BUREAU D'APPLICATION DES METHODES

STATISTIQUES ET INFORMATIQUES

DT 12/2005

Croissance économique et consommation d’énergie

au Congo : une analyse en termes de causalité

Samuel AMBAPOUR
Christophe MASSAMBA

BAMSI

BAMSI B.P. 13734 Brazzaville

 DT 12/2005

Croissance économique et consommation d’énergie

au Congo : une analyse en termes de causalité

Samuel AMBAPOUR*
Christophe MASSAMBA**

Résumé : Dans ce texte, on utilise la cointégration et le modèle à correction d’erreur

pour étudier la relation de cause à effet entre la croissance économique et la
consommation d’énergie au Congo. La méthodologie adoptée est une approche en
trois étapes. La première étape consiste à vérifier les propriétés des séries
chronologiques (stationnarité et ordre d’intégration) de la croissance économique et
de la consommation d’énergie à l’aide des tests de racine unitaire de Dickey-Fuller et
Phillips-Perron. La deuxième utilise la théorie de la cointégration développée par
Engle et Granger pour examiner les relations à long terme entre la croissance
économique et la consommation d’énergie. Cet examen est fait en adoptant
l’approche multivariée de Johansen fondée sur le maximum de vraisemblance. Enfin
dans la troisième étape, le test de causalité de Granger dans le cadre d’un modèle à
correction d’erreur est effectué pour déterminer la direction de la causalité entre la
croissance économique et la consommation d’énergie. Les résultats montrent un ordre
d’intégration d’ordre un (I(1)) pour chacune des séries. Quant au test de
cointégration, le résultat indique qu’il existe une relation à long terme entre la
croissance économique et la consommation d’énergie. Le test de causalité de Granger
révèle l’existence d’une causalité unidirectionnelle du PIB vers la consommation
d’énergie.
Mots clés : Croissance économique, Consommation d’énergie, Causalité,
Cointégration, Modèle à correction d’erreur

*CNSEE BP 2031 Brazzaville. E-mail:ambapour_samuel@yahoo.fr

**Ingénieur Statisticien Economiste, Stagiaire au CNSEE. E-mail : cmassamba@yahoo.fr
Ces documents de travail ne reflètent pas la position du BAMSI, mais n’engagent que ses auteurs.
These working papers don’t reflect the position of BAMSI but only their authors view
Introduction
Pour un pays donné, existe-t-il une relation entre la croissance de l’activité
économique et la consommation d’énergie ? On peut répondre par l’affirmative à
cette question car, a priori, il y a une corrélation évidente entre ces deux phénomènes,
parce que l’énergie est indispensable à la réalisation de tout processus de production
et donc au développement économique et social. Le rôle que joue ou qu’a joué
l’énergie dans la croissance économique n’est plus à démontrer. Pour preuve, la
révolution industrielle n’aurait pas été possible sans la disponibilité de sources
d’énergie abondantes. L’utilisation de l’énergie contribue donc à l’amélioration des
conditions de vie et de la qualité de travail ; elle est au même titre que les
technologies de l’information, un bien vital de la société d’aujourd’hui (Ph.Busquin,
Commissaire européen). En revanche, l’environnement socio-économique en général,
et l’économie nationale en particulier, exerce une influence certaine sur le secteur
énergétique. Ils déterminent par leur évolution, les besoins en énergie finale, et donc
de la production de ce secteur (Spierer, 1982).
L’analyse du lien entre économie et énergie peut se faire selon des approches
différentes (Antille, 1984):
- en se concentrant sur l’étude des relations qui existent entre la demande d’énergie
et divers agrégats macroéconomiques, au premier rang desquels le PIB (cf. Prevot,
1951 ; Berrah, 1983 ; Matly, 1983 ; Meallier et ali, 1986 ; Hourcade et Ben Chaabane,
1991). L’interprétation se fait ici (Martin, 1992), soit en termes d’élasticité constante
(comment évolue la consommation d’énergie lorsque s’élève le niveau du PIB ?), soit
en termes de comparaison et d’explication des intensités énergétiques de l’activité
économique (quelle quantité d’énergie un pays doit se procurer pour produire 1000 $
de PIB ?). C’est dans le premier cas, qu’on a pu observer la loi dite de l’élasticité
unitaire dans les pays développés avant la décennie 70, laissant croire aux spécialistes
du domaine, que consommation primaire d’énergie et PIB évoluaient au même
rythme. Dans le deuxième cas l’on a constaté que l’intensité énergétique augmentait
avec l’industrialisation et diminuait avec l’apparition de nouveaux progrès techniques
et la tertiairisation de la production ;
- en privilégiant l’étude de l’offre d’énergie, offre liée notamment aux investissements
réalisés dans les branches d’activités productrices (Destais, 1989). Ici, l’idée qui
prévaut est celle de l’optimisation des ressources ;
- en se basant sur la construction de modèles macroéconomiques couplés avec des
modèles du secteur énergétique. On peut à cet effet avancer deux arguments.
Premièrement, ce sont tout d’abord les conséquences des chocs pétroliers qui ont
conduit à accorder une attention accrue aux interactions entre évolutions
macroéconomiques globales et décisions dans le domaine énergétique. La croissance
étant dans ce cas limitée par la contrainte extérieure dans laquelle la facture
énergétique joue un rôle de premier plan (cf. Mouttet et ali, 1983). Deuxièmement, et
en conséquence de ce qui précède, si la disponibilité d’une source d’énergie est

