Economiepublique 4762

Économie publique/Public economics
18-19 | 2006/1-2
Varia
Capital humain et croissance : l’apport des

enquêtes internationales sur les acquis des élèves
Nadir Altinok
Édition électronique
URL : http://journals.openedition.org/economiepublique/4762
DOI : 10.4000/economiepublique.4762
ISSN : 1778-7440
Éditeur
IDEP - Institut d'économie publique
Édition imprimée
Date de publication : 1 octobre 2007
ISBN : 44-22-89-M
ISSN : 1373-8496
Référence électronique
Nadir Altinok, « Capital humain et croissance : l’apport des enquêtes internationales sur les acquis des
élèves », Économie publique/Public economics [En ligne], 18-19 | 2006/1-2, mis en ligne le 17 octobre
2007, consulté le 12 septembre 2020. URL : http://journals.openedition.org/economiepublique/4762 ;
DOI : https://doi.org/10.4000/economiepublique.4762
© Tous droits réservés

public economics
économiepublique
Revue de l’Institut d’Économie Publique
Deux numéros par an
no 18-19 – 2006/1-2
économiepublique sur internet : www.economie-publique.fr
© Institut d’économie publique – IDEP
Centre de la Vieille-Charité
2, rue de la Charité – F-13002 Marseille
Tous droits réservés pour tous pays.
Il est interdit, sauf accord préalable et écrit de l’éditeur, de reproduire (notamment
par photocopie) partiellement ou totalement le présent ouvrage, de le stocker dans
une banque de données ou de le communiquer au public, sous quelque forme et de
quelque manière que ce soit.
Imprimé en France.
La revue économiepublique bénéficie du soutien du Conseil régional Provence-Alpes-
Côte d’Azur
ISSN 1373-8496
Dépôt légal octobre 2007 – no imprimeur 442289M
recherches articles
Capital humain et croissance :

l’apport des enquêtes internationales
sur les acquis des élèves
Nadir Altinok ∗
Résumé
L’estimation de la relation entre éducation et croissance
économique est traversée de contradictions. Celles-ci ont
notamment souligné le manque de précision dans les indi-
cateurs mesurant le capital humain. Cet article introduit de
nouveaux indicateurs, construits à partir des enquêtes inter-
nationales sur les acquis des élèves. Ainsi, notre nouvelle
base de données, qui regroupe 105 pays, permet de tester la
relation entre éducation et croissance. Au final, après avoir
pris en compte l’endogénéité de l’éducation, il en ressort un
effet positif : les indicateurs qualitatifs du capital humain
permettent d’expliquer la croissance économique des pays
entre 1960 et 2000. L’estimation de la contribution de l’édu-
cation à la croissance est significative, tant d’un point de
vue quantitatif que qualitatif.
∗. IREDU (Institut de Recherche sur l’Éducation) UMR 5192 CNRS/Université de Bourgogne. Pôle
AAFE – Esplanade Erasme – B.P. 26513 F – 21065 Dijon Cedex (France). Correspondance électronique :
Nadir Altinok (nadir.altinok@u-bourgogne.fr). L’auteur tient à remercier Jean Bourdon (IREDU, CNRS,
Université de Bourgogne), Claude Diebolt (BETA, CNRS, Université Louis Pasteur Strasbourg), Marc
Gurgand (PSE, CNRS), Francis Kramarz (CREST, INSEE), François Leclercq (DIAL, Université Paris I,
Unesco), Katharina Michaelowa (CIS, Université de Zurich), Marie-Claude Pichery (LEG, CNRS, Université
de Bourgogne), Alain Trannoy (EHESS) ainsi que deux rapporteurs anonymes pour leur aide dans
l’amélioration de ce travail.
économiepublique
no 18-19 (2006 / 1-2), 3-??
recherches Nadir Altinok
Summary
The estimation of the relationship between education and
economic growth is marked by contradictions. These con-
tradictions underline the lack of precision characterising
indicators of human capital. This paper constructs new indi-
cators based on a pool of international surveys concerning
pupil assessment. Thus, our new database, which includes
105 countries, makes it possible to confirm or not the pos-
itive relationship between education and growth. Taking
into account the endogeneity of education, we measure a
positive effect of qualitative indicators of human capital and
the growth of countries between 1960 and 2000. The contri-
bution of education to growth therefore appears significant,
both from a quantitative and a qualitative point of view.
Mots clés : Qualité de l’éducation, capital humain, croissance, dé-

veloppement.
Keywords: Education quality, human capital, growth, development.
J.E.L. : H5, I2, O4.
1. Introduction
La recherche portant sur les déterminants de la croissance économique a été
l’un des plus importants maillons de la recherche en économie depuis le milieu
des années quatre-vingts. Ce domaine de recherche a été remis à jour par les
travaux sur la croissance endogène de Romer (1986) et de Lucas (1988) et par
l’économétrie appliquée sur la croissance qui a débuté avec le test de l’hypothèse
de convergence des économies (Baumol, 1986 ; Barro, 1991 ; Barro et Sala-i-Martin,
1992 ; Mankiw, Romer et Weil, 1992). Il faut également souligner la contribution
importante relative à la mise à disposition de données internationales comparables
sur le Produit intérieur brut (PIB), la productivité ou encore le capital humain
(Summers et Heston, 1988 ; Barro et Lee, 1993, 1996, 2001). Dans les travaux sur la
croissance endogène ainsi que ceux sur l’économétrie appliquée à la croissance, le
concept de capital humain, ou encore celui d’éducation, a été au centre des études
les plus influentes (Lucas, 1988 ; Mankiw, Romer et Weil, 1992).
no 18-19 - 2006 / 1-2

4
Capital humain et croissance : l’apport des enquêtes internationales sur les acquis des élèves
Pour autant, dans un article publié dans cette revue en 2000, Marc Gurgand
soulignait les controverses concernant la relation éducation-croissance (Gurgand,
2000). Effectivement, malgré le nombre élevé d’études empiriques récentes, menées
sur des données de comparaison internationale, l’hypothèse d’une relation claire
et positive entre l’investissement en capital humain et la croissance économique
est largement remise en question. Notons que dans cet article, nous considérons
uniquement l’éducation dans la composante du capital humain. Certaines études
de comparaison internationale ont montré que de nombreuses variables éducatives
étaient un facteur déterminant de la croissance du PIB par tête des pays (Barro,
1991 ; Mankiw et al., 1992). Cependant, les problèmes de données ont apporté de
nombreuses limitations : les variables éducatives, telles que les taux de scolarisation
ou le nombre moyen d’années scolaires sont des indicateurs imprécis de la mesure
du capital humain relatif à l’éducation (Benhabib et Spiegel, 1994 ; Gurgand,
2000). Dans un article récent, Pritchett (2001) s’est même demandé « où est allée
l’éducation ? » ou, en d’autres termes, à quoi servaient les dépenses publiques
d’éducation.
Cet auteur dégage trois grandes explications permettant de comprendre pour-
quoi les analyses économétriques les plus robustes ne permettent pas de conclure à
une relation stable et positive entre le capital humain et la croissance économique :
1. l’augmentation des salaires individuels peut conduire à une décroissance

du pays si les nouveaux diplômés se dirigent en masse vers des secteurs
’improductifs’ tels que l’administration publique ;
2. si, malgré l’augmentation de la population éduquée, le secteur privé n’a pas
besoin de nouveaux travailleurs qualifiés, une baisse non prévue du taux de
rendement de l’éducation peut survenir ex post et, ainsi, la contribution de ce
gain individuel peut être plus petite que l’aurait prédit le taux de rendement
ex ante ;
3. la qualité de l’éducation peut être tellement faible qu’il n’existe pas les
compétences requises pour aboutir à une croissance économique.
La direction suivie par cette contribution est la prise en compte de cette dernière
hypothèse. Suivant l’analyse de Hanushek et Kimko (2000), nous partons de l’idée
qu’une année d’éducation dans un pays i n’a pas le même rendement qu’une
année d’éducation dans un pays j. Ainsi, les études qui prennent uniquement en
compte des indicateurs quantitatifs de l’éducation seraient biaisées, du fait qu’elles
considèrent le capital humain comme un facteur de production homogène.
Nous proposons une nouvelle méthodologie permettant d’obtenir des indicateurs
qualitatifs du capital humain (IQCH) pour un plus grand nombre de pays, comparé
aux études pionnières dans ce domaine (Hanushek et Kimko, 2000 ; Barro, 2001).
En utilisant une méthodologie spécifique, nous avons compilé les résultats des pays
économiepublique
5
dans les enquêtes internationales sur les acquis des élèves pour chaque domaine
de compétence (mathématiques, sciences et lecture) et ce, pour les années les plus
récentes. Notre objectif est d’avoir un indicateur synthétique de qualité du capital
humain pour l’ensemble des pays et pour l’année la plus récente. La distinction de
chaque domaine de compétence (mathématiques, sciences, lecture) a été effectuée,
ce qui permet d’obtenir plusieurs dimensions à la qualité de l’éducation. Cette
séparation nous a permis d’obtenir un total de 272 observations (respectivement
104, 79 et 89 pour les mathématiques, les sciences et la lecture). Le principal apport
de notre étude est la prise en compte de nouveaux pays (la plupart des pays à
revenu intermédiaire ou faible), tandis que les précédentes études se focalisaient
presque exclusivement sur des pays à revenu élevé. Par exemple, notre base de
données comprend 27 pays d’Afrique subsaharienne, là où les autres bases de
données négligent souvent cette partie du continent africain dans leurs analyses.
La section 2 présente les principales études qui ont été menées sur la relation
entre l’éducation et la croissance économique. En section 3, nous dressons les
sources de données et la méthodologie générale utilisée pour obtenir la base de
données sur les indicateurs qualitatifs du capital humain. La section 4 procède à
l’estimation de l’apport de la qualité de l’éducation à la croissance économique.
Enfin, la section 5 conclut.
2. Revue de littérature
Cette section dresse une brève revue de littérature sur la relation éducation-
croissance, en s’appuyant surtout sur les analyses qualitatives de cette relation.
Pour une revue plus complète, voir Gurgand (2000, 2006).
2.1. Les modèles initiaux mesurant l’éducation comme un flux

L’idée selon laquelle l’éducation contribuerait à la croissance constitue à la
fois l’origine et l’aboutissement de la théorie du capital humain. Dans l’un des
textes fondateurs, Theodore W. Schultz (1961) observe que l’éducation explique
la plus grande partie de la productivité totale des facteurs, cette portion de la
croissance que ni le capital physique ni le volume de travail ne parviennent à
expliquer. Les modèles macroéconomiques estimés par des méthodes comptables
puis économétriques ont pour point de départ l’introduction du capital humain
dans une fonction de production agrégée, au même titre que le capital physique ou
la quantité de travail.
no 18-19 - 2006 / 1-2

