ANALYSE DES DETERMINANTS DE L’INEFFICIENCE

PRODUCTIVE DES CONCESSIONS DE DISTRIBUTION

D’ELECTRICITE EN ALGERIE : ÉTUDE EMPIRIQUE AVEC LA
METHODE D’ANALYSE PAR FRONTIERE STOCHASTIQUE "SFA"

Messaoud ZEROUTI
Maitre assistant à l’ENSM et doctorant à l’ENSSEA.
Rabah BELAID
Professeur des universités à l’ENSSEA.

RESUME :

A partir d’une fonction de coût variable de type translog, cette étude

analyse les principaux déterminants de l’inefficience technique des
concessions de distribution d’électricité en Algérie. Pour ce faire, nous
procédons au test de différentes spécifications de modèles économétriques
suivant une méthode dite d’Analyse par Frontière Stochastique (SFA). Les
résultats de la modélisation montrent que, dans le secteur de la distribution
d’électricité en Algérie, les variables d’environnements, caractérisant
l’hétérogénéité entre les concessions, doivent être intégrées dans la fonction
de coût, avec celles d’outputs physiques et le prix de l’énergie électrique. En
plus, le meilleur modèle indiquant que le changement technique est variable
dans le secteur entre 2010 et 2014.

Mots clés : Industrie de réseau, Inefficience productive, Analyse par

Frontière Stochastique (SFA), fonction de coût Translog, concessions de
distribution d’électricité en Algérie, données de panel.

1- INTRODUCTION
Suite à la dérégulation des industries de réseau, l’évaluation de la
performance des firmes relevant de ces secteurs revêt une importance
particulière pour les pouvoirs publics, en particulier pour les instances de
régulation sectorielles.
En Algérie, la libéralisation du secteur électrique a pris une forme
particulière. La production d’électricité est ouverte à la concurrence et à
l’investissement privé sous le régime d’autorisation de production, le
transport d’électricité est confié à un seul opérateur indépendant qui est le
Gestionnaire du Réseau de Transport d’Électricité "GRTE" (monopole
naturel réglementé), la distribution et la fourniture d’électricité sont
organisées sous forme des monopoles locaux, sous le régime de concession.
Nous nous proposons, à travers la présente étude, d’identifier les
déterminants de l’inefficience productive des concessions de distribution
d’électricité en Algérie. Pour ce faire, nous testons différentes spécifications
de modèles économétriques suivant la méthode d’Analyse par Frontière
255
Stochastique 1 (SFA). Nous procédons à l'estimation d'un modèle
économétrique avec des données de panel sur 58 concessions durant la
période 2010-2014, et ce à travers la spécification d’une fonction de coût de
type Translog où la variable expliquée est définie par les coûts d’exploitation
des opérateurs (concessions). Les variables explicatives sont : les prix des
inputs2, les outputs physiques3, les variables d’environnement caractérisant
l’hétérogénéité entre les concessions4 et les indicateurs de qualité5.
Nous avons structuré notre travail en quatre étapes. La première donne
un aperçu descriptif sur l’organisation du secteur électrique en Algérie,
notamment la distribution d’électricité. Ensuite, nous avons procédé à une
revue de la littérature présentant les fondements théoriques de la fonction de
coût, les typologies des modèles d’estimation de cette fonction ainsi qu'un
aperçu descriptif de la méthode SFA. Ensuite, après une description détaillée
des variables utilisées dans la modélisation économétrique, nous avons
concentré nos analyses sur les résultats du modèle le plus pertinent en termes
de mesure de l’inefficience productive des concessions de distribution
d’électricité en Algérie. Enfin, notre travail s’achève par une conclusion
résumant les principaux résultats.
2- BREF DESCRIPTIF DU SECTEUR DE DISTRIBUTION
D’ÉLECTRICITÉ EN ALGÉRIE
2-1- Organisation du secteur électrique en Algérie
L’entreprise publique Sonelgaz6 est encore, à ce jour, quasiment le seul
opérateur dans le secteur électrique, à l’exception de quelques entreprises
activant dans le segment de la production pour assurer leurs propres besoins
en énergie électrique. Tel est le cas de certaines filiales de Sonatrach. Au
plan institutionnel, les pouvoirs publics ont adopté plusieurs textes juridiques
afin d’adapter l’évolution du secteur avec les nouvelles exigences de
l’économie nationale. Parmi ces textes, la loi 02/01 s’inscrit dans le
programme du gouvernement visant à créer une économie compétitive et à
limiter le rôle de l’État à la régulation et au développement des
investissements. Cette loi vise la suppression des monopoles historiques et la
libéralisation de toutes les activités sauf celles qui fonctionnent comme des
monopoles naturels (Transport/distribution d’électricité). Elle prévoit aussi

