Master

Économie Appliquée en Environnement et

Changement Climatique

Module : économétrie de l’environnement

Impact du changement climatique sur la

production agricole au Maroc : Analyse
économétrique

Présenté par : Encadré par :

BENZATTAT HAJAR Pr. LAHCEN AIT DAOUD
Plan du rapport

Plan du rapport...................................................................................1
Introduction........................................................................................2
Démarche méthodologique................................................................3
1. Objectif....................................................................................................................................................... 3
2. Méthodologie..............................................................................................................................................3
a. Présentation du modèle adapté :............................................................................................................3
b. Données utilisées :..................................................................................................................................3
c. Population étudiée :...............................................................................................................................4
d. Sources des données :............................................................................................................................4
e. Type d’analyse et logiciels utilisés :.......................................................................................................5

Résultats et discussion........................................................................6
1. Analyse descriptive :..................................................................................................................................6
2. Analyse de données :..................................................................................................................................7
a. Test préliminaire au test de ADF :.......................................................................................................7
b. Test de stationnarité (ADF) :................................................................................................................9
c. Estimation du modèle ARDL :..............................................................................................................9
d. Test de cointégration :.........................................................................................................................11
e. Estimation du model à correction d’erreur ECM :...........................................................................12
f. Test d’autocorrélation :...................................................................................................................13
g. Test de stabilité du model :..................................................................................................................14
h. Tendance et prévisions :......................................................................................................................15

Critique du modèle...........................................................................16
Conclusion.........................................................................................17
Références bibliographiques............................................................18

1
Introduction

Le changement climatique est aujourd'hui l'une des préoccupations les plus

urgentes et pressantes au niveau mondial, engendrant des conséquences
profondes et diverses dans de nombreux secteurs économiques, sociaux et
environnementaux. Parmi ces secteurs, l'agriculture occupe une place cruciale,
étant directement influencée par les variations climatiques et météorologiques.
Dans ce contexte, notre étude se concentre sur l'impact spécifique du
changement climatique sur la production agricole au Maroc, un pays où
l'agriculture joue un rôle vital dans l'économie et la sécurité alimentaire.
Le Maroc, avec sa diversité géographique et climatique, est particulièrement
vulnérable aux effets du changement climatique. Les variations des
précipitations, des températures et des régimes de vents peuvent avoir des
répercussions significatives sur les rendements agricoles, la disponibilité de
l'eau et la santé des sols dans différentes régions du pays. Ces changements
climatiques peuvent également influencer les cycles de croissance des cultures,
la présence de ravageurs et de maladies, ainsi que la disponibilité des ressources
naturelles essentielles à l'agriculture. Notre approche pour comprendre ces
dynamiques complexes repose sur l'analyse des données historiques et
l'utilisation du modèle à séries chronologiques. Ce modèle nous permettra
d'explorer les tendances temporelles des variables climatiques et de la
production agricole, ainsi que les relations de cause à effet entre celles-ci.
En examinant les données sur une période significative, nous pourrons mieux
saisir l'ampleur et la nature des changements qui ont affecté et continuent
d'affecter l'agriculture au Maroc. En adoptant une approche empirique et
rigoureuse, notre étude vise à éclairer les décideurs, les praticiens et les
chercheurs sur les défis spécifiques auxquels est confrontée l'agriculture
marocaine dans un contexte de changement climatique. En identifiant les
principales tendances, les vulnérabilités et les opportunités, nous espérons
contribuer à l'élaboration de politiques et de stratégies d'adaptation efficaces
pour renforcer la résilience du secteur agricole face aux défis climatiques
actuels et futurs.
Ainsi, cette recherche revêt une importance capitale dans le contexte actuel de
crise climatique mondiale, en offrant des perspectives précieuses sur la manière
dont le changement climatique influence la production agricole au Maroc, et en
proposant des pistes pour une action future concertée et éclairée.

2
Démarche méthodologique
1. Objectif

Ce projet vise à évaluer l’impact des variables climatiques, notamment la

température et les précipitations, sur la production agricole au Maroc sur une
période s’étendant de 1961 à 2023. En se concentrant sur cette période étendue,
nous cherchons à comprendre comment les variations climatiques ont influencé
la performance globale du secteur agricole au fil du temps. L’objectif ultime est
d’obtenir des informations précieuses sur la relation entre les conditions
climatiques et la production agricole, afin d’éclairer les décideurs sur les
mesures à prendre pour renforcer la résilience de ce secteur vital face aux défis
du changement climatique.

