Académique Documents
Professionnel Documents
Culture Documents
Epigraphe
« … il faut bien reconnaitre que prédire quelques tendances un peu précises est un sport
de plus en plus difficile et { risque dans un monde qui s’accélère, où les transitions sont
permanentes et qui n’en finit pas de nous surprendre. »
Michel Bouvet
2
Dédicaces
Remerciements
Tout d’abord mes chers parents, Jean-Pierre MAPEPE NGWAKAHA (mon père) et
Michou ITANGO MIHONDO (ma mère), mes précieux parents, que serai-je sans votre
soutien ? Vous m’avez inscrit dans les meilleures écoles dès mon enfance, et pour
parfaire ma formation, vous n’avez pas hésité { mettre le paquet : frais académiques,
frais de transport, frais de subsistance et toutes les charges supplémentaires ; au prix de
beaucoup de sacrifices. Je ne vous dirai jamais assez merci pour tout.
Mes oncles Joviens MBENDE et Yves LUPOKOLO, dans le prolongement des actions de
mes parents, vous avez contribué { l’assainissement de mon environnement pour que
j’étudie… Merci !
A vous mes amis, mes compagnons de lutte, David KANDI, Miranda MBIANGO, Joss
LUBANGI, Donatien KAYEMBE, Kethia BAZONGA, Ludovick MUDINGAIE, Josué
MISENGABU et Daniel KUZONDISA, vous ne savez pas combien vous avez été importants
pour moi durant ce parcours, du reste vous l’êtes encore… Vraiment merci !
A vous mes amis Rodrigue MADINGO WIK-KERE, Glody MUSITU, Glody MBULU, Samuel
AKAWA, Nathan KAKWATA, Noël SHEKA,… je ne saurais tous vous citer ! Merci !
A vous mes frères et sœurs dans la foi, Ronny LEDI, Mervedi BANDALA, David Nsingi,
Fircy BENAMPUTU, Billy MAKONDA, Sephora BALONGANE, Jemima LEDI OKELO,
Déborah MWENZE, Jonathan BIEYE, Achile KASHITA, Jeanpy SAGBOKO, Joël EALE… de la
grande famille de la communauté des églises le Remède et de la communauté Full Gospel
précisément ceux du chapitre Kembo Jeunesse, merci à vous tous.
Que seraient des remerciements sans te remercier toi, grand Dieu, le Dieu de ma vie, le
Dieu des cieux, la source de mon intelligence et de tout ce que je possède. C’est toi qui a
mis musique temps, circonstances et évènement pour que je parvienne à ces résultats.
Toute ma gratitude t’est adressée JESUS ! Toute ma gratitude !
5
Introduction
Les questions relatives au concept ‘’inflation’’ sont toujours { l’ordre du jour pour les
politiques, même pour ceux des pays dits développés avec un taux d’inflation
relativement faible. Pour la simple et bonne raison que tout accroissement de l’inflation
conduit { la perte du pouvoir d’achat de la population. Ce qui est susceptible d’entraîner
des conséquences plus ou moins néfastes dans l’économie d’une nation.
L'inflation est donc un fameux problème qui intéresse tout le monde, sans conteste l’un
des plus délicats qui préoccupent les économistes vu son coût économique et social. De
la ménagère au fonctionnaire, tout le monde y est confrontée dans la vie de chaque jour,
plus particulièrement pour ce qui est des prix des produits de première nécessité
(aliment, habillement, ...). Pour cette raison, plusieurs études ont été menées à ce sujet
par plusieurs auteurs et les Banques centrales du monde ont généralement la stabilité
des prix pour objectif principal de leurs politiques monétaires. Dans le document
d’étude et de recherche de la BCEAO (Banque Centrale des Etats de l’Afrique de l’Ouest)
paru en décembre 2010 portant sur les modèles de prévision de l’inflation dans les pays
membre de l’UEMOA (Union Economique et Monétaire Ouest-Africain), Mathurin
DEMBO TOE affirme que c’est le cas pour la BCEAO.
Dans son article « Oser davantage d’inflation » paru en avril 2020, le Professeur Daniel
Kaufmann évoque le rôle de la baisse de l’inflation et ses implications pour la politique
monétaire. Il poursuit en disant qu’une raison importante de cette baisse est que de
nombreuses banques centrales poursuivent depuis les années 1990 une politique de
stabilisation (« ciblage ») de l’inflation, faisant tomber les taux d’inflation dans le monde
à des niveaux historiquement bas et stables. Toujours dans cet article, l’auteur dit que
l’inflation varie néanmoins d’un pays { l’autre en fonction des objectifs d’inflation
différents de ces pays. L’objectif d’inflation choisi influence { son tour le niveau des taux
du marché monétaire, utilisés par la plupart des banques centrales pour conduire leur
politique monétaire. Il vaut donc la peine d’examiner de plus près les taux d’inflation et
2
leur rapport aux taux d’intérêt dans les différents pays. Cet article, pouvant servir de
théorie, permettrait de prédire l’inflation. Cependant, bon nombre d’auteur avec
Christopher Sims comme figure phare, pense qu’une telle approche ne permet pas de
prédire valablement la dynamique d’une variable. Ils pensent au contraire qu’il est
mieux de prédire cette dernière { l’aide des données empiriques de la variable elle-
même : « Laissez parler les données ».
En 2010, dans le cadre de son mémoire portant sur la prévision de l’inflation au Canada,
Myriam Moisan a fait une étude lui ayant permise de vérifié que les modèles
autorégressifs ont un potentiel pour la prévision de l’inflation au Canada. L’auteur a créé
un modèle des vecteurs autorégressifs augmentés par des facteurs (FAVAR), afin de
représenter dans chaque facteur la meilleure relation linéaire d’une combinaison des
séries temporelles. Pour surmonter les problèmes soulevés par ce type de modèles, le
modèle utilisé dans ce travail intègre des données macroéconomiques et financières.
Mais aussi l’auteur a utilisé des données mensuelles afin d’éviter l’utilisation de
variables économiques agrégées qui peuvent représenter un risque supplémentaire et
guider vers une mauvaise direction.
Pour leur part, Mouha M., Ben Nejma W. et Dridi K., dans leur papier paru en 2017, vise à
présenter une modélisation { court terme de l’indice des prix à la consommation en
Tunisie à travers la modélisation Reg-ARIMA. Ils ont fait confronter deux approches de
prévision. La première approche, dite agrégée, repose sur la prévision directe de l’indice
global, alors que la seconde, dite désagrégée, consiste { la prévision indirecte de l’indice
global à travers ses sous-composantes, en adoptant une analyse ascendante. Les
résultats obtenus donnent lieu { une affirmation selon laquelle l’approche désagrégée
présente l’avantage de fournir des prévisions de meilleure qualité que celles issues de
l’approche agrégée. Contrairement { l’approche agrégée, l’approche désagrégée permet
d’obtenir des prévisions détaillées et de distinguer les différents chocs pouvant affecter
des composantes spécifiques de l’indice des prix { la consommation. Par conséquent, elle
permet d’analyser en profondeur les sources des pressions inflationnistes futures et de
mieux orienter la politique monétaire.
Dans son article portant sur les indicateurs avancés de l’inflation en République
Démocratique du Congo, RDC, Henry N. Muganza a cherché à apprécier la pertinence de
la masse monétaire utilisée par la Banque Centrale du Congo comme cible intermédiaire
et d’identifier le cas échéant d’autres indicateurs performants qui peuvent être suivis
par les autorités monétaires dans la conduite de leur action. Pour mener à bout cette
étude, le modèle développé par J. H. Stock et M. W. Watson (1999) tel que synthétisé par
S. Kozicki (2001) et adapté aux spécificités de la R.D.C lui ont servi de cadre de
référence. Il a également recouru { l’approche de Johansen pour déterminer le nombre
des vecteurs de cointégration et justifier l’utilisation du modèle { correction d’erreurs.
Les résultats obtenus révèlent qu’en R.D.C les indicateurs d’inflation les plus pertinents
sont tant d’origine monétaire que réelle. Ce sont donc les chocs d’origine monétaire qui
affectent beaucoup plus l’économie congolaise. Cette conclusion est validée par les
3
Toutes ces études, ont donné des modèles permettant de prédire l’inflation. Dans
l’article de Mouha M., Ben Nejma W. et Dridi K., cité quelques paragraphes plus haut,
ayant entrepris deux modélisations, ont eu à utiliser l'erreur moyenne, l'erreur absolue
moyenne, la racine carrée de l'erreur quadratique moyenne et la statistique de Theil (U)
comme indicateurs afin de comparer les deux modèles et choisir le plus performant du
point de vue pouvoir prédictif. Ces indicateurs ont tous abouti à la conclusion selon
laquelle le modèle désagrégé surperforme le modèle agrégé le modèle désagrégé
comporte au niveau de chacun des indicateurs, une valeur inférieure à celle donnée par
le modèle agrégé.
0.2. Problématique
Notons avant tout le caractère « homo economicus » de tout agent économique. A cet
effet, tout agent économique se veut rationnel. Cela le conduit à procéder soit à des
spéculations soit à des anticipations afin de prendre des décisions lui permettant de
maximiser sa satisfaction, son utilité, son profit,… tout en minimisant son coût.
1
La surparamétrisation est une modélisation qui implique trop de paramètres dans un système d’équations
4
A cela ajutons le traumatisme qu’a l’économie congolaise mais surtout qu’ont les agents
économiques congolais dû aux taux d’inflation astronomiques connus dans la dernière
décennie du 20e Siècle.
Ainsi, une question importante peut être posée à ce stade : « Quel(s) est (sont) les
modèles qui a (ont) un potentiel de prévision de l’inflation de la RDC ? »
Dans le cadre de la présente étude, nous faisons recours aux techniques documentaires
et d’interview appuyés par deux approches quantitatives plus précisément la
méthodologie de Box et Jenkins et les modèles ARDL.
La technique documentaire : Elle va nous aider à scruter les écrits, les documents
officiels et les rapports statistiques nous permettant d’éclairer notre lanterne en
ce qui concerne la thématique de notre analyse.
Toute analyse rigoureuse doit être délimitée dans le temps et dans l’espace. Comme
l’indique l’intitulé, notre travail porte sur l’analyse de la dynamique des taux d’inflations
mensuels de la R.D.C et couvre une période allant de 2012 à 2020 afin de les prévoir. Le
choix de cette période s’explique par la disponibilité des données mensuelles de
l’inflation. En effet, nous n’avons pas eu accès { une base des données plus large que
celle-ci. Par ailleurs, des données annuelles n’auraient pas permis l’analyse de la
dynamique par la méthodologie de Box et Jenkins.
Cette étude s’inscrit de prime abord dans un cadre purement académique. Elle a donc
pour objet de démontrer nos capacités acquises en tant qu’économiste de cet Etat, {
porter un jugement objectif sur tout problème rongeant l’économie tant nationale
qu’internationale.
L’objet de ce chapitre est, tout d’abord, de faire un état de la connaissance sur l’inflation
et ensuite sur les différentes approches de prévision de l’inflation allant des modèles
statistiques simples aux modèles semi-structurels et structurels.
I.1.1. Définitions
On s'est opposé à cette vue de l'inflation en donnant comme définition : l'inflation est
une hausse des prix. Il semble inutile de rappeler les multiples causes, non
inflationnistes des fluctuations des prix. Une mauvaise récolte, une modification de la
politique commerciale, un étranglement momentané, un déplacement de la demande,
une dévaluation peuvent provoquer une hausse des prix sans, pour cela, qu'un
processus inflationniste en découle. Dans ce cas, généralement, un nouvel équilibre
s'instaure à un niveau différent des prix, ou bien, après une fluctuation temporaire, les
prix retrouvent leur niveau antérieur3.
2 e
Introduction : Le problème de l’inflation, In Etudes et conjonctures – Union française/Economie française, 6
année, no 3, 1951, La France et l’inflation. pp. 5-11
3
Op.cit
4
Op.cit
5
Op.cit
7
L’inflation est un processus de hausse soutenue du niveau des prix qui engendre une
baisse continuelle du pouvoir d’achat de la monnaie (Parkin, Robin et Carmichael, 2011 :
323).
L’inflation est un déséquilibre global qui se traduit par une augmentation générale des
prix. L’inflation fait intervenir toutes les parties et tous les mécanismes de l’économie
(production, revenue, prix). En ce sens, le processus inflationniste est fondé sur des
mécanismes macroéconomiques ; en outre c’est un phénomène auto- entretenu
(Jalladeau, 1998 : 371).