1
Cette étude est, à notre connaissance, la première à tester des spécifications selon la
méthode SFA dans le secteur de la distribution d’électricité en Algérie.
2
Prix moyen du travail et prix moyen des achats d’énergie électrique.
3
Volume d’énergie vendu et nombre d’abonnés.
4
Taux de perte sur le réseau, densité de la population desservie et proportion
d’énergie délivrée aux grands consommateurs.
5
Délai de réponse aux réclamations, délai de satisfaction des demandes de
raccordement, fréquence de coupure d’électricité due aux incidents sur les réseaux
de distribution basse et moyenne tension « SAIFI-BT et SAIFI-HTA » et temps de
coupure liée aux incidents sur les réseaux de distribution basse et moyenne tension
"SAIDI-BT et SAIDI-HTA".
6
Dont la création remonte au 28/07/1969, en adoption de l’ordonnance n°69-59
portant dissolution de l'entreprise EGA (Électricité et Gaz Algérien) créée en 1947.
256
une séparation juridique des diverses activités de l’opérateur historique
Sonelgaz7.
2-2- L’organisation de la distribution d’électricité en Algérie
Rappelons tout d’abord, que la loi 02/01 prévoit l’ouverture à la
concurrence et à l’investissement privé de la commercialisation d’électricité
(article 72). La concession telle que définie par cette loi est un droit accordé
par l’État à un opérateur pour exploiter et développer un réseau d’un
territoire délimité et pour une durée déterminée en vue de la vente de
l’électricité ou du gaz distribué par canalisations.
Au plan organisationnel et en application du décret exécutif 08-114, la
distribution d’électricité en Algérie a été concédée à quatre sociétés de
distribution d’électricité régionales. Le Tableau-1 présente la répartition
géographique de ces concessions.
Tableau-1 : Répartition des concessions par société de distribution
d’électricité en Algérie
Société de distribution Nombre de
concessions
Société de Distribution d’Alger (SDA) 6
Société de Distribution de Centre (SDC) 13
Société de Distribution d’Est (SDE) 19
Société de Distribution d’Ouest (SDO) 20
Total des concessions 58
Source : Établi à partir des données de la CREG.
Nous arrivons aujourd’hui à une phase d’évaluation du premier bilan
de la performance des concessions de distribution d’électricité en Algérie,
d’où l’intérêt du travail que nous menons dans le cadre de cet article8.
3-FONDEMENTS THÉORIQUE ET TYPOLOGIE DES MODÈLES
D’ESTIMATION DE LA FONCTION DE COÛT
3-1- Fondements théorique de la fonction de coût :
La fonction de coût mesure le coût minimal de production d’un niveau
déterminé d’output pour des prix d’inputs donnés. On peut écrire cette
fonction sous la relation suivante :
C(y, w)= Min ∑wiXi. Sous condition : y=n f(X1, X2, …Xn).
Où : C : fonction de coût, y : Niveau d’output, wi : vecteur des prix
d’inputs, Xi : vecteur des quantités utilisées des "n" facteurs de production et
f : fonction de production.
La fonction de coût a les propriétés suivantes :
- Non décroissante par rapport aux prix des facteurs de production ;
- Continue, concave en "wi" et homogène de degré 1 par rapport à
"wi".

7
Il s’agit des activités de production, transport, distribution et commercialisation.
8
Cet article s'appuie sur les recherches menées pour la préparation de notre thèse de
doctorat, en cours de finalisation.
257
 La théorie de la dualité conçue principalement par Hotelling en 19329 et
Shepard (1953) permet de montrer l’équivalence entre la représentation de la
technologie d’une entreprise (fonction de production) et sa fonction de coût.
Autrement dit, la fonction de coût synthétise toutes les informations relatives
à la technologie de production et inclut par définition une hypothèse
comportementale qui est la minimisation du coût.
Puisque les deux fonctions contiennent les mêmes informations, le choix
de l’estimation de l’une ou l’autre forme dépend essentiellement des
hypothèses retenues quant au caractère exogène pour la firme. Dans le
secteur de la distribution d’électricité, c’est l’output qui présente le caractère
exogène10 et conformément à la théorie économique, seule la représentation
sous la forme d’une fonction de coût peut être estimée valablement.
3-2- Typologie des modèles d’estimation de la fonction de coût
D’une façon générale, on distingue deux grandes catégories de modèles
d’estimation de la fonction : les formes fonctionnelles simples et les formes
fonctionnelles flexibles.
- Les formes fonctionnelles simples : Cette catégorie comprend les
fonctions de type : Cobb Douglas, Leontief et CES. Ces fonctions ont la
particularité d’imposer la constance de l’élasticité de substitution entre
facteurs de production, restriction en somme assez forte. En effet, la fonction
Cobb-Douglas pose que l’élasticité de substitution est égale à l’unité
(substitution parfaite entre facteurs), la fonction Leontief suppose une
élasticité nulle (stricte complémentarité entre facteurs). La fonction CES
généralise les deux premières en imposant une élasticité constante sans fixer
une valeur particulière.
- Les formes fonctionnelles flexibles : Pour lever l’hypothèse forte
imposée aux premières formes fonctionnelles (constance de l’élasticité de
substitution), des formes fonctionnelles dites flexibles ont été introduites
dans la littérature. Ce sont les fonctions de type Translog (Transcendantal
Logarithmic), Leontief généralisée, McFadden Généralisée et Barnett
Généralisée.
La fonction de coût de type Translog introduite par Christensen, Jorgensen
et Lau (1973) est la plus utilisée parce qu’elle présente de nombreux
avantages théoriques et pratiques. D’une part, elle est basée sur un modèle
économique, ce qui permet d’introduire de manière explicite la théorie
économique dans la modélisation. D’autre part, elle impose peu de
restrictions a priori sur les caractéristiques de la technologie de production et
satisfait l’hypothèse d’homogénéité en prix à travers un ensemble de
restrictions linéaires sur les paramètres.

