1

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

A toi ma chicorée, je dédie ce travail. Tu as été, tu es et je souhaite que tu le demeure, la

motivation qui carbure mes désirs de réussite.

A vous Noam-Elikya, Baïla-Kimia et le petit troisième dont je ne connais pas le nom et à

qui je ne pense pas beaucoup mais que Dieu connait, si du moins tu es appelé à exister, je
dédie ce travail. J’ai hâte de faire votre connaissance.

A vous Josephat MENAKUNTUALA, Regina MENAKUNTUALA, Michael-Ange

MENAKUNTUALA MAPEPE et Alphine KAZADI, mes chers neveux et nièces, je vous dédie
ce travail.
 3

Remerciements

Le présent travail est le fruit de beaucoup d’années d’efforts et de sacrifice parfois

énormes. Cependant sans le soutien de plusieurs, tout cela ne nous aurait pas permis de
venir { bout de ce long parcours. Nous voulons exprimer notre reconnaissance { l’égard
de toutes ces personnes et groupes de personnes qui par leur amour et leur
accompagnement nous avons su réalisé cette belle œuvre.

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.

A tout le corps académique, professeurs, assistants, agents administratifs,… vous avez

fait de ce parcours ce qu’il est chacun { sa manière et { son niveau. Et surtout mon
directeur de mémoire, je cite le professeur Karim OMONGA, votre accompagnement
nous a conduits à cette réalisation.

Mon église, la communauté des églises le Remède, et plus particulièrement au couple

pastorale Jean-Jacques et Delly MAKONDA. Merci à vous.

La commission d’évangélisation de mon église, et tout particulièrement ma présidente,

Maman Célestine MUKEMBE MPANDE, ma maman, merci !

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 !

Mes frères et sœurs, Jennifer MAPEPE, Praecilia MAPEPE, Joenathan MAPEPE,

Emmanuella MAPEPE, Eunice BWANGA, Betty YAMBI, Joseph YAMBI, Alpha KAZADI ?
Jonas MAPEPE, Queren MANGOLO, Olive MANGOLO et Ketsia MANGOLO. Toujours
présent quand j’ai eu besoin de vous, me redonnant le sourire quand tout devenait
difficile lors de la rédaction de ce travail mais aussi des années d’études. Merci { vous.

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 frères et sœurs d’arme de l’option Economie-Mathématique, Joël MASHIKOTE,

Kevin NANSHA, Ethytienne MBOTWA, Divine TSHIBUABUA, Jonathan KAZADI,…
 4

Déo-Gracias MAMPUYA, mon oncle, pour m’avoir permis de squatter ta chambre

pendant la rédaction de ce présent travail et pour tout le reste, 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.

A toi Dorbecca MAKONDA KIESE. Je ne manquerai pas de te citer particulièrement.

Recevez par ces mots, l’expression de ma reconnaissance.

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

Liste des tableaux et graphiques

Tableau 1 : Fonctions et pondérations de l’IPC…………………………………………………………...31

Graphique 1 : La distribution de l’inflation mensuelle en RDC de 2012 { 2020…………….32
Graphique 2 : La distribution de la série lissée de l’inflation mensuelle en RDC de 2012 {
2021………………………………………………………………………………………………………………………...32
Tableau 2 : La statistique descriptive de l’inflation mensuelle de la RDC de 2012 {
2020………………………………………………………………………………………………………………………...33
Tableau 3: La statistique descriptive des variables explicatives……………………………….....33
Tableau 4 : Résultats des tests ADF des modèles 1 et 2 sur la série Inflation………………..38
Graphique 3 : La distribution de la série obtenu après le calcul de la différence première
de l’inflation……………………………………………………………………………………………………………..38
Tableau 5 : Résultats des tests ADF sur la série différenciée……………………………………….39
Image 1 : Le corrélogramme de la série obtenue après le calcul de la différence première
de l’inflation……………………………………………………………………………………………………………..39
Tableau 6 : Choix du modèle optimal…………………………………………………………………………40
Image 2 : Le corrélogramme des résidus du modèle ARIMA (2.1.8) estimé………………….41
Image 3 : Validation du bruit blanc par armadiag……………………………………………………….42
Graphique 4 : Histogramme des résidus du modèle ARIMA (2.1.8)……………………………..43
Tableau 7 : Valeurs empiriques du test de normalité………………………………………………….43

Graphique 5 : Performance prédictive du modèle ARIMA (2.1.8)………………………………..44

Tableau 8 : La statistique descriptive des variables lissées par le calcul des
logarithmes……………………………………………………………………………………………………………..44
Tableau 9 : Résultats des tests ADF sur les séries………………………………………………………45
Tableau 10 : Les coefficients de corrélation entre les variables…………………………………..45
Tableau 11 : La causalité au sens de Granger…………………………………………………………….46
Graphique 6 : La causalité au sens de Granger……………………………………………………………46
Graphique 7 : Choix du modèle optimal par le critère d’Akaike…………………………………...47
Graphique 8 : Le test de la normalité des erreurs……………………………………………………….47
Tableau 12 : Analyses des coefficients de court terme et de long terme………………………48
Graphique 9 : La performance du modèle ARDL (2.0.2) estimé…………………………………...49
Graphique 10 : L’inflation réalisée et l’inflation prévue par le modèle ARDL (2.0.2)…….49
Tableau 13 : Résumé des résultats du test de cointégration………………………………………..57
 6

Tableau 14 : Analyse de la dynamique de court terme et de la dynamique de long

terme……..………………………………………………………………………………………………………………...59
Graphique 11 : les valeurs réalisées en comparaison avec les valeurs prévues par les
deux modèles…………………………………………………………………………………………………………...60
Tableau 17 : Comparaisons des modèles par la RMSE et la MAE………………………………….60
 7

Liste des abréviations

ADF : Tests de Dickey-Fuller Augmentés
AIC : Akaike Information Criterion
AR : Modèle Autoregressif
ARCH : Autoregressive Conditionnally Heteroscedastic
ARDL : Autoregressive Distributed lag
ARIMA : Autoregressive Integrated Moving Average
BCC : Banque Centrale du Congo
BCE : Banque Centrale Européenne
BCEAO : Banque Centrale des Etats de l’Afrique de l’Ouest
BM : Banque Mondiale
DL : Distributed Lag Model
Dvariable : Différence première de la variable
FAVAR : Modèles des Vecteurs Autorégressifs Augmentés par des Facteurs
FMI : Fond Monétaire International
F-Stat : Statistique de Fisher
GARCH : Generalised Autoregressive Conditionnally Heteroscedastic
HQIC : Hannan-Quinn Information criterion
H0 : Hypothèse nulle
H1 : Hypothèse alternative
INS : Institut National des Statistiques
IPC : Indices des Prix à la Consommation
IS/LM : Modèle Investissement et Epargne/Préférence de liquidité et
masse monétaire
Lvariable : Variable lissée par le logarithme
MA : Moving Average Model
MAE : Erreur absolue moyenne (Mean absolute error)
MM1 : Agrégat Monétaire 1
PIB : Produit Intérieur Brut
Q-Stat : Statistique de Box-Pierce
Reg-ARIMA : Modèles de Régression avec ARIMA
RMSE : Racine de l’Erreur Quadratique Moyenne (Root mean square
error)
SIC : Schwarz Information Criterion
TVA : Taxe sur la Valeur Ajoutée
UEMOA : Union Economique et Monétaire Ouest-Africain
VAR : Vector Autoregressifs Model
Variablef : Variable prévue
VECM : VectorError Correction Model
 1

Introduction

0.1. Mise en contexte

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 « Inflation Dynamics : Dead, dormant, or determinedabroad ? » paru en

2019 dans la revue Brookings papers on Economicactivity, Kristin J. Forbes avance que
la dynamique de l’inflation a été difficile à expliquer ces dernières années. Elle explore
dans son article si un traitement plus complet de la mondialisation peut aider. Fort est
de constater que l’inflation de l’IPC est devenue plus synchronisée dans le monde depuis
la crise de 2008, mais l’inflation de base et celle des salaires sont devenues moins
synchronisées. Les principaux résultats que l’auteur obtient sont robustes { l’utilisation
d’une décomposition de la tendance et de la saisonnalité moins structurée au lieu d’un
cadre de la courbe de Phillips, avec l’ensemble des variables globales plus important
pour comprendre la composante cyclique de l’inflation au cours de la dernière décennie,
mais pas la tendance sous-jacente de l’inflation { évolution lente.

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

résultats de l’analyse de la décomposition de variance qui placent au premier plan le

taux de change, la masse monétaire et la consommation publique comme des indicateurs
les plus pertinents.

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.

Dans le cadre de ce travail, il sera question de trouver un modèle expliquant la

dynamique de l’inflation mensuelle de la RDC, en se basant sur sa dynamique
intrinsèque pour identifier son processus générateur de données à travers la
méthodologie de Box et Jenkins qui est un processus ARIMA mais aussi une modélisation
du type ARDL, afin de contourner la problématique liée { l’efficacité des prévisions
basées essentiellement sur la théorie économique.

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.

La prévision de l’inflation devient alors une préoccupation importante pour plusieurs

agents économiques, même ceux de la R.D.C. La majorité des modèles de prévision
souffrent principalement dit Kristin J. Forbes, de deux déficiences : Les limitations quant
{ l’information utilisée et des problèmes de surparamétrisation1 . Les conséquences de
ces déficiences sont qu’il existe de l’instabilité dans les prévisions, et que ces modèles ne
font généralement pas de meilleures prévisions que des modèles simples, comme une
marche aléatoire.

On se base généralement sur le postulat implicite que l’information concernant le futur

est incluse dans les données du passé et du présent nécessitant donc une analyse de
cette information. La prévision consiste { prévoir les valeurs futures (= 1, 2, 3, …) de la
série chronologique { partir de ses valeurs observées jusqu’au temps T. La prédiction de
la série chronologique au temps est notée (h) et, en général, est différente de la valeur
réelle que prend la série T+h.

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 ? »

En outre nous viserons également à répondre aux questions suivantes :

 Les séries prédites sont-elles de bonne qualité ?

 Laquelle des séries prédites est meilleure ? En d’autres termes, quel modèle
donne la meilleure prévision de l’inflation en République Démocratique du Congo
parmi ceux utilisés dans le présent travail ?

0.3. Hypothèse du travail

Face aux interrogations soulevées dans la problématique, l’hypothèse suivante a été

formulée dans le cadre de la présente étude :

Entre un processus ARIMA et un processus ARDL, le modèle ayant le plus grand

potentiel de prévision de l’inflation de la République Démocratique du Congo entre 2012
et 2020 est un processus ARDL. La prise en compte de la dynamique des variables
pouvant expliquer l’inflation pour en expliquer la dynamique donne une bien meilleure
prévision que celle issue de l’analyse de sa dynamique en ne tenant compte que de la
seule série de l’inflation.

0.4. Méthodologie de recherche

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.

 La technique d’interview ou de renseignement : celle-ci nous a servi à obtenir

certaines informations et autres faits auprès des experts de la banque centrale du
Congo

 La méthodologie de Box et Jenkins(ARIMA) et les modèles ARDL: Celles-ci vont nous

permettre de faire une analyse systématique des données récoltées en vue de la
prévision de l’inflation. La première consiste en l’analyse de la dynamique de
l’inflation en ne tenant compte que de sa série alors que les modèles ARDL
consistent en l’analyse de la dynamique de l’inflation en considérant aussi les
 5

dynamiques de quelques variables expliquant l’inflation selon la théorie et

retenues dans le présent travail.

 La méthode comparative : A l’aide de cette méthode, nous avons comparé les

performances des deux processus estimés et validés afin de déterminer lequel
explique le mieux la dynamique de l’inflation en R.D.C.

0.5. Délimitation du travail

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.

0.6. Objectifs et canevas du travail

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.

Nous visons à créer un modèle ARIMA et un modèle ARDL permettant de prévoir

valablement le taux d’inflation en République Démocratique du Congo et de comparer
les performances prédictives des deux modèles ainsi estimés.

Pour ce faire, le présent document s’articulera en plus de l’introduction générale et de la

conclusion générale, en trois chapitres qui sont :

 La revue de la littérature en premier lieu. Dans ce chapitre il sera question

d’aborder le cadre théorique de l’inflation et de la prévision en vue de nous
éclairer sur ce que d’autres chercheurs avant nous ont obtenus comme résultats.
 La présentation des données et des approches méthodologiques. Dans ce chapitre
il sera question de faire un aperçu des données récoltées, des processus ARIMA et
des processus ARDL et de faire les modélisations inhérentes.
 Les discussions, les implications et les limitations de nos résultats. Ce chapitre
permettra outre la présentation des résultats obtenus, les discussions y afférent.
 6

Chapitre I : L’inflation et ses différentes approches de prévision :

revue de la littérature

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. Notions sur l’inflation

I.1.1. Définitions

L'inflation a été souvent identifiée avec un accroissement de la circulation monétaire, la

masse des biens disponibles sur le marché restant invariable. Cette définition, issue des
théories quantitativistes, ne suffit pas à rendre compte de l'inflation. De nombreux cas
historiques s'inscrivent en faux contre cette notion ; la circulation monétaire a souvent
augmenté sans entraîner de changements notables dans l'activité économique. La
quantité de monnaie additionnelle peut s'immobiliser dans les encaisses des
particuliers, elle peut aussi servir à régler des transactions qui vont en augmentant, ou à
financer des investissements nouveaux dont les conséquences sur le niveau de
production ne se font pas immédiatement sentir. Enfin, il faut retenir le cas où la
circulation monétaire demeure insuffisante par suite d'une modification des habitudes
de paiement, d'encaisse, d'épargne, et tend à augmenter pour s'y conformer 2.

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.

On a donné à cette définition un caractère plus nuancé en la modifiant de façon à la

définir telle qu’une situation caractérisant une économie où « la demande totale de biens
et de services est excessive par rapport aux ressources existantes »4.