2
considérée comme une condition « permissive » de la croissance économique, il
apparaît raisonnable d’intégrer « le facteur énergie » dans la fonction de production
au même titre que le capital, le travail et les matières premières (Girod et Percebois,
1986) ;
- en utilisant les tableaux entrées-sorties (Antille, op. cité). Cette analyse permet
d’isoler les facteurs technologiques et les facteurs structurels permettant ainsi de
mieux appréhender les marges de manœuvre pour la politique économique (Percebois,
1998) ;
Ce texte utilise une autre approche dans l’analyse des interdépendances entre
croissance économique et consommation énergétique. Elle se base sur les récents
progrès de la recherche économétrique dans l’étude des séries temporelles non
stationnaires, qui ont permis de développer une nouvelle méthodologie autour des
concepts clefs de cointégration, de modèle a correction d’erreurs et de causalité. Si le
concept de cointégration introduit par Granger (1981), Granger et Weiss (1983) puis
Engle et Granger* (1987) permet de préciser la réalité et la nature des divergences
entre deux séries théoriquement liées entre elles et à modéliser le comportement de
ces variables, le modèle à correction d’erreur (Sargan, 1964 ; Davidson, Hendry et ali,
1978 ; Salmon, 1982) permet d’en expliquer et d’en déduire le mécanisme (Njiki,
1998). Quant à la notion de causalité (Granger, 1969 ; Sims, 1972, 1980), associée à la
cointégration et au modèle à correction d’erreurs, elle offre aujourd’hui un cadre assez
rigoureux pour étudier la direction de la causalité (unidirectionnelle ou
bidirectionnelle) entre deux variables, qu’elle soit de long ou de court terme. Depuis
quelques années déjà, dans l’étude des relations entre énergie et croissance, ces
techniques sont largement utilisées.
Historiquement, dans la littérature concernant notre champ d’étude, on distingue
trois générations de modèles (Guttormsen, 2004). Les études de la première
génération sont basées sur le traditionnel modèle VAR de Sims et le test causalité
classique de Granger ; elles supposent que les séries sont stationnaires. La deuxième
et la troisième génération d’études traitent des séries non stationnaires et la
cointégration apparaît comme la technique la plus appropriée. Dans la deuxième, la
cointégration entre deux variables une fois testée, on estime le modèle à correction
d’erreurs et on calcule le test de causalité de Granger. Dans la troisième génération
d’études, on utilise l’approche multivariée de la cointégration basée sur la méthode du
maximum de vraisemblance (Johansen, 1988).
Le travail pionnier de la première génération est celui de Kraft et Kraft (1978).
Utilisant la technique de Sims, ces deux auteurs ont trouvé une causalité
unidirectionnelle entre le PIB et la consommation d’énergie aux USA sur la période
1947-1974. Le papier de Kraft et Kraft a été critiqué par Akarca et Long (1980). Ces
derniers ont noté que la période choisie était instable, car elle incluait le premier choc
pétrolier. Ils ont souligné que les résultats obtenus ne seraient pas les mêmes si cette