9
In: Diewert (W.E.); Essays in Index Number Theory; Volume I / Chapter 6 /p118;
Diewert and Nakamura (Editors); Elsevier Science Publishers; 1993.
10
Puisque les concessions de distribution d’électricité sont en situation de monopole
et ont l’obligation de satisfaire la demande en énergie électrique.
258
 La forme flexible la plus couramment utilisée, et que nous retiendrons par
la suite dans notre étude, est la fonction qui s'écrit :
𝑘

𝑙𝑜𝑔𝐶 = 𝐵0 + Bi log 𝑋𝑖 + 𝐵𝑖𝑗 𝑙𝑜𝑔𝑋𝑖 𝑙𝑜𝑔𝑋𝑗

𝑖=1 𝑖 𝑗
Où : "log" désigne le logarithme décimal, "C" le coût de production et "Xi"
les facteurs de productions ainsi que les outputs physiques.
3-3- Description de la méthode d’Analyse par Frontière Stochastique11
"SFA"
Cette méthode, développée initialement par Aigner, Lovell et Schmidt
(1977), Meeusen et Van Den Broeck (1977), a une contribution significative
à la modélisation économétrique de la fonction de coûts (ou de production)
et à l’estimation de l’inefficience technique des firmes. En effet, la méthode
SFA est une extension des modèles économétriques standards utilisés pour
l’analyse comparative12 des coûts dans la mesure où elle permet d’estimer
une frontière des coûts à partir des coûts enregistrés par des Unités de Prise
de Décisions "DMU13" activant dans le même secteur. Elle est similaire à
d’autres méthodes économétriques quant à la spécification d’une forme
fonctionnelle de la fonction de coût.
La méthode SFA est largement utilisée dans les études académiques
pour estimer et comparer l’efficience coût des réseaux de l’énergie. Les
résultats sont souvent comparés à des résultats issus d'autres méthodes
d’analyse comparative des coûts, telles que la méthode d’analyse de données
enveloppées (Data Envelopment Analysis « DEA») et la méthode des
moindre carrées corrigés (Corrected Ordinary Least Squares « COLS ») 14.
Cependant, la méthode SFA diffère des approches économétriques
traditionnelles en deux points. D’une part, elle vise à estimer une frontière de
coût représentant le coût minimum plutôt qu’une fonction de coût pour une
entreprise moyenne. D’autre part, elle permet de distinguer, dans le terme
d’erreur, les effets des bruits statistiques et les effets expliquant le niveau
d’inefficience, contrairement aux méthodes économétriques traditionnelles et
la DEA qui considèrent toute déviation de la frontière d’efficience comme de
l’inefficience15 (Le Lannier, 2010).

11
Désignée dans la suite du texte par l’abréviation de l’appellation anglaise :
Stochastic Frontier Analysis (SFA). Pour une description plus détaillée de cette
méthode, le lecteur pourra se référer à Kumbhakar et al (2000).
12
On trouve dans la littérature anglaise le concept de benchmarking dans ce type de
travaux portant sur la comparaison de performance entre opérateurs.
13
" Decision Maker Units".
14
Pour une description détaillée de ces deux méthodes le lecteur pourra se référé au
document de travail publié par "Australian competition and consumer commission"
(Mai 2012).
15
En plus de ces deux avantages, les tests statistiques standards sont applicables sur
les résultats des modèles SFA, tel est le cas du test de Student de significativité
individuelle des paramètres.
259
 3-3-1- Illustration mathématique du modèle SFA
Une fonction de coûts peut être représentée sous la forme suivante :
Ci = C (Yi ; Pi ; qi ; ei ; B) exp (ɛi), i=1…, N
Avec: Ci le coût d’exploitation de la firme i ; Yi : un vecteur de quantité
d’outputs produite par la firme i ; Pi : un vecteur de prix des inputs de la
firme i ; qi : Un vecteur des variables de qualité; ei : un vecteur de variables
d’environnement caractérisant l’hétérogénéité contextuelle et
environnementale entre les firmes et, B : Un vecteur de paramètres à estimer.
ɛiest le terme d’erreur global et il peut être décomposé en deux termes
comme suit :ɛi = νi + Ui. Avec : νi : est un bruit statistique pour capter
l’erreur de spécification du modèle ou d’omission de données et Ui : est une
perturbation non négative représentant l’inefficacité de coûts spécifique à
une firme et qui pourrai être influencé par des facteurs exogènes.
Selon Le Lannier (2010), la distinction entre l’inefficience et les bruits
statistiques nécessite le choix d’une hypothèse quant à la distribution du
terme d’erreur global ɛi. On retrouve principalement dans la littérature
traitant les modèles SFA deux hypothèses : une distribution semi-normale et
une distribution normale tronquée.
Battese et Coelli (1995) notent qu’une modélisation de l’inefficience coût
peut être exprimée de la façon suivante :Ui= δ0 + δi Zi + Wi. i =1,2,…n
Ui est un terme d’inefficience16 ; Zi est un vecteur de facteurs susceptible
d’expliquer la différence entre le coût observé et le coût déterminé par la
frontière de coût stochastique ; δi est un vecteur de paramètres à estimer et
Wi est un terme résiduel.
Les vecteurs des paramètres B, δ et les termes associés à σ2= σ2v + σ2u
et γ= σu/ σ2 sont estimés par la méthode du maximum de vraisemblance.
Le paramètre gamma (γ) est compris entre 0 et 1. Dans le modèle
retenu, l’écart par rapport au coût minimum possible peut être dû, avec
l’approche stochastique, à l’inefficience des firmes ou au bruit statistique.
Plus la valeur de γ est proche de 1, plus cet écart est surtout attribué à
l’inefficience des opérateurs, et inversement. Cet indicateur aura un rôle
primordial pour justifier la cohérence statistique du modèle.
La littérature propose deux approches alternatives pour la prise en
compte des variables environnementales et/ou de qualités dans la mesure des
efficacités relatives. L'une suppose que ces variables influencent la
technologie de production et qu'elles devraient donc être incluses
directement dans la fonction de coût en tant que régresseurs. Une autre
approche suppose que les facteurs environnementaux et/ou de qualités
influencent directement le degré d'efficience technique et devraient donc être
introduits dans le terme d'inefficience. La façon d'introduire les variables
d’environnements et de qualités varie d'une étude à l'autre, et il n'existe pas