Enfin, on identifie fréquemment l'inflation au financement d'un déficit budgétaire

important. Cette définition ne peut pas être retenue. Des exemples historiques
nombreux enseignent qu'un déficit budgétaire même important n'est pas
nécessairement générateur d'un processus inflationniste5.

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

Ces notions de l'inflation rendent compte de certains aspects de l'inflation mais ne

permettent pas d'en saisir l'essentiel. C’est ainsi que nombre d’auteurs modernes
préfèrent redéfinir l'inflation comme étant un désajustement de la demande et de l'offre
globales. Mais ce désajustement n'est pas momentané, il est durable6. Notons cependant
quelques définitions données par différents auteurs.

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.

Il sort donc de cette définition quatre caractéristiques de l’inflation, { savoir :

 La gravité : Se rapporte au degré d’augmentation ;

 La durabilité : Se rapporte à la continuité, la progression dans le temps ;
 La généralité : Elle touche tous les secteurs de l’économie ; et
 La structuration : Elle touche toutes les structures de l’économie, les équilibres
macro-économiques tels que la balance des paiements.

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.

I.1.2. Différentes phases de l’inflation

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.

L'hyperinflation ou « inflation galopante » correspond à la situation d'une économie

affectée par une inflation extrêmement élevée, échappant { tout contrôle en d’autres
termes les prix des biens et services sur le marché sont au zénith c’est-à-dire qu’ils
deviennent incontenables, immaitrisable, incontrôlables par l’autorité monétaire. Phillip
Cagan la définit en 1956 comme une période durant laquelle le niveau d'inflation se
maintient au-dessus de 50 % par mois.

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.

Les conséquences économiques et sociales d’une hyperinflation sont généralement des

plus terribles, et marquent durablement l'esprit des peuples. La monnaie concernée
perd, en interne comme en externe, son statut d'étalon de référence et d'échange : une
nouvelle monnaie doit la remplacer. L’exemple la plus récente et la plus marquante de
l'hyperinflation est au Zimbabwe.
 9

I.1.3. Notions liées à l’inflation

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.

Notons en outre l’expression « l'inflation financière », ce terme est utilisé comme

synonyme de spéculation (la spéculation fait monter le prix des actifs financiers).

I.1.4. Mesure de l’inflation

L'inflation est un phénomène quantifiable dont le taux est évalué comme la variation du
niveau général des prix d'une période t-1 à une période t. Le plus souvent, on la mesure
à l'aide de la variation de deux instruments suivants : le déflateur du PIB et l'indice des
prix à la consommation (IPC).

I.1.4.1.Le déflateur du PIB

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

meilleur instrument de mesure de l'inflation car, en fonction du volume et de l'évolution

des prix des importations, il mésestime l'inflation. Toutefois, il faut noter que d'après les
utilisateurs, le biais observé dans l'usage de cet instrument est habituellement faible.

I.1.4.2.L'indice des prix à la consommation (IPC)

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.

I.1.4.3.Différence entre l’IPC et le déflateur du PIB

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.

Outre cela, ces différences sont à signaler :

 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.

I.1.5. Causes de l’inflation

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.1.5.1.L’excès de la masse monétaire en circulation

L'inflation a d'abord été considérée comme un désordre attribué à l'augmentation de la

masse monétaire en circulation. C'est le point de vue théorique avancé par l'école
quantitativiste au XIXe siècle, à la suite d'Irving Fisher et, au XXe siècle avec l'École
monétariste. Dans cette situation, en l'absence de création de richesse réelle, la
conséquence directe se manifeste sous la forme d'une augmentation de la demande et
par suite des prix. On considère que l'inflation monétaire résulte de l'émission par les
autorités monétaires (la banque centrale) de monnaie en trop grande quantité :

 Par rapport à la quantité de biens dans le circuit économique ;

 Ou, dans le cas d'une monnaie assise sur l'or ou l'argent, par un afflux brutal de
métal précieux comme ce fut le cas en Espagne à la suite de l'afflux d'or en
provenance des Amériques après leur conquête et qui conduira à la révolution
des prix des XVIe siècles et XVIIe siècle, partout en Europe de l'Ouest ;
 Du fait du crédit, si l'activité financée ne conduit pas directement (ou
suffisamment) à injecter dans le circuit économique des biens nouveaux à
hauteur du montant de monnaie nouvelle.

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.

I.1.5.3.Les importations (Inflation importée)

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

I.1.5.5.Les éléments structurels (ou par les structures économiques et sociales)

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.

I.1.6. Mécanismes de régulation

De même qu’il y a plusieurs causes { l’inflation, les Etats et gouvernements disposent de

plusieurs mécanismes pour réguler l’inflation. Il faut noter que la combinaison de deux
voire plusieurs mécanismes sont possibles mais ils doivent tous se faire dans le même
sens, notamment si ce sont des autorités différentes qui en sont responsables. Par
exemple, une politique budgétaire expansionniste et une politique monétaire restrictive
vont se contrarier.

I.1.6.1.La politique monétaire

Etant donné la considération essentiellement monétariste de l’origine de l’inflation, la

politique monétaire est de nos jours le principal outil de régulation de l'inflation.

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.

I.1.6.2. La politique budgétaire et fiscale

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

 Pour stimuler ou, au contraire, ralentir la demande dans un secteur donné, et

même, pour la doctrine keynésienne, la demande globale. On baissera l'inflation
en baissant la demande dans les secteurs où les prix augmentent le plus,
éventuellement en augmentant la demande dans des secteurs où les prix
dépriment ;
 En stimulant la production (quand cela est possible) dans les secteurs où les prix
augmentent (on parle de politique de l'offre, il est parfois possible d'augmenter
l'offre, et limiter ainsi la hausse des prix ;
 Inversement, en rationnant encore plus fort (par une fiscalité augmentée) la
disponibilité de produits dont il n'est pas possible d'augmenter l'offre indigène
(exemple : produits pétroliers), on limite la portée et l'influence de la hausse des
prix de ce secteur sur l'indice général des prix (si la hausse du prix a une
influence suffisante sur les volumes consommés) et on stimule le développement
d'une offre alternative indigène (exemple : marché des économies d'énergie).

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.

I.1.6.3. La politique de change et la caisse d'émission

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.

I.1.6.4. Le contrôle des prix, des salaires

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.

I.2. Les théories économiques sur l’inflation

I.2.1. L'analyse classique et néo-classique de l'inflation

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

I.2.1.1. Théorie quantitative de la monnaie

En 1911, Irving Fisher, un économiste néo-classique va être le premier économiste à

modéliser mathématiquement l'inflation, en s'inspirant du bullionisme espagnol
(Théorie quantitative de la monnaie). Il met en évidence une relation linéaire entre
quantité de monnaie et le niveau général des prix :

(M+M’) × (V+V’) = P×T (1.4)

Où M représente la masse monétaire ; V la vitesse de circulation de la monnaie ; P le

niveau des prix et T le nombre des transactions d’une période donnée. La fonction
principale de la monnaie est de permettre des transactions monétaires (par opposition
au troc). Trois paramètres fixent la quantité de monnaie nécessaire :

 Le nombre de transactions, lié aux biens de consommation échangés d'une part et

aux actifs d'autre part.
 La vitesse de circulation de la monnaie (si elle circule deux fois plus vite, on en a
besoin de deux fois moins pour faire les mêmes transactions). Ce paramètre est
difficile à mesurer, et en pratique on l'approxime par la quantité de transactions
réalisées.
 Et bien sûr la valeur nominale de la monnaie (avec une monnaie deux fois mieux
valorisée, on a besoin de deux fois moins d’unité monétaire pour la même
transaction). C'est sur ce paramètre que joue l'inflation. Mais comme la monnaie
est l'étalon universel de valeur, sa valeur relative est fixe et toujours égale à un,
ce qui n'apporte aucune information sur la valeur « absolue » de la monnaie. Pour
contourner la difficulté et estimer la valeur de la monnaie, on utilise comme
référence la valeur d’échange en biens de consommation associée { cette même
monnaie mais à une époque antérieure, et on s'intéresse à sa variation relative
(un pourcentage, positif lorsque l'ancienne monnaie avait une valeur inférieure) :
c'est l'inflation.

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.

I.2.1.2. La demande de monnaie

Alfred Marshall et Pigou, deux économistes néo-classiques de l'université de Cambridge

vont créer l'équation de Cambridge. Elle traduit une fonction de demande de monnaie :
c'est une légère rupture avec la pensée classique orthodoxe car elle admet que la
monnaie est désirable. Elle va établir un lien entre la quantité de monnaie demandée Mᵈ
pour motif de transaction et le Produit intérieur brut Y. Soit, en notant P l’indice de prix
agrégé du PIB et V la vitesse de circulation de la monnaie, dite ici vitesse-revenu (c’est le
 17

nombre de fois où un actif monétaire change de mains au gré de la distribution du

revenu) :

MᵈV=PY (1.5)

Néanmoins cette équation redonne exactement les mêmes résultats que la Théorie
quantitative de la monnaie.

I.2.2. L'école keynésienne

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.

C'est une remise en cause fondamentale de l'équilibre général Walrasien. La monnaie

cesse d'être considérée comme neutre.

I.2.3. Les descendants de Keynes

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.

I.2.3.1. L'analyse de la synthèse néo-keynésienne

Les néo-keynésiens lient croissance, chômage, politique monétaire et inflation.

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).

Enfin, le modèle IS/LM lie revenu, épargne et investissement, qui déterminent la

croissance, au marché monétaire qui détermine l'inflation.

Grâce à cet enchainement, le modèle keynésien explique les variations de l'emploi

durant les années soixante et permet de mener des politiques monétaires inflationnistes
qui ont fait diminuer le chômage. On parle d'un arbitrage entre inflation et chômage.

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.

D'autres modèles néo-keynésiens, plus radicaux dans la remise en cause de l'équilibre

général, vont tenter d'expliquer l'inflation ; un des modèles les plus modernes étant
l'équilibre général avec rationnement mené par Robert CLOWER et Axel
LEIJONHUFVUD.

I.2.3.2. L'analyse post-keynésienne

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.

I.2.4. L'analyse monétariste

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.

En opposition à la pensée keynésienne, la fonction de demande de monnaie est

considérée comme stable, alors que la fonction de consommation keynésienne est
estimée instable. La disparition de l'arbitrage inflation-chômage tient au fait des
anticipations adaptatives des agents économiques : à court terme, lors de la négociation
des salaires, ils ne connaitront pas parfaitement l'inflation et feront de mauvaises
anticipations de telle sorte que leur salaire réel va diminuer et diminuera dans le même
temps le chômage. Par contre, à long terme ils changeront de cadre d'évaluation (au lieu
des « prix » on s'intéressera au « pouvoir d'achat »), l'illusion monétaire sera identifiée
et combattue par les agents économiques, les politiques monétaires expansionnistes
seront identifiées comme trompeuses et deviendront inefficaces, le chômage reviendra à
son niveau naturel.

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.

I.2.5. La nouvelle école classique

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

I.3. Théories sur la prévision de l’inflation

La littérature économique fait ressortir une multitude d’approches de prévision de

l’inflation. Tout en s’accordant sur le fait qu’il n’existe pas de modèle unique de prévision
des indices des prix qui devance les autres modèles, aussi bien les académiciens que les
praticiens, notamment dans les banques centrales, ont dû faire recours à plusieurs types
de modélisations économétriques allant des modèles les plus simples, tels que les
modèles univariés, aux modèles les plus complexes tels que les modèles structurels
(Mouha, Ben Nejma et Dridi, 2017).

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.

I.3.1. Les modèles statistiques

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.

I.3.1.1. Les modèles ARIMA (p,d,q)

Les années 1960 virent le développement d’un grand nombre de modèles

macroéconomiques comportant une forte quantité d’équations et de variables (des
centaines). Celles-ci modélisaient bien l’historique des données mais leur performance
en matière de prévision laissait { désirer. D’où l’introduction des modèles ARMA (p, q),
avec p et q faibles afin d’améliorer les prédictions14.

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

temporel de ce processus et ainsi modifier les valeurs de la série chronologique des

observations15.

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.

La principale critique adressée à ce type de modèles statistiques est leur restriction à

l’historique de la variable { prévoir et leur faible pouvoir prédictif { un horizon de
prévision lointain. En effet, l’absence de relations structurelles dans cette catégorie de

15
Op.cit
16
JACQUES J., Introduction aux séries temporelles, Université de Lyon
 22

modélisation réduit sa performance dans les exercices de prévision de moyen et long

termes17.

I.3.1.2. Les processus ARCH et GARCH

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.

I.3.1.3. Les modèles VAR(p)

Les modèles vectoriels autorégressifs (VAR : Vector Autoregressive), popularisés par

Christopher Sims (1980), est une généralisation des modèles autorégressifs (AR).

La représentation VAR repose sur l’hypothèse selon laquelle l’évolution de l’économie

est bien approchée par la description du comportement dynamique des variables
dépendant linéairement du passé. Cette représentation est donc « a-théorique ». Elle
privilégie la structure des données au détriment de la théorie économique. Ainsi, les
différentes variables sélectionnées en fonction du problème étudié ou en référence à la
théorie économique ont toute { priori les mêmes statuts, c’est-à-dire elles sont à priori
toutes considérées comme endogène, et on s’intéresse alors principalement { des
relations purement statistique18.

Plutôt que d’estimer des coefficients individuels, il s’agira d’estimer la dynamique

générale d’un système et d’arriver { décrire son comportement par rapport { un choc
sur le terme d’erreur (ou innovation).

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.