6
Selon Aghion et Howitt (1998), on peut distinguer deux approches en terme

d’éducation :
1. Lucas (1988) montre qu’il existe deux sources d’accumulation du capital

humain : l’éducation et l’apprentissage par la pratique. Il reprend l’analyse
de Becker (1964) pour qui la croissance est essentiellement déterminée par
l’accumulation du capital humain (en termes de flux). Son analyse rejoint
ainsi celles de Mankiw, Romer et Weil (1992) et de Barro (1991).
2. Nelson et Phelps (1966) montrent que le stock de capital humain est le
principal moteur de la croissance et non la différence dans les taux : les
écarts de croissance entre les pays sont déterminés par les écarts entre leurs
stocks de capital humain et de ce fait, par leurs capacités respectives à
engendrer le progrès technique.
La principale difficulté pratique concerne la mesure du capital humain. En

effet, afin d’introduire le capital humain comme facteur de production, il y a
nécessité d’avoir des données en termes de stocks. Toutefois, comme le font
Mankiw, Romer et Weil (1992), des flux d’investissement peuvent être utilisés,
à condition d’introduire un modèle structurel de croissance et de supposer que
ces économies sont proches de l’équilibre stationnaire. Ces auteurs considèrent la
fonction de production suivante :
log y = a log k + b log h + log A (1)
où y est le PIB par tête, k le capital physique par tête, h le capital humain par tête,
A une constante et a et b les paramètres inconnus. L’accroissement du stock de
capital humain par tête est décrit par :
ht+1 = ht + Ib – (d – n)ht (2)
où Ib est l’investissement brut, d un taux de dépréciation du capital et n le taux

de croissance de la population. Les résultats des deux grands classiques de cette
littérature, Barro (1991) et Mankiw, Romer et Weil (1992) sont synthétisés dans le
tableau page suivante. Les estimations sont effectuées en coupe transversale sur
une centaine de pays et la variable expliquée est la croissance du PIB par tête entre
1960 et 1985. Afin de tester la convergence internationale des taux de croissance,
les auteurs introduisent le niveau de PIB en 1960 et le taux d’investissement. Les
auteurs mesurent l’éducation s par les taux bruts de scolarisation. Barro distingue
l’éducation primaire et secondaire et retient la valeur de 1960, tandis que Mankiw,
Romer et Weil utilisent une moyenne sur la période du taux brut de scolarisation
secondaire rapporté à la population active 1 . Les effets sont significativement
1. Le taux brut de scolarisation pour un niveau scolaire défini est égal au rapport entre le nombre
d’élèves effectivement présents en classe et le nombre d’élèves qui devraient théoriquement être présents.
économiepublique
7
positifs (toutefois, ils ne le sont qu’au seuil de 10 % pour les pays de l’OCDE
étudiés).
Tableau 1 : Mesures en termes de flux du capital humain

Auteurs Estimations Mesure de l’éducation Spécification
Éducation PIB en 1960, taux d’investissement,
Primaire Secondaire ratio des dépenses gouv. sur le PIB,
0,0181 0,0225 mesures de la stabilité politique,
Barro (1991) (0,0060) (0,0090) Taux de scolarisa- déviation par rapport à l’indice moyen
tion en 1960 de parité des pouvoirs d’achat.
Pays
Mankiw et al. (1992) Non-pétroliers OCDE Taux de scolarisation PIB en 1960, taux
0,233 0,223 secondaire rapporté à la d’investissement, taille de la
(0,060) (0,144) population active, population.
moyenne 1960-1985
Tableau extrait de Gurgand (2000). Source pour Mankiw et al. (1992) : tableau V, pour Barro (1991) :
tableau IV. La variable expliquée est toujours le taux de croissance du PIB par tête sur la période
1960-1985, mesuré par la différence des logarithmes à ces deux dates. Écarts-types entre parenthèses.
Directement inspirée de l’arbitrage entre éducation et revenu immédiat du

travail mis en avant par Becker (1964), la vision qu’a Lucas (1988) du capital
humain est perçue comme une assimilation entre les capitaux physique et humain.
Tout comme l’investissement en capital physique, l’investissement éducatif conduit
à accroître un facteur de production, à savoir le capital humain. Cette accumulation
permet la création de rendements directs pour ceux qui en sont le mieux dotés ;
mais sa répartition et sa concentration doivent être analysées car, comme pour
l’investissement physique, des phénomènes de seuils ou d’externalités existent et
ils peuvent modifier le niveau et les formes d’appropriation du rendement. Ainsi,
un des enseignements des travaux de Lucas serait qu’investir dans le primaire,
en privilégiant une approche « rectangulaire », c’est-à-dire s’appuyant sur une
éducation de masse, peut permettre au pays de connaître une croissance. Par
conséquent, cet investissement aiderait le pays à sortir de la trappe de sous-
développement dans laquelle il était piégé. Pour autant, ces spécifications présentent
des limites.
2.2. Les difficultés actuelles à prouver le lien éducation-croissance

La limite principale de Lucas (1988), de Barro (1991) et de Mankiw, Romer
et Weil (1992) repose sur l’hypothèse implicite que l’éducation exerce un effet
identique sur tous les individus, comme l’est le facteur capital. Le produit marginal
de l’éducation peut rester indéfiniment positif, sur toute la population. Cette
assimilation du capital humain à un capital « classique » paraît contradictoire avec
les faits.
no 18-19 - 2006 / 1-2

8
Une autre limite tient au fait de l’endogénéité de l’éducation. En coupe trans-

versale, il existe des différences structurelles entre les pays (institutionnelles,
politiques. . .) qui peuvent expliquer les écarts dans la croissance et même dans
l’accumulation du capital humain (Gurgand, 2000). Les spécifications de Lucas
(1988), de Barro (1991) et de Mankiw, Romer et Weil (1992) attribueraient alors
au capital humain l’effet sur le revenu de ces caractéristiques intrinsèques. Par
exemple, l’introduction d’indicatrices régionales (pour l’Afrique et l’Amérique la-
tine) conduit à faire chuter significativement certains des coefficients d’éducation
(Barro, 1991).
Enfin, les auteurs supposent que les économies convergent vers leur équilibre
stationnaire et en sont peu éloignés. Pour que cela soit vrai, il faudrait que le taux
d’épargne s soit constant sur la période 1960-1985, ce qui reviendrait à supposer
que les pays en développement ne soient justement pas en développement.
Certains auteurs ont alors tenté d’estimer directement des fonctions de pro-
duction agrégées, de manière à produire des résultats robustes aux hypothèses
économiques sur la nature des équilibres. Divers auteurs (Kyriacou, 1991, Lau,
Jamison et Louat, 1991, Lau, Bhalla et Louat 1991, Barro et Lee, 1993 et Nehru,
Swanson et Dubey, 1995) ont tenté de constituer des données de stock de capital
humain permettant des comparaisons internationales sur longue période.
L’approche de l’article pionnier de Nelson et Phelps (1966) s’est appuyée sur ces
données de stock, en principe mieux adaptées. En effet, l’hypothèse de proximité
de l’équilibre stationnaire peut être relâchée. Et si l’hypothèse selon laquelle l’endo-
généité de l’éducation peut être traitée en termes d’effets fixes (les caractéristiques
non observées des pays, corrélées à l’éducation, sont pour l’essentiel invariantes
dans le temps), alors l’estimation de taux de croissance supprime directement le
biais d’endogénéité.
Par exemple, l’étude de Pritchett (2001) est à cet égard très intéressante. Il
reprend la fonction de production de Solow augmentée du capital humain :
Yt = A(t) ∗ Ktαk ∗ Htαh ∗ Lαl

t (3)
Après une log-linéarisation et une mise en taux de croissance, nous trouvons :
ŷ = â + αk ∗ k̂ + αh ∗ ĥ + ε (4)
Pritchett utilise les données de stocks collectées par Barro et Lee (1993) et de
Nehru et al. (1995) afin de construire une estimation du nombre d’années scolaires
de la force de travail. Barro et Lee (1993) tentent d’estimer la scolarisation de la
population de 25 ans en utilisant des données de recensement ou d’enquêtes emploi
quand elles sont disponibles afin d’obtenir un panel complet d’observations tous les
cinq ans pour la période 1960-1985, pour un grand nombre de pays, et lorsque les
données manquent, il les remplace par les taux bruts de scolarisation. Nehru et al.
économiepublique
9
(1995) tentent de répertorier tous les taux bruts d’achèvement et de les combiner
avec les stocks d’éducation de la force de travail, créant par là des observations
annuelles sur la période 1960-1987. A partir de ces données, Pritchett dégage une
mesure du capital scolaire en utilisant notamment la spécification microéconomique
des salaires développée par Mincer (1974). En utilisant les données recensées par
Psacharopoulos (1993) sur les taux de rendement, Pritchett calcule la croissance
du capital éducatif en se servant de la relation précédente, des données récoltées
par Barro et Lee (1993) ou Nehru et al. (1995), tout en considérant l’hypothèse
selon laquelle r est égal à 10 % pour toutes les années d’éducation. En plus de ces
données d’éducation, il utilise deux séries sur l’accumulation de l’investissement et
des estimations sur le niveau initial du stock de « capital » (King et Levine, 1994,
Nehru et Dhareshwar, 1993). La variable dépendante est le taux de croissance du
PIB par travailleur issu de la base Penn World Table 5 (PWT5). Les résultats des
estimations en termes de « comptabilité de la croissance » sont reportés dans le
tableau 2. De façon assez surprenante, l’estimation de l’impact de la croissance du
capital éducatif sur le taux de croissance du revenu par travailleur est négative
(-0.049) et non significatif (t = 1, 07).
Tableau 2 : La controverse de Pritchette concernant l’impact

de l’éducation sur le taux de croissance du PIB
Variable indépendante MCO

Croissance du capital
-0,049 (1,07)
éducatif par travailleur
Croissance du capital
0,524 (12,8)
physique par travailleur
Nombre de pays 91
R2 0,653
Source : Pritchett (2001). Les nombres entre parenthèses représentent les ratios t de significativité.
D’autres études parviennent à des résultats similaires. Benhabib et Spiegel

(1994) utilisent un modèle classique de comptabilité de la croissance qui inclut le
revenu par tête initial et les estimations d’espérance d’années d’études dérivées de
Kyriacou (1991) pour aboutir à un coefficient négatif pour le taux de croissance
du nombre d’années d’études. Lau, Jamison et Louat (1991) donnent également
des conclusions intéressantes concernant notamment l’Afrique subsaharienne. En
estimant les effets de l’éducation par niveau scolaire (primaire et secondaire) pour
cinq régions, ils trouvent que le niveau primaire a un effet négatif en Afrique et
dans les pays du Moyen-Orient-Afrique du Nord, non significatifs en Asie du Sud
et en Amérique Latine, et positif seulement en Asie de l’Est.
S’inscrivant dans le même ordre d’idées, Islam (1995) met en œuvre des mé-
no 18-19 - 2006 / 1-2