16
Il est à noter que dans ce modèle de base, le terme d’inefficience coût est supposé
distribué selon une loi normale tronquée.
260
de consensus sur la meilleure façon de les considérer dans les mesures
d'efficience des opérateurs.
4- STATISTIQUES DESCRIPTIVES
4-1- Présentation des variables utilisées dans le modèle SFA17
4-1-1- Variable Expliquée : Le coût d’exploitation (OPEX18) représente
la variable expliquée dans notre étude. Dans notre modèle, il couvre la masse
salariale globale et le montant total des achats d’énergie. Ces deux
composantes représentent l'essentiel des coûts d’exploitation annuels
courants des activités de distribution d’électricité (hors coûts fixes :
amortissement, charges de dettes…).
4-1-2- Variables explicatives : Nous distinguons quatre groupes de
variables expliquant les coûts d’exploitation : Les prix des inputs, les
variables d’outputs, les variables d’environnement et les variables de qualité.
a- Les prix des inputs : les inputs variables utilisés dans les activités de
distribution d’électricité sont représentés essentiellement par le travail et les
achats d’énergie électrique.
Le prix moyen du travail est calculé par le rapport de la masse salariale sur
le nombre total de travailleurs dans chaque concession19.
Le prix moyen des achats d’énergie électrique est estimé par le rapport
entre le montant global des achats d’énergie20 et la quantité totale d’énergie
achetée en KWh
d- Les variables d’outputs : les deux variables caractérisant l’output
physiques dans les activités de distribution d’électricité sont : le nombre
d’abonnés et la quantité d’énergie délivrées aux consommateurs finals. Ces
deux variables incluent les consommateurs ordinaires aussi bien que les
consommateurs industriels. Nous nous attentons à ce qu’il y ait un impact
positif de ces deux variables sur les coûts d’exploitation.
c- Les variables d’environnement 21 : Les différences de niveau de
performance des concessions peuvent être expliquées par des conditions