I.3.2. Les modèles structurels

I.3.2.1. Les anticipations adaptatives

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 :

Où est le coefficient adaptatif. Suivant la valeur de ce coefficient, le schéma adaptatif

couvre un large spectre :

 = 0 : hypothèse d’anticipations statiques et . Les anticipations nesont

jamais révisées ;
 = 1 : hypothèse d’anticipations naïves. Les anticipations ne tiennentcompte que
de la dernière observation de l’inflation ;
 lorsque 0 < < 1, la mémoire du processus est plus longue et

I.3.2.2. Les anticipations rationnelles

L’hypothèse d’anticipations rationnelles implique que les agents utilisent toute la

connaissance qu’ils ont du fonctionnement de l’économie ainsi que toute l’information
disponible au moment de la réalisation des anticipations pour anticiper le futur. Ils ne
commettent donc aucune erreur systématique d’anticipation. Pratiquement, poser
l’hypothèse d’anticipations rationnelles revient { supposer que les agents connaissent ce
 24

modèle de l’économie et l’utilisent pour faire des prévisions en supposant qu’en

moyenne les chocs seront nuls. Le modèle des agents est supposé conforme { l’ensemble
des hypothèses du modèle. Ainsi, l’hypothèse d’anticipation rationnelle établit une
cohérence entre les anticipations et le fonctionnement supposé de l’économie.

 Remarque 1 : Cette hypothèse représente un cas limite dans la mesure où les

agents sont supposés intégrer dans leurs anticipations toute l’information dont
ils disposent, sans phase d’apprentissage.
 Remarque 2 : Elle n’implique cependant pas que les agents connaissent
parfaitement le fonctionnement véritable de l’économie mais seulement que les
agents disposent de la même information stylisée que le modélisateur → les
anticipations s’adaptent { la logique du modèle, que celui-ci soit d’inspiration
monétariste ou keynésienne.

I.3.2.3. La courbe de Philipps

a. La courbe de Philipps initiale

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

 reste constamment positif ; et

 devient plus persistant.

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.

b. La courbe de Phillips augmentée (ou “courbe de Phillips”)

On peut supposer par exemple des anticipations de la forme : où

mesure la sensibilité de l’anticipation d’inflation { l’inflation passée. C’est un cas
particulier d’une généralisation des anticipations adaptatives :
avec et . L’inflation courante devient alors

 pour , on retrouve la courbe de Phillips initiale ;

 pour , l’inflation ne dépend pas seulement de , , ou , mais aussi de
l’inflation de la période précédente.
 pour , on a des anticipations naïves et la relation (1.13) devient :

Finalement, le taux de chômage n’affecte plus le taux d’inflation, mais la variation de ce

taux. Pour distinguer cette relation de la courbe de Phillips initiale, celle-ci porte le nom
de “courbe de Phillips modifiée”, ou “courbe de Phillips augmentée des anticipations”, ou
“courbe de Phillips accélératrice” ou plus simplement de “courbe de Phillips” par
opposition { la “courbe de Phillips initiale”. Elle se réécrit aussi :

De sorte qu’on observe que la courbe de Phillips dans le plan ( ), donc pour un
niveau donné de , est décroissante.

On peut interpréter les observations d’inflation et de chômage dans les années 70

comme une augmentation de la valeur de ; partant, dans les années 60, d’une valeur de
0 pour atteindre une valeur proche de l’unité dans les années 70. Alors que a
augmenté, la relation simple entre inflation et chômage a disparu pour faire place à une
relation entre chômage et variation de l’inflation.

Son estimation économétrique entre 1970 et 1998 donne des résultats assez proches
pour les Etats-Unis et pour l’Europe :

 pour les Etats-Unis :

 pour l’Europe, { partir de la relation entre taux de croissance des salaires
nominaux, inflation anticipée et chômage : (la
 26

différence entre et moyennes est donnée par la croissance moyennede la

productivité du travail).

I.3.2.4. La règle de Taylor

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.

I.3.3. Indicateurs de comparaison des modèles

Les comparaisons statistiques d'estimations ou de prédictions de modèles ( ; i =

1,2,...,n) avec une fiabilité supposée et les observations appariées par paires ( ; i = 1,
2,..., n) restent parmi les moyens les plus élémentaires d'évaluer les performances d'un
modèle dans la majorité des sciences et en science de l’économie. Les erreurs
individuelles de prédiction de modèle sont généralement définies comme .
Les mesures d'erreur moyenne ou des performances du modèle sont alors basées sur
des résumés statistiques de ces écarts (i = 1, 2,...,n) (Willmott et Matsuura : 2005).
Dans le cadre du présent travail, nous en retiendrons deux { savoir l’erreur quadratique
moyenne (RMSE : Root mean square error en anglais) et l’erreur absolue moyenne
(MAE : Mean absolute error).

Le calcul de la MAE est relativement simple. Ça consiste à additionner les grandeurs

(valeurs absolues) des erreurs pour obtenir «l'erreur totale», puis à diviser cette
dernière par n.

Le calcul du RMSE implique une séquence de 3 étapes simples. L’erreur quadratique

totale est obtenue d'abord comme la somme des erreurs quadratiques individuelles;
c'est-à-dire que chaque erreur influence le total proportionnellement à son carré, plutôt
que sa grandeur. De grosses erreurs, en tant que résultat, ont une influence relativement
plus grande sur l’erreur quadratique totale que les plus petites erreurs. Ça signifie que
cette dernière augmentera { mesure qu’elle est concentrée au sein d'un nombre
décroissant de grosses erreurs individuelles. Cette valeur est alors divisée par n, ce qui

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.

I.4. Quelques études empiriques

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.

Biau O. et Sobczak N. (2001) ont proposé des modèles de prévision de l'inflation en

France. L'inflation est représentée comme une fonction de l'inflation importée, de la
fiscalité indirecte et de variables de tensions sur les marchés de biens et du travail
(cours du pétrole brut, taux d'utilisation des capacités, taux de chômage).

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.

Sylla et al (2007) ont analysé la dynamique de l'inflation en Guinée et proposé un

modèle de prévision de l'inflation dans ce pays. Il ressort de cette étude que les
principaux facteurs influençant l’inflation en Guinée sont : la production réelle, la masse
monétaire, les créances nettes sur l’état, les déficits budgétaires, les taux de change, la
vitesse de circulation de la monnaie et les prix { l’étranger.

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

Chapitre II : Présentation des données, approches

méthodologiques

Il est question dans ce chapitre de présenter l’environnement analysé mais aussi la

manière dont il sera analysé. Ainsi ce chapitre s’articulera autour de trois points en
commençant par la présentation de la RDC ; puis la présentation des données et de
l’approche méthodologique et enfin de l’analyse factuelle proprement dite.

II.1. Présentation de la RDC

La RDC est un pays d’Afrique centrale, le plus grand de la région et le second du

continent africain après l’Algérie avec une superficie de 2.345.409 km². La Banque
mondiale a estimé en 2017 la population de la R.D.C { 78 millions d’habitants (Soit une
densité : 32 hab./km² qui vivent à ce jour répartis dans 25 provinces et la ville capitale
de Kinshasa avec ses 11 millions d’habitants faisant office de la 26e province. Les
principales villes étant Lubumbashi (1,8), Mbuji-Mayi (1,7), Goma (1,1), Kananga (1,1),
Kisangani (0,9), Bukavu (0,8). Le pays dirigé par Félix-Antoine TSHISEKEDI
TSHILOMBO, chef de l’Etat depuis le 24 janvier 2019, l’était par Joseph KABILA
KABANGE depuis 2001, soit près de 18 ans, comprenant ainsi 75% de la période sous
examen.

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

provinces du Nord-Kivu et de l’Ituri, mais les provinces et pays avoisinants demeurent

sous surveillance, compte tenu du risque de propagation. La rougeole et le choléra
continuent également à faire de nombreuses victimes sur l’ensemble du territoire
congolais.

Il sied de noter les informations suivantes :

 Langues officielle/nationales : Français/Lingala, Kikongo, Tshiluba et Swahili ;

 Croissance démographique : 3,1 % (Banque mondiale, 2020) ;
 Espérance de vie (à la naissance) : 58.1 (Banque mondiale, 2018) ;
 Taux d’alphabétisation (15 ans et plus) : 77,3% (Rapport PNUD, 2020) ;
 Religion(s) : catholiques (40 à 50%), protestants (40 à 50%), musulmans (5 à
10%) ; kimbanguistes (5 à 10%) ;
 Indice de développement humain : 0,480 – 175e sur 189 (PNUD, 2017).

II.2. Présentation des données et approches méthodologiques

II.2.1. L’inflation en RDC de janvier 2012 à décembre 2020

II.2.1.1. Détermination de l’inflation, série et distribution graphique

La BCC et l’institut national des statistiques (INS) mesurent l’inflation au travers de

l’indice des prix { la consommation (IPC). Les prix sont prélevés dans les magasins et
autres points de vente en détail. La méthode de calcul généralement utilisée consiste à
faire la moyenne des variations des prix d’une période { une autre pour les divers
produits, regroupés par fonction, en prenant comme pondération les dépenses que les
ménages leur consacrent en moyenne c’est-à-dire la part en moyenne qu’accordent les
ménages à ces différentes fonctions. Ces indices par fonction sont groupés dans un
indice global.
Tableau 1. Fonctions et pondérations de l’IPC

Fonctions De Décembre 2016 à Du 16 au 22 Mai 2019

Décembre 2017
I. Produits alimentaires et boissons non 52,00 52,32
alcoolisées
II. Boissons alcoolisées, tabacs et stupéfiants 1,22 1,25
III. Articles d’habillement et chaussures 6,54 6,38
IV. Logement, eau, gaz, électricité et autres 12,47 11,71
combustibles
V. Meubles, articles de ménage et entretien 2,75 2,88
courant du foyer
VI. Santé 3,87 4,31
VII. Transports 7,74 8,09
VIII. Communications 0,88 0,86
IX. Loisir et culture 1,24 1,26
X. Enseignement 5,06 4,66
XI. Restaurants et hôtels 3,16 3,14
XII. Biens et services divers 3,08 3,14
INDICE GENERAL 100,00 100,00
Source : Banque Centrale du Congo
 32

La distribution de l’IPC ainsi déterminé par les institutions susmentionnées est donnée
par le graphique suivant :

Graphique 1 : La distribution de l’inflation mensuelle en RDC de 2012 à 2020

Inflation
8

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 :

Graphique 2 : La distribution de la série lissée de l’inflation mensuelle en RDC de 2012 {

2021
LINFLATION
3

-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.

II.2.1.2.Statistique descriptive de la série

Soit le tableau suivant reprenant de manière synthétique les résultats de la statistique

descriptive de la série « inflation ».

Tableau 2 : La statistique descriptive de l’inflation mensuelle de la RDC de 2012 { 2020

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.

II.2.2. Les variables explicatives retenus

Dans le cadre de notre travail et à la lumière de la théorie économique, nous avons

retenu trois variables pouvant expliquer l’inflation dont :

 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 :

Tableau 3: La statistique descriptive des variables explicatives

Moyenne Ecart-type Statistique de JB Probabilité de JB Observations
Masse 1711207. 832593.0 13.68372 0.001068 108
monétaire
Prix du 1674.769 329.0842 13.42850 0.001213 108
carburant
Taux de change 1258.739 373.3480 12.86225 0.001611 108
indicatif
Source : Auteur, nos analyses sur Eviews
 34

Nous constatons qu’aucune des séries en notre disposition n’est normalement

distribuée. En effet, chacune de ces variables comporte une probabilité associée à la
statistique de JB inférieure à 5%. Notons ici que dans notre analyse, nous utiliserons
surtout les séries lissées par le calcul des logarithmes en lieu et place des séries brutes.
Ces calculs seront effectuons avant les analyses.

II.2.3. Méthodologie

II.2.3.1. Méthodologie de Box et Jenkins

a. Présentation de la méthodologie

L’algorithme de Box-Jenkins vise à formuler un modèle permettant de représenter une

série. Son idée principale est le concept de parcimonie, ou de la minimisation du nombre
des paramètres. En pratique, ces derniers étant inconnus, ils sont donc remplacés par
leur valeur estimée : plus il y a des paramètres, plus nombreuses sont les chances de se
tromper.21

Dans la méthodologie d’analyse des séries chronologiques synthétisée par Box et

Jenkins, on utilise ces trois types de processus (processus autorégressif, processus
intégré et processus moyenne mobile) pour construire un modèle restituant le mieux
possible le comportement d’une série temporelle selon une procédure en trois étapes,
qu’il convient de réitérer jusqu’{ ce que le résultat soit jugé satisfaisant22 :

(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

Il s’agit de la détermination de p, d et q. L’estimation des modèles ARIMA suppose que

l’on travaille sur une série stationnaire. Ceci signifie que la moyenne de la série est
constante dans le temps, ainsi que la variance. La meilleure méthode pour éliminer toute
tendance est de différencier, c.à.d. de remplacer la série originale par la série des
différences adjacentes. Une série temporelle qui a besoin d’être différenciée pour
atteindre la stationnarité est considérée comme une version intégrée d’une série
stationnaire (d’où le terme integrated).