10
thodes de panel plus complexes. Il estime une forme intermédiaire dans laquelle le
capital humain est mesuré directement en stock tandis que le capital physique est
introduit à travers le taux d’investissement. Les résultats de cet auteur donnent à
penser que l’inversion des conclusions tient moins au changement de modèle (mé-
thode d’équilibre versus fonction de production) qu’à la prise en compte des effets
fixes par la deuxième génération d’estimations. Les résultats de cette estimation
sont proches de ceux de Pritchett, puisque l’on est conduit à supposer une relation
négative de l’éducation sur la croissance, de manière significative.
Ainsi, lorsque les méthodes économétriques les plus robustes sont utilisées, il
devient impossible de faire apparaître une relation positive entre le capital humain
et la croissance ou le niveau du produit agrégé, quelle que soit la spécification éco-
nomique retenue (Gurgand, 2000). Les analyses de Pritchett (2001) et de Benhabib
et Spiegel (1994) soulignent cette absence de relation entre croissance et éducation.
Plus surprenant encore, ces modèles démontrent que l’éducation agit négativement
sur le revenu agrégé, parfois de façon très significative.
2.3. La prise en compte de la dimension qualitative de l’éducation

Comme nous l’avons souligné dans l’introduction, Pritchett a donné trois
grandes explications à la difficulté de trouver une relation positive entre capital
humain et croissance. L’une des explications s’avère être la nécessaire distinction
entre quantité et qualité de l’éducation. En effet, la plupart des études utilisent
des indicateurs strictement quantitatifs du capital humain. Seules quelques études
prennent en compte, de façon encore partielle, la qualité de l’éducation.
Hanushek et Kimko (2000), dans un souci d’appréhension plus précise de
la qualité du capital humain, mesurent celui-ci par les résultats des élèves aux
différents tests internationaux sur les acquis en mathématiques et en sciences. Ils
construisent alors une mesure standardisée de la qualité de la force de travail pour
31 pays, couvrant la période 1960-1990. Les auteurs ont utilisé les enquêtes de
l’IEA (International Association of the Evaluation of Educational Achievement) et
de l’IEAP (International Assessment of Educational Progress). Au total, vingt-six
séries de performances éducatives ont été prises en considération (en distinguant
les âges, le domaine de compétence [à savoir, seulement les mathématiques et les
sciences] et les années). Les auteurs ont alors procédé à une régression du taux de
croissance annuel moyen avec le taux de croissance initial (1960), un indicateur
quantitatif de l’éducation, le taux de croissance annuel moyen de la population
et leur indicateur relatif à la qualité de l’éducation. Leur estimation souligne une
relation négative et significative du niveau de revenu initial ; un coefficient positif
mais non significatif pour l’indicateur quantitatif de l’éducation ; un coefficient
positif et très significatif concernant l’indicateur qualitatif de l’éducation ; enfin,
un coefficient négatif mais non significatif pour le taux de croissance annuel
économiepublique
11
moyen de la population. Après une analyse de la causalité, ils montrent qu’il y

a bien un effet positif et significatif de la qualité de l’éducation sur le taux de
croissance de l’économie.
Une autre contribution qui reporte directement la mesure de la qualité de
l’éducation dans un modèle de croissance est celle de Barro (2001). Les données
proviennent des mêmes sources que celles de Hanushek et Kimko. Cependant, Barro
construit des indicateurs différents selon le domaine de compétence (mathématiques,
sciences et lecture). Ces indicateurs ne sont disponibles que pour une période et
sont introduits dans une régression de panel. Barro reprend comme spécification
celle qu’il avait utilisée dans un article antérieur (Barro, 1997). Du fait du nombre
restreint de pays disposant d’indicateurs qualitatifs de l’éducation, l’échantillon
est plus réduit et ne concerne que 43 pays. Sa méthode d’estimation inclut trois
équations dans lesquelles la variable dépendante est le taux de croissance annuel
réel du PIB par habitant en parité de pouvoir d’achat pour les périodes 1965-
75, 1975-85 et 1985-90. Barro utilise alors de nombreuses variables de contrôle
telles qu’un indice de justice (rule-of-law index), un indicateur de commerce
international, un indicateur d’inflation, de fertilité. . . Afin d’éviter d’éventuels
problèmes d’endogénéité, l’auteur utilise la méthode des triples-moindres-carrés
pour résoudre un modèle avec trois équations simultanées. Les résultats montrent
que la qualité de l’éducation est plus importante que la quantité mesurée par les
niveaux moyens d’achèvement du secondaire et du supérieur. Confirmant les idées
de Hanushek et Kimko, Barro trouve un coefficient positif mais non significatif
pour l’indicateur de quantité de l’éducation, tandis que celui de la qualité de
l’éducation a un coefficient positif et fortement significatif.
3. Données et méthodologie
Cette section présente la nature des données utilisées afin d’obtenir les in-
dicateurs qualitatifs du capital humain (IQCH). Par la suite, nous présentons la
méthodologie générale utilisée afin d’homogénéiser ces données et de pouvoir les
utiliser directement dans les régressions.
3.1. Données utilisées

Les niveaux cognitifs des élèves peuvent être mesurés à travers les résultats
aux enquêtes internationales sur les acquis. Ces enquêtes ont mis en place des
procédures spécifiques afin de mesurer les niveaux de compétence en mathéma-
tiques, sciences et lecture, en administrant à plusieurs milliers d’élèves par pays des
questionnaires à la fois adaptés aux contextes locaux et permettant une comparai-
son internationale (standardisation internationale des tests). Ainsi, ces enquêtes,
no 18-19 - 2006 / 1-2

12
dans la mesure où leur échantillonnage est adéquat, peuvent mesurer les variations
internationales dans les connaissances cognitives des élèves et ainsi, distinguer les
différences dans la qualité de la future force de travail.
Nous avons utilisé les résultats les plus récents issus de 6 groupes d’enquêtes
internationales différentes (IEA, PISA, SACMEQ, PASEC, LABORATORIO et MLA 2 ).
Contrairement à Barro (2001), nous n’effectuons pas une approche en termes de
panel. Elle rejoint ainsi davantage l’approche d’Hanushek et Kimko (2000), tout
en distinguant chacun des domaines de compétence (mathématiques, science et
lecture) et en augmentant le nombre de pays. Le choix de ces enquêtes demande
des explications. Les analyses précédentes ont utilisé des enquêtes allant de 1961
à 1995, sans s’interroger sur la qualité de celles-ci. Par exemple, Barro a pris les
résultats de réussite à tous les tests disponibles, entre ces deux dates, et, ce, pour
tous les domaines de compétence. Hanushek et Kimko ont réalisé une certaine
prise en compte de la qualité des données en pondérant les résultats bruts par les
erreurs types. Mais ils ont effectué un re-calibrage des données uniquement en se
basant sur l’enquête nationale américaine d’évaluation scolaire (NAEP – National
Assessment of Evaluational Progress). Ils ont alors supposé que les résultats issus
de cette enquête suffisaient à effectuer un ancrage global des données.
Certaines enquêtes ont été réalisées dans des pays en développement et tentent
de mesurer la qualité de l’éducation dans des pays qui sont en général en dehors des
évaluations effectuées par les grandes enquêtes internationales initiales. Bien que le
niveau d’exigence pour ces enquêtes soit critiquable, elles représentent une source
de données indispensable afin d’inclure des pays très pauvres dans les comparaisons
internationales. La qualité des enquêtes de l’IEA a été très critiquée par l’OCDE,
dans la mesure où les questionnaires donnés aux élèves étaient trop basés sur
les résultats américains. Le lancement de PISA par cette institution témoigne que,
malgré l’avancée de ces dernières années dans les méthodes d’échantillonnage,
les enquêtes restent imprécises dans leur mesure du capital humain 3 . Ainsi, il
reste clair que les enquêtes internationales ne peuvent à elles seules expliquer la
qualité du capital humain. Cependant, elles constituent une source unique pour une
comparaison des systèmes éducatifs, au-delà des simples indicateurs quantitatifs à
l’exemple du taux d’achèvement d’un cycle scolaire.
L’ensemble des enquêtes utilisées et les informations principales relatives à
celles-ci sont résumées dans le tableau 3. Pour une description plus approfondie de
ces enquêtes, voir notamment Beaton et al. (1999) et Bourdon (2005).
2. Pour la signification des sigles, voir la note du Tableau 3.

3. En effet, que mesurent réellement les enquêtes internationales : les compétences réelles des élèves
qu’ils peuvent mettre en oeuvre dans le processus productif ou simplement la vérification de leur
aptitude à répliquer les acquis dans le cursus scolaire ?
économiepublique
13
14
Tableau 3 : Présentation des enquêtes internationales sur les
acquis des élèves (enquêtes utilisées)
no 18-19 - 2006 / 1-2

Enquête Année(s) de Nombre

Organisme-Enquête Domaine testé Nature des pays participants
numéro référence de pays
Pays développés,
1 IEA-TIMSS 1995, 1999, 2003 64 Mathématiques, sciences
en développement
Pays développés,
2 IEA-PIRLS 2001 35 Lecture
en développement
Pays développés,
3 OCDE-PISA 2003 41 Mathématiques, sciences, lecture
en développement
4 UNESCO-LABORATORIO 1997 13 Mathématiques, lecture Pays d’Amérique latine
5 CONFEMEN-PASEC 1995-2005 10 Mathématiques, lecture Pays d’Afrique francophone
6 UNESCO-SACMEQ 1999, 2002 14 Mathématiques, lecture Pays d’Afrique anglophone
Pays d’Afrique
7 UNESCO-MLA 1992-1997 11 Mathématiques, sciences, lecture
essentiellement
Abréviations : IEA (International Association of the Evaluation of Educational Achievement), TIMSS (Third In-
ternational Mathematics and Science Study), PIRLS (Progress in International Reading Literacy Study), OECD
(Organization for Economic Co-operation and Development), PISA (Programme for International Student Assess-
ment), UNESCO (United Nations Educational, Scientific and Cultural Organization), CONFEMEN (Conference of
Francophone Education Ministers), PASEC (Programme on Analysis of Education Systems), SACMEQ (Southern
and Eastern Africa Consortium for Monitoring Educational Quality), MLA (Monitoring Learning Achievement).
Il faut remarquer que les enquêtes utilisées ne font pas toujours référence au
même niveau éducatif. Tandis que certaines d’entre elles mesurent les compétences
des élèves du secondaire (IEA-TIMSS, PISA, IEA), d’autres s’effectuent au niveau
primaire (IEA-PIRLS, LABORATORIO, PASEC, SACMEQ, MLA). Plus généralement,
les enquêtes mesurant les compétences des élèves des pays riches sont celles qui se
concentrent sur le secondaire, tandis que les autres enquêtes préfèrent mesurer les
compétences au niveau primaire. Une autre différence vient du fait que certaines
évaluations observent des élèves de même âge (PISA), d’autres des élèves de
même niveau scolaire (IEA, LABORATORIO, PASEC, MLA). Cette distinction classe
différemment les pays selon l’ampleur du redoublement, qui peut être considérable
dans les pays en développement. Malgré leur existence, ces limites modifient peu
la procédure de re-calibrage dans la mesure où la plupart des pays ayant participé
à l’enquête PISA ont également des résultats dans l’enquête de référence IEA.
3.2. Méthodologie générale