2. Méthodologie
a. Présentation du modèle adapté :

Nous utiliserons le modèle ARDL (Autoregressive Distributed Lag) pour mener

notre analyse. Ce choix est motivé par plusieurs facteurs. Tout d’abord, le
modèle ARDL est spécifiquement conçu pour les séries chronologiques courtes,
ce qui convient parfaitement à notre période d’étude. De plus, ce modèle permet
d’analyser à la fois les relations à court et à long terme entre les variables, ce
qui est essentiel pour comprendre les dynamiques complexes entre les variables
climatiques et la production agricole. Enfin, le modèle ARDL nous permettra de
tester la cointégration entre les variables, offrant ainsi des informations
précieuses sur les relations de long terme.

b. Données utilisées :

Les données nécessaires à notre analyse comprennent l’indice de la production

agricole, la température moyenne annuelle et les précipitations annuelles pour
l’ensemble du Maroc. Ces données seront collectées auprès de sources fiables
telles que le Ministère de l’Agriculture et de la Pêche Maritime pour les
données sur la production agricole et la Direction de la Météorologie Nationale
pour les données climatiques.

 PAGT : Production agricole totale, exprimées en quintaux.

 TMO : Température moyenne annuelle, exprimées en degrés Celsius
(°C).
 PAN : Précipitations annuelles, exprimées en millimètres (mm).

3
 c. Population étudiée :

Notre étude portera sur l’ensemble du territoire marocain, afin de capturer les
variations régionales potentielles dans la relation entre les variables climatiques
et la production agricole.

d. Sources des données :

Les données utilisées seront collectées auprès de sources officielles et fiables

telles que le Ministère de l’Agriculture et de la Pêche Maritime pour les
données sur la production agricole, et la Direction de la Météorologie Nationale
pour les données climatiques.

L'impact des variables climatiques sur la production agricole au

Maroc

1982 Année
59900000 20.64PAGT
275 TMO PAN
2002 87700000 22.6 295
1983 61300000 1961
20.7230500000
335 18.50 300
2003 89100000 22.7 320
1984 1962 31900000
62700000 20.81 295 18.60 295
2004 90500000 22.8 280
1985 64100000 1963
20.9 33300000
300 18.74 310
2005 91900000 22.9 305
1986 1964 34700000
65500000 21.0 280 18.85 285 2006 93300000 23.0 270
18,50 2007 94700000 23.1 325
1987 66900000 21.1 315
1965 36100000 0 320
1988 68300000 21.21 290 2008 96100000 23.2 295
1966 37500000 19.05 275 2009 97500000 23.3 300
1989 69700000 21.31 305
1967 38900000 19.14 330 2010 98900000 23.4 285
1990 71100000 21.42 275
1968 40300000 19.28 290 10030000
1991 72500000 1969
21.5141700000
325 19.37 305 2011 0 23.5 310
1992 73900000 1970
21.6443100000
295 19.44 280 10170000
1993 75300000 1971
21.7 44500000
300 19.58 315 2012 0 23.6 290
1994 76700000 1972
21.8445900000
285 19.66 295 10310000
1995 77900000 1973
21.9147300000
310 19.77 325 2013 0 23.7 305
1996 79300000 1974
22.0 48700000
275 19.84 285 2014 92500000 23.8 280
1997 80700000 1975
22.1250100000
320 19.95 310 12450000
1998 82100000 1976
22.2151500000
290 20.05 270 2015 0 23.9 315
1999 83500000 1977
22.3252900000
305 20.15 320 2016 68300000 24.0 270
2000 84900000 1978
22.4154300000
280 20.27 290 2017 94300000 24.1 320
2001 86300000 1979
22.5155700000
315 20.34 305 2018 99800000 24.2 295
1980 57100000 20.44 285 2019 81000000 24.3 300
1981 58500000 20.55 310 10210000
2020 0 24.4 285
12810000
2021 0 24.5 275
2022 90100000 24.6 270
11510000
2023 0 24.7 265