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.

i. Les tests de Dickey-Fuller qui se basent sur trois modèles à savoir :

 Le modèle (1) sans constante ni tendance :

 Le modèle (2) avec constante sans tendance :
 Le modèle (3) avec constante et tendance déterministe :

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.

ii. Les tests de Dickey-Fuller Augmentés (ADF : Augmented Dickey-Fuller)

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.

iii. Les tests de Philips et Perron

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 .

a.2. Estimation des et

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.

a.3. Validité du modèle (le diagnostic)

Dans cette étape finale du triptyque identification-estimation-diagnostic de la méthode

de Box et Jenkins, les principales vérifications à effectuer portent sur les éléments
suivants :

 les valeurs des fonctions d’autocorrélation et d’autocorrélation partielle de la

série des résidus doivent être toutes nulles ; si les autocorrélations d’ordre 1 ou 2
diffèrent significativement de 0, alors la spécification (p,d,q) du modèle ARIMA
est probablement inadaptée ; cependant, une ou deux autocorrélations d’ordre
 36

supérieur peuvent par aléas dépasser les limites de l’intervalle de confiance { 95

%;
 les résidus ne doivent présenter aucune configuration déterministe : leurs
caractéristiques doivent correspondre à celle d’un bruit blanc. Une statistique
couramment utilisée pour tester un bruit blanc est le Q’ de Box et Ljung, connue
également comme la statistique de Box et Pierce modifiée. La valeur du Q’ peut
être vérifiée sur une base comprise entre un quart et la moitié des observations
et ne doit pas être significative pour que l’hypothèse du bruit blanc puisse être
conservée pour la série des résidus. Cette vérification peut facilement être
effectuée en utilisant la procédure Eviews ou Stata Autocorrelation qui donne la
statistique de Box et Ljung ainsi que sa significativité à chaque pas du décalage
dans le corrélogramme de la fonction d’autocorrélation.

II.2.3.2. Les modèles ARDL

Les modèles « Auto Regressive Distributed Lag/ARDL », ou « modèles autorégressifs à

retards échelonnés ou distribués/ARRE » en français, sont des modèles dynamiques. Ces
derniers ont la particularité de prendre en compte la dynamique temporelle (délai
d’ajustement, anticipations, etc.) dans l’explication d’une variable (série chronologique),
améliorant ainsi les prévisions et efficacité des politiques (décisions, actions, etc.),
contrairement au modèle simple (non dynamique) dont l’explication instantanée (effet
immédiat ou non étalé dans le temps) ne restitue qu’une partie de la variation de la
variable { expliquer. Dans la famille des modèles dynamiques, l’on distingue trois types
de modèles23.

Si l’on considère la variable dépendante « » et la variable indépendante « », l’on

notera :

 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 :

( )

Ces modèles dynamiques souffrent généralement de problèmes d’autocorrélation

d’erreurs, avec la présence de la variable endogène décalée comme explicative (modèles
AR et ARDL), et de multi-colinéarité (modèles DL et ARDL), ce qui complique
l’estimation des paramètres par les Moindres Carrés Ordinaires/MCO. Ici, il tient de
recourir aux techniques d’estimation robuste (méthode SUR, etc.) pour pallier { ces
problèmes. Aussi, l’on retiendra que les variables considérées dans ces modèles se
doivent d’être stationnaires pour éviter des régressions fallacieuses. Sous sa forme
(explicite) générale, un modèle ARDL s’écrit comme suit :

(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).

II.3. Modélisations et analyses des modèles

II.3.1. Modélisation ARIMA (p,d,q)

II.3.1.1. Analyse de la stationnarité

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

Modèle Probabilité Tstat et Ttab Coefficient de la Conclusion

tendance
M3 0.4049 > 0.05 -2.337706 > -3.453601 0.657038 < 3.14 Série non stationnaire à
tendance stochastique
M2 0.1864> 0.05 -2.261758 > -2.889474 Série non stationnaire
M1 0.0627> 0.05 -1.840921 > -1.943943 Série non stationnaire
Source : Auteur

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.

b. Tests sur la série différenciée

La représentation graphique de la série différenciée est donnée ici-bas :

Graphique 3 : La distribution de la série obtenu après le calcul de la différence première

de l’inflation
DINFLATION
6

-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

Tableau 5 : Résultats des tests ADF sur la série différenciée

Modèle Probabilité du test Tstat et Ttab Observation

M3 0.0000 -8.952093 <-3.455842 La série est stationnaire
M2 0.0000 -8.993732< -2.890926 La série est stationnaire
M1 0.0000 -9.040992 <-1.944105 La série est stationnaire
Source : Auteur

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

Soit le corrélogramme de la série différenciée :

Image 1 : Le corrélogramme de la série obtenue après le calcul de la différence première

de l’inflation

Source : Auteur, nos analyses sur Eviews

Ce corrélogramme nous donne des pics dépassant l’intervalle de confiance. La colonne

d’autocorrélation partielle nous donne un AR(2) et la colonne d’autocorrélation nous
donne un MA(2), un MA(4) et un MA(8). Nous pouvons donc avoir un ARIMA (2.1.2) ou
un ARIMA (2.1.4) ou encore un ARIMA (2.1.8). Nous procédons par essais erreur de ces
modèles pour voir lequel est meilleur que les autres.

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.

Tableau 6 : Choix du modèle optimal

(volatilité) AIC SIC HQIC
ARIMA (2.1.2) 0.552853 2.304765 2.380145 2.335317 0.149101
ARIMA (2.1.4) 0.541649 2.285932 2.361312 2.316484 0.166344
ARIMA (2.1.8) 0.513841 2.239454 2.314835 2.270006 0.209145
Source : Auteur

Au regard du précédent tableau, le modèle ARIMA (2.1.8) parait être optimal/adéquat

dans le sens où il présente les valeurs AIC et SIC mais aussi HQIC les plus minimales,
comparativement à celles des modèles ARIMA (2.1.2) et ARIMA (2.1.4), mais pas que, il
est aussi moins volatile que les autres modèles avec un = 0,513841 inférieurs à
0,541649 et 0,552853 qui sont respectivement les volatilités du modèle ARIMA (2.1.4)
et le modèle ARIMA(2.1.2) En outre, ce modèle comporte un coefficient de
détermination ( ) supérieur à ceux des autres modèles soient 0,209145 contre
0,166344 et 0,149101. Notons cependant qu’en combinant les modèles moyennes
mobiles MA(2), MA(4) et MA(8), nous obtenons un modèle présentant des
caractéristiques meilleurs que le modèle ARIMA (2.1.8).

Pour ce genre des modèles, la constante est souvent non significative (c’est le cas avec
notre estimation). Ainsi, il convient de l’extraire25.

Le modèle ARIMA (2.1.8) théorique et estimé s’écrit :

= + –

= - 0.424045 0.306615 (2.10)

II.3.1.3. Validation du modèle

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

a. Test de bruit blanc/Test portemanteau (Q-Q plot simple)

Image 2 : Le corrélogramme des résidus du modèle ARIMA (2.1.8) estimé

Source : Analyses sur Eviews

Les hypothèses du test sont26 :

H0 : les résidus sont des bruits blancs (prob-kièmelag>5%)

H1 : les résidus ne sont pas des bruits blancs (prob-kièmelag<5%)

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

b. Diagnostic du modèle sur stata

La commande « armadiag » sur stata est analogue au précédent test, il permet de valider
l’hypothèse du bruit blanc des erreurs.

Image 3 : Validation du bruit blanc par armadiag

Source : Analyses sur Stata 15

Comme avec le test de Portemanteau, ce diagnostic nous permet de valider le modèle

dans la mesure où tous les niveaux de significations sont supérieurs à 5%.

c. Vérification de la condition de stationnarité du modèle

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) :

 -0.424045*L = 1 → L = 1/-0.424045 → ∣L∣= 2.358240> 1 et ∣ ∣ < 1

 -0.306615*L = 1 → L = 1/-0.306615 → ∣L∣= 3.261419> 1 et ∣ ∣ < 1

Notre modèle estimé respecte les conditions de stationnarité (le modèle est convergent ;
d’où, la série est stationnaire).
 43

c. Test de normalité

L’histogramme de la distribution et les valeurs empiriques des Skewness, Kurtosis et de

la statistique de Jarque-Berra sont donnés par le graphique et le tableau suivant :

Graphique 4 : Histogramme des résidus du modèle ARIMA (2.1.8)

50

40

30

20

10

0
-2 -1 0 1 2 3 4
Source : Auteur, nos analyses sur Eviews

Tableau 7 : Valeurs empiriques du test de normalité

Statistique Valeurs
Skewness 1.731645
Kurtosis 17.36539
Jarque-Berra 964.4185
Probabilité de JB 0.0000
Source : Auteur, nos analyses sur Eviews

Les hypothèses du test sont :

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).

Par ailleurs notons ce qui suit :

 Pour Skewness

=
√

= = 37,467879> 1.96
√
La distribution n’est pas symétrique
 44

 Pour Kurtosis

=
√

= = 310,826217> 1.96
√

La distribution n’est pas aplanie

II.3.1.4. Performance du modèle

Nous la lisons en comparant les valeurs prévues calculées aux données réelles dans
l’échantillon (l’on parle mieux de la « prévision in casting »).

Graphique 5 : Performance prédictive du modèle ARIMA (2.1.8)

6

2
6
0
4
-2

2 -4

0 -6

-2

-4
2012 2013 2014 2015 2016 2017 2018 2019 2020

Res idual Actual Fitted

Source : Analyses sur Eviews

Visiblement, l’ajustement est bon { quelques écarts près et dans des proportions moins
importantes.

II.3.2. Modélisation ARDL

II.3.2.1. Description des variables

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

Variables Moyenne Ecart-type Statistique de JB Probabilité de JB

LINFLATION -1.331508 1.450899 8.106505 0.017366
LMM1 14.24905 0.464765 6.241837 0.044117
LPRIXCARBURANT 7.407706 0.187530 12.32282 0.002109
LTAUXDECHANGE 7.098057 0.289904 14.24598 0.000806
Source : Analyses sur Eviews
 45

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.

II.3.2.2. Stationnarité, corrélation et causalité

Après des tests ADF sur chacune des séries à niveau mais aussi en première
différenciation, il est à noter les conclusions suivantes :

Tableau 9 : Résultats des tests ADF sur les séries

Séries Etat de la stationnarité

Inflation lissée
Masse monétaire lissée
Prix du carburant à la pompe lissé
Taux de change indicatif lissé
Source : Analyses sur Eviews
Stationnaire après une différenciation
Stationnaire après une différenciation
Stationnaire après une différenciation
Stationnaire après une différenciation

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.

Tableau 10 : Les coefficients de corrélation entre les variables

Coefficient de corrélation de Spearman

(Probabilité)
Variables LINFLATION LMM1 LPRIXCARBURANT LTAUXDECHANGE
LINFLATION 1.000000
-----
LMM1 0.696458 1.000000
(0.0000) -----
LPRIXCARBURANT 0.629847 0.959207 1.000000
(0.0000) (0.0000) -----
LTAUXDECHANGE 0.702365 0.976489 0.940278 1.000000
(0.0000) (0.0000) (0.0000) -----
Source : Auteur, analyses sur Eviews

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

Tableau 11 : La causalité au sens de Granger

Hypothèses nulles Probabilités

La masse monétaire ne cause pas l’inflation au sens de Granger 0.4085
L’inflation ne cause pas LMM1 au sens de Granger 0.5531

Le prix du carburant ne cause pas l’inflation au sens de Granger 0.7889

L’inflation ne cause pas le prix du carburant au sens de Granger 0.1592

Le taux de change ne cause pas l’inflation au sens de Granger 0.0045

l’inflation ne cause pas le taux de change au sens de Granger 0.0109

Le prix du carburant ne cause pas la masse monétaire au sens de Granger 0.4964

La masse monétaire ne cause pas le prix du carburant au sens de Granger 0.6831

Le taux de change ne cause pas la masse monétaire au sens de Granger 0.6878

La masse monétaire ne cause pas le taux de change au sens de Granger 0.0250

Le taux de change ne cause pas le prix du carburant au sens de Granger 0.0344

Le prix du carburant ne cause pas le taux de change au sens de Granger 0.6595
Source : Auteur, nos analyses sur Eviews

Ce tableau tend { confirmer la forte corrélation entre l’inflation et le taux de change en

indiquant une causalité bidirectionnelle entre ces deux variables. Notons que le la masse
monétaire cause le taux de change et que celui-ci cause le prix du carburant à la pompe.
Ces relations sont illustrées par le schéma suivant :

Graphique 6 : La causalité au sens de Granger

Taux de change

Inflation Masse monétaire

Prix du carburant
Source : Auteur

II.3.2.3. Estimation du modèle ARDL

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.

Graphique 7 : Choix du modèle optimal par le critère d’Akaike

Akaike Information Criteria (top 20 models)
1.330

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.

II.3.2.3. Quelques tests de robustesse du modèle ARDL estimé

a. Le test de normalité des erreurs de Jarque-Berra

Ce test donne lieu { l’histogramme et aux résultats suivants :

Graphique 8 : Histogramme des erreurs du modèle ARDL (2.0.2)

20

16

12

0
-1.5 -1.0 -0.5 0.0 0.5 1.0

Source : Auteur, nos analyses sur Eviews

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%.

b. Les tests d’autocorrélation des erreurs, d’homoscédasticité et de linéarité

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.

Tableau 12 : Analyses des coefficients de court terme et de long terme

Variable Coefficient t-Stat Probabilité
D(LINFLATION(-1), 2) 0.306615 3.479233 0.0008
D(LMM1, 2) 0.513841 0.485528 0.6284
D(LTAUXDECHANGE, 2) 15.824061 3.257018 0.0015
D(LTAUXDECHANGE(-1), 2) 17.007540 3.526551 0.0006
CointEq(-1) -1.730661 -12.658758 0.0000
Cointeq = D(LINFLATION) - (0.2969*D(LMM1) + 1.9698*D(LTAUXDECHANGE) )
Coefficients de long terme
Variable Coefficient t-Stat Probabilité
D(LMM1) 0.296904 0.486128 0.6280
D(LTAUXDECHANGE) 1.969758 1.092201 0.2774
Source : Analyses sur Eviews

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

II.3.2.4. Performance du modèle

Graphique 9 : La performance du modèle ARDL (2.0.2) estimé

2

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

Res idual A c tual Fitted

Source : Auteur, nos analyses sur Eviews

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

En comparaison avec la série actuelle de l’inflation, cette distribution est graphiquement

représentée de la manière suivante :

Graphique 10 : L’inflation réalisée et l’inflation prévue par le modèle ARDL (2.0.2)

24

20

16

12

0
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

Inflation INFLATIONFARDL202
Source : Auteur, nos analyses sur Eviews

Nous pouvons donc en conclure que la prévision est globalement bonne.