Cette contribution prolonge les travaux effectés par Hanushek et Kimko et ceux
de Barro. Afin d’améliorer notre compréhension de l’impact du capital humain sur la
croissance économique, nous avons utilisé six groupes d’enquêtes internationales
d’analyse des compétences des élèves. Un regroupement de ces enquêtes a été
effectué sur des échelles communes. La méthode utilisée se base sur la prise en
compte des pays qui participent à plusieurs enquêtes simultanément et par le biais
de leurs résultats, nous procédons à un ancrage des enquêtes les unes avec les
autres. Nous pouvons trouver dans Mingat (2003) une méthodologie assez similaire
d’ancrage des données relatives aux enquêtes des acquis des élèves en Afrique
subsaharienne. A l’issue de ces procédures, nous obtenons des indicateurs qualitatifs
du capital humain (IQCH) pour trois domaines de compétences (mathématiques,
sciences, lecture).
Cette approche permet, dans une certaine mesure, de faire réellement fi des
différences qui peuvent exister entre les enquêtes, en dehors des résultats aux tests.
Cette hypothèse est questionnable : nous supposons dans notre ajustement que
le système éducatif d’un pays ayant participé à deux enquêtes est identique et
qu’ainsi nous pouvons comparer les compétences mesurées. Cette hypothèse est
valable si nous nous réfèrons à la variable temporelle (les enquêtes utilisées ont
été effectuées dans une période assez proche), mais discutable quant au niveau
scolaire mesuré. Pour autant, au vu du manque de données internationales sur la
qualité de l’éducation, nous acceptons cette hypothèse.
En annexe A, nous présentons la méthodologie utilisée pour construire notre
base de données. Afin d’obtenir un indicateur synthétique de la qualité du capital
humain, la moyenne arithmétique des scores dans les trois domaines a été effectuée.
économiepublique
15
Les indicateurs statistiques usuels des IQCH sont présents en annexe B. L’ensemble
des données est disponible sur demande. Pour une présentation complète de la
méthodologie, voir Altinok et Murseli (2007).
4. Modèle et résultats
Cette section dresse les estimations effectuées concernant la relation éducation-
croissance. Dans le premier paragraphe, nous estimons un modèle simple, puis avec
des variables de contrôle. Dans le second paragraphe, nous prenons en compte
la possible endogénéité de l’éducation en recourant à un système à équations
simultanées.
4.1. Modélisation de la relation éducation-croissance avec variables

de contrôle
Pour évaluer la contribution de l’éducation à la croissance économique, il existe
deux grandes approches. La première approche donne à l’éducation une place
identique au capital physique dans la production : le stock de capital accumulé
détermine les possibilités de production à une date donnée. En conséquence, le
taux de croissance de l’économie est affecté par le taux de croissance du niveau
scolaire (Benhabib et Spiegel, 1994 ; Pritchett, 2001). La seconde approche propose
que les activités de recherche-développement (R&D), en accumulant un stock
immatériel d’idées et de connaissances, permettent d’augmenter l’efficacité avec
laquelle il est possible de produire des richesses à partir de capital et de travail
(Romer, 1990). En élevant le niveau d’éducation, donc le nombre de travailleurs
très qualifiés qui peuvent participer à cette accumulation de savoirs, le rythme
des découvertes est augmenté ; cela renforce les possibilités de croissance des
économies. L’éducation peut avoir un autre rôle : favoriser non plus les innovations
technologiques, mais leur adaptation. Nelson et Phelps (1966) ont très tôt suggéré
que les technologies les plus performantes sont adoptées et mises en œuvre plus
rapidement par les économies les plus riches en capital humain. Dans cette approche,
c’est le niveau d’éducation qui élève le taux de croissance de l’économie, en
accélérant l’assimilation du progrès technique. En conséquence, si un pays consacre,
une année, plus de ressources à l’éducation et augmente ainsi son stock de capital
humain, cela aura pour effet d’augmenter le taux de croissance de l’économie.
D’après l’approche de Nelson et Phelps, il se peut que l’éducation augmente
également la capacité à effectuer des choix strictement économiques, notamment à
allouer convenablement des ressources. Cette seconde approche suppose donc que
le rendement de l’éducation est d’autant plus élevé qu’il existe des opportunités
no 18-19 - 2006 / 1-2

16
importantes d’imitation et d’adaptation des technologies dans un univers instable.

Dans leur récent rapport du Conseil d’analyse économique (CAE), Aghion et Cohen
(2004) articulent ces deux mécanismes en distinguant les économies d’imitation
des économies d’innovation. Les premières doivent investir prioritairement dans
les niveaux scolaires favorisant les imitations et la mise en œuvre des nouvelles
techniques, soit l’enseignement primaire et secondaire. On y trouve les pays
à revenu faible et intermédiaire. Pour connaître une croissance, les secondes
doivent contribuer à l’innovation technologique et disposer pour cela d’une masse
importante de main-d’œuvre qualifiée. Cela justifie un investissement important
dans l’enseignement supérieur permettant de soutenir la croissance économique.
Les pays développés font partie de ce second groupe d’économies.
Afin de mesurer l’impact de l’éducation sur la croissance, nous avons choisi ce
deuxième type d’approche, car il rejoint l’analyse pionnière de Nelson et Phelps
(1966) que nous avons également utilisée pour construire nos données. Supposons
K, le stock de capital physique, E le stock d’éducation, et t un indicateur de temps.
Alors la relation éducation-croissance s’écrit :
(log yt – log yt–1 ) = aEt–1 + b(log Kt – log Kt–1 ) (5)
Nous avons introduit dans un premier temps une variable éducative quantitative (S)
représentant le nombre moyen d’années scolaires entre 1960 et 2000 pour chaque
pays. Afin de contrôler l’effet de convergence économique, nous avons introduit
le PIB par tête en 1960 (Y 60) ou pour l’année la plus proche disponible. Dans
les estimations suivantes, nous introduisons successivement le taux de croissance
démographique (DEMO) et l’indicateur qualitatif du capital humain (IQCH) pour
les trois domaines de compétences. Ainsi, nous obtenons une base de données
distinguant chacun des domaines de compétences 4 . Afin de vérifier l’éventuelle
colinéarité entre les variables explicatives (dont les deux variables éducatives),
nous avons calculé l’indicateur d’inflation de la variance (Variance Inflation Factor,
VIF) sous le logiciel STATA. Une valeur inférieure à 10 souligne que la colinéarité
entre les variables est tolérable. Dans la totalité des estimations, la colinéarité ne
semble pas de nature à biaiser le modèle.
Les résultats issus du tableau 4 montrent des coefficients stables selon les spé-
cifications et sont du signe attendu pour l’ensemble des variables. Le revenu initial
a un impact négatif sur le taux de croissance annuel, ce qui confirme l’hypothèse
de convergence des économies. Lorsque le taux de croissance démographique est
introduit, nous constatons qu’un point de pourcentage plus élevé de ce taux dimi-
nue le taux de croissance annuel d’environ 0,7 point. Cette relation a certainement
une double relation de causalité, un pays d’autant plus riche pouvant avoir un
4. Afin de permettre la possibilité de constantes spécifiques selon les domaines de compétences,

nous avons introduit des variables indicatrices, dont les valeurs sont significatives.
économiepublique
17
comportement de réduction de la natalité. Les deux indicateurs éducatifs (S et

IQCH) ont un impact significatif et positif sur le taux de croissance annuel (colonne
3). L’inclusion des IQCH augmente de manière importante la part expliquée du
modèle général en le faisant passer de 40 à 56 % entre les colonnes (1) et (3) et de
49 à 58 % entre les colonnes (2) et (4). Comparativement, ces conclusions rejoignent
celles obtenues par Hanushek et Kimko (2000) et Barro (2001) 5 . Concernant la
variable quantitative de l’éducation, les deux principales études ont trouvé des
coefficients positifs, mais non significatifs, tandis que les coefficients sont positifs
et significatifs dans nos estimations. Ce résultat peut s’expliquer par le fait que
nous incluons un nombre de pays plus élevé, et surtout, des pays en développement.
Cet élargissement à un plus grand nombre de pays renforce ainsi notablement
les relations entre éducation et croissance, tant du point de vue quantitatif que
qualitatif.
Afin d’avoir une comparabilité entre les coefficients, nous utilisons les va-
riations d’écart-type 6 . Une augmentation d’un écart-type de l’IQCH (environ 17
points) entraîne une augmentation d’environ 0,9 point de pourcentage du taux
de croissance annuel. Ainsi, la différence de croissance entre la Corée du Sud
et la Grèce (3,18 % de croissance annuelle pour la Grèce contre 6,08 % pour la
Corée du Sud) peut notamment trouver une explication à travers la qualité de
l’éducation : là où l’IQCH pour la Grèce n’est que de 82,8, celui de la Corée du
Sud est de 96,3. Comparativement, l’augmentation d’un écart-type de la quantité
d’éducation (2,3 années) accroît d’un point de pourcentage le taux de croissance
annuel. Par conséquent, non seulement le nombre d’années scolaires exerce un
impact sur la croissance, mais la qualité de l’éducation a une influence tout autant
importante. Il faut toutefois ici tempérer l’amplitude de ces coefficients, pour une
double raison. Tout d’abord, si l’éducation crée des externalités positives, alors
le coefficient associé à nos indicateurs peut être sur-estimé. Du fait de variables
omises, le coefficient associé aux indicateurs éducatifs peut englober d’autres
facteurs. Nous tentons de vérifier cette hypothèse dans le tableau 5. Par ailleurs,
comme le soulignent Bils et Knelow (2000), il peut exister une double relation de
causalité entre éducation et croissance : si l’éducation a certainement un impact
sur la croissance économique, celle-ci a tout aussi probablement un effet retour
sur l’éducation. Dans ce cas, le coefficient trouvé pourrait expliquer une relation
de causalité inverse entre éducation et croissance. Nous prenons en compte cette
hypothèse dans le prochain paragraphe.
5. Nous ne pouvons pas comparer directement les variances expliquées de notre modèle avec celui
de Hanushek et Kimko (2000) ou encore celui de Barro (2001), car les bases de données sont différentes.
En effet, nous avons un nombre de pays largement plus élevé (105 pays contre 31 pour le premier
article et 43 le second).
6. Le calcul de l’impact d’une augmentation d’un écart-type d’un indicateur sur le taux de croissance
annuel moyen se fait en multipliant le coefficient obtenu pour l’indicateur par l’écart-type de cet
indicateur dans l’échantillon entier. Voir Wooldridge (2006, p. 195).
no 18-19 - 2006 / 1-2