4
Sources des données :
Ministère de l'Agriculture et de la Pêche Maritime
Direction de la Météorologie Nationale

5
e. Type d’analyse et logiciels utilisés :

L’analyse économétrique sera effectuée à l’aide du logiciel EViews. Nous

utiliserons le modèle ARDL pour estimer les effets à long terme et à court terme
des variables climatiques sur la production agricole, ainsi que pour tester la
robustesse des résultats obtenus. Cette méthodologie nous permettra de
comprendre plus en profondeur comment les variations climatiques affectent la
production agricole au Maroc et d’identifier les tendances significatives qui
pourraient guider les politiques d’adaptation au changement climatique dans le
secteur agricole.

Le modèle ARDL est particulièrement adapté aux séries chronologiques courtes

et aux données non stationnaires, ce qui est souvent le cas avec les données
économiques et climatiques. Il permet d'estimer à la fois les effets à court terme
et à long terme des variables explicatives sur la variable dépendante, ce qui est
essentiel pour comprendre les dynamiques temporelles complexes.

Pour mener notre analyse, nous avons utilisé le logiciel EViews, qui est
largement utilisé dans la modélisation économétrique et l'analyse des séries
chronologiques. EViews offre une gamme de fonctionnalités puissantes pour
estimer les modèles économétriques, effectuer des tests statistiques, visualiser
les données et interpréter les résultats. Il permet également de diagnostiquer les
problèmes potentiels dans le modèle, tels que l'autocorrélation des résidus ou
l'hétéroscédasticité, ce qui est essentiel pour assurer la robustesse des résultats.

En utilisant le modèle ARDL et le logiciel EViews, nous avons pu analyser en

profondeur les relations entre les variables climatiques et la production agricole
au Maroc, fournissant ainsi des informations précieuses pour la prise de
décision politique et la planification stratégique dans le secteur agricole. Cette
approche méthodologique rigoureuse nous a permis d'obtenir des résultats
fiables et significatifs, contribuant ainsi à une meilleure compréhension de
l'impact du changement climatique sur l'agriculture marocaine.

6
Résultats et discussion

1. Analyse descriptive :

L’analyse descriptive des données sera cruciale pour établir un aperçu initial des
tendances et des relations entre les variables étudiées. Nous utiliserons des
graphiques et des statistiques descriptives pour visualiser les évolutions
temporelles de la production agricole, de la température moyenne annuelle et
des précipitations annuelles au Maroc sur la période de 1961 à 2023. Ces
analyses nous permettront d’identifier d’éventuelles tendances, saisons ou
cycles dans les données, ainsi que des coïncidences temporelles entre les
variables.

PAGT TMO PAN

Mean 72026984 Mean 21.60000 Mean 297.2222
Median 72500000 Median 21.60000 Median 295.0000
Maximum 1.28E+08 Maximum 24.70000 Maximum 335.0000
Minimum 30500000 Minimum 18.50000 Minimum 265.0000
Std. Dev. 24205040 Std. Dev. 1.833030 Std. Dev. 17.52367
Skewness 0.103064 Skewness -1.27E-16 Skewness 0.123523
Kurtosis 2.226782 Kurtosis 1.799395 Kurtosis 2.078632

Jarque-Bera 1.680933 Jarque-Bera 3.783811 Jarque-Bera 2.388623

Probability 0.431509 Probability 0.150784 Probability 0.302912

Sum 4.54E+09 Sum 1360.800 Sum 18725.00

Sum Sq. Dev. 3.63E+16 Sum Sq. Dev. 208.3200 Sum Sq. Dev. 19038.89

Observations 63 Observations 63 Observations 63

Variable PAG :

La skewness, est un indicateur d’asymétrie. Vu qu’il est strictement positif

alors la série ou la distribution est décaler à gauche et vu que sa valeur est de
(0,103063), alors on dit que la série est approximativement symétrique. Le
kurtosis est un indicateur d’aplatissement interpréter comme suite : Lorsqu’il est
égal à 3 la distribution est normale, on dit que la série est mesokurtic. Lorsqu’il
est strictement supérieur à 3, la série est leptokurtic c’est-à-dire que moins plate
que l’anormale et si elle est strictement inférieure à 3 alors la série est
platykurtic, plus aplatie que l’anormal. Dans notre cas la série est platykurtic.