D’après l’auteur Denis Lambert (1959), l’inflation est définie comme l’ensemble de
déséquilibres entre les offres et les demandes de production et groupement de
consommateurs, prenant leur origine aussi bien dans les ruptures d’équilibre qui
accompagnent les fluctuations de la conjoncture intérieure et extérieure, que dans une
modification des caractéristiques structurelles de l’économie, ces déséquilibres se
propagent, s’amplifient ou se résorbent selon un processus cumulatif, en raison d’une
perversion des mécanismes économiques.
Dans son article publié en 2002, Jacques Lecacheux dit que le mot « inflation» désigne
habituellement le processus d'augmentation continue des prix des biens de
consommation. Parce que bon nombre d'économistes associent, comme on le verra,
cette hausse des prix des biens de consommation à une augmentation excessive de la
quantité de monnaie en circulation dans l'économie, le terme peut également faire
référence au « gonflement » de la masse monétaire7.
Pour notre part, l’inflation peut être définie comme étant une hausse généralisée des
prix c’est-à-dire qu’elle touche tous les secteurs de l’économie et ce de façon persistante
et avec une tendance { s’amplifier avec le temps.
6
Op.cit
7
https://www.universalis.fr/encyclopedie/inflation/1-qu-est-ce-que-l-inflation/, consulté le 05.02.2019 à 22h
8
En ce sens, assimiler l’inflation { la seule hausse des prix de bien de consommation est
une aberration. Une hausse entrainant une autre, et dans la mesure de
l’interdépendance des marchés.
L’inflation latente, contenue, déguisée ou rampante : Elle n’apparaît pas comme telle.
Elle est cachée dans quelques secteurs, toute l’économie n’est pas encore touchée, mais
on constate l’augmentation des prix dans quelques secteurs et atteint graduellement les
autres, se déplaçant comme un feu de brousse. C’est le degré le plus faible. Elle décrit un
état d'inflation durable, sinon chronique, dont le taux mesuré correspond à des valeurs
faibles.
Elle peut dans ce sens être assimilée à la stabilité des prix. Le taux d’inflation est positif
mais reste durablement très faible. Ceci contribue au maintien à un faible niveau de
l’incertitude des agents économiques. Ainsi, la Banque Centrale Européenne (BCE) en
fait son objectif majeur. Elle la juge atteint lorsque son taux n’excède pas 2%.
L’inflation ouverte : Elle traduit une situation où la hausse des prix est visible et touche
tous les secteurs simultanément, le processus d’augmentation des prix devient
cumulatif. Ce processus se forme par des anticipations.
Il sied de noter à propos du degré, que toute autorité monétaire peut établir son propre
degré pour décréter une hyperinflation lequel se rapporte à la cible annuelle au-delà
duquel elle ne souhaite passée. Ainsi, la BCC, autorité monétaire congolaise, se fixe une
cible annuelle de 7% qui a été atteint et largement dépassée en 2016 (25,04%) et en
2017 (46,83%). Il est acceptable de parler d’hyperinflation pour cette économie dans ce
cas.
La déflation : Décrit la situation d'une économie où est constatée une baisse générale et
durable des prix. Comme le phénomène historiquement le plus fréquent, du moins dans
la période contemporaine, est bien l'inflation, certains parlent d'une inflation négative.
Une vraie déflation est généralisée et affecte toute l'économie, mais le terme est aussi
utilisé lorsqu'un seul secteur économique est affecté (par exemple : déflation du marché
immobilier).
Cette situation peut être durable (parfois sur une décennie), et parfois auto-entretenue,
parce qu'en modifiant les anticipations des agents économiques, ce phénomène les
pousse à prendre des décisions qui entretiennent ou accélèrent la tendance.
La désinflation : Décrit la situation d'une économie où est constatée une baisse du taux
d'inflation, qui cependant reste positif. On parle de situation de désinflation si par
exemple, le taux d'inflation enregistré, après des années à 10 % en moyenne, baisse à 7
%, puis 5 %, puis 2 %.
La stagflation est une situation particulière où l'on constate dans une économie la
simultanéité d'un niveau élevé d'inflation et d'une croissance faible, voire d'une
récession est un taux de chômage élevé.
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 des
prix à la consommation (IPC).
Le déflateur du PIB est un indice de Paasche8. Il 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
8
Baripedia.org, L’indice des prix à la consommation (IPC), site consulté le 03 juin 2021 à 9h40
10
L'IPC est un indice synthétique qui décrit l'évolution des prix d'un panier de biens et
services entre deux périodes. 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’indice des prix { la consommation est donné par la formule suivante dite de
LASPEYRES :
∑
9
∑
Où :
est l’indice des prix de Laspeyres de la classe agrégée A entre les période 0 et t ;
nest le nombre d’agrégats élémentaires i dans la classe agrégée A ;
est le prix de l’agrégat élémentaire i, à la période t ;
est le prix de l’agrégat élémentaire i, à la période 0 ; et
est la quantité servant de pondération de l’agrégat élémentaire i, durant la période de
référence des prix 0.10
En pratique, l'indice de Laspeyres n'est pas utilisé fréquemment pour calculer l'IPC,
parce qu'il nécessite des données sur les quantités consommées durant la période de
référence des prix 0 et que ces données ne sont pas disponibles en temps voulu. Cela
tient au fait que les données recueillies auprès des ménages sont habituellement
produites avec un décalage. Par conséquent, la formule de Laspeyres doit être modifiée
afin d'utiliser les quantités provenant d'une période qui précède la période de référence
des prix 0. Cette transformation donne la formule de Lowe, qui est une forme plus
générale de l'indice de Laspeyres, parce que les quantités proviennent d'une période de
référence des pondérations b antérieure à la période de référence des prix 0.
∑
11
∑
9
Wikipedia
10
Op.cit
11
Op.cit
11
Où :
est l’indice des prix de Lowe de la classe agrégée A entre les période 0 et t ;
nest le nombre d’agrégats élémentaires i dans la classe agrégée A ;
est le prix de l’agrégat élémentaire i, à la période t ;
est le prix de l’agrégat élémentaire i, à la période 0 ; et
est la quantité servant de pondération de l’agrégat élémentaire i, durant la période de
référence des pondérations b.12
L'IPC 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 logement et services consommés par les
entreprises ou les pouvoirs publics ne sont pas pris en compte dans le calcul de l'IPC.
La préférence de l'IPC dans de nombreuses études se justifie par le fait qu'il est suivi
régulièrement car calculé mensuellement. Il est donc facilement disponible. Par contre le
déflateur n'est souvent disponible qu'après des mois, voire une ou des années de retard,
à cause des délais de production des comptes nationaux.
Le déflateur du PIB prend en compte les prix de tous les biens et services
produits dans l'économie, alors que l'IPC mesure uniquement les prix des biens et
services achetés par les consommateurs ;
Le déflateur du PIB tient compte exclusivement du prix des biens et services
produits sur le territoire national tandis que l'IPC ne fait aucune exception quant
à la provenance des produits entrant dans son calcul ;
L'IPC attribue des poids fixes aux prix des différents biens et services (indice de
Laspeyres) alors que le déflateur du PIB utilise des pondérations évolutives.
D’après le Pr. Raymond Barre (1956), l’existence de divergence sur l’analyse d'une
situation d'inflation particulière, n’est que la conséquence d’une pluralité des causes qui
peuvent être pointées, séparément ou de manière combinée.
12
Op.cit
12
I.1.5.2.La demande
Si la demande d'un produit ou d'un service essentiel excède l'offre, et que les
producteurs ne peuvent ou ne veulent augmenter immédiatement la production, alors
l'excès de demande va conduire à l'augmentation des prix. Le phénomène d'excès
pouvant concerner un marché spécifique ou au contraire l'ensemble de l'économie, si,
par exemple la demande générale est trop stimulée par une politique budgétaire ou par
une offre de crédit bancaire trop dynamiques.
On dit qu'il y a inflation importée lorsque l'on veut souligner que les hausses de coûts
résultent de l'augmentation des prix des biens importés, qu'il s'agisse de matières
premières, de biens semi-finis ou de produits finis.
I.1.5.4.Les coûts
L'inflation est dite induite par les coûts si un élément essentiel des coûts augmente. C'est
par exemple le cas quand les salaires augmentent plus vite que la productivité (le coût
salarial par unité produite augmente) ou lorsque les matières premières ou l'énergie de
base se renchérissent comme pendant les premiers et deuxièmes chocs pétroliers. La
hausse des coûts se répercute alors dans les prix de revient, puis dans les prix de vente,
d'où une hausse des prix. On parle ainsi d'effet de second tour de l'inflation.
13
L'inflation peut être induite par un état donné de la structure des marchés, ce qui
signifie que la hausse des prix s'explique par les conditions de formation des prix sur les
marchés ou dans les secteurs économiques. En particulier, d'après Raymond Barre, les
prix résultant de situations de concurrence imparfaites dans l'industrie ou les prix fixés
par les pouvoirs publics dans le secteur agricole (Barre, 1966). En effet, certains prix
peuvent être qualifiés de « prix administrés » car ils sont davantage fixés non pas par les
ajustements du libre marché mais par les décisions des firmes (les dirigeants entendent
préserver un niveau de marge et/ou d'autofinancement) ou des considérations
politiques.
Les autorités monétaires (banques centrales en général) injecteront des liquidités par
différentes méthodes (planche à billet, achat de titre, baisse du taux directeur, le taux
d'intérêt des emprunts ou des placements qu'on peut faire directement auprès de la
banque centrale, etc.) pour faire remonter la masse monétaire et donc le niveau
d'inflation (l'objectif étant en général une inflation faible mais non nulle, pour éviter la
déflation) ; pour faire baisser l'inflation elles agiront en sens inverse (arrêt de la planche
à billet, vente de titre, augmentation du taux directeur, etc.). Notons qu’en RDC, la
planche { billet est prohiber par la loi, l’autorité monétaire (BCC) n’a donc pas le droit de
recourir à elle comme instrument de la politique monétaire.
L'équilibre des forces entre offre et demande est un déterminant important des prix,
donc de l'inflation. Or la politique budgétaire et fiscale peut être utilisée sur les deux
termes de l'équation :
14
Il s'agit d'une politique visant à exacerber les forces naturelles du marché. Ce genre de
politiques a des aspects fortement impopulaires, puisqu'elle consiste en pratique à
réduire le pouvoir d'achat, à rendre encore plus cher (en termes réel) voire
indisponibles les produits les plus demandés, dont il s'agit paradoxalement de juguler la
hausse, même si, éventuellement, des produits qui n'augmentent pas autant sont rendus
plus accessibles. On les accuse fréquemment de n'être que des politiques de récession
(politique de rigueur), reproche adressé par des tenants d'une politique de la demande
et d'une politique de relance, ainsi, du côté libéral du spectre, d'être des politiques
interventionnistes dont la pertinence n'est pas plus assurée que les politiques opposées.
La politique de change permet de faire varier la valeur de la monnaie d'un pays par
rapport aux devises extérieures. Par exemple, pour augmenter la valeur de la devise
nationale (ou, de façon équivalente, pour en freiner la chute quand cette devise est «
attaquée »), on rachète la devise nationale sur les marchés de change (ce qui implique de
céder des devises étrangères, ou des biens de valeur comme l'or), ce qui conduit à une
appréciation de la monnaie nationale. À l'inverse, quand un pays veut diminuer la valeur
de sa monnaie, il achète des devises étrangères avec de la monnaie nationale. C’est la
dévaluation, ou la dépréciation de la monnaie nationale.
En outre, la politique de change peut avoir des effets sur l'inflation, par le biais de la
balance commerciale. En effet, en jouant sur la valeur de la devise nationale, l'état peut
favoriser l'exportation (en dépréciant sa monnaie) ou rendre l'importation moins
coûteuse (en appréciant sa monnaie). Cette dernière solution peut être utile pour
diminuer l'inflation, surtout lorsqu'il s'agit d'inflation importée. Apprécier la monnaie
peut aussi, théoriquement, agir sur la demande en freinant celle-ci, qui peut entraîner
15
sur une diminution des prix (et donc une baisse de l'inflation) si l'inflation est causée par
une demande trop forte.