18
Tableau 4 : Estimation de l’apport de l’IQCH à la croissance

économique. (Variable expliquée : taux de croissance annuel
du PNB entre 1960 et 2000 *100)
1 2 3 4 5 6 7
Variables explicatives
Log(PIB initial) (Y60) -1,582 -1,866 -1,547 -1,723 -1,547 -1,705 -1,458
[1 000$]
(0,522) (0,528) (0,436) (0,452) (0,489) (0,464) (0,262)
Croissance annuelle -0730 -0,430 -0,504 -0,426 -0,545
de la population (DEMO) (0,172) (0,173) (0,165) (0,173) (0,167)
Quantité d’éducation (S) 0,702 0,594 0,393 0,378 0,318 0,368
(0,151) (0,152) (0,157) (0,154) (0,166) (0,160)
Qualité de l’éducation (IQCH) 0,058 0,048 0,042 0,045
(0,012) (0,013) (0,011) (0,016)
IQCH/100 ∗ S(SIQCH ) 1,703
(0,239)
Indicatrice Asie (IND_ASIE) 0,664
(0,480)
Indicatrice Afrique -0,199
subsaharienne (IND_ASS) (0,548)
Constante 0,101 2,293 -2,395 -0,706 -0,154 -0,393 -5,040
(0,399) (0,614) (0,554) (0,894) (0,747) (1,286) (1,353)
Observations 191 191 192 192 192 192 192
R-deux ajusté 0,40 0,49 0,56 0,58 0,60 0,58 0,60
Test VIF S 2,91 3,23 4,37 4,39 5,09 4,64
Test VIF IQCH 2,94 2,71 2,95 3,73
Test Mean VIF 2,91 2,77 2,35 3,15 3,16 3,32 2,15
Remarques : L’estimation est de type Moindres Carrés Ordinaires avec correction de l’hétéroscédasticité
selon la méthode de White et correction des écarts-types avec la méthode de segmentation (cluster).
Les erreurs types robustes selon la méthode de White et corrigées selon la méthode de segmentation
(cluster) figurent entre parenthèses. Dans les trois dernières lignes, les tests de multicolinéarité liés au
Variance Inflation Factor (VIF) sont effectués pour les indicateurs éducatifs et l’ensemble du modèle.
Des valeurs inférieures à 10 soulignent que la multicolinéarité dans le modèle est tolérable. Les sources
des données sont disponibles en annexe 2.
L’inclusion dans l’estimation (4) de la variable démographique ne modifie pas

la « significativité » des coefficients et maintient un rôle non négligeable aux IQCH.
Avec l’introduction d’un indicateur qualitatif de l’éducation, l’effet quantitatif
de l’éducation diminue d’environ 50 %. Certains pays ayant un important stock
d’éducation n’auraient pu connaître une croissance économique forte (par exemple
les États-Unis, l’Australie, les Pays-Bas), du fait de leur relative basse qualité de
l’éducation, tandis que d’autres ont connu le chemin inverse (Singapour, Hong-
Kong, Corée du Sud). Il est cependant possible que d’autres facteurs aient déterminé
ces différentiels de croissance.
La relative meilleure qualité du capital humain dans les pays de l’Asie du Sud
et de l’Est peut sans doute expliquer leur meilleure réussite en termes de croissance
économique (World Bank, 1995). Cette différence de croissance économique peut
également être expliquée par un phénomène de convergence économique selon
économiepublique
19
l’approche de Solow. Dans l’estimation (5), nous avons introduit une indicatrice re-
lative au continent de l’Asie du Sud et de l’Est. Le coefficient associé à cette variable
est positif mais non significatif. Les variables éducatives restent significatives quant
à elles. On peut conclure que la croissance des pays d’Asie n’est pas totalement due
à une « valeur asiatique » (définie par des caractéristiques culturelles et religieuses,
voir Stevenson, 1992, 1993) mais également à des systèmes éducatifs performants
pour ces pays. Lorsque nous introduisons la variable indicatrice relative à l’Afrique
subsaharienne (colonne 6), le coefficient est négatif, mais non significatif : la faible
croissance de certains pays africains peut probablement s’expliquer par la faiblesse
de la qualité de leurs systèmes éducatifs.
Enfin, en colonne 7, nous effectuons une combinaison entre l’indicateur quan-
titatif de l’éducation S et les IQCH (SIQCH ). En procédant ainsi, nous testons si le
ré-ajustement du nombre moyen d’années scolaires par la qualité de l’éducation
peut améliorer notre mesure de l’éducation, en supposant qu’une année scolaire
dans un pays considéré n’était pas identique à une même année dans un autre
pays. La valeur obtenue en calculant IQCH/100 × S peut donc être considérée
comme un nombre moyen d’années scolaires ajusté à la qualité de l’éducation. Le
résultat est que le coefficient associé à cette variable est positif et significatif. Une
augmentation d’un écart-type de cet indicateur (soit environ 0,83 année scolaire
corrigée par les IQCH) permet une augmentation de 1,5 point du taux de croissance
annuel. Cet effet est plus important que le seul effet de l’indicateur de quantité
d’éducation : l’ajustement d’un indicateur quantitatif d’éducation par les IQCH peut
permettre d’améliorer l’impact de l’éducation sur la croissance. Comme souligné
plus haut, il faut pour autant rester assez prudent sur l’amplitude de ce coefficient.
Dans la tradition de Levine et Revelt (1992), nous introduisons dans la spé-
cification une variété d’autres mesures communes en économie afin de vérifier
si les coefficients associés aux IQCH n’englobent pas des variables omises dans
les spécifications précédentes. Le tableau 5 inclut une série d’autres indicateurs
explicatifs présents dans les analyses précédentes de l’analyse de la croissance (voir
Aghion et Howitt, 2000). Les indicateurs supplémentaires sont le ratio entre les
dépenses en matière de défense et en éducation exprimés en pourcentage du PNB
(DEFENSE), le taux d’investissement privé en pourcentage du PNB (INVPRI) et le
taux d’ouverture de l’économie mesuré par la part des échanges commerciaux avec
l’extérieur en pourcentage du PNB (COMMERCE). Comme indiqué précédemment,
la relation de causalité entre ces facteurs et la croissance est sujette à caution. Pour
autant, notre intérêt principal est la sensibilité de notre indicateur qualitatif de
l’éducation avec l’introduction de ces variables clés (voir Levine et Revelt, 1992,
Levine et Zervos, 1993). Nous avons reproduit en colonne (1) l’estimation classique
avec les IQCH. L’introduction de variables-clés modifie certes l’amplitude des IQCH
et de S sur la croissance, mais ces derniers restent positifs et significatifs. En
effet, le coefficient associé est divisé par deux lorsque des variables de contrôle
no 18-19 - 2006 / 1-2

20
sont introduites : par conséquent, l’augmentation d’un écart-type de la qualité

de l’éducation induit une variation du taux de croissance annuel d’environ 0,6
point, ce qui reste encore très important. Les trois indicateurs, DEFENSE, INVPRI
et COMMERCE ont les signes attendus et sont significatifs.
Un résultat intéressant est illustré dans la colonne 7. Lorsque la combinaison de
la quantité et de la qualité de l’éducation est effectuée (SIQCH ), nous observons une
augmentation significative de la relation éducation-croissance : une variation d’un
écart-type de SIQCH (environ 2,32 années) augmente le taux de croissance annuel
moyen de 0,72 point alors que l’augmentation du seul indicateur quantitatif de
l’éducation augmentait la croissance de 0,36 point (colonne 4).
Tableau 5 : Estimation augmentée de l’apport de l’IQCH à la

croissance économique. (Variable expliquée : taux de
croissance annuel du PNB entre 1960 et 2000 *100)
1 2 3 4 5 6 7
Log(PIB initial) (Y60) -1,723 -1,597 -1,390 -1,195 -1,691 -0,954 -1,220
[1 000$] (0,452) (0,442) (0,389) (0,351) (0,291) (0,187) (0,205)
Croissance annuelle de la -0,430 -0,495 -0,454 -0,422 -0,619 -0,424 -0,542
population (DEMO) (0,173) (0,182) (0,146) (0,140) (0,146) (0,137) (0,156)
Quantité d’éducation (S) 0,378 0,245 0,235 0,139 0,335
(0,154) (0,168) (0,141) (0,132) (0,109)
Qualité de l’éducation 0,048 0,039 0,032 0,024 0,041 0,031
(IQCH) (0,013) (0,014) (0,010) (0,011) (0,010) (0,011)
IQCH/100*S (SIQCH) 0,947
(0,301)
Dépenses en défense -8,612 -5,545 -5,512 -4,753
(DEFENSE) (2,497) (2,399) (2,399) (2,624)
Taux d’investissement 13,641 14,052 14,735 10,904
privé (INVPRI) (3,373) (3,632) (3,539) (3,929)
Taux de couverture 1,335 0,687
(COMMERCE) (0,460) (0,339)
Constante -0,706 1,580 -1,263 0,196 -0,489 0,078 -2,603
(0,894) (0,969) (0,698) (0,957) (0,651) (0,941) (1,884)
Observations 192 164 175 161 178 161 157
R-deux ajusté 0,59 0,57 0,71 0,72 0,65 0,72 0,70
Test VIF S 4,39 4,49 4,84 4,77 4,65
Test VIF IQCH 2,71 3,31 3,07 3,47 2,94 2,92
Test Mean VIF 3,15 3,08 3,08 2,95 2,92 1,95 2,24
Remarques : Voir note du tableau 4.
4.2. Analyse de la relation de causalité entre l’éducation

et la croissance
La croissance permet d’augmenter les ressources d’un État et une part de
celles-ci peut se diriger vers l’investissement en capital humain. Ainsi, les rela-
économiepublique
21
tions estimées précédemment peuvent surestimer l’impact causal de la qualité de