17
Voir en Annexe1 le tableau récapitulatif des variables utilisées ainsi que leur rôle
dans le modèle SFA.
18
Coût d’exploitation ou selon l’appellation anglaise : Operators Expenditure .
19
Sur le marché du travail, les concessions de distribution d’électricité sont en
compétition avec les firmes des autres secteurs économiques. Cela implique qu’elles
sont en position de Price-Taker sur ce marché. Comme la masse salariale ne
représente pas seulement les salaires nets versés au personnel de la concession,
puisque elle inclut aussi les cotisations à la caisse de retraite et d’assurance, les
rémunérations des consultants et des cabinets d’études, donc le prix moyen du
travail ne représente par réellement ce que perçoit effectivement un travailleur en
moyenne dans le secteur de la distribution d’électricité.
20
Les achats d’énergie représentent l'essentiel des consommations intermédiaires, à
hauteurs de 90%.
21
Plusieurs études traitant des industries de réseau utilisent les variables
d’environnement dans l’évaluation de la performance relative d'opérateurs activant
le même secteur et détenant des monopoles sur leurs territoires géographiques. Nous
nous sommes inspirés de ces études pour identifier les variables caractérisant
261
exogènes qui diffèrent d’un opérateur à un autre. A cet effet, trois variables
d’environnement sont utilisées pour expliquer cette hétérogénéité observée :
Taux de perte sur le réseau : cette variable mesure le degré de fiabilité du
réseau de distribution d’électricité qui dépend en partie des conditions
locales de son exploitation.
Densité de la population : De nombreuses études ont montré l’importance
de la variable densité de la population dans l’explication des coûts dans les
industries de réseau (Jamasb et al. (2008), Le Lannier, 2010). Dans notre cas,
on inclut la variable densité de la population, définie par la population
desservie par kilomètre de réseau de distribution de la concession. L’impact
de cette variable est positif ou négatif.
Proportion d’énergie délivrée aux grands consommateurs : elle représente
le gain de coût associé à la présence de grands consommateurs. En effet, il
est moins coûteux de délivrer la même quantité d’énergie à un nombre faible
de grands consommateurs qu’à un nombre très importants de consommateurs
de basse tension.
d- Les variables de qualités : L'aspect qualitatif est un élément important
de l’efficacité des services de distribution d’électricité, qui doivent de plus
en plus répondre aux standards qualitatifs.
Durée moyenne annuelle de coupure d’électricité par abonné (basse et
haute tension) et par an liée aux incidents "SAIDI".
Fréquence de coupure d’électricité par abonné (basse et haute tension) et
par an liée aux incidents "SAIFI"22.
Dans nos spécifications des modèles SFA nous avons introduit les deux
indicateurs SAIDI et SAIFI avec une distinction faite au niveau de la tension
(Basse et Haute tension) qui sont liés aux incidents.
Capacité de réponse aux réclamations : indicateur mesuré par le nombre
de plaintes des clients et par la durée d’attente avant règlement du problème.
Délai de satisfaction de demande de nouveaux raccordements : En
complément à l’indicateur précédent, le délai de satisfaction des demandes
de nouveaux branchements (raccordements) des nouveaux clients est aussi
un moyen pour évaluer la performance qualitative d’une firme.

l’environnement des concessions de distribution d’électricité en Algérie (par

exemple Lannier (2010) ; Growitsch et al. (2009) ; Farsi et al. (2007)).
22
Les deux indicateurs SAIDI et SAIFI sont reconnus au niveau international comme
des indicateurs de mesure de l’efficacité des systèmes électriques dans la mesure où
ils permettent de faire des comparaisons au niveau international ou national.
262
 4-2- Échantillon et Statistiques descriptives
Tableau-2 : Statistiques descriptives
Unités de Écart CVa
Variables Min Max Moy
mesure type r23 (%)
774 75622 182005 1207556, 66,3
CV KDA
30 10 1,5 81 5
37,0 4033, 36,9
PE KDA 1761,2 649,92
3 09 0
154, 8413, 50,7
PL KDA 2776,1 1408,73
64 79 4
107 34572 128086, 49,1
Ab Nombre 62973,27
54 6 9 6
73,9 2833, 65,1
Vt Kwh 723,6 471,65
8 60 7
16,0 205,1 57,7
Dens % 58,5 33,82
2 1 7
14,9 37,5
GrCt % 86,11 40,9 15,37
7 6
34,2
Pert % 2,08 33,39 17,8 6,09
1
56,2
Recl Jours 1,00 35,00 10,1 5,68
7
138,0 102,
Racc Jours 3,00 11,1 11,36
0 04
SAIFI Interrupti 50,8
1,00 19,83 6,6 3,40
BT on 1
SAIFI Interrupti 52,0
0,50 21,98 6,7 3,53
HTA on 8
SAIDI 37,8 1880, 73,9
Minute 312,8 231,18
BT 0 40 0
SAIDI 30,0 1561, 71,3
Minute 314,5 224,44
HTA 0 20 5
Source : Calculs effectués sur Excel-Stat à partir des données fournies par
la CREG.
Afin d’estimer la frontière stochastique des coûts de distribution
d’électricité en Algérie, nous avons utilisé une base de données portant sur
58 concessions de distribution d’électricité réparties sur le territoire national
et ce, durant la période : 2010-2014, soit une taille d’échantillon de 290
observations. Cependant, Avant toute modélisation économétrique, nous
avons jugé utile de commencer par une analyse élémentaire des variables
constituant notre base de données.