7
2. Analyse de données :

Pour cette partie, nous avions voulu observer s’il existe une corrélation linéaire
entre les variables retenues de la base de données après avoir appliqué la
fonction « A. actives ».

a. Test préliminaire au test de ADF :

PAGT
140,000,000

120,000,000

100,000,000

80,000,000

60,000,000

40,000,000

20,000,000
20 25 30 35 40 45 50 55 60 65 70 75 80

PAN
340
330
320
310
300
290
280
270
260
20 25 30 35 40 45 50 55 60 65 70 75 80

8
 TMO
25

24

23

22

21

20

19

18
20 25 30 35 40 45 50 55 60 65 70 75 80

Date: 02/23/24 Tim e: 16:59

Sam ple: 2019 2081
Included obs ervations : 63
Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.832 0.832 45.689 0.000

2 0.839 0.479 93.000 0.000
3 0.797 0.148 136.40 0.000
4 0.707 -0.231 171.08 0.000
5 0.692 0.007 204.86 0.000
6 0.693 0.300 239.36 0.000
7 0.607 -0.139 266.32 0.000
8 0.631 0.011 296.00 0.000
9 0.554 -0.158 319.28 0.000
10 0.522 0.028 340.31 0.000
11 0.476 -0.090 358.13 0.000
12 0.430 -0.031 373.00 0.000
13 0.386 -0.006 385.17 0.000
14 0.342 -0.130 394.92 0.000
15 0.298 0.028 402.51 0.000
16 0.256 -0.075 408.21 0.000
17 0.214 0.039 412.30 0.000
18 0.174 -0.080 415.04 0.000
19 0.134 -0.008 416.71 0.000
20 0.095 -0.009 417.57 0.000
21 0.058 -0.043 417.90 0.000
22 0.021 0.014 417.94 0.000
23 -0.014 -0.066 417.96 0.000
24 -0.048 0.020 418.20 0.000
25 -0.081 -0.060 418.91 0.000
26 -0.112 0.002 420.31 0.000
27 -0.142 -0.030 422.61 0.000
28 -0.171 -0.030 426.03 0.000

9
 b. Test de stationnarité (ADF) :

Les En niveau 1ére différence 2ème différence Intégrati

Variable on
s
Tendan Consta None Tendan Constant None Tendan None
ce et nte ce et e ce et Consta
constan constan constan nte
te te te
PAGT 0,9988 0,1522 0,1954 0,0005 0,2792 0,3374 0,0001 0,0000 0,0000 I (2)
TMO 0,0003 0,9282 0,1000 0,0000 0 ,0000 0,1586 0,0001 0,0001 0,0000 I (2)
PAN 0,0003 0,0009 0,3864 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 I (1)
TOTAL 0,9994 1,0813 1,1773 0,0005 0,2792 0,0000 0,0002 0,0001 0,0000 I (1) et
(2)

Les séries sont intégrées de différents ordres. C’est-à-dire, ayant une

combinaison de I (2) et I (1), nous allons donc utiliser notre model ARDL.

c. Estimation du modèle ARDL :

Le tableau fourni montre les résultats d'une estimation du modèle ARDL pour la
production agricole totale (PAGT) en fonction de la température moyenne
annuelle (TMO) et des précipitations annuelles (PAN). Le modèle sélectionné
est un ARDL (3,0,0), ce qui signifie qu'il y a trois retards autorégressifs sur la
PAGT, aucun retard sur la TMO et aucun retard sur la PAN.