l’éducation sur le taux de croissance. Considérons le système suivant :
gi = Xi β + γIQCHi + εi (6)
Si = Wi α + ηgi + ρIQCHi + τi (7)
IQCHi = Zi ψ + χgi + υi (8)
La croissance (gi ) d’une nation i est déterminée par la qualité de l’éducation (IQCH)
et une série d’autres facteurs (X) (équation 6), tandis que la croissance contribue
également avec d’autres facteurs W à déterminer directement la quantité d’éduca-
tion (S) (équation 7) et la qualité d’éducation (IQCH) (équation 8). Cependant, si les
ressources combinées à d’autres facteurs (Z) déterminent la qualité de l’éducation
(équation 8), alors la simple estimation de l’équation 6 ne donnera pas le véritable
impact de la qualité de l’éducation sur la croissance (γ). Cette seule équation peut
tout aussi bien refléter l’impact de la croissance sur la qualité de l’éducation. Le
raisonnement est similaire pour la quantité d’éducation. Par conséquent, l’endogé-
néisation de l’éducation permettrait de vérifier si nous mesurons bien l’impact de
l’éducation sur la croissance, et non l’inverse.
Dans l’équation 7, nous considérons que la croissance a un impact direct sur la
quantité d’éducation. Par ailleurs, la qualité de l’éducation peut également contri-
buer à augmenter la quantité d’éducation : de meilleures écoles peuvent augmenter
sensiblement le nombre d’années scolaires d’une population, par hausse de la de-
mande d’éducation, notamment en diminuant les taux d’abandon. D’autres facteurs
jouent également dans la détermination de la quantité d’éducation. Nous avons
choisi comme facteurs potentiels les dépenses éducatives au primaire (DEPPRI), les
taux nets de scolarisation au primaire (TNSPRI) et la taille des classes au primaire
(TEAPRI).
L’équation 8 considère de façon similaire que le taux de croissance peut ex-
pliquer directement la qualité de l’éducation. Par ailleurs, une série de facteurs
pouvant améliorer la qualité de l’éducation est introduite. Ceux-ci sont identiques
à ceux utilisés dans l’équation 7, à la différence que sont inclus le taux d’abandon
scolaire (DROPPRI) et le taux de redoublement au primaire (REPPRI), facteurs
pouvant influencer notablement la qualité de l’éducation.
Après avoir vérifié l’endogénéité probable des indicateurs éducatifs 7 , nous
7. Nous avons tout d’abord utilisé le test de Hausman entre le modèle MCO et celui TMC. Afin de
confirmer les résultats, nous avons tenté de voir si les variables S et IQCH étaient bien endogènes dans
les spécifications des pages précédentes. Pour ce faire, nous avons régressé une à une ces variables avec
les autres variables (en inluant celles apparaissant dans les équations 7 et 8). Puis, nous avons régressé
l’estimation classique en MCO en ajoutant à la spécification les résidus issus de la précédente estimation.
Si le coefficient associé à ce résidu est significatif, alors la variable en question est potentiellement
endogène. Les deux variables S et IQCH ont donné des résultats soulignant leur probable endogénéité.
Voir Wooldridge (2006, p. 532) pour la méthode utilisée.
no 18-19 - 2006 / 1-2

22
recourons à l’estimation d’un système à trois équations simultanées. Les termes

d’erreurs εi = g, S, IQCH sont distribués selon une loi normale et identiquement
distribués de variance σ. Une corrélation des termes d’erreurs est vraisemblable
entre l’équation du taux de croissance et celles des indicateurs éducatifs. La prise en
compte de la corrélation entre les termes d’erreurs nécessite le recours à la méthode
d’estimation des triples moindres carrés (TMC). Cette méthode d’estimation consiste
en une estimation de chaque équation par les doubles moindres carrés avec une
corrélation des termes d’erreurs (et utilise les résidus de la première étape pour
estimer la liaison entre les aléas des différentes équations, Grenne, 2005, p. 391).
Les résultats des différentes estimations sont présentés dans le tableau 6. La prin-
cipale information est que les deux indicateurs de l’éducation ont des coefficients
positifs et significatifs.
L’estimation de la colonne (1) ne prend pas en compte l’endogénéité de l’édu-
cation et reprend les résultats du tableau 5. Dans la colonne (2), nous n’avons
pris en compte que les équations (6) et (7), afin de tester si l’indicateur quantitatif
S possédait un impact sur la croissance : le coefficient associé à cette variable
est positif et significatif. Les estimations des colonnes (3) et (4) incluent les trois
équations. On constate que lorsque la qualité de l’éducation est prise en compte,
l’effet de la quantité de l’éducation est diminué d’environ 30 % : par conséquent, la
quantité d’éducation a un rôle dans l’explication de la croissance, mais la qualité
des systèmes éducatifs explique tout autant la croissance. Ainsi, l’augmentation
d’un écart-type de la qualité de l’éducation (environ 17 points) augmente d’environ
1 point le taux de croissance annuel moyen entre 1960 et 2000, lorsque l’effet du
taux de croissance sur la qualité de l’éducation est pris en compte.
Les autres indicateurs, de signe attendu, sont significatifs, à l’exception des
variables de population et de celle associée aux dépenses de défense et d’éducation
dans les colonnes (3) et (4) qui ne sont pas significatives.
Dans la colonne (7), nous avons combiné les deux variables éducatives, à savoir
S et IQCH, afin de voir si lorsque nous corrigeons le nombre moyen d’années
scolaires par la qualité des systèmes éducatifs (SIQCH ), l’effet de l’éducation sur la
croissance est modifié ou non.
Le système devient alors :
gi = Xi β + γSIQCH,i + εi (9)
SIQCH,i = Wi α + ηgi + υi (10)
Le coefficient associé à cette variable SIQCH est positif et significatif. Plus

précisément, son amplitude est plus élevée que celle de S seule : ainsi, lorsque la
qualité de l’éducation est prise en compte, l’effet de l’éducation sur la croissance est
augmenté d’environ 50 % : l’augmentation d’une année du nombre moyen d’années
économiepublique
23
scolaires ajusté à la qualité de l’éducation entraine l’augmentation d’environ 0,7

point le taux de croissance annuel (colonne 5).
Tableau 6 : Estimation de l’apport de l’IQCH à la croissance

économique avec variables endogènes. (Variable expliquée :
taux de croissance annuel du PNB entre 1960 et 2000 *100)
1 2 3 4 5
Log(PIB initial) (Y60) -1,715 -2,212 -2,166 -1,708 -1,059
[1 000$] (0,265) (0,238) (0,275) (0,253) (0,139)
Croissance annuelle de la -0,421 -0,729 -0,274 -0,120 -0,571
population (DEMO) (0,112) (0,120) (0,245) (0,179) (0,112)
Quantité d’éducation (S) 0,370 0,625 0,528 0,346
(0,096) (0,107) (0,171) (0,141)
Qualité de l’éducation 0,051 0,058 0,056
(IQCH) (0,009) (0,035) (0,026)
IQCH/100*S (SIQCH ) 0,959
(0,269)
Dépenses en défense -7,563 -2,567 -3,008 -7,106
(DEFENSE) (1,903) (3,559) (2,726) (1,741)
Investissement privé 9,565 8,915
(INVPRI) (2,257) (1,810)
Taux de commerce 1,413 1,142
(COMMERCE) (0,240) (0,281)
Constante -0,729 2,373 -2,400 -2,835 -1,948
(0,616) (0,679) (2,591) (1,810) (1,583)
Observations 192 157 152 153 138
Test de Hausman
CHI2 (Degrés de liberté) 26,28(7) 21,93 (6) 24,94 (8) 35,75 (7)
P-Value 0,0004 0,0012 0,0016 0,0000
Remarques : La méthode d’estimation est celle des triples moindres carrés dans un système à trois
équations simultanées, sauf pour la colonne 1 qui est une estimation des moindres carrés ordinaires.
Nous n’avons reproduit que les résultats issus de la première équation, à savoir l’équation 7 décrite
dans le texte. Les erreurs types robustes selon la méthode de White apparaissent entre parenthèses. Les
sources des données sont disponibles en annexe B.
no 18-19 - 2006 / 1-2

24
5. Conclusion
À travers toutes les explications de la croissance économique des pays, l’une
d’entre elles le plus souvent acceptée, est le niveau de capital humain. Cette évi-
dence a toutefois rencontré de nombreuses incohérences dans la littérature existante.
Les approches macro-économiques les plus robustes apportent des contradictions
dans la relation éducation-croissance. Pritchett (2001) montre que très souvent
l’impact de l’éducation sur la croissance est négatif et de manière significative.
Pour autant, la plupart des études ont ignoré le caractère qualitatif du capital
humain, en ne s’appuyant que sur des indicateurs purement quantitatifs.
La prise en compte des enquêtes nationales ou internationales sur les acquis des
élèves en mathématiques, sciences et lecture peut permettre de combler ce manque
de mesure qualitative. Hanushek et Kimko (2000) et Barro (2001) ont emprunté ce
chemin qualitatif, mais sans exploiter l’ensemble des enquêtes internationales et
pour seulement un échantillon de 36 pays pour le premier et 43 pays pour le second.
Dans ce travail de recherche, nous avons utilisé une méthode qui nous a permis
d’avoir des indicateurs qualitatifs du capital humain (IQCH) pour environ 105 pays,
et pour chaque domaine de compétence (mathématiques, sciences, lecture). Par
conséquent, notre échantillon regroupe davantage de pays en développement que
les deux principales études existantes dans ce domaine.
L’estimation de la relation éducation-croissance montre le rôle positif joué à la
fois par la quantité de l’éducation que par la qualité de celle-ci : lorsque les IQCH
sont pris en compte, l’effet quantitatif diminue, mais reste significatif. Quelles
que soient les spécifications retenues (avec ou sans variables de contrôle), l’effet
qualitatif de l’éducation est toujours positif et significatif sur le taux de croissance
de l’économie.
Un problème important a dû être pris en compte : la croissance économique
jouant également un rôle dans l’explication de la qualité des systèmes éducatifs,
il a fallu recourir à un modèle à équations simultanées. La prise en compte de la
possible endogénéité de l’éducation – via les deux indicateurs éducatifs – a permis
de distinguer la double relation causale possible entre éducation et croissance.
Avec cette endogénéisation, l’effet de l’éducation sur la croissance se maintient,
tant du point de vue quantitatif que qualitatif. L’éducation a donc un effet réel sur
le taux de croissance de l’économie.
Néanmoins, l’effet estimé de la qualité de l’éducation sur la croissance semble
surestimé : en effet, nos résultats montrent que l’augmentation d’un écart-type de
la qualité de l’éducation entraîne l’augmentation d’un point du taux de croissance
annuel moyen. Comme l’indiquent Hanushek et Kimko (2000), il n’y a pas de rela-
tion directe et claire entre des différences de productivité dans les gains d’individus
de nations différentes et la croissance économique de celles-ci. Il serait tout à fait
économiepublique
25
possible que la qualité de l’éducation génère des externalités positives et entraîne

alors les pays sur un sentier de croissance plus élevé. Cet argument souligne la
possibilité de variables omises dans les équations de croissance, mais nous avons
peu d’informations sur leur nature. En incluant un certain nombre d’entre elles
(dépenses en matière de défense, taux de couverture, taux d’investissement privé),
l’effet qualitatif et quantitatif de l’éducation a diminué, mais reste positif.
Il convient donc de rester prudent sur la mesure de l’effet de l’éducation sur la
croissance. Cependant, en confirmant les analyses précédentes ayant utilisé des
indicateurs qualitatifs, nous pouvons en conclure que la qualité de l’éducation
est un facteur important de la croissance. Il resterait alors à déterminer les fac-
teurs pouvant améliorer la qualité de l’éducation et entraîner ainsi la croissance
économique des pays.
Références
Aghion, P. et E. Cohen. 2004. Éducation et Croissance, La Documentation française,
Paris.
Aghion, P. and P. Howitt. 1998. Endogeneous Growth Theory, MIT Press, Cambridge.
Altinok, N. and H. Murseli. 2007. “International Database on Human Capital
Quality”, Economics Letters, 96(2), 237-244.
Barro, R.J. 1991. “Economic Growth in a Cross Section of Countries”, Quarterly
Journal of Economics, 151, 407-443.
Barro, R.J. 2001. “Education and Economic Growth”, in Helliwell, J.F. (ed), The
Contribution of Human and Social Capital to Sustained Economic Growth and
Well-Being, OECD, chapter 3, 14-41.
Barro, R.J. and J.W. Lee. 1994. Dataset for a Panel of 138 Countries. Disponible à
l’adresse : http://www.nber.org/pub/barro.lee/ (30/11/2005).
Barro, R.J. and J.W. Lee. 1996. “International Measures of Schooling Years and
Schooling Quality”, American Economic Review, Papers and Proceedings, 86, 218-
223.
Barro, R.J. and J.W. Lee. 2001. “International Data on Educational Attainment :
Updates and Implications”, Oxford Economic Papers, 53(3), Academic Research
Library, 541-563.
Barro, R.J. and S.I. Martin, X. 1992. “Convergence”, Journal of Political Economy,
100, 223-251.
no 18-19 - 2006 / 1-2

