Académique Documents
Professionnel Documents
Culture Documents
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
2
Démarche méthodologique
1. Objectif
2. Méthodologie
a. Présentation du modèle adapté :
b. Données utilisées :
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.
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 :
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.
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.
Variable PAG :
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 ».
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
9
b. Test de stationnarité (ADF) :
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
*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).
Levels Equation
Case 2: Restricted Constant and No Trend
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
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.
13
f. Test d’autocorrélation :
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 :
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
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
18
Références bibliographiques
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