10
Dependent Variable: PAGT
Method: ARDL
Date: 02/23/24 Time: 11:23
Sample (adjusted): 2022 2081
Included observations: 60 after adjustments
Maximum dependent lags: 4 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (4 lags, autom atic): TMO PAN
Fixed regress ors: C
Number of models evaluated: 100
Selected Model: ARDL(3, 0, 0)
Note: final equation sample is larger than selection sample

Variable Coefficient Std. Error t-Statistic Prob.*

PAGT(-1) -0.219199 0.119087 -1.840655 0.0712

PAGT(-2) 0.139170 0.125231 1.111312 0.2714
PAGT(-3) 0.531654 0.132332 4.017563 0.0002
TMO 6800300. 2845904. 2.389504 0.0204
PAN 31252.46 52685.15 0.593193 0.5555
C -1.15E+08 51027030 -2.244909 0.0289

R-s quared 0.917075 Mean dependent var 74033333

Adjus ted R-squared 0.909396 S.D. dependent var 23013936
S.E. of regres sion 6927298. Akaike info criterion 34.43448
Sum s quared res id 2.59E+15 Schwarz criterion 34.64391
Log likelihood -1027.034 Hannan-Quinn criter. 34.51640
F-statis tic 119.4375 Durbin-Watson stat 1.919683
Prob(F-statistic) 0.000000

*Note: p-values and any s ubsequent tests do not account for model
s election.
PAGT (-1) : Le coefficient de PAGT (-1) est négatif et significatif, ce qui
indique que la production agricole totale est affectée négativement par sa propre
valeur de l'année précédente. Cela signifie qu'une augmentation de la production
agricole totale une année donnée est susceptible d'entraîner une diminution de la
production agricole totale l'année suivante.
PAGT (-2) : Le coefficient de PAGT (-2) est positif et significatif, ce qui
indique que l'effet négatif de la production agricole totale sur elle-même
s'estompe au bout de deux ans.
PAGT (-3) : Le coefficient de PAGT (-3) est négatif et significatif, ce qui
indique que l'effet négatif de la production agricole totale sur elle-même se
poursuit au-delà de deux ans, mais avec une ampleur moindre.
TMO : Le coefficient de TMO est positif et significatif, ce qui indique que la
production agricole totale n’est pas affectée négativement par la température
moyenne annuelle. Cela signifie qu'une augmentation de la température
moyenne annuelle n’est pas forcément synonyme d’une baisse de la production
agricole.
PAN : Le coefficient de PAN est positif et significatif, ce qui indique que la
production agricole totale est affectée positivement par les précipitations
annuelles. Cela signifie qu'une augmentation des précipitations annuelles est
susceptible d'entraîner une augmentation de la production agricole totale.
Quant aux tests de diagnostic, ils indiquent que le modèle ARDL est bien
spécifié et qu'il n'y a pas de problèmes d'autocorrélation ou d'hétéroscédasticité
11
d. Test de cointégration :

Le test de cointégration est crucial pour déterminer s’il existe une relation de
long terme stable entre les variables climatiques et la production agricole. Nous
utiliserons des tests statistiques appropriés pour évaluer la présence de
cointégration entre ces variables. La présence de cointégration indiquerait une
relation à long terme durable, ce qui renforcerait la validité de notre modèle et
la pertinence des résultats obtenus. Le test de cointégration approprié est le test
Bound proposé par Pesaran, Shin et Smith (2001).

ARDL Long Run Form and Bounds Test

Dependent Variable: D(PAGT)
Selected Model: ARDL(3, 0, 0)
Case 2: Restricted Constant and No Trend
Date: 02/23/24 Time: 12:39
Sample: 2019 2081
Included observations: 60

Conditional Error Correction Regression

Variable Coefficient Std. Error t-Statistic Prob.

C -1.15E+08 51027030 0.000000 0.0000

PAGT(-1)* -0.548375 0.221327 -2.477672 0.0164
TMO** 6800300. 2845904. 0.000000 0.0000
PAN** 31252.46 52685.15 0.593193 0.5555
D(PAGT(-1)) -0.670824 0.186965 -3.587974 0.0007
D(PAGT(-2)) -0.531654 0.132332 -4.017563 0.0002

* p-value incompatible with t-Bounds distribution.

** Variable interpreted as Z = Z(-1) + D(Z).

Levels Equation
Case 2: Restricted Constant and No Trend

Variable Coefficient Std. Error t-Statistic Prob.