Le contrôle des prix et des salaires est une mesure qui a une portée plus vaste et plus
générale que le contrôle de l'inflation (en temps de guerre par exemple), mais il a aussi
été utilisé spécifiquement pour combattre l'inflation. Cette méthode a connu des échecs
retentissants (par exemple la loi du maximum général en 1793 en France, ou le contrôle
général par l'administration Nixon en 1972 aux USA), cependant combinée à d'autres
mesures dans un plan plus vaste on lui reconnait quelques succès ("Prices and Incomes
Accord" en Australie ou "Akkoord van Wassenaar" aux Pays-Bas, tous deux dans les
années 1980).
C'est que, s'il est facile de décréter un prix ou un taux d'évolution maximum, le faire
appliquer est une affaire bien plus complexe. De plus, un prix maximum trop bas fait fuir
les producteurs et raréfie la marchandise visée ; les producteurs se dirigent vers
d'autres productions non taxées, ou d'autres clientèles (marché noir, marché étranger) ;
et ce, alors que le prix bas augmente la demande. Il en résulte, paradoxalement, une forte
pression inflationniste. La mesure a toutefois l'avantage de pouvoir s'appliquer
immédiatement.
Un contrôle des prix et des salaires a plus de chance de fonctionner s'il est accepté par la
société (notamment les syndicats, comme dans les exemples australiens et hollandais),
mais il comporte de toute façon des aspects impopulaires. Globalement, l'idée
dominante est donc qu'un tel contrôle ne peut être que temporaire, le temps que des
mesures réellement efficaces mais plus lentes fassent effet.
Le modèle classique repose sur l'idée de prix relatifs, chaque agent avec son revenu doit
choisir entre deux biens selon l'utilité qu'il tire de la consommation de chacun des deux
biens. Le prix des biens se fera donc selon le plaisir qu'il en tirera au détriment de l'autre
bien. La monnaie est totalement absente, d'où l'utilisation de la maxime de Jean-Baptiste
Say « La monnaie n'est qu'un voile » pour qualifier la neutralité de la monnaie.
On parle alors d'une dichotomie entre la sphère réelle (la production Y) et la sphère
financière (la demande de monnaie Mᵈ). La monnaie n'est qu'un voile qui sert juste
comme instrument d'échange sur un marché et ne peut être désirée pour elle-même, ce
qui sera remis en cause d'abord par les cambridgiens, puis par Keynes.
16
Il en résulte que la hausse du niveau général des prix à moyen terme (si on suppose la
vitesse de circulation constante) ne dépend que du rapport entre la masse monétaire et
le PIB.
MᵈV=PY (1.5)
Néanmoins cette équation redonne exactement les mêmes résultats que la Théorie
quantitative de la monnaie.
La théorie keynésienne résulte d'une longue critique de la théorie classique par son père
Keynes et ses proches, les post-cambridgiens. Deux livres fondateurs vont présenter une
pensée totalement différente de la pensée classique, d'abord par Treatise on Money suivi
du célèbre Théorie générale de l'emploi, de l'intérêt et de la monnaie.
La monnaie est désirable pour elle-même, en effet les agents désirent et veulent de la
monnaie, on parle de demande d'encaisse, pour trois motifs : le motif de précaution, le
motif de transaction et le motif de spéculation.
En cas de crise, les incertitudes poussent les agents à augmenter leur demande de
monnaie (augmentation de l'épargne et spéculation négative), réduisent la demande de
biens et l'investissement, augmente les exigences de rentabilité (le taux d'intérêt, qui
traduit l'arbitrage entre la détention actuelle ou future d'un capital), ce qui renforce la
dépression et valide les anticipations négatives. Keynes attribue la Grande Dépression à
l'insuffisance de la demande qui fait chuter l'économie dans un équilibre de sous-emploi.
En 1958, William Phillips publie sa célèbre courbe que nous verrons dans la prochaine
section, qui met en évidence (après analyse par Paul Samuelson et Robert Solow) une
relation entre inflation et chômage. Cette relation va provoquer un réel engouement
parmi les keynésiens qui se sont scindés en deux branches : les néo-keynésiens (école de
la synthèse néo-keynésienne), et les post-keynésiens.
D’abord avec la loi d'Okun, qui est une loi empirique bien vérifiée qui lie croissance et
chômage, avec le chômage qui baisse ou monte selon que la croissance est au-dessus ou
en dessous d'un taux de croissance pivot (interprété comme celui qui absorbe
l'augmentation de main d'œuvre et celle de la productivité).
18
Ensuite, la courbe de Phillips, qui est une relation empirique établie en 1958 qui lie
inflation et chômage ; les keynésiens y voyaient un arbitrage possible entre les deux.
Malheureusement des contre-exemples sont apparus (stagflation qui combine chômage
et inflation, et inversement période de plein emploi sans inflation).
Ce modèle montrera ses limites avec les chocs pétroliers, l'application des
préconisations keynésiennes ne faisant qu'augmenter encore plus le chômage. Cela
permettra l'ascension des monétaristes.
Les post-keynésiens sont des économistes qui se situent dans la pure tradition
keynésienne. Ils remettent en cause la Théorie Quantitative de la Monnaie car ils voient
l'inflation comme indépendante de la création monétaire. Selon eux l'inflation provient
d'une tension sur le partage des revenus. Plusieurs raisons sont données dont :
Lors d'une hausse des couts de production (matières premières, salaires, prix),
notamment lors des chocs d'offre pétroliers.
Lorsque les entreprises augmentent leurs prix pour conserver leurs marges.
Cette inflation peut résulter notamment d'une trop forte concurrence
internationale.
L'inflation s'avive quand la croissance s'accélère et que le chômage baisse,
l'ajustement ne se fait plus par les quantités mais par les prix sur le marché du
travail. En effet, les salariés sont en mesure de mieux négocier leurs salaires, cela
est net lorsque l'on est en plein-emploi.
Le courant monétariste a été initié par l'économiste américain Milton Friedman, « prix
Nobel » d'économie 1976. Analysant lui aussi la grande dépression, Friedman estime
qu'elle est due à une expansion déraisonnable du crédit, qui a provoqué une bulle
spéculative dont l'éclatement marque le début de la crise, suivie d'un dégonflement tout
19
aussi déraisonnable de la masse monétaire (réduite d'un tiers entre 1929 et 1933), qui a
étranglé l'économie. Or la première partie du cycle est exactement le genre de politique
que préconise Keynes. La conclusion de Friedman est donc que la manipulation de la
masse monétaire est effectivement active sur l'économie, mais seulement à court terme
et dans un sens négatif, soit en stimulant artificiellement le système économique en cas
d'excès, soit en l'étranglant en cas de défaut. À moyen terme, sur un cycle complet, pour
le monétariste la monnaie retrouve sa neutralité, liée aux caractéristiques économiques
du pays (le niveau normal de préférence pour la liquidité par exemple).
Dans ce cadre il considère que l'arbitrage entre inflation et chômage que la courbe de
Phillips présente est un leurre : une réduction de chômage obtenue par hausse de
l'inflation va rapidement conduire à une nouvelle hausse du chômage avec un niveau
d'inflation plus élevé, poussant le pays vers la stagflation ou l'hyperinflation.
Les monétaristes en déduisent qu'il ne faut pas jouer avec la monnaie, que la politique
monétaire ne doit pas subir l'influence de la politique, et donc qu'elle ne doit pas être
confiée au gouvernement mais plutôt à des banques centrales indépendantes, et que ces
dernières doivent appliquer des règles stables, claires et publiques visant une quasi
stabilité du niveau des prix. La BCE en est un bon exemple actuel.
Robert Lucas développera le principe d'anticipation rationnelle, c'est une critique des
anticipations adaptatives de Friedman. L'anticipation rationnelle stipule que les agents
vont agir en moyenne de façon à anticiper au mieux l'inflation. On peut donc considérer
que les salaires vont être indexés sur l'inflation.
C'est une hypothèse très forte qui a pour conséquence le rejet de toute intervention de
l'État dans sa lutte contre le chômage, et prouverait que la courbe de Phillips serait
totalement erronée.
20
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. Différents macroéconomistes ont publié plusieurs travaux de
prévisions de l'inflation. Cette section définira le cadre théorique de la prévision par
l'utilisation de l'information disponible par les agrégats économiques.
Dans le cadre de ce travail nous les regrouperons en deux grands groupes à savoir les
modèles statistiques et les modèles structurels.
Nous entendons par modèles statistiques, toute modélisation se basant uniquement sur
la dynamique intrinsèque de la variable analysée, en l’occurrence l’inflation pour le
présent travail, et ne prenant pas en considération les interactions qui peuvent exister
entre l’inflation et les différents indicateurs macroéconomiques13. Parmi les modèles qui
sont issus de cette approche, nous citons le modèle autorégressif moyenne mobile
intégré (ARIMA) qui a été développé par Box et Jenkins (1976) qui fera surtout l’objet de
la présente étude.
La classe des modèles ARIMA [Box et Jenkins, 1976] 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
13
MOUHA M., Ben Nejma W. et Dridi K., Document de travail : Modèle de Prévision de l’Inflation à Court Terme
(MPICT) pour la Tunisie, Juin 2017
14
OMONGA K., Cours de théories et pratiques de prévision, L1 Economie-Mathématique, 2019-2020
21
Les modèles autorégressifs moyennes mobiles (ARMA) sont des modèles univariés de
prévision, basés sur l’analyse statistique des données. L’objectif de ce type de
modélisation est de déterminer, pour une série temporelle linéaire stationnaire ( , t ∈
Z), son processus générateur de données (PGD) afin de l’utiliser, par la suite, dans la
prévision. Les prévisions issues de ces modèles sont des fonctions linéaires des
observations passées :
=∑ +∑ ,⩝t∈Z (1.6)
Où les et les , sont des paramètres réels et est un bruit blanc de variance .
Les modèles ARMA sont destinés à modéliser des processus stationnaires. En pratique,
les séries temporelles sont généralement non stationnaires, et un prétraitement est
nécessaire pour supprimer les tendances et saisonnalités. Une fois la série
stationnarisée analysée, et les valeurs futures prédites, il est ensuite nécessaire de
revenir à la série initiale16.
Les processus ARIMA sont la généralisation des modèles ARMA pour des processus non
stationnaires, admettant une tendance (ARIMA). En pratique, et dans le logiciel R
notamment, ce sont ces processus qui sont directement utilisés. En réalité, la plupart des
séries macroéconomiques sont non-stationnaires. Toutefois, elles peuvent présenter une
certaine homogénéité et peuvent être modélisées à travers les processus ARIMA (p, d,
q). Où est un entier positif (appelé ordre de différenciation ou d’intégration).
Plusieurs auteurs ont montré que ces modèles statistiques univariés simples donnent
souvent de bons résultats par rapport aux autres modèles plus sophistiqués. Stock et
Watson (1999) témoignent du degré de précision satisfaisant des modèles
autorégressifs de marche aléatoire dans les prévisions de variables économiques aux
États-Unis. Atkeson et Ohanian (2001) confirment ce constat en avançant qu’aucun des
modèles de prévision, y compris celui issu de la courbe de Phillips, ne devance
automatiquement le modèle de marche aléatoire. De même, Fritzer et al (2002)
constatent que les prévisions issues des modèles univariés surperforment celles des
modèles multivariés à des horizons de prévision de court terme. Cependant, à des
horizons de prévision plus étendus, les modèles multivariés semblent plus précis.
Hurbrich (2005) affirme aussi la bonne performance des modèles autorégressifs sur un
horizon d’un an.
15
Op.cit
16
JACQUES J., Introduction aux séries temporelles, Université de Lyon
22
Dans les processus ARIMA, les séries étudiées sont supposées stationnaires. Si besoin,
tendances et saisonnalités étaient supprimées pour obtenir une série résiduelle
stationnaire. Néanmoins, toutes les séries résiduelles obtenues de la sorte ne sont pas
nécessairement stationnaires.
Les moyennes des telles séries semblent constantes alors que leurs variances changent
au cours du temps (on qualifie ce comportement d’« hétéroscédastique »). De plus, les
moments de grande variabilité semblent regroupés. Les modèles de type ARIMA qui
supposent un comportement « homoscédastique » (variance constante), ne sont pas
adaptés à ce type de série. Les modèles adaptés à ce type de série sont les processus
ARCH (Auto Regressive Conditionally Heteroscedastic) introduits par Engle vers 1982,
ainsi que leur généralisation, les processus GARCH.
C’est le cas de l’inflation lorsqu’elle prise en termes de jour ou encore de semaine mais
aussi et surtout des valeurs boursières. Nous ne nous attarderons pas sur ces processus
car nos données sont mensuelles.