 50

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

Chapitre III : Discussions, implications et limitations des résultats

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…

III.1. Discussions des résultats

III.1.1. Spécification et méthodologie

Pour s’enquérir de la manière dont l’inflation s’explique en RDC, et ainsi déduire la

performance prévisionnelle, nous allons estimer un modèle ARIMA et un modèle
autorégressif à retards distribués, en sigle ARDL. Ces modèles, qui font partie de la
classe des modèles dynamiques, permettent de capter les effets temporels (délai
d’ajustement, anticipations, etc.) dans l’explication d’une variable. Dans un modèle
dynamique, une variable dépendante (Yt) peut être expliquée par :

a. Par un processus autorégressif AR(p)

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 :

Nos deux modèles comprennent ce processus.

b. Par un processus intégré

Il s’agit du degré d’intégration ou encore du nombre de fois qu’il faut intégrer la série
analysée pour qu’elle devienne stationnaire. Notons que pour le modèle ARDL, il s’agit
de plusieurs séries. Il n’est pas question d’un processus intégré d’un certain ordre dans
la mesure où l’on peut procéder { une modélisation ARDL même si les séries n’ont pas
un même ordre d’intégration. Il permet de contourner la difficulté rencontrée lors d’une
modélisation par VECM par exemple. Dans notre cas, comme nous le verrons quelques
 52

lignes plus tard, nous aurons pu utiliser cette modélisation car toutes nos séries sont
stationnaire après la première différenciation.

c. Par un processus Moyenne Mobile MA (q)

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 :

Ce processus n’est d’actualité que pour la modélisation ARIMA.

d. Par un processus à retard distribué

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 :

∑ ∑ ∑

Avec : opérateur de différence première; : constante; : effets à court terme;

: dynamique de long terme du modèle ; : terme d’erreur (bruit
blanc).

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

cointegrating » ou le test de cointégration par les retards échelonnés. Il y a deux étapes à

suivre pour appliquer le test de cointégration de Pesaran28 :

 Détermination du décalage optimal avant tout (AIC, SIC) ;

 Recourir au test de Fisher pour vérifier les hypothèses (Cfr relation 3.8) :

: Existence d’une relation de cointégration

: Absence d’une relation de cointégration

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 :

Si Fisher > à borne supérieure : Cointégration existe

Si Fisher < { borne inférieure : Cointégration n’existe pas
Si borne inférieure < Fisher < si borne supérieure : Pas de conclusion

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 :

∑ ∑

∑ ∑

III.1.2. Les résultats empiriques

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.

III.1.2.2. Estimation des modèles

a. Le modèle ARIMA (2.1.8)

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

critère { maximiser en l’occurrence le coefficient de détermination qui exprime le

pouvoir explicatif du modèle sur la dynamique de l’inflation par elle-même au moyen de
la méthodologie de Box et Jenkins.

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.

b. Le modèle ARDL (2.0.2)

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.

III.1.2.3. Diagnostic et validation des modèles

a. Diagnostic du modèle ARDL (2.0.2)

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.

Suivant la procédure automatique sur Eviews 9, le test de cointégration de Pesaran et al.

(2001) exige que le modèle ARDL soit estimé au préalable. La statistique du test
calculée, soit la valeur F de Fisher, sera comparée aux valeurs critiques (qui forment des
bornes) comme vu plus haut. Les résultats de ce test sont donnés dans l’annexe 11 et
peuvent être résumé comme suit :
 57

Tableau 13 : Résumé des résultats du test de cointégration

Test Statistic Value k

F-statistic 31.69691 2
Valeur critique
Seuil Borne Borne
inférieure supérieure
10% 2.17 3.19
5% 2.72 3.83
2.5% 3.22 4.5
1% 3.88 5.3
Source : Auteur, analyses sur Eviews

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 :

∑ ∑

Avec : opérateur de différence première; : constante; : effets à court terme;

: dynamique de long terme du modèle ; : terme d’erreur (bruit
blanc).
 58

∑ ∑

b. Diagnostic du modèle ARIMA (2.1.8)

Le premier diagnostic à faire sur un modèle ARIMA consiste en la vérification de

l’hypothèse de bruit blanc des erreurs. Ce diagnostic peut se faire au travers du
corrélogramme des résidus du modèle. Ce corrélogramme est donné par l’image 2. Cette
image nous renseigne d’une part que toutes les probabilités associées aux résidus sont
strictement supérieures au seuil de 5% et d’une autre part que toutes les
autocorrélations et les autocorrélations partielles sont comprises dans l’intervalle de
significativité. Cela est indicateur du fait que les résidus sont des bruits blancs.

Deuxièmement, il est question de tester la stationnarité du modèle estimé. Notre modèle

ayant deux paramètres, et pris en valeur absolue doivent être supérieurs { l’unité.
C’est ce qui a été démontré avec Il
nous est donc possible de conclure que notre modèle est stationnaire.

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.

III.1.2.4. La dynamique de long terme

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

Tableau 14 : Analyse de la dynamique de court terme et de la dynamique de long terme

Variable Coefficient Prob.

D(LINFLATION(-1)) 0.306615 0.0008
D(LMM1) 0.513841 0.6284
D(LTAUXDECHANGE) 15.824061 0.0015
D(LTAUXDECHANGE(-1)) 17.007540 0.0006
CointEq(-1) -1.730661 0.0000
Variable Coefficient Prob.
D(LMM1) 0.296904 0.6280
D(LTAUXDECHANGE) 1.969758 0.2774
Source : Auteur, nos analyses sur Eviews

En faisant une lecture de ce tableau, l’on note ce qui suit :

A court terme, premièrement l’inflation de la période précédente a un effet sur l’inflation

de la période t lequel effet est moins que proportionnel dans la mesure où un
accroissement de l’inflation de la période précédente de 10% ferait accroitre l’inflation
de la période t de 3%. Deuxièmement, le taux de change de la période t a également un
effet positif sur l’inflation ainsi que celle de la période précédente. Le taux de change de
change de période précédente a un effet plus important que celui de période t sur
l’inflation mais le deux ont des effets plus que proportionnels dans la mesure où des
accroissements des taux de change de la période t et de la période précédente de 1%
entraine respectivement des accroissements de 15% et 17% de l’inflation de la période
t. En ce qui concerne la masse monétaire, sone effet { court terme s’est montré non
significatif sur l’inflation sur la période sous examen.

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.

III.1.3. Performance prédictive des modèles estimés

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

Source : Auteur, nos analyses sur Eviews

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 :

Tableau 15 : Comparaisons des modèles par la RMSE et la MAE

Indicateur ARIMA (2.1.8) ARDL (2.0.2)

RMSE 1.44381360 3.08069245
MAE 0.703880 1.483026
« Source : Auteur

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

III.2. Implications des résultats

Au début de notre travail, nous avons formulé l’hypothèse suivante :

Entre un processus ARIMA et un processus ARDL, le modèle ayant le plus grand

potentiel de prévision de l’inflation de la République Démocratique du Congo entre 2012
et 2020 est un processus ARDL. La prise en compte de la dynamique des variables
pouvant expliquer l’inflation pour en expliquer la dynamique donne une bien meilleure
prévision que celle issue de l’analyse de sa dynamique en ne tenant compte que de la
seule série de l’inflation.

A la lumière de nos résultats, le modèle ARIMA a un potentiel de prévision bien meilleur

que le modèle ARDL, sur la période sous examen. Mais nous ne pouvons pas affirmer que
sa prévision est parfaite. Par exemple elle ne donne pas la possibilité de faire une
analyse de long terme contrairement au modèle ARDL tel que spécifié. !

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.

Ainsi, au-del{ du maintien stable du taux de change ou de l’appréciation de la monnaie

locale, les autorités du pays doivent viser la dédollarisation de l’économie congolaise
afin de résorber tant soit peu le problème de l’inflation. Car disons-le, à la lumière de nos
résultats, la dynamique de l’inflation ne peut être expliquée par la seule variable taux de
change. Bien que ce modèle donne la variable masse monétaire comme étant non
significative, le faible coefficient de détermination soit 22%, donne lieu à la non prise en
compte de plusieurs variables dans la dynamique de l’inflation par le modèle ARDL
(2.0.2) tel qu’estimé. Toutefois, notons-le, cette modélisation reste robuste en vue de la
prévision de l’inflation.
 62

III.3. Limitations des résultats

Comme soulevé dans le précédent point, la dynamique de l’inflation ne peut être

expliquée par le taux de change seul. La prévision tendrait vers la perfection en
intégrant un bon nombre de variables de contrôle supplémentaires. Et des modèles tel
que les modèles Reg Arima seraient plus adaptés que les modèles ARIMA et ARDL.

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 ?

Nous avons à ce stade de notre étude, formulé l’hypothèse suivante :

Entre un processus ARIMA et un processus ARDL, le modèle ayant le plus grand

potentiel de prévision de l’inflation de la République Démocratique du Congo entre 2012
et 2020 est un processus ARDL. La prise en compte de la dynamique des variables
pouvant expliquer l’inflation pour en expliquer la dynamique donne une bien meilleure
prévision que celle issue de l’analyse de sa dynamique en ne tenant compte que de la
seule série de l’inflation.

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

Annexe 1 : Série de l’inflation mensuelle de Janvier 2012 à Décembre 2020

Période Inflation 2015M02 0.0470438 2018M03 0.8286647

2012M01 na Période Inflation 2018M04 0.7251004
2012M02 0.5085719 2015M03 0.0572376 Période Inflation
2012M03 0.0901492 2015M04 0.0620981 2018M05 1.180339
2012M04 0.0573348 2015M05 0.0527966 2018M06 0.2508685
2012M05 0.0491199 2015M06 0.0562296 2018M07 0.1392556
2012M06 0.0490958 2015M07 0.0766731 2018M08 0.1726449
2012M07 0.0490717 2015M08 0.0624862 2018M09 0.2062738
2012M08 0.0580345 2015M09 0.064522 2018M10 0.4152444
2012M09 0.054735 2015M10 0.0956491 2018M11 0.4753281
2012M10 0.0269518 2015M11 0.0788188 2018M12 0.4904357
2012M11 0.0820621 2015M12 0.1204074 2019M01 0.2700471
2012M12 0.086283 2016M01 0.0789106 2019M02 0.4317827
2013M01 0.0724526 2016M02 0.0947787 2019M03 0.2737424
2013M02 0.0680222 2016M03 0.1630226 2019M04 0.3688366
2013M03 0.0422986 2016M04 0.1504478 2019M05 0.3785123
2013M04 0.0549844 2016M05 0.1331813 2019M06 0.3479054
2013M05 0.0729886 2016M06 0.4840199 2019M07 0.2506163
2013M06 0.059129 2016M07 0.5608105 2019M08 0.3673034
2013M07 0.1136305 2016M08 0.5672253 2019M09 0.3768647
2013M08 0.1632227 2016M09 1.035307 2019M10 0.4274879
2013M09 0.081779 2016M10 1.450142 2019M11 0.3934729
2013M10 0.1201599 2016M11 1.784989 2019M12 0.5904986
2013M11 0.0680376 2016M12 4.025557 2020M01 0.5039737
2013M12 0.1514119 2017M01 1.501174 2020M02 0.2541356
2014M01 0.1102195 2017M02 1.828422 2020M03 0.8760244
2014M02 0.1424128 2017M03 2.341022 2020M04 2.152825
2014M03 0.151648 2017M04 3.002116 2020M05 2.247244
2014M04 0.0949105 2017M05 2.912808 2020M06 2.489044
2014M05 0.1233226 2017M06 6.889112 2020M07 2.863747
2014M06 0.0825721 2017M07 7.47533 2020M08 1.24003
2014M07 0.0681072 2017M08 2.68931 2020M09 0.293807
2014M08 0.0487138 2017M09 2.627363 2020M10 0.4532702
2014M09 0.0432166 2017M10 3.971197 2020M11 0.3390748
2014M10 0.0571302 2017M11 4.807568 2020M12 0.7778105
2014M11 0.0472003 2017M12 2.597173
2014M12 0.0543881 2018M01 1.357582
2015M01 0.0372229 2018M02 0.7076646
Source : INS
 67

Annexe 2 : Statistique descriptive de la série inflation

60
Series: INFLATION
Sample 2012M01 2020M12
50
Observations 107

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

Annexe 3 : Les données brutes

MM1_MILLIONS_CDF Prix_carburant Taux_de_change

2012M01 742823.5371324531 1280 920.0783
2012M02 783541.4511442939 1280 918.025
2012M03 823167.9009840318 1340 919.9276
2012M04 811764.4101163786 1340 922.7263
2012M05 794092.8718497901 1340 923.0489
2012M06 748396.815363884 1340 919.3224
2012M07 740958.1213716232 1340 915.3153
2012M08 788611.1721177954 1340 919.2819
2012M09 810147.859156905 1340 917.0226
2012M10 777006.917510236 1340 917.0036
2012M11 778154.9943935065 1340 913.7688
2012M12 883844.3315999284 1340 915.1747
2013M01 828384.5535307428 1370 918.2168
2013M02 805418.0354431901 1370 918.4263
2013M03 882708.980174004 1370 918.8912
2013M04 866030.104419515 1370 917.05
2013M05 883261.3231548309 1370 918.0572
2013M06 899929.2710295967 1370 917.4949
2013M07 912607.336122522 1370 916.3441
2013M08 952247.5748815994 1400 917.8895
2013M09 957356.8606371069 1400 921.5941
2013M10 988232.6495795374 1400 918.9946
2013M11 1000986.501256176 1400 921.0562
2013M12 1072634.575637744 1400 925.5033
2014M01 1032174.301789588 1400 926.7406
2014M02 1063619.34067804 1400 929.3918
2014M03 1146423.458226962 1400 921.9301
2014M04 1092022.307221841 1400 924.0009
2014M05 1101597.860679505 1400 925.8749
2014M06 1069760.974642457 1400 926.124
2014M07 1115718.021149147 1475 924.1564
2014M08 1125162.783464303 1475 922.6634
2014M09 1128786.276272707 1525 925.798
2014M10 1182744.843164213 1525 925.5404
2014M11 1160644.212737671 1525 925.3156
2014M12 1181583.536242551 1525 924.509
2015M01 1200116.806127844 1440 925.3193
2015M02 1235918.203519158 1440 924.1299
2015M03 1195727.959819576 1440 925.1912
 68