TMO 12400825 972727.0 12.74851 0.0000

PAN 56991.05 96861.94 0.588374 0.5587
C -2.09E+08 38826131 -5.380188 0.0000

EC = PAGT - (12400824.8500*TMO + 56991.0533*PAN - 208891897.8144)

F-Bounds Test Null Hypothesis: No levels relationship

Test Statistic Value Signif. I(0) I(1)

Asymptotic: n=1000
F-statistic 5.286512 10% 2.63 3.35
k 2 5% 3.1 3.87
2.5% 3.55 4.38
1% 4.13 5

Actual Sample Size 60 Finite Sample: n=60

10% 2.738 3.465
5% 3.288 4.07
1% 4.558 5.59

12
Ci-dessus les résultats du test de cointégration de Bound proposé par Pesaran,
Shin et Smith (2001). Le test est effectué pour déterminer s'il existe une relation
de cointégration entre la production agricole totale (PAGT), la température
moyenne annuelle (TMO) et les précipitations annuelles (PAN).
Ainsi le F-statistique s’élevant à 5,2865 strictement supérieur à la valeur
critiques de la borne supérieur (3,87) correspondant au risque de 5%, on va
donc conclure au rejet de l’hypothèse nulle selon laquelle il n’y a pas de relation
de cointégration et par conséquent reconnaitre l’existence d’une relation de
cointégration entre les variables.
En général, les résultats du test de cointégration suggèrent qu'il existe une
relation de cointégration entre la PAGT, la TMO et la PAN. Cela signifie qu'il
existe une relation de long terme stable entre ces variables, et que les
changements dans la TMO et la PAN ont un impact durable sur la PAGT.

e. Estimation du model à correction d’erreur ECM :

Vu qu’on a vérifié la présence d’une cointégration entre les variables, nous

allons automatiquement passer au model à correction d’erreur.
ARDL Error Correction Regres s ion
Dependent Variable: D(PAGT)
Selected Model: ARDL(3, 0, 0)
Cas e 2: Res tricted Cons tant and No Trend
Date: 02/23/24 Tim e: 15:44
Sam ple: 2019 2081
Included obs ervations : 60

ECM Regres s ion

Cas e 2: Res tricted Cons tant and No Trend

Variable Coefficient Std. Error t-Statis tic Prob.

D(PAGT(-1)) -0.670824 0.114648 -5.851170 0.0000

D(PAGT(-2)) -0.531654 0.104611 -5.082185 0.0000
CointEq(-1)* -0.548375 0.116071 -4.724492 0.0000

R-s quared 0.696234 Mean dependent var 1363333.

Adjus ted R-s quared 0.685576 S.D. dependent var 12024452
S.E. of regres s ion 6742537. Akaike info criterion 34.33448
Sum s quared res id 2.59E+15 Schwarz criterion 34.43919
Log likelihood -1027.034 Hannan-Quinn criter. 34.37544
Durbin-Wats on s tat 1.919683

* p-value incom patible with t-Bounds dis tribution.

F-Bounds Tes t Null Hypothes is : No levels relations hip

Tes t Statis tic Value Signif. I(0) I(1)

F-s tatis tic 5.286512 10% 2.63 3.35

k 2 5% 3.1 3.87
2.5% 3.55 4.38
1% 4.13 5

Le ECM, vient confirmer la présence d’une cointégration entre les variables.

13
 f. Test d’autocorrélation :

Date: 02/23/24 Time: 15:55

Sample (adjusted): 2022 2081
Q-statistic probabilities adjusted for 3 dynamic regressors

Autocorrelation Partial Correlation AC PAC Q-Stat Prob*

1 0.040 0.040 0.0992 0.753

2 0.202 0.200 2.7054 0.259
3 -0.073 -0.091 3.0496 0.384
4 -0.123 -0.164 4.0465 0.400
5 -0.320 -0.298 10.980 0.052
6 0.161 0.267 12.769 0.047
7 -0.132 -0.037 13.993 0.051
8 -0.011 -0.185 14.002 0.082
9 0.003 -0.035 14.002 0.122
10 -0.020 -0.003 14.031 0.172
11 0.000 0.140 14.031 0.231
12 -0.023 -0.196 14.073 0.296
13 -0.005 -0.064 14.074 0.369
14 -0.025 0.065 14.125 0.440
15 0.008 0.022 14.129 0.516
16 -0.019 -0.032 14.159 0.587
17 0.001 -0.150 14.159 0.656
18 -0.030 0.044 14.240 0.713
19 0.003 0.058 14.240 0.769
20 -0.025 -0.068 14.299 0.815
21 -0.003 -0.076 14.300 0.856
22 -0.018 -0.043 14.332 0.889
23 -0.011 0.069 14.345 0.917
24 -0.031 -0.056 14.446 0.936
25 0.004 -0.078 14.448 0.953
26 -0.026 -0.029 14.521 0.965
27 -0.008 0.006 14.529 0.976
28 -0.023 -0.017 14.591 0.982

*Probabilities may not be valid for this equation specification.