23
Coefficient de variation.
263
 5- RESULTATS DE LA MODELISATIONECONOMETRIQUE
AVEC LA METHODE SFA
Tel que nous l’avons déjà signalé auparavant, la modélisation avec la
méthode SFA nécessite le choix d’une forme fonctionnelle de la fonction de
coût. A cet effet, nous avons choisi la forme fonctionnelle flexible translog
qui est soumise à un certaines nombre de conditions. Notre estimation de la
fonction de coût translog consiste, tout d’abord à introduire le logarithme
décimal sur toutes les variables, ensuite diviser toutes les variables
explicatives par leurs moyennes (géométriques) et, enfin diviser le coût
variable ainsi que le prix de l’énergie par le prix moyen du travail24.
5-1- Les paramètres du Modèle
Afin de mesurer l’impact des variables d’environnements et/ou de qualités
sur les coûts d’exploitation ainsi que sur le niveau d’inefficience des
concessions de distribution d’électricité en Algérie, nous avons ajouté à ces
variables celles caractérisant l’output physique dans le modèle SFA, dans un
premier temps, en tant que regresseurs, ensuite en tant qu’explicateurs de
l’inefficience. Cette approche permet de montrer que l’efficacité d’un
opérateur peut être affectée, soit par des conditions exogènes qui ne sont pas
sous le contrôle direct des entreprises régulées, soit par le niveau de qualité
du service offert aux consommateurs.
Les résultats de nos estimations montrent que le modèle le plus pertinent25
est celui incluant toutes les variables d’environnement (Dens, GrCt et Pert)
dans la fonction de coût. Quant aux variables de qualité elles sont exclues du
modèle SFA. En outre, le modèle le plus significatif suppose que le terme
d’inefficience est distribué selon une loi normale tronquée et l’efficacité
technique dans le secteur, durant la période d’étude 26 , est évolutive. Les
résultats de l’estimation du modèle SFA selon cette spécification sont
résumés dans le Tableau-3.

24
On introduit le logarithme puisqu’il s’agit d’une forme fonctionnelle de type
translog, ensuite on divise toutes les variables explicatives par leurs moyenne pour
montrer que les paramètres du modèle sont estimés par rapport à un point de
référence qui est dans notre cas le point moyen (moyenne géométrique). Selon Le
Lannier (2010), les coefficients de premier ordre peuvent être interprétés
directement comme des élasticités de coût, évalués à la moyenne (géométrique) de
l’échantillon. Enfin on divise la variable dépendante et le prix de l’énergie par le
prix du travail afin de respecter la condition d’homogénéité de la fonction de coût.
25
C'est-à-dire celui ayant le log de vraisemblance le plus élevé et les résultats des
autres spécifications sont disponibles auprès de l’auteur.
26
Il est à noter que la modification des hypothèses sur la distribution du terme
d’erreur ou le changement technologique dans le secteur ont eu un impact sur les
résultats d’estimation des paramètres du modèle SFA ainsi que sur les classements
de la performance relative des concessions. Ces derniers ne font pas l’objet de cet
article, ils sont développés en détail dans notre thèse de doctorat.
264
 Tableau-3 : Paramètre du modèle :
Loi normale tronquée et efficience technique évolutive
coefficie Standard- T-ratio
nt Error
beta 0 1,17 1,30 0,90
logPe -4,15 0,66 -6,31***
logAb 12,11 3,37 3,59***
logVt -3,35 1,22 -2,76***
log Pe*log Pe 40,32 2,48 16,24***
log Vt*log Vt 0,07 0,42 0,18
log Ab*log Ab -6,37 2,49 -2,56***
log Pe*log Vt 9,95 1,75 5,67***
log Pe*log Ab -8,66 4,36 -1,98**
log Vt*log Ab 2,84 1,74 1,63
logDens 0,08 0,03 2,69***
logGrCt -0,10 0,04 -2,50***
logPert 0,25 0,03 8,86***
σ2=σ2v+ σ2u 0,04 0,01 3,71***
γ= σ2u/ σ2 0,96 0,01 100,96**
*

mu -0,38 0,06 -5,91***

eta -0,36 0,05 -7,79***
log likelihood function 512,65
* ** ***
P<10%, P<5% et P<1%.
Source : Calculs effectués par nos soins sur FRONTIER 4.1 à partir des
données fournies par la CREG.
Les résultats paraissent intéressants et montrent l’existence de l’impact
attendu des variables d’environnement sur les coûts d’exploitation des
opérateurs. En effet, au regard du test de Student, toutes les variables
d’environnements sont significatives à un risque d’erreur de 1%. Ces
résultats confirment la théorie économique en deux points.
D’une part, une densité de la population très élevée avec des pertes
importantes d’énergies électrique sur le réseau mènent à des coûts
d’exploitation importants.
D'autre part, une proportion élevée d’énergie délivrée aux grands
consommateurs pousse les coûts d’exploitations vers la baisse. Quant à la
lecture des coefficients des facteurs de production (outputs physiques et prix
de l’énergie) elle n’est pas directe ; on doit recourir plutôt aux calculs des
élasticités des facteurs de production selon la formule suivante :
𝛿 log (𝑌)
ɛj= 𝛿log ⁡(𝑋 )= Bj + 𝑗 𝐵𝑗𝑘 𝑋𝑘
𝑗