Voici comment peut être spécifié fonctionnellement un modèle Var(1) avec 3 variables :
17
Op.cit
18
BOSONGA BOFEKI : Cours d’économétrie approfondie, FASE, L2 ECOMATH, 2020-2021
23
[ ] [ ] [ ][ ] [ ]
Dans le cadre de la prévision des taux d’inflation, l’inflation sera avec d’autres variables
considérées comme étant { priori endogène afin d’en expliquer la dynamique. De ce
modèle découlera un test de causalité au sen Granger, qui spécifiera les sens des
causalités entre les différentes variables afin d’en déduire par l’analyse des chocs
impulsionnels les capacités prédictives de chaque variable sur les autres.
Malgré le fait que les modèles VAR font appel { plusieurs variables afin d’en expliquer la
dynamique des unes par celles des autres, nous la recensons parmi les modèles
statistiques car ils se concentrent sur l’historique des variables et non sur les relations
théoriquement établies même si le choix des variables est fait en fonction de la théorie
économique.
Elles ont été proposées par Cagan en 1956 dans son modèle d’hyperinflation. Les
anticipations adaptatives supposent que les agents révisent leurs anticipations en
fonction de l’erreur d’anticipation commise { la période précédente. On peut donc écrire
l’équation d’anticipation sous la forme :
Lors de la première formulation (dans les années 60) de la courbe de Phillips, par
Phillips lui-même, mais aussi par Samuelson et par Solow, l’inflation moyenne était
quasiment nulle. Une hypothèse correcte consistait donc { supposer que l’inflation {
venir serait elle-aussi nulle : . Ainsi l’inflation au temps t serait donnée par :
Où est un taux de marge sur le prix appliqué par les entreprises, l’ensemble des
facteurs affectant l’offre de travail et le taux de chômage au temps t.
Cette relation donne exactement la relation négative observée par ces économistes. Dans
ce cas, un niveau de faible conduit { W plus élevé donc { une hausse des prix, c’est {
dire à une inflation plus forte. Cela provient de la boucle prix-salaires (aussi appelée
spirale prix-salaires) : etc.
Pour l’Europe et de façon plus nette encore pour les Etats-Unis, la relation décroissante
entre inflation et chômage a été vérifiée dans les années 50 et 60. En revanche, elle
disparaît dans les années 70 (aucune relation entre inflation et chômage n’est
distinguable) ; on remarque notamment qu’{ de mêmes niveaux de chômage
correspondent des niveaux d’inflation beaucoup plus élevés.
Suite à une modification du processus d’inflation, les agents ont modifié leur processus
de formation des anticipations. Cela a conduit à la disparition de la courbe de Philipps
initiale.
i. Modification du processus d’inflation : { partir de la fin des années soixante (1960 aux
Etats-Unis et 1968 en France), le taux d’inflation :
25
ii. Cela conduit les agents à réviser leur processus de formation des anticipations : si le
taux l’inflation est durablement positif, il n’est plus raisonnable de l’anticiper nul. Les
agents cessent donc d’anticiper des prix courants égaux à ceux de la période précédente
pour au contraire prendre en compte la présence de l’inflation.
De sorte qu’on observe que la courbe de Phillips dans le plan ( ), donc pour un
niveau donné de , est décroissante.
Son estimation économétrique entre 1970 et 1998 donne des résultats assez proches
pour les Etats-Unis et pour l’Europe :
L'idée selon laquelle la politique monétaire doit être conduite de façon mécanique et
systématique est initialement postulée par Friedman et Schwartz (2008) comme une
solution aux fluctuations causées par une politique monétaire discrétionnaire. La règle
de conduite proposée consiste assez simplement à maintenir la croissance monétaire
constante au fil du temps.
Reprenant l'idée d'une règle de conduite monétaire, John B. Taylor (1993) propose
plutôt l'utilisation d'une règle dynamique permettant à la fois une croissance stabilisée
du niveau des prix et une atténuation des cycles économiques. La règle de Taylor, telle
qu’énoncée initialement19dicte la fixation du taux d'intérêt directeur en réponse à des
écarts de court terme du PIB et de l'inflation par rapport à de cibles prédéterminées de
long terme. Une telle formulation est avantageuse, d'une part car elle fournit une
prescription normative concernant la conduite de la politique monétaire, mais aussi, car
elle permet de reproduire, d'estimer et de simuler au sein de modèles dynamiques des
réponses de la banque centrale face aux fluctuations cycliques. L'usage d'une telle règle
est désormais standard dans la modélisation en équilibre général dynamique
stochastique.
La règle de Taylor comporte aussi les ingrédients nécessaires pour expliquer les effets
potentiellement déstabilisateurs de la politique monétaire. Dans un article publié en
1999, Taylor adopte une approche historique afin d'observer les diverses calibrations de
règles de conduite monétaire et leurs effets. En estimant des coefficients de réponse
pour différentes sous-périodes historiques, il met en lumière le fait qu'un coefficient
trop faible sur l’écart entre l'inflation et sa cible engendre un effet déstabilisateur de la
politique monétaire. Concrètement, une réponse moins que proportionnelle du taux
d'intérêt direct sur suite à un écart de l'inflation anticipée par rapport à sa cible, soit un
coefficient inférieur à un accompagnant cette variable dans la règle, entraîne le taux
d’intérêt réel dans la direction opposée. Or, c’est le taux réel en vigueur, et non le taux
nominal fixé par la banque centrale qui dicte l'impact de la politique monétaire sur
l'économie.
Ce qui deviendra connu comme le principe de Taylor stipule donc que la banque centrale
doit répondre de façon plus que proportionnelle à un écart entre l'inflation anticipée et
sa cible afin d'avoir l'effet désiré. À l'aide des coefficients estimé de la règle monétaire
pour les différentes périodes historiques, Taylor (1999) est en mesure de stipuler que la
19
Dans l'article de Taylor (1993) , la règle de politique monétaire prend une formulation simple : T = p + .5y +
.5(p- 2) + 2 avec T le taux d'intérêt dicté par la banque centrale, p le taux d'inflation moyen des quatre derniers
trimestres et y un écart en pourcentage entre le PIB et une cible prédéterminée.
27
stabilisation de l'inflation dans les années 80 est liée à l'adoption d'une règle respectant
le principe de Taylor par la Réserve fédérale américaine.
Claricla, Gali et Gertler (2000) reprennent l'explication de Taylor en faisant appel à une
règle de politique monétaire plus élaborée, cette dernière prend en compte les
anticipations futures de l'inflation et du PIB et incorpore un coefficient de lissage inter-
temporel du taux d'intérêt. En adoptant une structure stochastique, ils estiment par la
méthode des moments généralisés (Hansen, 1982) les paramètres de la règle monétaire
pour les périodes pré-Volcker (de 1960 à 1979) et Volcker-Greenspan (de 1979 à
1996)20. Leurs résultats confirment la contribution du principe de Taylor à la diminution
de la volatilité entre le deux périodes.
20
Les désignations des périodes réfèrent ici aux présidents en postes à la Fed américaine. La désignation pré-
Volcker réfère aux mandats de William McChesney Martin Jr., Arthur F. Burns et George William Miller dont les
politiques étaient considérées comme accommodantes. La période Volker-Greenspan (ou post-Volcker)
correspond aux mandats de Paul Volcker et Alan Greenspan tous deux reconnus pour leur contrôle plu restrictif
de l’'inflation.
28
donne l'erreur quadratique moyenne (MSE : Mean Square Error en anglais). La troisième
et dernière étape consiste à prendre la RMSE comme racine carrée de la MSE.
∑
√
Ces deux indicateurs servent surtout à comparer plusieurs modèles ou prévisions par
rapport { une série d’observations, ou encore plusieurs méthodes entre elles. L’on juge
les performances des modèles par rapport à la minimisation de ces indicateurs. Un
modèle sera ainsi meilleur que l’autre si ses indicateurs sont inférieurs { ceux de l’autre.
Stock et Watson (1999) ont proposé des équations de prévision de l'inflation aux Etats-
Unis où le glissement annuel de l'indice des prix à la consommation dépend de sa valeur
passée et d'indicateurs de tensions sur les marchés (taux de chômage, taux d'utilisation
des capacités, output gap, indicateur avancé de conjoncture).
Stephen G. Cecchiti, Rita S., Chu et Steindel C. (2000), ont défini trois grandes catégories
de variables utilisées pour prévoir l'inflation. Il s'agit :
des cours des matières premières (cours du pétrole, cours de l'or, indices d'un
ensemble de produits de base, etc.). Une progression des prix de ces produits se
traduirait par une hausse de l'inflation ;
des indicateurs financiers (taux de change, agrégats monétaires, différence entre
taux d'intérêt à long terme et à court terme), une baisse du taux de change ou une
augmentation rapide des agrégats monétaires pouvant être un signal d'une
hausse de l'inflation ;
des indicateurs de l'état de l'économie réelle (taux d'utilisation des capacités de
production, taux de chômage, etc.). Une progression du taux d'utilisation des
capacités de production ou une baisse du taux de chômage au-delà d'un certain
seuil entraînerait des tensions inflationnistes.
A ces trois grandes rubriques, ces auteurs ont ajouté le salaire horaire moyen, dont la
hausse est liée à celle de l'inflation.
Se fondant sur l'approche de la courbe de Phillips, Hild F. (2002), a proposé des modèles
de prévision d'inflation pour la France à différents horizons (3 mois, 6 mois et un an), à
partir de données trimestrielles. Les variables (exprimées en glissement annuel)
29
retenues sont l'indice des prix à la consommation, les cours du pétrole brut en dollar, le
taux de change effectif nominal du franc, le taux d'utilisation des capacités de production
dans le secteur manufacturier, le salaire mensuel brut, les prix des matières premières
industrielles et le taux moyen de la Taxe sur la Valeur Ajoutée (TVA).
Chauvin V. et Devulder A. (2007) ont proposé une modélisation des évolutions à court
terme de l’indice des prix { la consommation harmonisé sur l’ensemble de la Zone euro.
Les estimations portant sur des séries trimestrielles désaisonnalisées, ont permis, par la
méthode des moindres carrés ordinaires (MCO), de mettre en relation l'indice des prix à
la consommation, l'indice des prix des importations, le coût unitaire du travail, le prix du
pétrole brut exprimé en euro, le taux d'utilisation des capacités de production dans
l'industrie, le taux de TVA et le taux de chômage.
Pour leur part, Mouha M., Ben Nejma W. et Dridi K., dans leur papier paru en 2017, vise à
présenter une modélisation { court terme de l’indice des prix { la consommation en
Tunisie à travers la modélisation Reg-ARIMA. Les résultats obtenus donnent lieu à une
affirmation selon laquelle l’approche désagrégée présente l’avantage de fournir des
prévisions de meilleure qualité que celles issues de l’approche agrégée. Contrairement {
l’approche agrégée, l’approche désagrégée permet d’obtenir des prévisions détaillées et
de distinguer les différents chocs pouvant affecter des composantes spécifiques de
l’indice des prix { la consommation. Par conséquent, elle permet d’analyser en
profondeur les sources des pressions inflationnistes futures et de mieux orienter la
politique monétaire.
Dans ce chapitre il était question de nous éclairer sur les théories ayant trait { l’inflation
et { sa prévision. Fort est de constater qu’il existe plusieurs méthodologie permettant
d’analyser la dynamique de l’inflation afin d’en dégager sa prévision. Selon la littérature,
les modèles statistiques sont celles qui donnent les meilleures prévisions. Nous
essayerons de vérifier cela au travers de notre modélisation. Le chapitre suivant,
abordera les caractéristiques des données et les approches méthodologiques qui nous
permettrons de faire notre modélisation.
30
Sur le plan économique, la République démocratique du Congo (RDC) est l'un des pays
africains les plus riches en ressources naturelles. En effet, on trouve dans le sous-sol
congolais du cuivre, du cobalt, du zinc, du fer, du Coltan, de la cassitérite, de l'or, du
manganèse, de la bauxite, de l'étain, du diamant, du pétrole, du gaz, etc. Pourtant, la RDC
est aussi l'un des pays les plus pauvres du monde. En 2017, son PIB a été selon les
données de la BM de 41.62 Milliards de USD, soit un PIB par habitant de 466 USD.
L’inflation qui nous concerne particulièrement dans le présent travail, s’est élevée {
3,4%, la BCC et la FMI s’accordent sur ce taux. Notons par ailleurs que la monnaie
nationale n’a cessé de perdre de sa valeur accusant au passage en 2017 une dépréciation
de 23,65% selon les données de la BCC dans son rapport annuel 2018. Notons que
l’inflation qui nous intéresse plus particulièrement dans ce travail s’est élevée { 46,83%
pour l’année 2017 alors qu’il était de 25,04% l’année précédente dans un contexte de
quasi-dollarisation.
