409346984
2015M05 0,105267757 0,171348087 0,171348087 0 0,06608033
2015M06 -0,008384365 -0,117508619 -0,117508619 0 -0,109124254
2015M07 0,334808384 0,929781615 0,929781615 0 0,594973231
2015M08 0,318372103 1,016611628 1,016611628 0 0,698239525
2015M09 0,100096392 0,330868599 0,330868599 0 0,230772207
2015M10 -0,064127832 -0,0120046 -0,0120046 0 0,052123232
2015M11 0,001357158 -0,211501529 -0,211501529 0 -0,212858688
2015M12 -0,112466329 -0,181741667 -0,181741667 0 -0,069275337
2016M01 0,281940668 0,443181872 0,443181872 0 0,161241203
2016M02 -0,11082658 -0,203649083 -0,203649083 0 -0,092822503
2016M03 -0,223315561 -0,468829098 -0,468829098 0 -0,245513537
2016M04 0,239408619 0,557075415 0,557075415 0 0,317666796
2016M05 0,16266765 0,332689183 0,332689183 0 0,170021533
2016M06 0,007531076 -0,119344089 -0,119344089 0 -0,126875165
2016M07 0,233287915 0,640302353 0,640302353 0 0,407014438
2016M08 -0,967658701 -2,576941532 -2,576941532 0 -1,609282832
2016M09 0,247227438 0,814561489 0,814561489 0 0,567334051
2016M10 -0,08303212 -0,116542932 -0,116542932 0 -0,033510812
2016M11 0,388242618 0,781054479 0,781054479 0 0,392811861
2016M12 0,036402146 0,404962701 0,404962701 0 0,368560555
2017M01 -0,649013201 -1,607870675 -1,607870675 0 -0,958857474
2017M02 0,114681897 0,378482698 0,378482698 0 0,263800801
2017M03 0,218169785 0,805544666 0,805544666 0 0,587374881
2017M04 -0,018269994 -0,028302139 -0,028302139 0 -0,010032145
2017M05 -0,022035451 0,049378757 0,049378757 0 0,071414208
2017M06 0,073899887 0,264530384 0,264530384 0 0,190630497
2017M07 -0,105375904 -0,513738875 -0,513738875 0 -0,408362971
2017M08 0,175389185 0,432197146 0,432197146 0 0,256807961
2017M09 -0,006403204 -0,059958639 -0,059958639 0 -0,053555436
2017M10 -0,13174735 -0,309857262 -0,309857262 0 -0,178109912
2017M11 -0,036122799 -0,307738047 -0,307738047 0 -0,271615248
2017M12 -0,019931989 0,212732736 0,212732736 0 0,232664726
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXVI

A B C D= C-B E= C-A
Période Prév. Approche Prév. Approche Réalisations Ecart- Ecart-
Désagrégée Agrégée Agrégées Agrégé Désagrégé
2018M01 -0,118895631 -0,432352422 -0,432352422 0 -0,31345679
2018M02 0,167426272 0,476956364 0,476956364 0 0,309530092
2018M03 -0,034706605 0,020265548 0,020265548 0 0,054972154
2018M04 0,545008877 1,712016552 1,712016552 0 1,167007675
2018M05 0,040519699 0,313658364 0,313658364 0 0,273138665
2018M06 -0,36194337 -1,258058237 -1,258058237 0 -0,896114868
2018M07 0,061685291 0,067468481 0,067468481 0 0,00578319
2018M08 0,076730986 0,145880363 0,145880363 0 0,069149377
2018M09 0,025811139 -0,054829041 -0,054829041 0 -0,080640179
2018M10 0,051421949 0,281063128 0,281063128 0 0,229641179
2018M11 0,157272556 0,272897771 0,272897771 0 0,115625215
2018M12 0,039231904 0,4065699 0,4065699 0 0,367337995
2019M01 0,062618966 0,034194346 0,034194346 0 -0,02842462
2019M02 0,036644519 0,137353555 0,137353555 0 0,100709036
2019M03 -0,055672225 -0,079951072 -0,079951072 0 -0,024278847
2019M04 -0,21147872 -0,593332848 -0,593332848 0 -0,381854127
2019M05 -0,025426215 -0,007119776 -0,007119776 0 0,018306439
2019M06 0,139629835 0,442296506 0,442296506 0 0,302666671
2019M07 -0,058910147 -0,312639837 -0,312639837 0 -0,25372969
2019M08 -0,222513689 -0,769243374 -0,769243374 0 -0,546729686
2019M09 0,206221239 0,609984695 0,609984695 0 0,403763456
2019M10 0,074008383 0,302849236 0,302849236 0 0,228840853
2019M11 -0,003356324 0,146028112 0,204313512 0,058285401 0,207669836
2019M12 -0,017164496 0,223367929 -0,308508505 -0,531876434 -0,29134401
2020M01 0,06880655 -0,010246659 1,133948701 1,14419536 1,065142151
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXVII

TABLE DES MATIERES
DEDICACE ................................................................................................................................. i
REMERCIEMENTS .................................................................................................................. ii
SIGLES ET ACRONYMES ..................................................................................................... iii
LISTE DES TABLEAUX .......................................................................................................... v
LISTE DES GRAPHIQUES ..................................................................................................... vi
LISTE DES ANNEXES ........................................................................................................... vii
SOMMAIRE ........................................................................................................................... viii
RESUME ................................................................................................................................... ix
INTRODUCTION GENERALE................................................................................................ 1
CHAPITRE I : CADRE CONCEPTUEL DE L’INFLATION .................................................. 6
I.1. HISTORIQUE, DEFINITIONS ET MESURE DE L’INFLATION ............................... 6

I.1.1. Histoire de la pensée économique sur l’inflation ...................................................... 6
I.1.2. Définition de l’inflation et termes connexes .............................................................. 8
I.1.2.1. Définition de l’inflation ...................................................................................... 8
I.1.2.2. Termes connexes de l’inflation ........................................................................... 9
I.2. LA MESURE DE L’INFLATION ................................................................................. 11
I.2.1. L’indice harmonisé des prix à la consommation (IHPC) ........................................ 11
I.2.1.1. Présentation et rôle de l’INHPC ....................................................................... 13
I.2.1.2. Nomenclature et échantillonnage ...................................................................... 14
I.2.1.3. Méthode de calcul de l’INHPC ......................................................................... 14
I.2.1.4. Les limites de l’INHPC ..................................................................................... 16
I.2.2. Le déflateur du PIB.................................................................................................. 17
I.3. EVOLUTION DE L’INFLATION AU TOGO : FAITS STYLISES ............................ 18
I.3.1. Evolution de l’inflation au Togo et dans l’UEMOA ............................................... 18
I.3.2. Evolution des composantes de l’inflation ................................................................ 22
CHAPITRE II : REVUE DE LITTERATURE SUR LES METHODES DE PREVISION DE
L’INFLATION ......................................................................................................................... 24
II.1. CAUSES ET CONSEQUENCES DE L’INFLATION ................................................ 24

II.1.1. Les causes ou origines de l’inflation ...................................................................... 24
II.1.1.1. Débat théorique sur les causes de l’inflation ................................................... 24
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXVIII

II.1.1.1.1. Inflation comme déséquilibre du secteur réel ........................................... 24

II.1.1.1.2. Inflation comme déséquilibre du secteur monétaire ................................. 28
II.1.1.2. Travaux empiriques sur les origines de l’inflation .......................................... 29
II.1.2. Les conséquences et prévision de de l’inflation à court terme ............................... 30
II.1.2.1 Les conséquences de l’inflation ........................................................................ 30
II.1.2.1 1. Les effets néfastes de l’inflation ............................................................... 31
II.1.2.1 2. Les effets bénéfiques de l'inflation ........................................................... 35
II.1.2.2. La prévision de l’inflation à court terme ......................................................... 36
II.1.2.2.1. Revue théorique ........................................................................................ 36
II.1.2.2 2. Revue empirique ....................................................................................... 37
II.2. MODELES ET TECHNIQUES DE PREVISION DE L’INFLATION ....................... 37
II.2.2. Modèles et approches de prévision de l’inflation à court terme............................. 37
II.2.2.1. Modèle statistique ............................................................................................ 38
II.2.2.2. Modèle structurel ............................................................................................. 39
II.2.2.3. Approches agrégée et désagrégée de la prévision de l’inflation...................... 40
CHAPITRE III : CADRE METHODOLOGIQUE DE LA PREVISION DE L’INFLATION A
COURT TERME ...................................................................................................................... 43
III.1. PERIODE D’ETUDE ET PRESENTATION DES DONNEES ................................. 43

III.1.1. Période d’étude et source de données ................................................................... 43
III.1.2. Présentation des données : Description de l’INHPC agrégé et désagrégés .......... 43
III.2. APPROCHE METHODOLOGIQUE : METHODE DE BOX ET JENKINS ............ 45
III.2.1. Description de la méthode Box et Jenkins ............................................................ 46
III.2.1.1. Typologie des modèles AR, MA et ARMA ou ARIMA ................................ 46
III.2.1.2. Les différentes étapes de la méthode Box et Jenkins ..................................... 48
III.2.2. Prévision de l’inflation à court terme au Togo ..................................................... 51
III.2.2.1. Annotation des variables ................................................................................ 51
III.2.2.2. Modélisation de l’inflation globale et de ses composantes ............................ 51
III.3. RECOMMANDATIONS DE POLITIQUE ECONOMIQUE .................................... 59
CONCLUSION GENERALE .................................................................................................. 60
REFERENCES BIBLIOGRAPHIQUES .................................................................................... I
ANNEXES ............................................................................................................................... IV
TABLE DES MATIERES ................................................................................................. XVIII
KENAO Mèhèza Laure Master Professionnel en Economie Appliquée PageXIX