26
Baumol, W.J. 1986. “Productivity Growth Convergence and Welfare : What Do the
Long-Run Data Show ?”, American Economic Review, 86(2), 218-223.
Beaton, A.E., T.N. Postlethwaithe, K.N. Ross, D. Spearrit and R.N. Wolf. 1999.
“The Benefits and Limitations Educational Achievements”, Unesco, International
Institute for Educational Planning, Paris.
Becker, G. 1964. Human Capital, New York, Columbia University Press.
Benhabib, J. and M. Spiegel. 1994. “The Role of Human Capital in Economic
Development : Evidence from Aggregate Cross-Country Data”, Journal of Monetary
Economics, (34), 143-179.
Bils, M. and P.J. Knelow. 2000. “Does Schooling Cause Growth ?”, American
Economic Review, 90(5), 1160-1183.
Bourdon, J. 2005. « Les apports des études internationales pour évaluer l’efficacité
de l’école dans les pays en développement », chapitre 4 in Baye A., M. Demeuse,
L’évaluation des systèmes éducatifs, De Boeck, Bruxelles. 73-93.
Coleman, J.S, E.Q. Campbell, C.J. Hobson, J. McPartland, A. M. Mood, F.D. Weinfeld
and R.L. York. 1966. Equality of Educational Opportunity, Washington, D.C, U.S.
Government Printing Office.
Gurgand, M. 2000. « Capital humain et croissance : la littérature empirique à un
tournant ? », Économie Publique, 6, 71-93.
Gurgand, M. 2006. Économie de l’Éducation, La Découverte, Repères, Paris.
Hanushek, E.A. and D.D. Kimko. 2000. “Schooling, Labor-Force Quality, and the
Growth of Nations”, American Economic Review, 90(5), 1184-1208.
Heston, A., R. Summers and B. Aten. 2002. Penn World Table Version 6.1, Center
for International Comparisons at the University of Pennsylvania (CICUP). Don-
nées disponibles à l’adresse : http://pwt.econ.upenn.edu/php_site/pwt61_form.php
(30/11/2005).
Islam, N. 1995. “Growth Empirics : A Panel Data Approach”, Quarterly Journal of
Economics, 110(4), 1127-70.
King, R. and R. Levine. 1994. “Capital Fundamentalism, Economic Development,
and Economic Growth”, Carnegie-Rochester Series on Public Policy, 40, 259-300.
Kyriacou, G. 1991. “Level and Growth Effects of Human Capital : A Cross-Country
Study of the Convergence Hypothesis”, mimeo, New York University Economic
Research Report no 91-26. New York.
économiepublique
27
Lau, L.J., S. Bhalla and F. Louat. 1991. “Human and Physical Stock in Developing
Countries : Constructon of Data and Trends”, mimeo, World Bank, Washington D.C.
Lau, L.J., D.T. Jamison,. and F. Louat. 1991. “Education and Productivity in Deve-
lopping Countries : An Aggregate Production Function Approach”, Working Papers
Series 612, World Bank, Washington D.C.
Levine, R. and D. Renelt. 1992. “A Sensitivity Analysis of Cross-Country Growth
Regressions”, American Economic Review, 82(4), 942-963.
Lucas, R.E. 1988. “On the Mecanics of Economic Development”, Journal of Monetary
Economics, 22(1), 3-42.
Mankiw, N., D. Romer and D. Weil. 1992. “A Contribution to the Empirics of
Economic Growth”, Quaterly Journal of Economics, 107, 407-437.
Mincer, J. 1974. Schooling, Experience, and Earnings, Columbia University Press,
New York.
Mingat, A. 2003. “Analytical and Factual Elements for a Quality Policy for Primary
Education in Sub-Saharan Africa in the Context of Education for All”, Working
document, ADEA Biennal Meeting 2003, Mauritius.
Nelson, R. and E. Phelps. 1966. “Investment in Humans, Technological Diffusion
and Economic Growth”, American Economic Review, 61, 69-75.
Nehru, W. and A. Dhareshwar. 1993. “A New Database on Physical Capital Stock :
Sources, Methodology and Results”, Revista de Analysis Economico, 8(1), 37-59.
Nehru, V., E. Swanson, and A. Dubey. 1995. “A New Database on Human Capital
Stocks in Developing and Industrial Countries : Sources, Methodology and Results”,
Journal of Development Economics, 46(2), 379-401.
Pritchett, L. 2001. “Where Has All the Education Gone ?”, World Bank Economic
Review, 15, 367-391.
Pritchett, L. and D. Filmer. 1999. “What Education Production Function Really
Show : A Positive Theory of Education Expenditures”, Economics of Education
Review, 18(2), 223-39.
Psacharopoulos, G. 1993. “Returns to Investment in Education : A Global Update”,
Policy Research Paper 1067, World Bank, Washington, D.C.
Romer, P. 1990. “Endogeneous Technical Change”, Journal of Political Economy,
98, 71-102.
Stevenson, W.H. 1992. “Learning from Asian Schools”, Scientific American, 267,
70-76.
no 18-19 - 2006 / 1-2

28
Stevenson, W.H., C. Chen and S.-Y. Lee. 1993. “Mathematics Achievement of

Chinese, Japanese, and American Children : Ten Years Later”, Science, 259, 53-58.
Summers, R. and A. Heston. 1988. “A New Set of International Comparisons of
Real Product and Price Levels Estimates for 130 Countries, 1950-85”, Review of
Income and Wealth, 34, 1-26.
World Bank. 1995. World Development Report 1995 : Workers in an Integrating
World, Oxford University Press for the World Bank, Washington D.C.
World Bank. 2002. World Development Indicators 2002 CD ROM, Washington D.C.
Zellner, A. 1962. “An Efficient Method of Estimating Seemingly Unrelated Regres-
sions and Tests for Aggregation Bias”, Journal of the American Statistical Society,
57, 348-368.
Annexe
A. Méthodologie de construction des

indicateurs qualitatifs du capital humain
Cet annexe décrit la méthodologie utilisée pour calculer les indicateurs qualita-
tifs du capital humain. Nous présentons ici la démarche effectuée pour le domaine
des mathématiques. Pour une présentation complète de la méthodologie utilisée,
voir Altinok et Murseli (2007).
En premier lieu, nous avons recherché les pays qui avaient participé à au moins
deux enquêtes différentes, afin d’obtenir une comparabilité entre les enquêtes.
Nous avons toujours choisi les enquêtes de l’IEA comme enquêtes de référence,
étant donné qu’elles recouvrent le plus grand nombre de pays, sont réputées pour
leur qualité d’échantillonnage et que le niveau économique des pays est le plus
hétérogène. Nous présentons ici la méthodologie générale, avec une application
aux mathématiques et à l’ajustement entre l’enquête MLA et IEA-TIMSS.
Nous avons utilisé plusieurs enquêtes de l’IEA et non seulement l’enquête
TIMSS de 2003. Dans le but d’une meilleure comparabilité avec les autres enquêtes,
nous avons décidé de n’utiliser que les données portant sur la huitième année
scolaire pour l’enquête TIMSS déclinée sur trois années (1995, 1999, 2003).
Puis, en reprenant la moyenne arithmétique des pays ayant participé à la fois
aux enquêtes 1995 et 2003, nous avons re-calibré les pays qui n’ont participé
qu’à l’enquête de 1995, sans participation à celle de 2003 (16 pays dans ce cas).
Nous avons effectué la même opération, mais cette fois-ci pour les pays qui n’ont
économiepublique
29
participé qu’à l’enquête TIMSS 1999, et non à celle de 2003 (5 pays concernés).
Ainsi, en recalculant la moyenne pour les 3 pays ayant participé aux enquêtes 1995
et 1999 et en regroupant les données des trois années, un indice des compétences
de TIMSS a pu être obtenu pour 64 pays.
Toutes les enquêtes ont été mises à une échelle de 0-100, en supposant que le
résultat du pays qui avait obtenu le plus grand score était égal à 100. Ce résultat
nous permet d’effectuer un re-calibrage entre les enquêtes.
xk
ij
xijk = × 100 (A.1)
ajusté
max x k
ij
où x k constitue le résultat ajusté à l’enquête i pour le pays j dans le domaine k.

ij
L’indice i regroupe 6 grands groupes d’enquêtes (SACMEQ, MLA, PASEC, LABO-
RATORIO, PISA, IEA). L’indice j regroupe l’ensemble des pays participants aux
différentes enquêtes. L’indice k renvoie au domaine de compétence mesuré (ma-
thématiques,
sciences, lecture). Ainsi, l’équation (9) montre que le résultat ajusté
xk est obtenu en divisant chaque résultat de l’enquête i initial x k par la valeur
ij ajusté ij

maximale de cette enquête max x k , multiplié par 100.
ij
À partir de ces indices TIMSS, les pays qui avaient participé à TIMSS et à
au moins une autre enquête ont servi pour le re-calibrage. Toutes les enquêtes
comprennent des pays qui ont participé à TIMSS et à une autre enquête au moins,
à l’exception de l’enquête PASEC pour laquelle aucun pays n’a participé à TIMSS.
Ainsi, en effectuant un appariement sur la moyenne des pays ayant participé à deux
enquêtes (que nous appellerons « doublons »), nous avons effectué un re-calibrage
de chaque enquête, selon son niveau de comparabilité, par rapport à l’enquête
référence de l’IEA (TIMSS). Cela nous a permis le calcul d’indices de passage d’une
enquête donnée à l’enquête de référence.
k̃ k̃ k̃
xĩ,doublons + xĩ,doublons + · · · + xĩ,doublons
x k̃ĩ,doublonsn = 1 2 n
n
n (A.2)
P k̃
xĩ,doublons
n
i=l
=
n
L’équation (A.2) explique l’opération effectuée afin d’obtenir la moyenne des
doublons pour chaque enquête que nous notons x k̃ĩ,doublonsn . Celle-ci est obtenue
en effectuant la moyenne des résultats des pays doublons, c’est-à-dire ceux qui
ont participé à la fois à l’enquête de référence IEA et à l’autre enquête que nous
désirons ajuster.
no 18-19 - 2006 / 1-2