2015M04 1158457.301215823 1440 926.6231

2015M05 1152282.546473703 1440 926.0581
2015M06 1202362.482003259 1440 925.7931
2015M07 1214029.05872489 1440 924.2306
2015M08 1172614.768165362 1440 927.6514
2015M09 1164158.610330113 1440 925.4526
2015M10 1194420.083353341 1440 928.0249
2015M11 1236619.852981972 1440 925.7298
2015M12 1323860.801885675 1440 927.9151
2016M01 1218296.443722824 1440 929.5136
2016M02 1336854.104350808 1440 933.97
2016M03 1327493.918247514 1440 941.5766
2016M04 1322027.2942021 1440 949.491
2016M05 1365316.349946802 1440 954.9514
2016M06 1436021 1440 983.7642
2016M07 1430520 1440 997.1719
2016M08 1438030 1490 1023.9958
2016M09 1538271 1540 1060.9848
2016M10 1531681 1540 1120.5646
2016M11 1513952 1540 1175.9072
2016M12 1682135.926647911 1540 1215.5887
2017M01 1655537.702617984 1540 1280.5926
2017M02 1693510.063668014 1615 1314.9408
2017M03 1654559.100259783 1650 1370.007
2017M04 1731016.212283776 1650 1405.89
2017M05 1716818.458012902 1650 1439.855
2017M06 1754271.870928953 1730 1507.7841
2017M07 1706337.124245822 1730 1565.9694
2017M08 1773879.541315023 1730 1555.6244
2017M09 1816673.316828051 1730 1568.041
2017M10 1811909.254941864 1730 1574.6433
2017M11 1930835.102199383 1730 1586.2756
2017M12 1985284.090196932 1730 1592.1927
2018M01 2044587.021061162 1810 1604.9828
2018M02 2032581.04698937 1810 1615.9701
2018M03 2109051.965220621 1890 1616.529
2018M04 2122073.3438414 1980 1619.99
2018M05 2090959.336697227 1980 1620.9772
2018M06 2099632.238081421 1980 1625.6685
2018M07 2199102.073299366 1980 1626.9335
2018M08 2145079.09158906 1980 1628.1435
2018M09 2108618.658896452 1980 1630.6483
2018M10 2136751.874332487 1980 1632.4604
2018M11 2237975.954025535 2240 1633.0391
2018M12 2395532.137357542 2240 1635.6153
2019M01 2319009.829293718 2240 1637.9986
2019M02 2244080.205467391 2240 1637.012
2019M03 2540865.9374472 2240 1638.9985
2019M04 2714561.468983138 2240 1638.8774
2019M05 2625819.777591719 2240 1637.6769
2019M06 2649265.168417442 2240 1645.8897
2019M07 2615568.197712058 2240 1650.1893
2019M08 2676416.871502192 2240 1653.9617
2019M09 2686480.503467283 2240 1652.688
2019M10 2844406.373664436 2240 1654.39
2019M11 2793558.202246398 2240 1663.89
2019M12 2838206.229459278 2240 1672.95
2020M01 2942048.752996629 2240 1683.88
2020M02 3121578.36733638 2240 1695.01
 69

2020M03 3109366.758207601 2240 1706.91

2020M04 3240157.537673256 2240 1738.504
2020M05 3374009.405838221 1995 1822.0038
2020M06 3619018.039291818 1995 1906.7603
2020M07 3653412.792336414 1995 1976.9706
2020M08 3611623.160316301 1995 1960.9214
2020M09 3408937.929154583 1995 1961.1041
2020M10 3358005 1995 1964.95
2020M11 3552913 1995 1965.87
2020M12 3794790.278920583 1995 1971.8
Source : Banque Centrale du Congo

Annexe 4 : Données lissées par le biais du calcul des logarithmes

LINFLATION LMM1 LPRIXDUCARBURANT LTAUXDECHANGE

2012M01 13.51821379499751 7.154615356913663 6.824458775117199
2012M02 -0.6761486772255117 13.5715792444768 7.154615356913663 6.822224623365145
2012M03 -2.40628920347091 13.62091546976801 7.200424892944957 6.824294971294248
2012M04 -2.858847509768643 13.60696544172176 7.200424892944957 6.827332657483815
2012M05 -3.013491030975941 13.58495570045438 7.200424892944957 6.827682212514444
2012M06 -3.01398178755526 13.52568861811364 7.200424892944957 6.823636876938566
2012M07 -3.014472785094856 13.51569938631353 7.200424892944957 6.8192685960819
2012M08 -2.846717617689317 13.5780286673527 7.200424892944957 6.823592821782156
2012M09 -2.905251920425616 13.60497205215885 7.200424892944957 6.821132117536191
2012M10 -3.613705193505002 13.56320453215473 7.200424892944957 6.821111398093905
2012M11 -2.500279001264589 13.56468100490403 7.200424892944957 6.817577585407739
2012M12 -2.450122687551058 13.69203623063796 7.200424892944957 6.819114976012655
2013M01 -2.624822724040866 13.62723276218142 7.222566018822171 6.822433528315133
2013M02 -2.687921156497722 13.59911672029899 7.222566018822171 6.82266166191486
2013M03 -3.163001290404334 13.69075084448552 7.222566018822171 6.823167725793228
2013M04 -2.900705770345704 13.67167494954951 7.222566018822171 6.821161996397041
2013M05 -2.617452014412235 13.69137638501449 7.222566018822171 6.822259698047534
2013M06 -2.828033781181464 13.71007145147338 7.222566018822171 6.82164702133017
2013M07 -2.174803322815487 13.7240609861485 7.222566018822171 6.820391949155283
2013M08 -1.812639752987429 13.76658033761311 7.24422751560335 6.822077013005026
2013M09 -2.503734792048992 13.77193149605458 7.24422751560335 6.826104888011413
2013M10 -2.118931923190361 13.80367342429298 7.24422751560335 6.823280246386303
2013M11 -2.687694785445203 13.81649657294786 7.24422751560335 6.825521055023375
2013M12 -1.887751341331787 13.88562840036266 7.24422751560335 6.83033769764739
2014M01 -2.205281446919119 13.84717810784507 7.24422751560335 6.831673699006646
2014M02 -1.949025396403464 13.87718812235081 7.24422751560335 6.834530393715464
2014M03 -1.886193233196959 13.95215761780154 7.24422751560335 6.826469407233585
2014M04 -2.354820936704841 13.90354186293717 7.24422751560335 6.828713045667184
2014M05 -2.092951592826075 13.91227228438263 7.24422751560335 6.830739128327508
2014M06 -2.494083427910244 13.88294579329861 7.24422751560335 6.831008134968389
2014M07 -2.686672344543116 13.92500872077595 7.29641326877392 6.828881321387402
2014M08 -3.021792921478128 13.93343827956586 7.29641326877392 6.827264487600755
2014M09 -3.141530598281495 13.93665352164448 7.329749689041513 6.830656068301038
2014M10 -2.862422405464216 13.98334843344518 7.329749689041513 6.830377783140785
2014M11 -3.053355030478623 13.96448576473792 7.329749689041513 6.830134868509819
2014M12 -2.911609899049511 13.98236607665822 7.329749689041513 6.829262785771683
2015M01 -3.290831115703848 13.99792944846102 7.272398392570046 6.830138867137534
2015M02 -3.056676196341556 14.02732473642733 7.272398392570046 6.828852646176205
2015M03 -2.860544253894094 13.9942657292753 7.272398392570046 6.830000418855068
2015M04 -2.77903988632397 13.96259976521877 7.272398392570046 6.831546902522872
2015M05 -2.941308484282694 13.95725535620138 7.272398392570046 6.830936975658483
2015M06 -2.878311970343734 13.99979891434199 7.272398392570046 6.830650775555786
2015M07 -2.568204349204076 14.00945518666181 7.272398392570046 6.828961607604563
 70

2015M08 -2.77280954661969 13.974746657809 7.272398392570046 6.832656015661636

2015M09 -2.74074902806545 13.96750916116074 7.272398392570046 6.830282915142832
2015M10 -2.3470689924449 13.99317133966165 7.272398392570046 6.833058564322784
2015M11 -2.540603731893468 14.02789229046744 7.272398392570046 6.830582399409831
2015M12 -2.116874286202095 14.09606287542463 7.272398392570046 6.832940241532037
2016M01 -2.539439712879064 14.01296408328942 7.272398392570046 6.834661438576783
2016M02 -2.356210578510594 14.10582972847753 7.272398392570046 6.83944431779864
2016M03 -1.813866437479692 14.09880345072993 7.272398392570046 6.84755570432036
2016M04 -1.894139098811269 14.09467694532444 7.272398392570046 6.855926051534432
2016M05 -2.016043921121892 14.1268967179522 7.272398392570046 6.861660449133431
2016M06 -0.7256292574082534 14.17738665243881 7.272398392570046 6.891386234189061
2016M07 -0.5783722201845381 14.17354857250005 7.272398392570046 6.904923172351447
2016M08 -0.566998699681422 14.17878467935428 7.306531398939505 6.931467704028541
2016M09 0.03469800109229243 14.24616961638668 7.339537695407675 6.966952812403917
2016M10 0.3716614826720351 14.24187638305785 7.339537695407675 7.021587944412677
2016M11 0.5794122527476283 14.23023400838183 7.339537695407675 7.069795213780265
2016M12 1.392663286389361 14.3355749287635 7.339537695407675 7.102983765178437
2017M01 0.4062474686509937 14.31963640986776 7.339537695407675 7.155078218526696
2017M02 0.6034532997810991 14.34231389374844 7.387090235656758 7.181546924587071
2017M03 0.8505875861579092 14.3190451266244 7.408530566894626 7.222571128298168
2017M04 1.099317373370792 14.364219199963 7.408530566894626 7.248425833179136
2017M05 1.06911756437353 14.35598340220624 7.408530566894626 7.272297693055575
2017M06 1.929942194281196 14.37756444043254 7.455876687491824 7.31839636855686
2017M07 2.011608265459483 14.34985959844085 7.455876687491824 7.35626033612995
2017M08 0.9892846551343575 14.3886795372435 7.455876687491824 7.349632287424715
2017M09 0.9659806815913211 14.41251753860391 7.455876687491824 7.357582348527685
2017M10 1.379067560588704 14.40989168427686 7.455876687491824 7.361784049419653
2017M11 1.570191342946547 14.47346316273549 7.455876687491824 7.369144157590254
2017M12 0.9544235457872846 14.50127258035008 7.455876687491824 7.372867401792817
2018M01 0.3057051761581732 14.5307063813739 7.501082124259871 7.38086831899579
2018M02 -0.3457850263469216 14.52481699512662 7.501082124259871 7.38769073643462
2018M03 -0.1879396688728329 14.56174909890161 7.544332108053689 7.388036536998381
2018M04 -0.3214451509566937 14.56790416110325 7.590852123688581 7.390175255367873
2018M05 0.1658016853538322 14.55313353140065 7.590852123688581 7.390784456245024
2018M06 -1.382826381518676 14.55727276263439 7.590852123688581 7.393674394783771
2018M07 -1.971444185543506 14.60355968651298 7.590852123688581 7.394452233611751
2018M08 -1.756518395113279 14.57868698220017 7.590852123688581 7.395195687641091
2018M09 -1.578550866485321 14.56154362703606 7.590852123688581 7.396732944788522
2018M10 -0.8788880164315641 14.57479741821636 7.590852123688581 7.397843603582254
2018M11 -0.7437499765542859 14.62108242339304 7.714231144849085 7.398198036345793
2018M12 -0.7124610992936106 14.68911595093544 7.714231144849085 7.399774342812106
2019M01 -1.309158890752981 14.6566508548202 7.714231144849085 7.401230409711795
2019M02 -0.8398328265488829 14.62380628717288 7.714231144849085 7.400627907826858
2019M03 -1.295567760793891 14.74801550114942 7.714231144849085 7.40184066355122
2019M04 -0.9974015514428277 14.81414097675099 7.714231144849085 7.401766774237684
2019M05 -0.9715067099351496 14.78090370147896 7.714231144849085 7.40103399220888
2019M06 -1.055824675243063 14.78979286457224 7.714231144849085 7.406036368056081
2019M07 -1.383832194740779 14.77699191589832 7.714231144849085 7.408645287586684
2019M08 -1.001567069460998 14.79998946967537 7.714231144849085 7.410928719330043
2019M09 -0.9758690418907426 14.80374253190052 7.714231144849085 7.410158332274532
2019M10 -0.8498292950994579 14.86086494776541 7.714231144849085 7.411187639808414
2019M11 -0.9327430826195189 14.84282668254756 7.714231144849085 7.416913513426841
2019M12 -0.5267880142196728 14.85868280124285 7.714231144849085 7.422343814108656
2020M01 -0.6852311948120071 14.89461675138508 7.714231144849085 7.428855933355872
2020M02 -1.369887296147512 14.95384931883478 7.714231144849085 7.435443919502161
2020M03 -0.1323613345523792 14.94992964869888 7.714231144849085 7.442439997327149
2020M04 0.7667809331464831 14.99113250932513 7.714231144849085 7.460780252279321
2020M05 0.809704576537893 15.03161232982519 7.598399329323964 7.507692163437926
2020M06 0.9118987010114465 15.1017132871402 7.598399329323964 7.553160902891564
 71