Prévision À Court Terme de L'inflation Au Togo

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

Prévision À Court Terme de L'inflation Au Togo

Transféré par

Droits d'auteur :

Formats disponibles

FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION (FASEG)

PREVISION DE L’INFLATION A COURT TERME AU TOGO

Pour l’obtention du Master en

Domaine : Sciences Economiques et de Gestion

KENAO Mèhèza Laure

Soutenu Publiquement le....../12/2020

Composition du Jury de soutenance

NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page 1

Je dédie spécialement ce mémoire

NAO Mèhèza Laure Master Professionnel en Economie Appliquée Page i

La rédaction de ce mémoire a été possible grâce à l’engagement de nombreuses

❖ Mon Directeur de mémoire Monsieur Akilou AMADOU, Professeur Titulaire ès

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page ii

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page iii

PED : Pays en Développement

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page iv

LISTE DES TABLEAUX

Tableau 1: Annotation des variables ........................................................................................ 51

Tableau 2: Récapitulatif des tests de racine unitaire ................................................................ 53

Tableau 3: ARIMA candidats pour le choix des modèles ........................................................ 54

Tableau 4: Choix des meilleurs modèles ARMA..................................................................... 54

Tableau 5: Choix du modèle de l’inflation sous-jacente .......................................................... 54

Tableau 6: Récapitulatif des estimations des modèles ARMA retenus.................................... 55

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page v

LISTE DES GRAPHIQUES

Graphique 1 : Taux d’inflation annuel au Togo ....................................................................... 20

Graphique 2 : Taux d’inflation annuel au Togo et dans l’UEMOA ......................................... 20

Graphique 3: Taux d’inflation mensuel au Togo et dans l’UEMOA ....................................... 21

Graphique 4: Evolution des taux d'inflation globale et de ses composantes ............................ 22

Graphique 5 : Evolution des taux d’inflation globale, sous-jacent, alimentaire-énergie ......... 23

Graphique 6 : Réalisations et prévisions des approches agrégée et désagrégée ...................... 57

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page vi

LISTE DES ANNEXES

Annexe 1: Graphiques des données primaires....................................................................................... IV

Annexe 2 : Graphiques comparés des données observées et désaisonnalisées ..................................... IV

Annexe 3 : Test de stationnarité de Augmented Dickey-Fuller (ADF) ................................................. VI

Annexe 4 : Test de stationnarité de Phillips-Perron ............................................................................. VII

Annexe 5 : Corrélogrammes des processus ARMA ........................................................................... VIII

Annexe 6 : Estimation des modèles ARMA candidats........................................................................... X

Annexe 7 : Estimation des modèles ARMA retenus ............................................................................. XI

Annexe 8 : Tests de validation des modèles ARMA retenus ............................................................... XII

Annexe 9 : Base des données primaires ............................................................................................. XIV

Annexe 10 : Tableau de calcul des écarts de prévision ...................................................................... XVI

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page vii

SIGLES ET ACRONYMES ..................................................................................................... iii

LISTE DES TABLEAUX .......................................................................................................... v

LISTE DES GRAPHIQUES ..................................................................................................... vi

LISTE DES ANNEXES ........................................................................................................... vii

CHAPITRE I : CADRE CONCEPTUEL DE L’INFLATION .................................................. 6

I.1. HISTORIQUE, DEFINITIONS ET MESURE DE L’INFLATION ............................... 6

I.2. LA MESURE DE L’INFLATION ................................................................................. 11

I.3. EVOLUTION DE L’INFLATION AU TOGO : FAITS STYLISES ............................ 18

CHAPITRE II : REVUE DE LITTERATURE SUR LES METHODES DE PREVISION DE

II.1. CAUSES ET CONSEQUENCES DE L’INFLATION ................................................ 24

II.2. MODELES ET TECHNIQUES DE PREVISION DE L’INFLATION ....................... 37

CHAPITRE III : CADRE METHODOLOGIQUE DE LA PREVISION DE L’INFLATION A

III.1. PERIODE D’ETUDE ET PRESENTATION DES DONNEES ................................. 43

III.2. APPROCHE METHODOLOGIQUE : METHODE DE BOX ET JENKINS ............ 45

III.3. RECOMMANDATIONS DE POLITIQUE ECONOMIQUE .................................... 59

CONCLUSION GENERALE .................................................................................................. 60

REFERENCES BIBLIOGRAPHIQUES .................................................................................... I

TABLE DES MATIERES ................................................................................................. XVIII

KENAO Mèhèza Laure Master Professionnel en Economie Appliquée Page viii