Il nous paraît important de relever les aspects sécuritaires et sanitaires. L’Est de la RDC
est déstabilisé par l’action de nombreux groupes armés, notamment les Allied
Democratic Forces (ADF) rebelles islamistes originaires de l’Ouganda, actifs dans le
Nord-Kivu. L’activité de ces groupes, auteurs d’exactions et souvent impliqués dans
l’exploitation illégale de ressources naturelles, continue d’être source d’une grave crise
humanitaire dans l’Est de la RDC. D’autres provinces du pays sont aussi frappées par une
forte insécurité, tout particulièrement dans les provinces du Kasaï, où des violences à
large échelle ont lieu depuis août 2016. La RDC fait également face à une épidémie
d’Ebola qui touche l’Est du pays. L’épidémie reste pour l’heure circonscrite aux
31
La distribution de l’IPC ainsi déterminé par les institutions susmentionnées est donnée
par le graphique suivant :
0
2012 2013 2014 2015 2016 2017 2018 2019 2020
Source : INS
Un commentaire peut être fait sur cette série brute, nous constatons que les taux
d’inflation ont été plutôt stable entre Mars 2012 et Mai 2016, les taux d’inflations
mensuels en RDC ont été relativement faibles, ils ont difficilement atteint 0,2%. Avant de
connaitre une forte période d’accroissement l’emmenant jusqu’{ sa plus grande valeur
de la période sous examen soit 7,47% en Mai 2017. Ceci est surtout dû à un temps de
crispation politique lié au processus électoral constitutionnel non respecté. Par ailleurs,
il n’est pas possible, du moins visuellement, de dire que la série comporte une tendance
ou une saisonnalité. Pour essayer d’avoir un avis sur la question, nous allons lisser la
série en calculant son logarithme. La série obtenu « linflation » est représenté
graphiquement comme suit :
-1
-2
-3
-4
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
Source : INS
33
La série lissée est plus révélatrice d’une tendance que la série brute. Faut-il encore
déterminé si ladite tendance est stochastique ou déterministe. Ce qui sera fait dans les
points qui viendront après des tests plus formels.
Moyenne 0.776664
Ecart-type 0.206274
Statistique de Jarque-Berra 541.8335
Probabilité de JB 0.0000
Source : Auteur
Le tableau qui précède nous renseigne sur les statistiques de la variable « inflation ». Le
taux d’inflation mensuel sur la période est de 0.776664%, ayant connu un maximum de
7.475330% et un minimum de 0.026952%. Ceci accuse déj{ d’une distribution qui ne
suit pas une loi normale. Affirmation qui se confirme par l’histogramme de la série mais
aussi par le test de Jarque-Berra dont la probabilité associée à la statistique est de
0.0000 ce qui implique que la distribution n’est pas gaussienne. Par ailleurs, la série a un
écart-type de 1,326255.
Le taux de change : dont les effets attendus sur l’inflation sont positifs, en d’autres
termes, si le taux de change augmente, le taux d’inflation devrait aussi
augmenter ;
La masse monétaire : Qui devrait avoir une relation positive avec l’inflation ;
Le prix du carburant affiché à la pompe : Qui devrait lui aussi avoir une relation
positive avec l’inflation.
La statistique descriptive des variables retenues en donne les moyennes, les ecarts-
types et les résultats des tests de normalité de JB repris dans le tableau suivant :
II.2.3. Méthodologie
a. Présentation de la méthodologie
(1) Identification :
(i) Choix de : combien de fois faut-il différencier pour obtenir une série
stationnaire (autocorrélogrammes, tests statistiques, etc.)
(ii) Choix de et : ordres respectifs des composantes AR et MA
(2) Estimation des paramètres : estimation des et : paramètres respectifs des
composantes AR et MA
(3) Diagnostic :
(i) Significativité des paramètres
(ii) Validation de l’hypothèse de bruit blanc des résidus
a.1. L’identification
21
OMONGA K., op.cit
22
Op.cit
35
Cette étape consiste à faire le choix de, combien de fois faut-il différencier la série pour
obtenir une série stationnaire (autocorrélogrammes, tests statistiques…). Cela se fait au
travers du nombre de fois qu’il faut différencier une série pour obtenir une série
stationnaire. Quelques test qui permet d’analyser de la question de la stationnarité d’une
série chronologique.
Il est question dans ces test de vérifier l’hypothèse nulle qui est de l’existence d’une
racine unitaire soit de la non-stationnarité de la série contre l’hypothèse alternative
d’absence de racine unitaire, dans lequel cas la série est dite intégrée d’ordre 0 ou mieux
et simplement stationnaire.
Ces tests ne sont qu’un élargissement des tests Dickey-Fuller simple dans la mesure où
ils intègrent la prise en compte des problèmes d’autocorrélations des erreurs.
Ce sont des tests non paramétriques des statistiques de Dickey-Fuller. Ils ont pour
avantage la prise en compte des erreurs hétéroscédastiques et/ou autocorrelées. Par
ailleurs, ils viennent corriger le ratio de Student du coefficient de .
L’estimation des paramètres peut se faire { l’aide d’un logiciel de statistique. Il se fait sur
base de la validation de la probabilité associé à la statistique du modèle globale. Si cette
dernière permet de valider le modèle, on vérifie les probabilités associées à chacun des
paramètres et . Ces probabilités permettent de conforter la validation du modèles
avant des tests et diagnostiques plus poussés.
Les modèles autorégressifs (AR) : c’est des modèles dynamiques où l’on trouve, parmi
les variables explicatives ( ), la variable dépendante décalée (ses valeurs passées).
Engénéral, ils se présentent comme suit (forme implicite) :
( )
Le terme « autorégressif » traduit la régression d’une variable sur elle-même, soit sur ses
propres valeurs décalées.
Les modèles à retards échelonnés ou distributed lag (DL) : c’est des modèles
dynamiques qui ont pour variables explicatives : et ses valeurs passées ou
décalées. En général, leur forme est :
( )
23
KIBALA KUMA J., Modélisation ARDL, Test de cointégration aux bornes et Approche de Toda-Yamamoto
: Eléments de théorie et pratiques sur logiciel, HAL, 2018, p.54
37
Le terme « retards échelonnés » montre que les effets à court terme de sur
sontdifférents de ceux { long terme. D’un point de temps à un autre, les échelles de
réaction de au changement de diffèrent.
Les modèles autorégressifs à retards échelonnés (ARDL) : ces modèles combinent les
caractéristiques de deux précédents ; on y trouve, parmi les variables explicatives
( ),la variable dépendante décalée ( ) et les valeurs passées de la
variableindépendante ( ). Ils ont la forme générale suivante :
( )
(2.7) ou encore
∑ ∑ (2.8)
Avec iid : terme d’erreur ; « » traduit l’effet { court terme de sur . Si l’on
considère la relation de long terme ou d’équilibre suivante « », l’on peut
calculer l’effet { long terme de sur (soit « ») comme suit :
∑
⁄
( ∑ )
Comme pour tout modèle dynamique, l’on se servira des critères d’information (AIC, SIC
et HQIC) pour déterminer le décalage optimal (p* ou q*) ; un décalage optimal est celui
dont le modèle estimé offre la valeur minimale d’un des critères énoncés. Ces critères
sont : celui d’Akaike (AIC), celui de Schwarz (SIC) et celui de Hannan et Quinn (HQIC).
a. Tests à niveau
Notre série contient la racine unitaire car la probabilité associée au test ADF pour le
modèle 3 (modèle avec tendance et constante) est 0.4049 > 0.05 mais aussi la statistique
tabulée au seuil de 5% est inférieure à la statistique calculée (voir tableau suivant). Alors
38
nous concluons que la série contient une racine unitaire. Elle n’est donc pas stationnaire.
De plus notre série comporte une tendance stochastique car le coefficient de la tendance
du modèle 3 est supérieur à 3.1424. Ainsi, en plus de ne pas être stationnaire, notre série
est de type DS. On va donc procéder par une différenciation afin de la stationnariser.
Tableau 4 : Résultats des tests ADF des modèles 1 et 2 sur la série Inflation
Les résultats du modèle 3 sont confirmés dans le même tableau par les résultats des
tests ADF des modèles 2 et 1 de la série. Les deux probabilités associées sont toutes
supérieures à 0.05 et les statistiques tabulées au seuil de 5% sont également supérieures
à celles calculées.
-2
-4
-6
2012 2013 2014 2015 2016 2017 2018 2019 2020
Source : Auteur, nos analyses sur Eviews
Après différenciation, nous constatons sur le graphique que la série est stationnaire.
Faisons un ADF pour confirmer ou infirmer cette hypothèse.
Le test ADF du troisième modèle donne lieu à une série stationnaire. Nous pouvons donc
dire que nous avons obtenu une série stationnaire après une différentiation. Nous
confirmons donc la conclusion des tests informels (Graphique). Cela se vérifie encore
avec les modèles 2 et 1 dont les résultats sont repris dans le tableau suivant.
24
Valeur lue sur la table de Dickey-Fuller
39
Nous pouvons à ce stade, nous avancer sur le fait que notre modèle ARIMA soit intégré
d’ordre 1 soit ARIMA (p,1,q). Passons { la détermination de p et q.
II.3.1.2. Détermination de p et q
D’une part, étant donné que le MA(2) du modèle ARIMA (2.1.2) n’est pas significatif, ce
modèle ne peut pas être validé. D’une autre part, toutes les probabilités du modèle
ARIMA (2.1.4) et celles du modèles ARIMA (2.1.8) sont toutes inférieures à 0.05, ces
40
modèles sont significatifs. Donc les modèle ARIMA (2.1.4) et ARIMA (2.1.8) peuvent être
validés. Faut-il encore sélectionner le modèle optimal.
Pour ce genre des modèles, la constante est souvent non significative (c’est le cas avec
notre estimation). Ainsi, il convient de l’extraire25.
= + –
Cette étape est d’autant plus cruciale qu’elle sanctionne l’identification du modèle ;
laquelle identification, si elle n’est pas bien faite, peut conduire { répéter le cycle «
identification-estimation-validation » autant de fois jusqu’{ ce que le modèle soit valide
(d’où nécessité de bien identifier le modèle adéquat).
25
KIBALA K. Jonas, Prévision par l’approche méthodologique de Box et Jenkins : Cas d’une Série Non
Saisonnière et Non Stationnaire du type TS (Pratique sur EViews et Stata)
41
Etant donné que toutes les valeurs sont comprises dans l’intervalle de confiance, dans le
corrélograme ci-dessus, on conclut que le résidu est un bruit blanc. Mais aussi et surtout,
toutes les Q-Stat ont chacune une probabilité supérieure à 0.05. Cela se confirme
également par le diagnostic obtenu par la commande armadiag sur stata dont les
résultats sont donnés par l’image suivante :
26
KIBALA KUMA J.,: Prévision par l’approche méthodologique de Box et Jenkins : Cas d’une Série Non
Saisonnière et Non Stationnaire du type TS (Pratique sur EViews et Stata), HAL, avril 2018
42
La commande « armadiag » sur stata est analogue au précédent test, il permet de valider
l’hypothèse du bruit blanc des erreurs.
Soit notre modèle théorique (a). Tester les conditions de stationnarité sur le modèle (a)
estimé revient à vérifier que les racines caractéristiques du polynôme de retard associé
à ce modèle – soit les polynômes ( L) = 0 et (1- L) = 0 – sont toutes supérieures à
1 en valeur absolue (c.à.d. |L| >1) et que les paramètres « et » estimés soient
chacune, en valeur absolue, inférieur { l’unité (compris dans le cercle unité du plan
complexe. C{d : ∣ ̂ < 1 et ∣ ̂∣ < 1). Ainsi, écrivons nos polynômes retard d’ordre 1 (degré
du lag optimal : ) et calculons les racines caractéristiques associées « L » comme suit
( (L) = 0, avec | | > 1 ; et ɛ (L) = 0, avec ∣ ∣ > 1) :
Notre modèle estimé respecte les conditions de stationnarité (le modèle est convergent ;
d’où, la série est stationnaire).