30
L’équation (A.3) exprime la même opération effectuée pour l’enquête de réfé-

rence IEA :
k̃ k̃ k̃
xIEA,Pays + xIEA,Pays + · · · + xIEA,Pays
x k̃IEA,Paysn = 1 2 n
n
n
P k̃
(A.3)
xIEA,Paysn
i=l
=
n
Dans leur travail, Hanushek et Kimko ont pris en compte l’effet de dispersion. Il
ont alors réajusté les moyennes par les erreurs type. Cette pondération considère
qu’une grande erreur de mesure conduit à une moindre information en matière
de performance du pays considéré. Bien que cette méthode permette en partie
d’éliminer les éventuels biais d’estimation et qu’elle intègre la variabilité des
compétences à l’intérieur des pays, elle suppose que le calcul des erreurs-type
soit comparable entre les enquêtes et dans le temps. Si cette hypothèse est plutôt
acceptable pour une même enquête, elle devient inadaptée si nous nous référons
à plusieurs enquêtes de nature très différente et pour l’année la plus récente.
Cette pondération accentue l’effet de moyenne puisqu’elle élimine partiellement
la variabilité d’un résultat. La prise en compte de l’écart type dans la pondération
des moyennes, bien qu’elle apporte une correction dans la variabilité des résultats,
est tout aussi difficile à utiliser dans le cas de comparaison entre enquêtes de
nature différente. D’un point de vue économique, l’hypothèse d’une pondération
par un indicateur de variabilité rejoint l’idée de Lucas (1988) selon laquelle les
inégalités de compétences scolaires ont un impact sur la croissance économique.
Notre approche est davantage axée sur l’hypothèse de Nelson et Phelps (1966)
qui suppose que les inégalités en matière éducative n’entravent pas la relation
éducation-croissance, mais au contraire peuvent la renforcer, au moins dans un
premier temps.
Dans l’étape suivante, l’indice de passage d’une enquête i à l’enquête ajustée
par rapport à l’enquête de référence de l’IEA est calculé. Celui-ci s’effectue en
divisant la moyenne de l’enquête de référence x k̃IEA,Paysn par la moyenne de l’enquête
d’ajustement x k̃ĩ,doublonsn (équation A.4).
k̃
x k̃IEA,Paysn
IndiceIEA,ĩ
=
x k̃ĩ,doublonsn
x k̃IEA,Pays1 + x k̃IEA,Pays2 + · · · + x k̃IEA,Paysn
=
x k̃ĩ,doublons1 + x k̃ĩ,doublons2 + · · · + x k̃ĩ,doublonsn (A.4)
n
P k̃
xIEA,Paysn
i=l
= n
P k̃
xĩ,doublons
n
i=l
économiepublique
31
Enfin, nous procédons au calcul des valeurs de l’enquête initiale ajustée par
rapport à l’enquête de référence. Celui-ci s’effectue
en multipliant le résultat
initial du pays j à l’enquête i pour le domaine k xĩjk̃ par l’indice de référence
ajusté
k̃
correspondant, à savoir IndiceIEA, ĩ
(équation A.5). Une procédure spécifique a été
utilisée pour l’enquête PASEC puisqu’aucun des pays participant à celle-ci n’a
effectué l’enquête de référence IEA. Afin de contourner ce problème, nous avons
dû passer par un ajustement de la même nature au travers de l’enquête MLA.

x̂ĩjk̃ = xĩjk̃ k̃
× IndiceIEA,ĩ
(A.5)
ajusté
À la suite de toutes ces procédures, nous avons obtenu la totalité des résultats en
mathématiques, pondérés par rapport à l’enquête TIMSS. Puis, chaque fois que
certains pays disposaient des résultats ajustés à plusieurs enquêtes, nous avons
effectué la moyenne arithmétique de ces résultats (équation A.6).
n
x̂ijk̃
P
k̃ i=l
x̂ j̃ = (A.6)
n
Le même type de procédure a été effectué en ce qui concerne la mesure des
compétences en sciences et en lecture. Afin d’obtenir un indicateur synthétique
de la qualité du capital humain, la moyenne arithmétique des scores dans les
trois domaines a été effectuée. L’ensemble des données est disponible sur simple
demande.
B. Source des données utilisées

Voir Tableau A sur les deux pages suivantes.
no 18-19 - 2006 / 1-2

32
Tableau A : Source des données utilisées
Écart-
Indicateur Source Abréviation Pays Moyenne Minimum Maximum
type
PIB par habitant en 1960
Penn World Tables 6,1 ;
(en millieurs de dollars
Heston, Summers et Aten Y60 110 3,29 4,35 1,12 30,39
constants 1996 chain
(2002)
series)
Taux de croissance Penn World Tables 6,1 ;
annuel moyen période Heston, Summers et Aten PNB 109 1,80 1,70 -2,05 7,03
1960-2000 (2002)
Penn World Tables 6,1 ;
Taux de croissance
Heston, Summers et Aten DEMO 111 1,93 0,96 -0,10 4,49
annuel démographique
(2002)
Variable quantitative de
l’éducation : nombre Barro et Lee (2001)
moyen d’années scolaires augmenté avec Unesco S 165 4,55 2,37 0,16 10,88
des personnes entre 15 et (2004)
25 ans
Voir texte et Altinok et
Variable qualitative de
Murseli (2007) IQCH-M 104 69,80 16,58 22,69 100
l’éducation : indicateurs
IQCH Mathématiques IQCH-S 79 80,71 13,03 42,21 100
qualitatifs du capital
IQCH Sciences IQCH-L 89 72,24 20,39 23,71 100
humain
IQCH Lecture
Ratio des dépenses
gouvernementales en
Easterly et Rebelo (1993) DEFENSE 95 0,11 0,05 0 0,24
défense et éducation sur
le PNB
Taux d’investissement Barro et Lee (1994)
INVPRI 107 0,15 0,06 0,03 0,32
moyen en % du PNB [INVWB-INVPUB]
Taux d’échange
King et Levine (1993) COMMERCE 112 0,61 0,32 0,13 1,83
commercial en % du PNB
33
économiepublique
Tableau A : Source des données utilisées
34
Écart-
Indicateur Source Abréviation Pays Moyenne Minimum Maximum
type
Dépenses publiques par
Unesco (2004), Unesco
élève en éducation en % DEPEDU 151 4,63 2,03 1,1 11,2
(2005)
du PNB
no 18-19 - 2006 / 1-2

Éducation des parents :

Barro et Lee (2001),
nombre moyen d’années
Unesco (2004), Unesco ADEDU 165 4,55 2,37 0,16 10,88
scolaires des personnes
(2005)
de 25 ans et plus
Salaire des enseignants
au primaire en
Unesco (2004), Unesco SHSALP 131 2,72 1,65 0,40 9,60
pourcentage du PIB par
(2005)
tête
Dépenses publiques au
primaire par élève en Barro et Lee (1996),
DEPPRI 156 15,63 9,43 2,27 49,76
pourcentage du PIB par UIS-Unesco (2006)
tête
Taux net de scolarisation
World Bank (2002) TNSPRI 171 47,78 31,78 6,82 115,28
au primaire
Taille des classes
Unesco (2004), Unesco TEAPRI 173 28,16 13,71 6,1 74
primaires
(2005)
Taux d’abandon scolaire Unesco (2004), Unesco DROP 152 19,58 19,64 0 78,2
(2005)
Taux de redoublement
Unesco (2004), Unesco REPPRI 159 10,19 8,29 0 40,49
primaire
(2005)

Economiepublique 4762

Transféré par

Droits d'auteur :

Formats disponibles

Economiepublique 4762

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Economiepublique 4762

Transféré par

Droits d'auteur :

Formats disponibles

Économie publique/Public economics

Capital humain et croissance : l’apport des

© Tous droits réservés

Capital humain et croissance :

Mots clés : Qualité de l’éducation, capital humain, croissance, dé-

Keywords: Education quality, human capital, growth, development.

J.E.L. : H5, I2, O4.

no 18-19 - 2006 / 1-2

1. l’augmentation des salaires individuels peut conduire à une décroissance

2.1. Les modèles initiaux mesurant l’éducation comme un flux

no 18-19 - 2006 / 1-2

Selon Aghion et Howitt (1998), on peut distinguer deux approches en terme

1. Lucas (1988) montre qu’il existe deux sources d’accumulation du capital

La principale difficulté pratique concerne la mesure du capital humain. En

où Ib est l’investissement brut, d un taux de dépréciation du capital et n le taux

Tableau 1 : Mesures en termes de flux du capital humain

Directement inspirée de l’arbitrage entre éducation et revenu immédiat du

2.2. Les difficultés actuelles à prouver le lien éducation-croissance

no 18-19 - 2006 / 1-2

Une autre limite tient au fait de l’endogénéité de l’éducation. En coupe trans-

Yt = A(t) ∗ Ktαk ∗ Htαh ∗ Lαl

Après une log-linéarisation et une mise en taux de croissance, nous trouvons :

Tableau 2 : La controverse de Pritchette concernant l’impact

Variable indépendante MCO

D’autres études parviennent à des résultats similaires. Benhabib et Spiegel

no 18-19 - 2006 / 1-2

2.3. La prise en compte de la dimension qualitative de l’éducation

moyen de la population. Après une analyse de la causalité, ils montrent qu’il y

3.1. Données utilisées

no 18-19 - 2006 / 1-2

2. Pour la signification des sigles, voir la note du Tableau 3.

no 18-19 - 2006 / 1-2

Enquête Année(s) de Nombre

3.2. Méthodologie générale

4.1. Modélisation de la relation éducation-croissance avec variables

no 18-19 - 2006 / 1-2

importantes d’imitation et d’adaptation des technologies dans un univers instable.

4. Afin de permettre la possibilité de constantes spécifiques selon les domaines de compétences,

comportement de réduction de la natalité. Les deux indicateurs éducatifs (S et

no 18-19 - 2006 / 1-2

Tableau 4 : Estimation de l’apport de l’IQCH à la croissance

L’inclusion dans l’estimation (4) de la variable démographique ne modifie pas

no 18-19 - 2006 / 1-2

sont introduites : par conséquent, l’augmentation d’un écart-type de la qualité

Tableau 5 : Estimation augmentée de l’apport de l’IQCH à la

Remarques : Voir note du tableau 4.

4.2. Analyse de la relation de causalité entre l’éducation

tions estimées précédemment peuvent surestimer l’impact causal de la qualité de

no 18-19 - 2006 / 1-2

recourons à l’estimation d’un système à trois équations simultanées. Les termes

SIQCH,i = Wi α + ηgi + υi (10)

Le coefficient associé à cette variable SIQCH est positif et significatif. Plus

scolaires ajusté à la qualité de l’éducation entraine l’augmentation d’environ 0,7

Tableau 6 : Estimation de l’apport de l’IQCH à la croissance

no 18-19 - 2006 / 1-2

possible que la qualité de l’éducation génère des externalités positives et entraîne

no 18-19 - 2006 / 1-2

no 18-19 - 2006 / 1-2

Stevenson, W.H., C. Chen and S.-Y. Lee. 1993. “Mathematics Achievement of