265
 Le Tableau-4 donne les valeurs moyennes, les écarts types et les ratios de
Student des élasticités des facteurs de production.
Tableau-4 : Élasticités directes des facteurs de production
Statistique Moyenne Écart-type (n) Ratio de Student
logPe 37,510 3,272 11,4638011
logAb -0,111 0,783 -0,14128725
logVt 9,522 0,851 11,1875803
Source : Calculs effectués sur FRONTIER 4.1 et sur Excel-Stat à partir des
données fournies par la CREG.
La lecture de ce tableau indique que les deux variables prix de l’énergie et
volume des ventes ont un effet significatif et positif sur les coûts
d’exploitation. Ces résultats confirment la théorie économique dans la
mesure où les coûts d’exploitations des opérateurs augmentent, toutes choses
égales par ailleurs, avec l’augmentation du prix de l’énergie et du volume
d’énergie vendu. Tandis que la variable nombre d’abonnés a un impact
négatif et non significatif sur les coûts d’exploitation.
5-2- Test de cohérence statistique du modèle :
La valeur de gamma27 est très importante et elle représente 96,69% de la
variance du terme d’erreur global. Cela signifie que la valeur de la variance
du terme d’erreur aléatoire de spécification du modèle ou d’omission de
données est négligeable. Afin de confirmer la validité du modèle avec cette
spécification stochastique de la fonction de coût, nous allons utiliser le test
du ratio de vraisemblance. Ce dernier consiste à comparer l’hypothèse nulle
H0 (γ = 0) avec l’hypothèse alternative H1 (γ>0).
Il s’agit plus exactement de voir si la frontière de coût stochastique est
appropriée dans notre cas. La valeur critique du test suit une distribution de
Khi-deux mixte 28 dont le nombre de degrés de liberté (n) est égale au
nombre de restriction à imposer. La statistique du test est la suivante :
LR = -2 {log [L(H0)/L(H1)]}= -2 {log [L(H0)]– log[L(H1)]},
Où L(H0) et L(H1) correspondent aux fonctions de vraisemblance pour les
hypothèses H0 et H1. H0 sera alors rejetée si LR >2 (n,α).

27
Gamma (γ) représente la part de la variance du terme d’inefficience (µ i) dans la
variance totale du terme d’erreur.
28
Table à lire dans Kodde et Palm (1986, pp. 1246).
266
 Tableau-5 :
Test du ratio de vraisemblance du modèle1.
Hypothèses Valeur Valeur Critique [2 (1 ; 0,01)]
H0 Calculé
γ=0 119,639 5,412
Source : Calculs effectués sur FRONTIER 4.1 à partir des données
fournies par la CREG.
Application de la règle de décision : On rejet H0 : γ = 0, donc une frontière
de coût de type stochastique est appropriée dans notre cas.

6- CONCLUSION
Notre stratégie d’estimation de la frontière de coût stochastique consiste à
tester différentes spécifications du modèle d’Analyse par Frontière
Stochastique "SFA" dans lesquelles des variables caractérisant les prix des
inputs et des outputs physiques sont introduites dans la fonction de coût avec
diverses combinaisons de variables d’environnements et de qualité. Ces
dernières ont pour rôle, soit de contrôler l’hétérogénéité observée entre
opérateurs, soit d'expliquer les niveaux d’inefficience des opérateurs.
Les résultats de la modélisation, avec l’application de la méthode SFA,
montrent que, dans le secteur de la distribution d’électricité en Algérie, les
variables d’environnements (densité de la population, proportion d’énergie
délivrée aux grands consommateurs et le taux de perte d’énergie électrique
sur le réseau) doivent être intégrées dans la fonction de coût afin de
contrôler l’hétérogénéité observée entre concessions. En plus, le meilleur
modèle suppose que, d’un coté, le changement technique dans le secteur est
évolutif durant la période d’étude. De l’autre coté, le terme d’inefficience
suit une loi normale tronquée.
Nous pouvons conclure aussi que dans cette étude, l’ajout des variables de
qualité dans le modèle d’estimation de la performance relative des
concessions n’améliore pas considérablement les résultats de classement des
performances des opérateurs. De ce fait ces variables sont exclues du
modèle. Ce résultat corrobore celui obtenu à l'issue d'une étude réalisé par
Coelli et al. (2008) en France sur 92 opérateurs de distribution d’électricité.
En outre, Estache et al. (2004) notent qu’on ne doit introduire dans le modèle
final d’estimation de la performance relative des opérateurs régulé que les
variables statistiquement et économiquement significatives.
Les résultats d’estimation de la performance relative permettent
d’identifier des groupes de références des concessions ayant des
performances relativement similaires et sur les écarts de certaines
concessions par rapport aux meilleures pratiques du secteur. Ces résultats
fournissent des informations utiles à la mise en place des mécanismes de
régulation incitative dans le secteur de la distribution d'électricité en Algérie.

267
 ANNEXE
Récapitulatif des variables utilisées dans le modèle SFA
Symbol Signe
Intitulés des variables
es attendu
CV Coût variable « Coûts d'exploitation »
"OPEX" Variables d’inputs
PL Prix moyen du travail. +
PE Prix moyen des achats d’énergie électrique. +
Outputs physiques

Vt Quantité d’énergie électrique délivrée (Vendue) ; +

Ab Nombre d’abonnés. +/-

Variables environnementales ou contextuelles
Dens Densité de population. +/-
Pert Pertes sur le réseau. +
Proportion d’énergie distribuée aux grands
GrCt -
consommateurs.
Indicateurs de qualité
SAIDI- Durée moyenne annuelle de coupure d’électricité
-
BT par abonné basse tension lie aux incidents.

SAIDI- Durée moyenne annuelle de coupure d’électricité

-
HTA par abonné Haute tension lie aux incidents.