43
c. Test de normalité
40
30
20
10
0
-2 -1 0 1 2 3 4
Source : Auteur, nos analyses sur Eviews
Statistique Valeurs
Skewness 1.731645
Kurtosis 17.36539
Jarque-Berra 964.4185
Probabilité de JB 0.0000
Source : Auteur, nos analyses sur Eviews
H0 : les erreurs sont des bruits blancs Gaussiens (prob-JB > 5%)
H1 : les erreurs ne sont pas des bruits blancs Gaussiens (prob-JB < 5%)
Etant donné que la probabilité associée au test de Jarque-Berra est 0.0000 < 0.05, nous
rejetons H0 : les résidus du modèle estimé ne sont pas des bruits blancs Gaussiens (ne
sont pas normalement distribués).
Pour Skewness
=
√
= = 37,467879> 1.96
√
La distribution n’est pas symétrique
44
Pour Kurtosis
=
√
= = 310,826217> 1.96
√
Nous la lisons en comparant les valeurs prévues calculées aux données réelles dans
l’échantillon (l’on parle mieux de la « prévision in casting »).
2
6
0
4
-2
2 -4
0 -6
-2
-4
2012 2013 2014 2015 2016 2017 2018 2019 2020
Visiblement, l’ajustement est bon { quelques écarts près et dans des proportions moins
importantes.
Pour la modélisation ARDL, nous utiliserons des variables lissées par le calcul des
logarithmes. Les résultats donnant la moyenne, l’écart-type ainsi que la statistique JB et
sa probabilité associée de chacune de ses séries sont étalés dans le tableau suivant :
Tableau 8 : La statistique descriptive des variables lissées par le calcul des logarithmes
Nous constatons dans ce tableau que la série lissée de l’inflation a la plus grande
volatilité parmi toutes les séries étudiés. En effet, la série a un écart-type largement
supérieur { l’unité soit 1.450899 alors que les autres séries ont toutes des écart-types
inférieurs { l’unité. En outre, toutes nos séries ne sont pas normalement distribuées.
Après des tests ADF sur chacune des séries à niveau mais aussi en première
différenciation, il est à noter les conclusions suivantes :
Etant donné que toutes les séries sont intégrées de même ordre, un test de causalité au
sens de Granger aura toute son efficacité. Mais avant de traiter la question de la
causalité, l’analyse de la corrélation entre les variables a toute son importance. Ainsi les
prochains tableaux nous renseignerons sur la corrélation dans un premier temps et le
sens de la causalité dans le suivant.
Ce tableau nous renseigne que l’inflation qui est notre variable dépendante, est plus
corrélée avec le taux de change que les autres variables avec un coefficient de 70.2%.
Toutefois, une corrélation relativement forte est également à signalé entre la série lissée
de l’inflation et celle de la masse monétaire mais aussi avec celle du prix du carburant {
la pompe. Des tests de causalité s’imposent pour connaître le sens des relations qui
existent entre les variables. Pour ce faire, nous avons effectué un test de causalité au
sens de Granger dont les résultats sont donnés dans le tableau ci-dessous :
46
Taux de change
Prix du carburant
Source : Auteur
Etant donné que le test de causalité au sens de Granger sur les données en notre
possession donne lieu en une absence de causalité directe comme indirecte du prix du
carburant sur l’inflation, nous nous sommes contentés d’estimer un modèle ARDL avec
seuls le taux de change et la masse monétaire comme variables explicatives. Le modèle
ARDL estimé est donné dans les annexes :
Le modèle ARDL estimé est un ARDL (2.0.2) en d’autre terme un modèle comprenant
deux retards de la variable dépendante en l’occurrence l’inflation, aucun retard sur la
masse monétaire mais la masse monétaire de la période concernée et deux retards
47
également sur le taux de change. Pour visualiser sur un graphique le modèle ARDL
optimal, nous avons calculés le critère de sélection d’Akaike, et nous avons constaté que
notre modèle est le modèle optimal parmi les 20 modèles proposés car il a la valeur la
moins élevée selon ce critère.
1.325
1.320
1.315
1.310
1.305
1.300
1.295
1.290
ARDL(2, 0, 2)
ARDL(1, 0, 2)
ARDL(2, 1, 2)
ARDL(3, 0, 2)
ARDL(1, 1, 2)
ARDL(2, 0, 3)
ARDL(2, 3, 2)
ARDL(4, 0, 2)
ARDL(1, 0, 3)
ARDL(2, 2, 2)
ARDL(2, 0, 4)
ARDL(3, 1, 2)
ARDL(2, 1, 3)
ARDL(2, 4, 2)
ARDL(3, 0, 3)
ARDL(1, 2, 2)
ARDL(4, 1, 2)
ARDL(1, 3, 2)
ARDL(1, 1, 3)
ARDL(2, 3, 3)
Source : Auteur, nos analyses sur Eviews
Le précédent modèle ARDL ainsi estimé ne laisse pas lire les effets immédiats
(dynamique de court terme), ni ceux à long terme ; une autre procédure aidera plutôt à
les obtenir27 : celle de produire les coefficients ou effets immédiats (court terme) et à
long terme. Ceci ne peut être fait qu’après avoir vérifié la robustesse du modèle ainsi
estimé mais aussi et surtout la cointégration car c’est celle-ci qui permet l’analyse de la
dynamique de long terme.
16
12
0
-1.5 -1.0 -0.5 0.0 0.5 1.0
27
KIBALA KUMA J., Modélisation ARDL, Test de cointégration aux bornes et Approche de Toda –Yamamoto :
éléments de théorie et pratiques sur logiciels, HAL, Kinshasa, 2018
48
Ce test nous révèle que les erreurs de ce modèle sont normalement distribuées. Elles
suivent une loi normale étant donné que la probabilité associée au test de Jarque-Berra
est supérieure à 5% soit 9,2%.
Dans le présent travail, nous avons réalisé les tests d’autocorrélation des erreurs de
Breusch-Godfrey, d’hétéroscédasticitéde Breush-Pagan-Godfrey et de spécification de
Ramsey qui vise à tester la bonté globale du modèle dont les résultats sont donnés en
annexes. Les hypothèses nulles ont toutes été acceptées dans ces tests. En effet les
valeurs statistiques de ces tests sont respectivement de 2.116110, 0.997709 et
1.973201 ; avec des probabilités associées citées dans le même ordre de 0.1261, 0.4314
et 0.1446.
Ces résultats nous indiquent que ce modèle est correctement spécifié. Il est donc
linéaire.
c. Test de cointégration
L’on se souviendra que le test de cointégration est antérieure { l’estimation d’un modèle
ARDL, car pour des variables qui ne sont pas cointégrées, l’on ne pourra pas estimer un
modèle { correction d’erreur, ni estimer les effets { court et long terme. Dans EViews 9,
l’on doit plutôt commencer par estimer un ARDL pour ensuite passer le test de
cointégration aux bornes comme un test diagnostics (spécification ou restriction sur les
coefficients). Et les résultats obtenus à la suite de ce test sont donnés dans un tableau en
annexe.
Notons cependant que ce test a donné une valeur statistique de 31.69691 qui est de loin
supérieure à toutes les valeurs tabulées et particulièrement à celle au seuil de 5% qui
nous intéresse et qui est de 3.83. Etant donné que l’existence de la cointégration entre
les variables est vérifiée, nous pouvons analyser la dynamique de court terme et celle de
long terme.
Nous constatons que seuls les coefficients à court terme sont significatifs. La dynamique
de long terme, quoiqu’il y ait existence de cointégration, ne peut être interprétée.
49
0
1.5
1.0 -1
0.5
-2
0.0
-0.5
-1.0
-1.5
2012 2013 2014 2015 2016 2017 2018 2019 2020
Nous constatons que le modèle est performant dans la mesure où les valeurs prévues se
rapprochent des réalisations.
Notons cependant que la série prévue est celle de l’inflation lissée par le biais du
logarithme naturel. Pour trouver la série brute de l’inflation prévue nous devons donc
faire une fonction exponentielle de la série prévue soit :
Avec
20
16
12
0
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
Inflation INFLATIONFARDL202
Source : Auteur, nos analyses sur Eviews
Il a été question dans ce chapitre de faire une analyse de dynamique de l’inflation par les
modèles ARIMA et les modèles ARDL. Nous avons estimés un modèle ARIMA (2.1.8) et
un modèle ARDL (2.0.2).
Le modèle ARIMA (2.1.8) estimé s’est avéré globalement stable mais s’est trouvé mal
spécifié c’est-à-dire non-linéaire. Cette caractéristique fait de sa prévision une prévision
imparfaite. Cependant, nous devons insister sur le fait que les analyses nous ont donné
des prévisions globalement bonnes. Quant au modèle ARDL (2.0.2) estimé, nous avons
constaté par le diagnostic du modèle qu’il est bien spécifié. Cette spécification a donné
des prévisions globalement meilleures que celles du modèle précédent.
51
Enfin, nous arrivons au point où il va être question de se servir des notions théoriques
apprises, procédures sur logiciels en mains, pour répondre à une problématique précise.
Nous allons chercher à comparer les performances des modèles de prévision
statistiques univariés et ceux multivariés, soient les modèles ARIMA de la méthodologie
de Box et Jenkins et les modèles par rapport { la prévision des taux d’inflation mensuels
de la RDC durant la période allant de 2012 à 2020.Cette comparaison, dans son existence
et sa nature dynamique, est très importante en ces moments précis où la RDC en
particulier veut s’inscrire plus que jamais dans un processus d’émergence d’ici { 2030, et
cela passe aussi par la maitrise du taux d’inflation { un niveau raisonnable. Pour
maitriser le taux d’inflation dans ces standards, il va surtout se poser pour la RDC la
question des déterminants « optimales » de cette inflation. L’optimalité sous-entend le
choix du ou des facteur(s) parmi tant d’autres, le(s)quel(s) va (vont) permettre
d’expliquer efficacement l’inflation en vue de mener des politiques sectorielles ciblées
en cohérence avec la politique économique pour connaitre l’émergence. L’inflation
s’explique-t-elle elle-même ou il est possible en intégrant d’autre variable dans sa
modélisation, d’avoir une bien meilleure prévision qui se rapproche des réalisations…
Il s’agit ici de l’explication de la variable dépendante par ses propres valeurs décalées.
Un tel modèle dynamique est appelé « modèle autorégressif » (AR) et peut s’écrire :
lignes plus tard, nous aurons pu utiliser cette modélisation car toutes nos séries sont
stationnaire après la première différenciation.
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. Il peut s’écrire de manière générale :
Des valeurs présentes des variables indépendantes ( ) et leurs valeurs décalées dans le
temps ( )). Il s’agit ici des « modèles { retards échelonnés » (DL) qui ont la forme :
Ces processus nous ont conduits à des spécifications des modèles ARIMA et des modèles
ARDL qui peuvent être représentés comme suivent :
(3.4)
Les modèles ARDL, qui héritent les caractéristiques des modèles AR et DL, souffrent de
certains problèmes économétriques qui compliquent son estimation par les Moindres
Carrés Ordinaires (MCO) : colinéarité entre variables explicatives (modèle DL),
autocorrélation des erreurs (modèle AR), etc. L’on recourt généralement à des
techniques d’estimation robustes.
Dans le cadre de notre étude, nous avons cherché { saisir la manière dont l’inflation est
expliquée d’abord par elle-même puis par le taux de change tout en tenant compte
d’autres variables de contrôle indispensables dont l’influence améliore dans une
certaine mesure l’explication de l’inflation. Ces variables sont couramment utilisées dans
bien d’études mettant en relation l’inflation et ses différents déterminants en RDC. Il
s’agit de la masse monétaire et du prix du carburant affiché à la pompe. Ainsi, nous nous
proposons d’estimer un modèle ARDL pour la fonction suivante (forme fonctionnelle
linéaire).
Par ailleurs, la forme fonctionnelle du modèle ARIMA peut être donné par :
Car dans ce modèle, il n’est question d’expliquer l’inflation par elle-même décalée de
quelques périodes. Bien avant de considérer les performances prévisionnelles de chaque
53
modèle, nous constatons { ce stade que le modèle ARDL intègre beaucoup d’aspect dans
sa procédure que le modèle ARIMA tend { minimiser l’influence. Dans le diagnostic du
modèle ARIMA, il est possible de laisser certaines informations sans les prendre en
capture dans la modélisation et tout cela dans le but de respecter scrupuleusement le
principe fondamentale de la méthodologie de Box et Jenkins qui est la parcimonie, en
d’autres termes, une modélisation avec le moins de paramètres possible.