2020M07 1.052130907207543 15.11117230030663 7.598399329323964 7.589320952043351

2020M08 0.2151355728726734 15.09966785815276 7.598399329323964 7.581169743802032
2020M09 -1.224832189794398 15.04191134302074 7.598399329323964 7.581262909948011
2020M10 -0.791266863324261 15.02685760560005 7.598399329323964 7.583222078687004
2020M11 -1.081534546973538 15.0832783883538 7.598399329323964 7.583690174410949
2020M12 -0.2512723577373124 15.14913970481332 7.598399329323964 7.586702110140941
Source : Auteur, nos analyses sur Eviews

Annexe 5 : Estimation du modèle ARIMA (2.1.8)

Dependent Variable: DINFLATION

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 09/09/21 Time: 16:51
Sample: 2012M03 2020M12
Included observations: 106
Convergence achievedafter 102 iterations
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
AR(2) -0.424045 0.077423 -5.477015 0.0000
MA(8) -0.306615 0.127548 -2.403929 0.0180
SIGMASQ 0.513841 0.024650 20.84563 0.0000
R-squared 0.209145 Meandependent var 0.002540
Adjusted R-squared 0.193789 S.D. dependent var 0.809886
S.E. of regression 0.727191 Akaike info criterion 2.239454
Sumsquaredresid 54.46712 Schwarz criterion 2.314835
Log likelihood -115.6911 Hannan-Quinn criter. 2.270006
Durbin-Watson stat 2.057682
Inverted AR Roots -.00+.65i -.00-.65i
Inverted MA Roots .86 .61-.61i .61+.61i -.00-.86i
-.00+.86i -.61+.61i -.61+.61i -.86

Annexe 6 : Graphique de la prévision de l’inflation par le modèle ARIMA (2.1.8)

12
Forecast: INFLATIONF
Actual: INFLATION
8 Forecast sample: 2012M01 2021M03
Adjusted sample: 2012M05 2021M03
Included observations: 104
4 Root Mean Squared Error 1.443874
Mean Absolute Error 0.703880
Mean Abs. Percent Error 147.0653
0
Theil Inequality Coefficient 0.805369
Bias Proportion 0.146711
-4 Variance Proportion 0.836738
Covariance Proportion 0.016550

-8
2012 2013 2014 2015 2016 2017 2018 2019 2020

INFLA TIONF ± 2 S.E.

Source : Auteur, nos analyses sur Eviews

Annexe 7 : Estimation du modèle ARDL (2.0.2)

Dependent Variable: D(LINFLATION)

Method: ARDL
Date: 10/21/21 Time: 23:43
 72

Sample (adjusted): 2012M05 2020M12

Included observations: 104 afteradjustments
Maximum dependentlags: 4 (Automaticselection)
Model selection method: Akaike info criterion (AIC)
Dynamicregressors (4 lags, automatic): D(LMM1) D(LTAUXDECHANGE)
Fixedregressors:
Number of modelsevalulated: 100
Selected Model: ARDL(2, 0, 2)
Note: final equation sample is larger than selection sample
Variable Coefficient Std. Error t-Statistic Prob.*
D(LINFLATION(-1)) -0.231915 0.094294 -2.459472 0.0157
D(LINFLATION(-2)) -0.114968 0.088127 -1.304573 0.1951
D(LMM1) 2.354185 1.058313 2.224469 0.0284
D(LTAUXDECHANGE) 15.82406 4.858450 3.257018 0.0015
D(LTAUXDECHANGE(-1)) 4.592462 5.756254 0.797821 0.4269
D(LTAUXDECHANGE(-2)) -17.00754 4.822712 -3.526551 0.0006
R-squared 0.228650 Meandependent var 0.025073
Adjusted R-squared 0.189295 S.D. dependent var 0.495891
S.E. of regression 0.446496 Akaike info criterion 1.281189
Sumsquaredresid 19.53717 Schwarz criterion 1.433750
Log likelihood -60.62185 Hannan-Quinn criter. 1.342996
Durbin-Watson stat 2.015586
*Note: p-values and any subsequent tests do not account for model selection.
Source : Auteur, nos analyses sur Eviews

Annexe 8 : Test d’autocorrélation des erreurs du modèle ARDL (2.0.2)

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.116110 Prob. F(2,96) 0.1261
Obs*R-squared 3.857804 Prob. Chi-Square(2) 0.1453
Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 10/22/21 Time: 00:17
Sample: 2012M05 2020M12
Included observations: 104
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
D(LINFLATION(-1)) -0.085549 0.233330 -0.366644 0.7147
D(LINFLATION(-2)) 0.274894 0.159973 1.718380 0.0890
D(LMM1) -0.055602 1.046836 -0.053114 0.9578
D(LTAUXDECHANGE) 1.823912 4.885188 0.373355 0.7097
D(LTAUXDECHANGE(-1)) 1.201543 6.365729 0.188752 0.8507
D(LTAUXDECHANGE(-2)) -3.675505 5.395393 -0.681230 0.4974
RESID(-1) 0.050039 0.251263 0.199150 0.8426
RESID(-2) -0.411874 0.207061 -1.989142 0.0495
R-squared 0.037094 Meandependent var -0.031636
Adjusted R-squared -0.033118 S.D. dependent var 0.434362
S.E. of regression 0.441496 Akaike info criterion 1.276509
Sumsquaredresid 18.71223 Schwarz criterion 1.479924
Log likelihood -58.37849 Hannan-Quinn criter. 1.358919
Durbin-Watson stat 1.963020
Source : Auteur, nos analyses sur Eviews
 73

Annexe 9 : Test d’hétéroscédasticité

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.997709 Prob. F(6,97) 0.4314
Obs*R-squared 6.045182 Prob. Chi-Square(6) 0.4181
Scaledexplained SS 7.746548 Prob. Chi-Square(6) 0.2573
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/22/21 Time: 00:18
Sample: 2012M05 2020M12
Included observations: 104
Variable Coefficient Std. Error t-Statistic Prob.
C 0.161757 0.038636 4.186717 0.0001
D(LINFLATION(-1)) -0.087473 0.068081 -1.284848 0.2019
D(LINFLATION(-2)) -0.018868 0.064338 -0.293264 0.7699
D(LMM1) 0.760869 0.798594 0.952761 0.3431
D(LTAUXDECHANGE) 5.101292 3.530159 1.445060 0.1517
D(LTAUXDECHANGE(-1)) -6.605766 4.142899 -1.594479 0.1141
D(LTAUXDECHANGE(-2)) 3.675866 3.500945 1.049964 0.2963
R-squared 0.058127 Meandependent var 0.187857
Adjusted R-squared -0.000133 S.D. dependent var 0.320699
S.E. of regression 0.320721 Akaike info criterion 0.628443
Sumsquaredresid 9.977590 Schwarz criterion 0.806431
Log likelihood -25.67904 Hannan-Quinn criter. 0.700551
F-statistic 0.997709 Durbin-Watson stat 1.410970
Prob(F-statistic) 0.431398
Source : Auteur, nos analyses sur Eviews

Annexe 10 : Test de linéarité de Ramsey

Ramsey RESET Test

Equation: ARDL
Specification: D(LINFLATION) D(LINFLATION(-1)) D(LINFLATION(-2))
D(LMM1) D(LTAUXDECHANGE) D(LTAUXDECHANGE(-1))
D(LTAUXDECHANGE(-2))
Omitted Variables: Powers of fitted values from 2 to 3
Value df Probability
F-statistic 1.973201 (2, 96) 0.1446
F-test summary:
Sum of Sq. df Mean
Squares
Test SSR 0.771429 2 0.385714
Restricted SSR 19.53717 98 0.199359
Unrestricted SSR 18.76574 96 0.195476
Unrestricted Test Equation:
Dependent Variable: D(LINFLATION)
Method: ARDL
Date: 10/22/21 Time: 00:20
Sample: 2012M05 2020M12
Included observations: 104
Maximum dependentlags: 4 (Automaticselection)
Model selection method: Akaike info criterion (AIC)
Dynamicregressors (4 lags, automatic):
Fixedregressors:
Variable Coefficient Std. Error t-Statistic Prob.*
D(LINFLATION(-1)) -0.297348 0.118285 -2.513823 0.0136
D(LINFLATION(-2)) -0.120601 0.090183 -1.337295 0.1843
 74

D(LMM1) 2.740895 1.130405 2.424702 0.0172

D(LTAUXDECHANGE) 16.61706 9.099037 1.826243 0.0709
D(LTAUXDECHANGE(-1)) 7.135714 5.864101 1.216847 0.2266
D(LTAUXDECHANGE(-2)) -16.32393 7.785095 -2.096818 0.0386
FITTED^2 -0.894464 0.471247 -1.898079 0.0607
FITTED^3 -0.247820 1.193539 -0.207635 0.8360
R-squared 0.259107 Meandependent var 0.025073
Adjusted R-squared 0.205083 S.D. dependent var 0.495891
S.E. of regression 0.442127 Akaike info criterion 1.279365
Sumsquaredresid 18.76574 Schwarz criterion 1.482780
Log likelihood -58.52699 Hannan-Quinn criter. 1.361774
Durbin-Watson stat 2.000533
*Note: p-values and any subsequent tests do not account for model selection.
Source : Auteur, nos analyses sur Eviews

Annexe 11 : Résultats du test de cointégration de Pesaran et al.

ARDL Bounds Test

Date: 10/22/21 Time: 00:22

Sample: 2012M05 2020M12
Included observations: 104
Null Hypothesis: No long-run relationships exist
Test Statistic Value k
F-statistic 31.69691 2
Critical Value Bounds
Significance I0 Bound I1 Bound
10% 2.17 3.19
5% 2.72 3.83
2.5% 3.22 4.5
1% 3.88 5.3
Test Equation:
Dependent Variable: D(LINFLATION,2)
Method: Least Squares
Date: 10/22/21 Time: 00:22
Sample: 2012M05 2020M12
Included observations: 104
Variable Coefficient Std. Error t-Statistic Prob.
D(LINFLATION(-1),2) 0.095306 0.089407 1.065973 0.2891
D(LTAUXDECHANGE,2) 17.66329 5.029313 3.512069 0.0007
D(LTAUXDECHANGE(-1)) 17.02993 4.919816 3.461497 0.0008
D(LMM1(-1)) -1.238526 1.126015 -1.099920 0.2741
D(LTAUXDECHANGE(-1)) 5.546375 3.284024 1.688896 0.0944
D(LINFLATION(-1)) -1.312792 0.140095 -9.370717 0.0000
R-squared 0.635384 Meandependent var 0.012335
Adjusted R-squared 0.616781 S.D. dependent var 0.734727
S.E. of regression 0.454831 Akaike info criterion 1.318179
Sumsquaredresid 20.27337 Schwarz criterion 1.470740
Log likelihood -62.54531 Hannan-Quinn criter. 1.379986
Durbin-Watson stat 2.034576
Source : Auteur, nos analyses sur Eviews

Annexe 12 : Valeurs prévues par les modèles ARIMA (2.1.8) et ARDL (2.0.2)

LINFLATIONF INFLATIONFAR2MA8 INFLATIONFARDL202

2012M05 -2.62252567253874 0.2272957592020337 0.07261921864620592
2012M06 -2.878899759522899 0.2406247848491585 0.05619655856122263
2012M07 -2.963775999441748 0.1861679767705542 0.05162361792738111
 75