SAIFI- Fréquence de coupure d’électricité par abonné

+
BT basse tension et par an lie aux incidents.

SAIFI- Fréquence de coupure d’électricité par abonné

+
HTA Haute tension et par an liée aux incidents

Recl Capacité de réponse aux réclamations. -

Racc Délai de satisfaction de raccordement. -

268
 BIBLIOGRAPHIE

Aigner, (D), Lovell, (K) et Schmidt, (P); "Formulation and estimation of

stochastic frontier production function models"; Journal of Econometrics,
6(1):21–37, 1977.
Australian Competition and Consumer Commission; "Benchmarking Opex
and Capex in Energy Networks"; working paper SERIES n°6, May 2012.
Battese, (G) et Coelli, (T) ; "A model for technical inefficiency effects in a
stochastic frontier production function for panel data"; Empirical
Economics, 20(1):325–332; 1995.
Carrington (R), Coelli, (T) et Groom, (E) ; "International Benchmarking
for Monopoly Price Regulation: The Case of Australian Gas Distribution" ;
Journal of Regulatory Economics, 21, 2, pp. 191-216, 2002.
Coelli, (T), Crespo, (H), Paszukiewicz, (A), Perelman, (S), Plagnet, (M) et
Romano, (E) ; "Incorporating Quality of Service in a Benchmarking Model:
An Application to French Electricity Distribution Operators" ; Mimeo,
2008.
Coelli, (T), Estache, (A), Perelman (S) et Trujillo (L) ; "A Primer on
Efficiency Measurement for Utilities and Transport Regulators" ; The World
Bank Institute, Washington, 2003.
Diewert, (W, E) ; "Essays in Index Number Theory" ; Elsevier Science
Publishers; 1993.
Erbetta, (F) et Cave, (M) ; "Regulation and Efficiency Incentives :
Evidence from the England and Wales Water and Sewerage Industry" ;
Review of Network Economics 6(4) ; pages 425–452, 2007.
Estache (A), Rossi, (M) et Ruzzier, (C) ; "The Case for International
Coordination of Electricity Regulation : Evidence from the Measurement of
Efficiency in South America" ; Journal of Regulatory Economics, 25, 3, pp.
271-295, 2004.
Evrard, (O) et Lejeune, (B) ; "Coût dans le secteur de la distribution
d'électricité : économies d'échelle, économies de Densité et formes
institutionnelles" ; Économie & prévision N°135, pp. 43-56, 1998.
Farsi, (M) et Filippini, (M) ; "Regulation and Measuring Cost Efficiency
with Panel Data Models: Application to Electricity Distribution Utilities" ;
Review of Industrial Organization, 25 1, pp. 1-19, 2004.
Fumagalli, (E) ; LO SCHIAVO, (L) et DELESTRE, F ; 2007 ; "Service
quality regulation in electricity distribution and retail" ; Ed Springer, 2007.
Growitsch, (C), Jamasb, (T) et Pollitt, (M) ; "Quality of Service, Efficiency,
and Scale in Network Industries: An Analysis of European Electricity
Distribution" ; Applied Economics, 41, 20, pp. 2555-2570, 2009.
Jamasb, (T) et Pollitt, (M) ; "Reference models and incentive regulation of
electricity distribution networks: An evaluation of Sweden’s Network
Performance Assessment Model (NPAM)" ; Energy Policy N° 36, pp. 1788 –
1801, 2008.

269
 Keramane, (A, E) ; "Libéralisation du secteur de l’électricité en Algérie" ;
in Medenergie N°7, Alger, 2003.
Kodde, (D, A) et Palm, (F, C) ; "Wald criteria for jointly testing equality
and inequality restrictions" ; Econometric Society, Econometrica, vol. 54,
n°5, pp. 1243-1248; Chicago, 1986.
Lanoue, (R) et Hafsi, (T) ; "Société d’Etat ? Pourquoi pas ? Concilier
politique et performance : Les secrets de la réussite d’Hydro-Québec" ;
Presse de l’université du Québec, Québec, 2010.
Le Lannier, (A) ; "Exécution des Contrats de Concurrence par
Comparaison et Cohérence des résultats du benchmarking : Le cas du
secteur de l’eau en Angleterre et au pays de Galles" ; Journées de
microéconomie appliquée, Université Paris I Panthéon- Sorbonne, 2010.
Meeusen, (W) et Van Den Broeck (J); "Efficiency estimation from
CobbDouglas production functions with composed error"; International
Economic Review, 18(2): 435–444, 1977.
Shepard, (R) ; "Cost and Production functions" ; Princeton University
Press; 1953.
Textes réglementaires :

Décret exécutif 08-114 du 9 avril 2008 fixant les modalités d’attribution et

de retrait des concessions de distribution de l’électricité et du gaz ;
Loi 02-01 du 05 février 2002 relative à l’électricité et à la distribution du
gaz naturel par canalisation ;
Loi 85-07 du 06 aout 1985 relative à la production, au transport et à la
distribution d’énergie électrique et à la distribution publique du gaz naturel.

270