Si l’on se propose de saisir les effets de court terme et ceux de long terme des variables
explicatives ci-dessus sur l’inflation, la représentation ARDL de la fonction (3.6) sera :
∑ ∑ ∑
Comme pour tout modèle dynamique, nous nous servirons des critères d’information
(Akaike-AIC, Shwarz-SIC et Hannan-Quin) pour déterminer les décalages optimaux (p,q)
des modèles ARIMA et ARDL, par parcimonie.
Ecrire un modèle ARDL comme ci-dessus (relation 3.8) suppose l’existence d’une
relation de cointégration entre les variables qui conditionne même l’estimation des
coefficients de court et long terme de ces variables. La littérature économétrique fournit
plusieurs tests de cointégration dont celui de Engel et Granger (1987), celui de Johansen
(1988, 1991) et Johansen et Juselius (1990), et celui de Pesaran et al. (1996), Pesaran et
Shin (1995) et Pesaran et al. (2001). Le test de cointégration de Engle et Granger (1991)
est valide dans notre cas pour toutes les variables car toutes sont intégrées de même
ordre (soit ordre d’intégration = 1), il est ainsi moins efficace pour des cas multivariés.
Bien que le test de Johansen pallie à ce souci, fondé sur une modélisation vectorielle
autorégressive { correction d’erreur (VECM), il exige aussi que toutes les variables
soient intégrées de même ordre, ce qui n’est pas toujours lecas en pratique. Lorsqu’on
dispose de plusieurs variables intégrées d’ordres différents (I(0), I(1)), l’on peut
recourir au test de cointégration de Pesaran et al. (2001) appelé « test de cointégration
aux bornes » ou « bounds test to cointegration ». Si l’on recourt au test de cointégration
de Pesaran pour vérifier l’existence d’une relation de cointégration entre les variables
dans un modèle ARDL, l’on dira que l’on recourt { l’approche « ARDL approach to
54
La procédure du test est telle que l’on devra comparer les valeurs de Fisher obtenues
aux valeurs critiques (bornes) simulées pour plusieurs cas et différents seuils par
Pesaran et al. L’on notera des valeurs critiques que la borne supérieure (2ème
ensemble) reprend les valeurs pour lesquelles les variables sont intégrées d’ordre 1 I(1)
et la borne inférieure (1er ensemble) concernent les variables I(0). Ainsi :
Grâce { la procédure de Pesaran et al. (2001), un modèle { correction d’erreur peut aider
{ confirmer l’existence ou non de la cointégration entre variables. Ce modèle aura la
forme suivante dans le cadre de notre étude :
∑ ∑
∑ ∑
L’on notera que nous nous sommes servis du Logiciel Eviews 9 pour l’étude de la
stationnarité des séries, le test de cointégration, le test de causalité et les estimations. Ce
logiciel, adapté pour les analyses économétriques, dans sa version « 9 », offre la
possibilité de faire plusieurs tests non intégrés avant (dans d’autres versions du
logiciel): le test de cointégration aux bornes, le test de causalité de Toda-Yamamoto,
etc29.
28
KIBALA KUMA J., Op.cit
29
KIBALA KUMA J., Op.cit
55
III.1.2.1. La stationnarité
Une série temporelle dont la moyenne (mobile) et/ou variance varie dans le temps est
dite non stationnaire ; cette non stationnarité (du type déterministe ou stochastique), si
elle n’est pas traitée (stationarisation), peut conduire { des régressions « fallacieuses ».
Pour éviter cette éventualité, nous avons été emmené à analyser la stationnarité de
chacune des séries que nous avons utilisés dans le but de faire nos modélisations. Car,
rappelons-le, la stationnarité de la série est une condition sine qua none pour les
modélisations adoptés dans le cadre de notre travail.
Le tableau suivant, nous donne les résultats de ces analyses par les tests de Dickey-
Fuller augmentés (ADF) :
L’on note { ce stade que toutes nos séries sont intégrées d’ordre 1. Un modèle de
correction d’erreur de Johansen serait aussi applicable pour permettre la prévision de
l’inflation. Alors le choix sur la modélisation ARDL qui ne s’imposait pas { nous a été fait
sur la seule base que l’on veuille expliquer l’évolution de l’inflation en vue de la prévoir.
Et nous avons voulu comparer la performance de l’explication de l’inflation par elle-
même et l’explication de l’inflation non seulement par elle-même mais aussi par d’autres
variables en l’occurrence le taux de change, la masse monétaire et le prix du carburant
affiché à la pompe que nous avons sorti de la liste des variables explicatives à la suite
des tests empiriques qui donne l’absence de relation directe comme indirecte entre le
prix du carburant et l’inflation en RDC. Par ailleurs, nous constatons que des tests ADF
ont été effectués sur la série brute de l’inflation mais aussi sur les séries lissées de
l’inflation, le taux de change, la masse monétaire et le prix du carburant parce que nous
avons opté sur une modélisation ARDL sur les variables lissées. Seule la modélisation
ARIMA se fera sur la variable brute de l’inflation. Cela nous conduit à avoir une fonction
exponentielle pour trouver série brute de l’inflation { la suite de la modélisation ARDL.
Une procédure { l’essai erreur qui fait de l’estimation d’un modèle ARIMA (p,d,q) plus un
art qu’une science. En effet, après une observation rigoureuse des pics sur le
corrélogramme, qui nous en a donné un seul sur la colonne d’autocorrélation partiel au
niveau du lag 2 soit un modèle AR(2), et trois pics sur la colonne d’autocorrélation
simple au niveau des lags 2, 4 et 8 soient des modèles MA(2), MA(4) et MA(8). Ce qui
devrait donner lieu { trois modèles susceptibles d’être le modèle adéquat pour expliquer
la dynamique de l’inflation par la méthodologie de Box et Jenkins soient les modèles
ARIMA (2.1.2), ARIMA (2.1.4) et ARIMA (2.1.8).
Rappelons que le tableau 8 donne lieu à un modèle ARIMA (2.1.8) optimal pour
expliquer la dynamique de l’inflation au cours de la période sous examen en vue d’une
prévision à court terme car il minimise tous les critères à minimiser à maximise le seul
56
Notons ici une difficulté dans la détermination d’un modèle optimal par cette
méthodologie, un modèle ajusté des moyennes mobiles MA(2), MA(4) et MA(8) donne
lieu { un plus grand pouvoir prédictif de l’inflation sur la période sous examen en ce
sens où elle a un coefficient de détermination supérieure à celui du modèle ARIMA
(2.1.8) soit 0.224261 > 0.209145. Par ailleurs, il minimise encore plus les critères de
sélection. Mais pour des raisons de spécification, nous avons choisi le modèle ARIMA
(2.1.8). C’est vraiment un art cette modélisation.
En se référant au critère d’Akaike comme nous l’indique le graphique 6, il est donné que
le modèle ARDL (2.0.2) est le modèle optimal parmi les 20 modèles proposés. Ce modèle
estimé donne lieu, à deux retards au niveau de la variable dépendante elle-même, aucun
retards sur la variable explicative « Masse monétaire » et deux retards sur la variable
explicative « Taux de change ». Les résultats de cette estimation sont donnés dans un
tableau en annexe.
Comme on vient de le voir, le modèle ARDL (2.0.2) est le plus optimal parmi les 19
autres présentés, car il offre la plus petite valeur du SIC. Par ailleurs, au regard des tests
qui aident { diagnostiquer le modèle ARDL estimé, l’on note l’absence d’autocorrélation
des erreurs, il n’y a pas d’hétéroscédasticité, il y a normalité des erreurs, et le modèle a
été bien spécifié. Le tableau suivant nous donne un résumé sur le diagnostic du modèle
ARDL (2.0.2).
L’hypothèse nulle est acceptée pour tous ces tests. Notre modèle est ainsi validé sur le
plan statistique. Le modèle ARDL (2.0.2) estimé est globalement bon et explique à 22%
la dynamique de l’inflation en RDC, de 2012 { 2020.
Eu égard à ce tableau, nous pouvons conclure que les résultats du test de cointégration
aux bornes confirment l’existence d’une relation de cointégration entre les séries sous
étude car la valeur de F-stat est supérieure à celle de la borne supérieure soit 31.69691
> 3.83 (borne supérieure { 5%), ce qui donne la possibilité d’estimer les effets de long
terme des séries lissées de la masse monétaire et du taux de change sur la série lissée de
l’inflation. Avant tout, l’on essaye de jeter un coup d’œil sur la corrélation et causalité
entre variables. Parce que, l’on peut constater qu’alors que nous avions listé trois
variables explicatives de l’inflation dans le cadre de cette modélisation dite ARDL, nous
n’en avons utilisés que deux soit le taux de change et la masse monétaire comme nos
variables de contrôle.
Alors que la matrice de corrélation a donné lieu { des corrélations entre l’inflation et
toutes les autres variables, même le prix du carburant, variable que nous avons éliminé
dans notre modélisation du fait que dans le test de causalité au sens de Granger, nous
avons constaté une absence de causalité directe comme indirecte entre le prix du
carburant et l’inflation. En effet, le prix du carburant ne cause même pas une variable
explicative même si toutefois, il est causé par le taux de change. En l’absence de cette
causalité, nous l’avons éliminé de notre modélisation. Les spécifications 3.8 et 3.9 du
modèle ARDL deviennent alors :
∑ ∑
∑ ∑
Outre ces tests qui nous permettent de juger sur la robustesse du modèle ARIMA (2.1.8)
estimé, nous avons eu à faire deux autres tests qui ne nous ont pas donné les résultats
escomptés. A savoir le test de normalité des erreurs de Jarque-Berra et le test de
linéarité de Ramsey. Contrairement au modèle ARDL (2.0.2) estimé, le modèle ARIMA
(2.1.8) n’est pas un modèle linéaire d’une part, en d’autres termes, il est mal spécifié car
la statistique de Fisher calculé par le test de Fisher étant de 13.83269 et est associée à
une probabilité de 0.000 < 0.05 qui nous emmène { rejeter l’hypothèse nulle de linéarité
du modèle ARIMA (2.1.8). Et d’une autre part, ses résidus ne forment pas un bruit blanc
gaussien. C’est ce qui nous permet de conclure que ce modèle n’est pas robuste.
Des deux modèles estimés, seul le modèle ARDL permet d’analyser, d’aborder de la
dynamique de long terme de l’inflation. A l’aide du test de cointégration, dont les
résultats sont donnés dans un tableau en annexe que nous pouvons synthétiser comme
suit :
59
A long terme, la masse monétaire et le taux de change se sont tous deux montrés non
significatifs. Ceci vient annihiler les effets de la mémoire inflationniste sur l’inflation de
la période t.
Au regard des graphiques 5 et 10, nous pouvons conclure que les deux modèles donnent
des prévisions globalement bonnes. En effet, nous constatons sur ces graphiques que les
courbes des valeurs prévues sont proches des courbes des valeurs réalisées voir se
confondent en certaines périodes. Mais analysons le graphique des valeurs prévues des
deux modèles avec celles des valeurs réalisées.
60
Graphique 11 : les valeurs réalisées en comparaison avec les valeurs prévues par les
deux modèles
24
20
16
12
0
2012 2013 2014 2015 2016 2017 2018 2019 2020
Inflation
INFLATIONFAR2MA8
INFLATIONFARDL202
Nous constatons que les deux modèles ont donné des prévisions qui se rapprochent des
valeurs réalisées de 2012 à Mai 2016. De Mai 2016 à janvier 2018, seules les prévisions
du modèle ARDL (2.0.2) ont donné des valeurs qui ont suivi la cadence des valeurs
réalisées tout en ayant des écarts relativement grands en certaines périodes. Notons
qu’au cours de cette période, les prévisions étaient inférieures aux valeurs réalisées et
celles de la prévision par le modèle ARIMA (2.1.8) est restée statique à 0.242111%, ce
qui fait qu’elle n’a pu suivre la cadence des réalisations. Après Janvier 2018, les
prévisions par le modèle ARDL se sont éloignées des réalisations et sont devenues
supérieurs à celles-ci. Alors que celles par le modèle ARIMA sont restées statiques
comme lors de la période de Mai 2016 à Janvier 2018.
Soit le tableau suivant donnant les RMSE et MAE de nos deux modèles estimés :
Ce tableau nous renseigne que le modèle ARIMA (2.1.8) surperforme sur le modèle
ARDL (2.0.2) en matière de potentiel prédictif. Ceci s’explique surtout par les gros écarts
entre les valeurs prévues par le modèle ARDL (2.0.2) et celles observées. D’autant plus
que nos indicateurs de comparaison sont essentiellement basés sur la notion des écarts.