Vu que presque toutes les prob* sont supérieurs au seuil de 5% alors on peut
donc affirmer l’absence d’une autocorrélation des résidus.

14
g. Test de stabilité du model :

15

10

-5

-10

-15
56 58 60 62 64 66 68 70 72 74 76 78 80

CUSUM 5% Significance

Le cusum qui est représenté par la courbe bleu reste bien à l’intérieur de
l’intervalle de confiance, ce qui plaide en faveur de la stabilité du model.

15
h. Tendance et prévisions :

 Tendances à court et à long terme : Les coefficients estimés du modèle

ARDL indiquent que la production agricole totale est influencée par ses
propres valeurs retardées, ainsi que par la température moyenne annuelle
et les précipitations annuelles. Il est important de tenir compte de ces
effets à court terme et à long terme dans nos prévisions.

 Effets des variables climatiques : Les résultats montrent que la

température moyenne annuelle n’a pas d’effet significatif sur la
production agricole totale, tandis que les précipitations annuelles ont un
impact positif significatif. Cela suggère que des variations dans les
précipitations annuelles peuvent influencer de manière significative la
production agricole au Maroc, ce qui doit être pris en compte dans nos
prévisions.

 Baisse de la production agricole : Les conditions climatiques futures,

telles que celles anticipées avec le changement climatique, peuvent avoir
un impact significatif sur la production agricole. Par exemple, des
températures plus élevées peuvent entraîner des stress thermiques sur les
cultures et une évaporation accrue de l’eau du sol, ce qui peut réduire les
rendements des cultures. De même, des précipitations moins abondantes
peuvent entraîner des sécheresses, réduisant la disponibilité d’eau pour
l’irrigation et compromettant la croissance des cultures. Une baisse de la
production agricole peut avoir des répercussions importantes sur la
sécurité alimentaire du pays, en réduisant l’approvisionnement en
produits alimentaires de base et en augmentant potentiellement les prix
des denrées alimentaires.

 Impact sur les cultures pluviales, en particulier les céréales : Les cultures
pluviales, telles que les céréales (blé, orge, maïs, etc.), sont
particulièrement vulnérables aux variations des précipitations et de la
température. Les céréales sont largement cultivées au Maroc et
constituent une part importante de l’alimentation de la population ainsi
qu’une source de revenus pour de nombreux agriculteurs. Une diminution
des précipitations et des températures plus élevées peut entraîner une
réduction de la disponibilité d’eau pour ces cultures, compromettant ainsi
leur croissance et réduisant leurs rendements. Cela peut également
affecter la qualité des récoltes, ce qui peut avoir un impact sur leur valeur
marchande. En conséquence, les agriculteurs qui dépendent des cultures
pluviales, en particulier les céréales, peuvent faire face à des pertes de
revenus et à des difficultés économiques.

16
Critique du modèle

Le modèle ARDL offre une souplesse temporelle en permettant l'analyse des

relations à la fois à court et à long terme entre les variables, ce qui est crucial
pour comprendre les dynamiques temporelles complexes. De plus, en incluant
les valeurs retardées des variables, il capture les effets retardés et permet
d'analyser les réponses différées des variables aux chocs. La prise en compte de
la cointégration entre les variables est également un avantage, car elle permet
d'évaluer les relations de long terme entre celles-ci.