2012M08 -2.650715510997596 0.1818972536883348 0.07060067942133452

2012M09 -2.594916780154519 0.1634505524467448 0.07465208835119704
2012M10 -2.827350874624821 0.1620038875472973 0.05916939337266748
2012M11 -2.790549121939237 0.2677846411352166 0.06138749543752997
2012M12 -2.464092386684569 0.2760803955494379 0.08508603255308486
2013M01 -2.576918008641105 0.2312245458078217 0.07600789909462684
2013M02 -2.661771612774138 0.227706768699263 0.0698244102868474
2013M03 -2.460782492415037 0.2467276887418694 0.08536812491505954
2013M04 -2.575842187499751 0.2482193862015103 0.07608971400059454
2013M05 -2.526332801864994 0.2401536511557743 0.07995168199277519
2013M06 -2.451116224814687 0.2395211036001928 0.08619731719585994
2013M07 -2.482661351279196 0.2429413420367295 0.08352065175659351
2013M08 -2.352573892607262 0.2432095709644428 0.09512400786978541
2013M09 -2.273697137333555 0.2417592343371632 0.1029309259737791
2013M10 -2.287077629287437 0.2416454930745066 0.1015628328381888
2013M11 -2.308872388026341 0.2422605017563453 0.0993732428649266
2013M12 -2.004980547833286 0.2423087332239242 0.1346629151555045
2014M01 -2.158320311144548 0.2420479415762318 0.115518994136283
2014M02 -2.117626646841559 0.242027489240725 0.1203168442810906
2014M03 -2.07010318197517 0.2421380767584538 0.1261727622785407
2014M04 -2.25035517953126 0.2421467494787477 0.1053617955620901
2014M05 -2.014000561226308 0.2420998553424301 0.1334537155539856
2014M06 -2.141728608720386 0.2420961777146466 0.1174516395144127
2014M07 -2.107134147024885 0.2421160629608854 0.1215859149667064
2014M08 -2.120554992155309 0.2421176224423002 0.1199650303816731
2014M09 -2.031435301874882 0.2421091901936433 0.1311471502456435
2014M10 -1.901961558771045 0.2421085289026084 0.1492755191462191
2014M11 -2.049444927496817 0.2421121045594827 0.1288063806286205
2014M12 -1.998215747035974 0.2421123849769528 0.1355769711689508
2015M01 -1.942512005516807 0.2421108687358404 0.143343417681966
2015M02 -1.893616201024208 0.2421107498260816 0.1505264893931499
2015M03 -1.991831525727717 0.242111392781262 0.13644529338853
2015M04 -1.997604763950279 0.242111443204407 0.1356598317157634
2015M05 -2.019626067226623 0.2421111705621731 0.1327050785815617
2015M06 -1.947331659892393 0.2421111491804667 0.1426542141472687
2015M07 -1.956503884044025 0.2421112647931718 0.141351740142081
2015M08 -1.988827926235286 0.2421112738599877 0.1368557364972815
2015M09 -1.989172467219956 0.2421112248349434 0.1368085922091072
2015M10 -1.954771927157235 0.2421112209902012 0.1415967673889434
2015M11 -1.867046085118947 0.2421112417790493 0.1545796030675842
2015M12 -1.752127822447877 0.2421112434093948 0.1734045764657589
2016M01 -1.904316572059628 0.2421112345939779 0.1489243869377623
2016M02 -1.620122854631938 0.2421112339026372 0.1978743878051849
2016M03 -1.564028828379005 0.2421112376407749 0.2092911721531171
2016M04 -1.53106662669356 0.2421112379339348 0.2163048277248603
2016M05 -1.47808156122113 0.2421112363487944 0.2280748165204574
2016M06 -1.020937923521054 0.2421112362244813 0.3602568882553215
2016M07 -0.8888874963092302 0.2421112368966529 0.4111128630141992
2016M08 -0.9830945905895353 0.2421112369493673 0.3741514598860997
2016M09 -0.3645983892559392 0.242111236664336 0.6944755037028596
2016M10 0.06874358206741831 0.2421112366419827 1.071161508911242
2016M11 0.2799594934842676 0.2421112367628489 1.323076218044344
2016M12 0.2465052732124279 0.2421112367723277 1.279545930517316
2017M01 0.3493342891009484 0.2421112367210749 1.418123174234697
2017M02 0.4763484902825572 0.2421112367170554 1.610184051690151
2017M03 0.2650184866297671 0.242111236738789 1.303455072046974
2017M04 0.5531354109379185 0.2421112367404934 1.738696006882365
2017M05 0.2899903198054538 0.2421112367312774 1.336414551210007
2017M06 0.7680728085276841 0.2421112367305547 2.155607978861421
 76

2017M07 1.027096101350794 0.2421112367344627 2.792943622154009

2017M08 0.2884308150367329 0.2421112367347692 1.334332030616872
2017M09 -0.06253214397676731 0.242111236733112 0.9393828668271219
2017M10 0.3133278973584091 0.242111236732982 1.367970011248918
2017M11 0.4167211430139579 0.2421112367336847 1.516979433635766
2017M12 0.4362564497105683 0.2421112367337398 1.546905447340729
2018M01 0.5076600944662239 0.2421112367334419 1.661399126175918
2018M02 0.5563689289024565 0.2421112367334185 1.744327211048922
2018M03 0.524536211180775 0.2421112367335449 1.689675014246657
2018M04 0.4602076038046639 0.2421112367335548 1.58440287891927
2018M05 0.4575941085599804 0.2421112367335012 1.580267455837698
2018M06 0.4874944523434137 0.242111236733497 1.628231493251287
2018M07 0.6050480657635941 0.2421112367335198 1.831340231536948
2018M08 0.4819790388388451 0.2421112367335215 1.619275843044294
2018M09 0.4711577594761524 0.2421112367335119 1.601847674392008
2018M10 0.5310089107656606 0.2421112367335112 1.700647244678101
2018M11 0.6119003838454109 0.2421112367335152 1.843932250307713
2018M12 0.7541046927646223 0.2421112367335156 2.125707509830092
2019M01 0.659648619754603 0.2421112367335138 1.934112606025333
2019M02 0.5582269682656252 0.2421112367335137 1.74757125251438
2019M03 0.8766786933150197 0.2421112367335144 2.402905651807562
2019M04 0.9848043677844958 0.2421112367335145 2.677288069388615
2019M05 0.8123089272226029 0.2421112367335142 2.253104239196767
2019M06 0.9378581233408176 0.2421112367335142 2.55450412182217
2019M07 0.9751569167293318 0.2421112367335143 2.651583256111633
2019M08 0.9692494926969023 0.2421112367335143 2.635965405512315
2019M09 0.9290913441262168 0.2421112367335142 2.532207226965331
2019M10 1.047474795919814 0.2421112367335142 2.850444069264339
2019M11 1.090607475694037 0.2421112367335143 2.976081420673994
2019M12 1.199041520274885 0.2421112367335143 3.316936182562084
2020M01 1.284133942764473 0.2421112367335143 3.611538803087947
2020M02 1.43317698172591 0.2421112367335143 4.191995953494406
2020M03 1.409807459186947 0.2421112367335143 4.095166841405132
2020M04 1.705392182656396 0.2421112367335143 5.503543638388099
2020M05 2.442403301988548 0.2421112367335143 11.50064708432691
2020M06 3.02554599791947 0.2421112367335143 20.60525206515841
2020M07 2.810997967621831 0.2421112367335143 16.62650265335824
2020M08 2.030395174606448 0.2421112367335143 7.617095846957759
2020M09 1.449171764847754 0.2421112367335143 4.259585115657431
2020M10 1.80833326147505 0.2421112367335143 6.100271396841501
2020M11 1.939505868633587 0.2421112367335143 6.955313282916232
2020M12 2.039332613158983 0.2421112367335143 7.685478299837958
2021M01 0.2421112367335143
2021M02 0.2421112367335143
2021M03 0.2421112367335143
Source : Auteur, nos analyses sur Eviews
 77

Annexe 13: Graphique sur la prévision par le modèle ARDL (2.0.2)

12
Forecast: LINFLATIONF
Actual: LINFLATION
8 Forecast sample: 2012M01 2021M03
Adjusted sample: 2012M05 2020M12
Included observations: 104
4 Root Mean Squared Error 1.229303
Mean Absolute Error 0.962277
Mean Abs. Percent Error 121.9817
0
Theil Inequality Coefficient 0.333828
Bias Proportion 0.323727
-4 Variance Proportion 0.017087
Covariance Proportion 0.659186

-8
2012 2013 2014 2015 2016 2017 2018 2019 2020

LINFLATIONF ± 2 S.E.
Source : Auteur, nos analyses sur Eviews
 78

BIBLIOGRAPHIE

I. Ouvrages

1. Introduction : Le problème de l’inflation, In Etudes et conjonctures – Union

française/Economie française, 6e année, no 3, 1951, La France et l’inflation. pp. 5-11
2. DEISS J. et Gugler P., « Politique économique et sociale », Edition De Boeck, p.302
3. LAMBERT D., Les inflations Sud-Américaines, Inflation de sous-développement et
Inflation de croissance, éd. IHEAL, Paris, 1959, P.37
4. JALLADEAU J. : « introduction à la macroéconomie : modélisation de base et
redéploiements théoriques contemporains. », 2ème édition De Boeck &Larcier S.A,
Paris, 1998, P 371.
5. KABUYA KALALA, F., et TSHIUNZA MBIYE, « La politique économique revisitée en
RDC : pesanteurs d’hier et perspectives », Ed. L’Afrique des grands lacs, 2005-2006.
6. 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
7. PARKIN M., ROBIN B. et CARMICHAEL B., « introduction à la macroéconomie
moderne » édition du renouveau pédagogique INC, 2011, P323
8. SCHWENGLER B., Problèmes économiques contemporains, de Boeck supérieur.
9. SUMATA C., Economie parallèle de la RDC taux de change et dynamique de
l’hyperinflation au Congo, Ed. l’Harmattan, Paris, 2001
10. CAGAN P., The monetary dynamics of hyperinflation

II. Documents officiels

1. Rapport annuel BCC 2018

III. Articles

1. BARRE R., Traité d'économie politique T. II, Thémis 1966

2. WAECHTER P., « Banque Centrale Européenne, inflation, dévaluation, monnaie
unique » figaro vox.
3. CAGAN P., The monetary dynamics of hyperinflation, 1956

IV. Notes de cours

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

1. Baripedia.org, L’indice des prix { la consommation (IPC), site consulté le 03 Juin

2021 à 9h40
2. Wikipedia
3. http://www.jybaudot.fr/Stats/indicecarts.html, site consulté le 15 Novembre 2021
à 16h26
 80

TABLE DES MATIERES

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

I.2.1. L'analyse classique et néo-classique de l'inflation ................................................................................ 15

I.2.1.1.Théorie quantitative de la monnaie ............................................................................................................. 16
I.2.1.2. La demande de monnaie ................................................................................................................................. 16
I.2.2. L'école keynésienne .......................................................................................................................................... 17
I.2.3. Les descendants de Keynes............................................................................................................................. 17
I.2.3.1.L'analyse de la synthèse néo-keynésienne.................................................................................................. 17
I.2.3.2.L'analyse post-keynésienne ............................................................................................................................. 18
I.2.4. L'analyse monétariste ........................................................................................................................................ 18
I.2.5. La nouvelle école classique ............................................................................................................................. 19
I.3. Théories sur la prévision de l’inflation ........................................................................................................... 20
I.3.1. Les modèles statistiques ................................................................................................................................... 20
I.3.1.1. Les modèles ARIMA (p,d,q) ............................................................................................................................. 20
I.3.1.2. Les processus ARCH et GARCH ...................................................................................................................... 22
I.3.1.3. Les modèles VAR(p) ........................................................................................................................................... 22
I.3.2. Les modèles structurels..................................................................................................................................... 23
I.3.2.1. Les anticipations adaptatives ........................................................................................................................ 23
I.3.2.2. Les anticipations rationnelles ....................................................................................................................... 23
I.3.2.3. La courbe de Philipps........................................................................................................................................ 24
I.3.2.4. La règle de Taylor .............................................................................................................................................. 26
I.3.3. Indicateurs de comparaison des modèles ..................................................................................................... 27
I.4. Quelques études empiriques ............................................................................................................................... 28
2. Chapitre II. Présentation des données et Approches méthodologiques .................................... 30
II.1. Présentation de la RDC .............................................................................................................................. 30
II.2. Présentation des données et approches méthodologiques ............................................................ 31
II.2.1. L’inflation en RDC de janvier 2012 { décembre 2020 .................................................................... 31
II.2.1.1. Détermination de l’inflation, série et distribution graphique ..................................................... 31
II.2.1.2.Statistique descriptive de la série ........................................................................................................... 33
II.2.2. Les variables explicatives retenus .......................................................................................................... 33
II.2.3. Méthodologie ................................................................................................................................................... 34
II.2.3.1. Méthodologie de Box et Jenkins .............................................................................................................. 34
II.2.3.2. Les modèles ARDL........................................................................................................................................ 36
II.3. Analyse factuelle ................................................................................................................................................ 37
II.3.1. Modélisation ARIMA (p,d,q) ...................................................................................................................... 37
II.3.1.1. Analyse de la stationnarité ...................................................................................................................... 37
II.3.1.2. Détermination de p et q............................................................................................................................. 39
 82

II.3.1.3. Validation du modèle ................................................................................................................................. 40

II.3.1.4. Performance du modèle ............................................................................................................................ 44
II.3.2. Modélisation ARDL ....................................................................................................................................... 44
II.3.2.1. Description des variables .......................................................................................................................... 44
II.3.2.2. Stationnarité, corrélation et causalité................................................................................................. 45
II.3.2.3. Estimation du modèle ARDL .................................................................................................................... 46
II.3.2.3. Quelques tests de robustesse du modèle ARDL estimé ................................................................... 47
II.3.2.4. Performance du modèle ............................................................................................................................ 49
3. Chapitre III. Discussions, implications et limitations des résultats ............................................. 51
III.1. Discussions des résultats ......................................................................................................................... 51
III.1.1. Spécification et méthodologie ............................................................................................................ 51
III.1.2. Les résultats empiriques ...................................................................................................................... 54
III.1.2.1. La stationnarité ..................................................................................................................................... 55
III.1.2.2. Estimation des modèles....................................................................................................................... 55
III.1.2.3. Diagnostic et validation des modèles ............................................................................................. 56
III.1.2.4. La dynamique de long terme............................................................................................................. 58
III.1.3. Performance prédictive des modèles estimés............................................................................. 59
III.2. Implications des résultats ....................................................................................................................... 61
III.3. Limitations des résultats.......................................................................................................................... 62
CONCLUSION GENERALE ............................................................................................................................................ 64
Annexes ............................................................................................................................................................................... 66
Annexe 1 : Série de l’inflation mensuelle de Janvier 2012 { Décembre 2020........................................ 66
Annexe 2 : Statistique descriptive de la série inflation ................................................................................... 67
Annexe 3 : Les données brutes .................................................................................................................................. 67
Annexe 4 : Données lissées par le biais du calcul des logarithmes ............................................................ 69
Annexe 5 : Estimation du modèle ARIMA (2.1.8) .............................................................................................. 71
Annexe 6 : Graphique de la prévision de l’inflation par le modèle ARIMA (2.1.8) .............................. 71
Annexe 7 : Estimation du modèle ARDL (2.0.2) ................................................................................................. 71
Annexe 8 : Test d’autocorrélation des erreurs du modèle ARDL (2.0.2) ................................................. 72
Annexe 9 : Test d’hétéroscédasticité....................................................................................................................... 73
Annexe 11 : Résultats du test de cointégration de Pesaran et al................................................................. 74
Annexe 12 : Valeurs prévues par les modèles ARIMA (2.1.8) et ARDL (2.0.2) ...................................... 74
Annexe 13: Graphique sur la prévision par le modèle ARDL(2.0.2) .......................................................... 77
BIBLIOGRAPHIE .............................................................................................................................................................. 78
TABLE DES MATIERES.................................................................................................................................................. 80
83