61
Dans ce cas, disons un mot sur les dynamiques de court terme et de long terme données
par le modèle ARDL (2.0.2) estimé. A court terme, nous avons constaté qu’un
accroissement du taux de change non seulement du mois t mais aussi du mois précédent
entrainent chacun un accroissement du taux d’inflation. Les autorités congolaises
doivent dans ce cas maintenir au pire des cas le taux de change stable en vue de contenir
l’inflation. Et dans le meilleur des cas, elles doivent viser l’appréciation de la monnaie
locale pour baisser avoir un taux d’inflation plus bas celle de la période précédente.
Cela s’explique par le fait qu’un fort niveau de dollarisation de notre économie, la rende
dépendante du marché de change. Alors que les prix sont affichés en dollars, une grande
partie de la population si ce n’est toute la population car le plus grand pourvoyeur
d’emplois dans le pays reste l’Etat qui paye les fonctionnaires en Franc Congolais, en
monnaie nationale. Ceci fait que toute dépréciation de la monnaie locale, entraine une
hausse des prix en monnaie locale ans la mesure où les prix en devises restent
inchangés.
Dans notre travail de fin de cycle, dans lequel nous nous sommes contentés d’une
analyse des graphiques, nous avons pu déceler au-delà du taux de change plusieurs
autres variables pouvant expliquer l’inflation en RDC. En effet, la conclusion de cette
étude était que :
A priori, le taux d’inflation n’a pas de lien avec la masse monétaire. A posteriori,
cette affirmation doit être nuancée du fait que les deux variations à la hausse
prononcées de la masse monétaire correspondent { l’amorçage de la tendance
haussière du taux d’inflation ;
L’inflation a un lien très étroit avec les instruments de la politique monétaire en
l’occurrence le taux directeur et le taux moyen pondéré du bon BCC à échéance
de 7 jours, mais aussi avec le taux interbancaire ;
L’inflation n’a pas de lien avec les soldes de la balance des paiements en
l’occurrence ceux des comptes courant et des biens et services et le solde global ;
Le cours de l’or n’influe nullement sur le taux d’inflation en RDC, étant donné
qu’il est plus ou moins stable et quand bien même elle varierait, ce n’est pas
toujours dans le sens de la courbe du taux d’inflation ;
Il est difficile de prétendre une relation entre le taux d’inflation et le cours du
cobalt;
Le taux d’inflation a une relation de sens inverse avec les cours du cuivre mais
surtout du pétrole ;
Le taux d’inflation est étroitement lié au taux de change ; et
L’inflation n’a pas de lien direct avec le solde budgétaire.
La prise en compte de ces variables juger en relation avec le taux d’inflation, appuyée
par la théorie économique, donnerait un modèle ARDL avec un pouvoir prédictif
meilleur que celui estimé dans la présente étude. Notons cependant, que l’accès difficile
aux données, pire encore en cette période de restriction liée à la Covid-19, mais aussi
notre bagage en ressource économétrique sur la théorie économique, ne nous a pas
permis d’entreprendre une analyse plus poussée de la dynamique de l’inflation en RDC
en d’en dégager un meilleur modèle de prévision. Cela fera sans doute, l’objet de nos
prochaines études.
Dans ce chapitre, il a été question de discuter des résultats obtenus { l’issue des tests
réalisés dans le chapitre pour en dégager les implications et les limitations à la lumière
de la théorie et de l’environnement.
63
Il s’avère que de nos deux modèles, c’est le modèle ARIMA (2.1.8) qui a donné la
meilleure prévision bien que le modèle ARDL (2.0.2) a été jugé plus robuste. Donnant
lieu à une existence de la cointégration, ce modèle nous a permis de faire une analyse de
la dynamique de court terme et de long terme de la variable sous examen, l’inflation.
Cette analyse nous a montré que les variables explicatives ont un impact sur l’inflation
seulement à court terme car à long terme leurs effets sont jugés non-significatifs. Notons
aussi à ce sujet que seul le taux de change a un impact significatif à court terme.
64
CONCLUSION GENERALE
L’inflation est sans conteste, avec le chômage, des concepts toujours { l’ordre du jour
dans les programmes des économistes pour leur coût social important et leurs
implications. Cela explique le fait que nombreux avant nous se soient penchés sur leur
analyse. Pour notre part, nous nous sommes donnés à analyser la dynamique de
l’inflation en vue d’en dégager un modèle de prévision.
Des études telle que celle de Kristin J. Forbes intitulée « Inflation Dynamics : Dead,
dormant, or determined abroad ? » paru en 2019 dans la revue Brookings papers on
Economic activity, dans laquelle l’auteure avance que la dynamique de l’inflation a été
difficile à expliquer ces dernières années ; et celle de Myriam MOISAN en 2010, qui dans
le cadre de son mémoire portant sur la prévision de l’inflation au Canada, a fait une
étude lui ayant permise de vérifié que les modèles autorégressifs ont un potentiel pour
la prévision de l’inflation au Canada, nous ont motivé { entreprendre dans le cadre de
notre mémoire, une analyse de la dynamique de l’inflation par des modèles
autoregressifs. A ces études nous pouvant ajouter celle faite par MOUHA M., Ben Nejma
W. et Dridi K., qui pour leur part dans leur papier paru en 2017, ont visé à présenter une
modélisation { court terme de l’indice des prix { la consommation en Tunisie à travers la
modélisation Reg-ARIMA. Par ailleurs, ils ont comparé le pouvoir prédictif des deux
modélisations qui ont fait l’objet de leur travail par des indicateurs de comparaison telle
que la racine de l’erreur quadratique moyenne et l’erreur absolue moyenne,…
Nous nous sommes alors poser la question de savoir : « Quel(s) est (sont) les modèles
qui a (ont) un potentiel de prévision de l’inflation de la RDC ? ». Mais aussi celle qui vise
à savoir si les séries prédites sont de bonne qualité et laquelle est meilleure que l’autre ?
Après estimations, les modèles ARIMA (2.1.8) et ARDL (2.0.2) se sont avérés être
optimales. Le premier a été fait sur la série brute de l’inflation. Il a été jugé robuste par
certain tests du diagnostic en l’occurrence celui du bruit blanc des erreurs mais mal
spécifié par le test de linéarité de Ramsey. De ce fait nous l’avons jugé moins efficace par
rapport au modèle ARDL (2.0.2) qui lui a été jugé robuste par tous les tests du
diagnostic. En effet, ses erreurs sont des bruits blancs gaussiens, il y a absence de
corrélation des erreurs, l’homoscédasticité des erreurs est vérifiée et le modèle est
globalement bien spécifié. En outre, l’existence de cointégration permet une analyse de
la dynamique de long terme.
65
Le modèle ARDL (2.0.2) estimé, bien qu’étant bien spécifié, n’a pu expliquer l’inflation
qu’{ hauteur de 22%. Ce qui est très faible. Cette faiblesse s’explique par le fait que la
dynamique de l’inflation ne peut être expliquée par le seul taux de change comme
variable. Toutefois, il y a lieu de faire une interprétation sur la relation de court terme et
de long terme entre l’inflation et le taux de change. En effet, la masse monétaire a aussi
été prise comme variable dans notre modèle. Mais d’emblée, le test de causalité au sens
de Granger a donné une relation indirecte entre la masse monétaire et l’inflation passant
par le taux de change pour l’affecter. Ainsi, seul le taux d change a des effets significatifs
sur l’inflation et seulement { court terme. Car { long terme, ces effets sont jugés non
significatifs.
Cependant, c’est le modèle ARIMA (2.1.8) qui a donné une prévision plus proche de la
réalité dans la mesure c’est sa prévision qui minimise les indicateurs de comparaison
que sont la RMSE et la MAE. Cela nous a amené à infirmer notre hypothèse de recherche.
C’est donc le modèle ARIMA (2.1.8) qui surperforme face au modèle ARDL (2.0.2).
Ceci implique que le taux de change explique en partie l’inflation en RDC et que l’Etat
doit pour maitriser l’inflation, garder l’œil sur le taux de change. Etant donné que cette
relation est positive et plus que proportionnel, l’Etat doit viser l’appréciation de la
monnaie locale pour maitriser l’inflation. Cette dépendance s’explique par la
dollarisation de l’économie, s’il faut donc résorber le problème de l’inflation { la racine
en ce qui concerne son lien avec le taux de change, les autorités de l’Etat doivent
entreprendre la dédollarisation de l’économie nationale.
Cette étude comporte une faiblesse majeure qui est la non prise compte de plusieurs
variables qui dans le contexte de l’économie congolaise, peuvent expliquer la dynamique
de l’inflation, entre autre le cours du prix du cuivre et celui du cobalt pour ne citer que
ça. Cette faiblesse n’enlève cependant pas le potentiel que peuvent avoir les modèles
ARDL sur l’explication de la dynamique de l’inflation de la RDC en particulier et dans le
monde en générale.
66
Annexes
40 Mean 0.776664
Median 0.206274
Maximum 7.475330
30 Minimum 0.026952
Std. Dev. 1.326255
20 Skewness 2.880292
Kurtosis 12.39938
10 Jarque-Bera 541.8335
Probability 0.000000
0
0 1 2 3 4 5 6 7
-8
2012 2013 2014 2015 2016 2017 2018 2019 2020
Method: ARDL
Date: 10/21/21 Time: 23:43
72
Annexe 12 : Valeurs prévues par les modèles ARIMA (2.1.8) et ARDL (2.0.2)
-8
2012 2013 2014 2015 2016 2017 2018 2019 2020
LINFLATIONF ± 2 S.E.
Source : Auteur, nos analyses sur Eviews
78
BIBLIOGRAPHIE
I. Ouvrages
III. Articles
1. BARRE R., Cours Économie Politique, THEMIS T1 et T2, PUF 1956, Paris
2. KAYANGA M’FULME C., Notes des cours Comptabilité Nationale, G3 FASE UPC, 2018-
2019, p32
3. MABI LUKUSA C., Notes des cours Economie Politique II, G2 FASE, UPC, 2017-2018
4. MPEREBOYE MPERE S., Notes des cours Economie Monétaire, G3 FASE UPC, 2018-
2019
5. NSHUE MboMokime A., Macroéconomie, EDUPC, Kinshasa, p.146.
79
V. Sites internet
Epigraphe ..............................................................................................................................................................................1
Dédicaces ...............................................................................................................................................................................2
Remerciements ...................................................................................................................................................................3
Liste des tableaux et graphiques .................................................................................................................................5
Liste des abréviations ......................................................................................................................................................7
Introduction .........................................................................................................................................................................1
0.1. Mise en contexte.........................................................................................................................................................1
0.2. Problématique ............................................................................................................................................................3
0.3. Hypothèse du travail ................................................................................................................................................4
0.4. Méthodologie de recherche ...................................................................................................................................4
0.5. Délimitation du travail ............................................................................................................................................5
0.6. Objectifs et canevas du travail..............................................................................................................................5
1. Chapitre I. L’inflation et ses différentes approches de prévision : revue de la littérature .......6
I.1. Notions sur l’inflation ...............................................................................................................................................6
I.1.1. Définitions ..................................................................................................................................................................6
I.1.2. Différentes phases de l’inflation .....................................................................................................................8
I.1.3. Notions liées { l’inflation....................................................................................................................................9
I.1.4. Mesure de l’inflation ............................................................................................................................................9
I.1.4.1.Le déflateur du PIB ................................................................................................................................................9
I.1.4.2.L'indice des prix à la consommation (IPC) ................................................................................................ 10
I.1.4.3.Différence entre l’IPC et le déflateur du PIB .............................................................................................. 11
I.1.5. Causes de l’inflation .......................................................................................................................................... 11
I.1.5.1.L’excès de la masse monétaire en circulation ........................................................................................... 12
I.1.5.2.La demande ........................................................................................................................................................... 12
I.1.5.3.Les importations (Inflation importée) ........................................................................................................ 12
I.1.5.4.Les coûts ................................................................................................................................................................. 12
I.1.5.5.Les éléments structurels (ou par les structures économiques et sociales) ..................................... 13
I.1.6. Mécanismes de régulation............................................................................................................................. 13
I.1.6.1.La politique monétaire...................................................................................................................................... 13
I.1.6.2.La politique budgétaire et fiscale.................................................................................................................. 13
I.1.6.3.La politique de change et la caisse d'émission ......................................................................................... 14
I.1.6.4.Le contrôle des prix, des salaires ................................................................................................................... 15
I.2. Les théories économiques sur l’inflation ..................................................................................................... 15
81