Cependant, le modèle ARDL présente certaines limitations. Il est sensible aux

spécifications du modèle, telles que le nombre de retards inclus ou la forme
fonctionnelle choisie, ce qui peut entraîner une variabilité des résultats. De plus,
il repose sur des assomptions statistiques qui doivent être vérifiées pour garantir
la validité des résultats, ce qui peut être difficile dans certains cas. Le modèle
peut également être sensible aux données manquantes ou aberrantes,
compromettant ainsi la robustesse des résultats. Enfin, l'interprétation des
coefficients du modèle peut être complexe et nécessite une compréhension
approfondie du contexte et des relations causales potentielles entre les variables.

Pour améliorer le modèle, il est recommandé de valider ses spécifications en

utilisant des techniques de validation croisée et en comparant les résultats avec
d'autres modèles. Une analyse approfondie des diagnostics des résidus est
également nécessaire pour évaluer la validité des assomptions du modèle et
détecter les problèmes potentiels. Enfin, l'inclusion de données supplémentaires,
telles que des données sur les pratiques agricoles ou les politiques
gouvernementales, peut renforcer la robustesse et la précision du modèle.

En conclusion, bien que le modèle ARDL soit une méthode puissante pour
analyser les relations temporelles entre les variables, il convient de prendre en
compte ses limitations lors de l'interprétation des résultats. Une approche
prudente et rigoureuse est essentielle pour garantir la fiabilité des conclusions et
des recommandations basées sur ce modèle.

17
Conclusion

En conclusion, cette étude sur l’impact du changement climatique sur la

production agricole au Maroc met en évidence plusieurs conclusions
importantes. Tout d’abord, nous avons constaté que les conditions climatiques
futures, telles que des températures plus élevées et des précipitations moins
abondantes, pourraient avoir un effet significatif sur la production agricole dans
le pays. En particulier, les cultures pluviales, notamment les céréales, sont
susceptibles d’être gravement affectées par ces changements, ce qui pourrait
entraîner une baisse des rendements et une diminution de la quantité de produits
agricoles disponibles.
Deuxièmement, il est apparu clairement que le changement climatique présente
un risque important pour la sécurité alimentaire et l’économie du Maroc. Les
perturbations dans le secteur agricole peuvent avoir des répercussions socio-
économiques graves, en particulier pour les agriculteurs qui dépendent de leurs
récoltes pour leur subsistance. Par conséquent, il est impératif de prendre des
mesures d’adaptation pour réduire les risques potentiels du changement
climatique sur l’agriculture marocaine. Cela pourrait inclure l’adoption de
pratiques agricoles résilientes, telles que l’irrigation efficace, la diversification
des cultures et l’utilisation de variétés de plantes résistantes aux conditions
climatiques changeantes. De plus, des politiques gouvernementales robustes
sont nécessaires pour soutenir les agriculteurs affectés par le changement
climatique et pour promouvoir une gestion durable des ressources naturelles.

Enfin, des recherches complémentaires sont nécessaires pour approfondir notre

compréhension de l’impact du changement climatique sur l’agriculture au
Maroc. Cela pourrait inclure des études sur les effets spécifiques des
changements climatiques sur différentes cultures, ainsi que des analyses des
politiques d’adaptation et d’atténuation les plus efficaces dans le contexte
marocain.

18
Références bibliographiques

 Ministère de l'Agriculture, du Développement Rural et de la Pêche

Maritime du Maroc: https://www.agriculture.gov.ma/
 Haut-Commissariat au Plan du Maroc: https://www.hcp.ma/
 Groupe d'experts intergouvernemental sur l'évolution du climat
(GIEC): https://www.ipcc.ch/
 Banque
mondiale: https://www.worldbank.org/en/country/morocco/overview

19
160,000,000
Forecast: PAGTF
140,000,000 Actual: PAGT
Forecast sample: 1961 2033
120,000,000
Adjusted sample: 1961 2023
100,000,000 Included observations: 63
Root Mean Squared Error 12224321
80,000,000 Mean Absolute Error 9365569.
60,000,000 Mean Abs. Percent Error 14.76614
Theil Inequality Coef. 0.081032
40,000,000 Bias Proportion 0.001160
Variance Proportion 0.157729
20,000,000
Covariance Proportion 0.841111
0 Theil U2 Coefficient 1.669846
65 70 75 80 85 90 95 00 05 10 15 20 Symmetric MAPE 13.80763

PAGTF ± 2 S.E.

20