*
Ces deux auteurs ont obtenu le Prix Nobel d’Economie 2003

3
période était écourtée de deux ans. Ils ont donc repris l’analyse avec la même
technique, sur une période plus homogène allant de 1950 à 1968. Le test a révélé le
manque de causalité entre le PIB et la consommation d’énergie. Pratiquement, tous
les articles qui ont suivi ont été consacrés aux séries américaines avec des résultats
très variés (cf. par exemple Yu et Hwang (1984), Yu et Choi (1985)).
Le premier texte de la deuxième génération semble être celui de Nachane, Nadkani
et Karnik (1988). Adoptant l’approche de Engle et Granger de la cointégration, ils
ont trouvé une relation de long terme entre la consommation d’énergie et la
croissance économique pour onze pays en développement et cinq pays développés. La
méthodologie d’Engle et Granger a été ensuite appliquée par de nombreux auteurs à
différents pays avec des résultats parfois ambigus. L’étude de H.Yang (2000) sur la
province chinoise de Taiwan a conduit à une causalité bidirectionnelle entre
croissance et consommation d’énergie sur la période 1954-1997. L’analyse de A.
Aqueel et M. Butt (2001) en ce qui concerne le Pakistan, en intégrant l’emploi
comme variable additionnelle et en appliquant une version du test de Granger
proposé par Hsiao, infère que la croissance économique cause la consommation totale
d’énergie.
Masih et Masih (1996) sont parmi les premiers auteurs à utiliser la méthodologie de
Johansen dans la recherche des relations entre énergie et croissance. Ainsi, dans une
série d’articles concernant six pays asiatiques (L’Inde, le Pakistan, l’Indonésie, la
Malaisie, Singapour et les Philippines), leurs études ont abouti aux conclusions
suivantes :
- qu’il existe une relation de long terme entre les deux variables dans le cas de l’Inde,
le Pakistan et l’Indonésie ;
- que la consommation d’énergie « cause » le PIB en Inde ;
- que le PIB « cause » la consommation d’énergie en Indonésie ;
- qu’il existe une causalité bidirectionnelle entre la consommation d’énergie et le PIB
au Pakistan ;
- que pour les trois pays restants (Malaisie, Singapour et Philippines), l’utilisation
d’un VAR ordinaire a révélé l’inexistence de relation causale entre le PIB et la
consommation d’énergie.
Le cas de la Turquie a été testé sur la période 1960-1995 par U. Stoytas et ali (2001).
Le résultat indique une causalité unidirectionnelle de la consommation d’énergie vers
le PIB : la consommation d’énergie affecte positivement le PIB ; et cela suggère qu’il
est possible, qu’à long terme, le programme d’économie de l’énergie puisse influencer
la croissance économique. La relation entre l’énergie et la croissance économique a été
étudiée, toujours dans le cadre d’un modèle multivarié incluant le capital, le travail,
l’énergie et le PIB, par W. OK et K. Lee (2003) pour la Corée sur la période 1970-
1999. Le modèle à correction d’erreur indique une causalité bidirectionnelle de long
terme entre l’énergie et la croissance économique, et unidirectionnelle de court terme

4
de l’énergie vers la croissance économique. Depuis les travaux de ce type abondent
combinant cointégration, modèle à correction d’erreurs et causalité. On pourra
consulter A. Guttormsen (op. cité) et P. Mozumber (2005) pour une revue assez
complète sur ces travaux. Enfin, signalons deux études concernant l’Afrique
subsaharienne. La première est celle de O. Ebohon (1996) sur la Tanzanie et le
Nigeria. Utilisant le test classique de Granger, cet auteur trouve une causalité
bidirectionnelle entre la croissance économique et la consommation d’énergie pour ces
deux pays. La deuxième étude plus récente concerne le Malawi et a été réalisée par C.
Jumbe (2004). S’appuyant sur la méthodologie de Engle et Granger de la
cointégration et la causalité au sens de Granger, son analyse a abouti à la conclusion
selon laquelle, d’une part, qu’il y a une causalité bidirectionnelle entre les
consommations d’électricité et le PIB et d’autre part, qu’il existe une causalité
unidirectionnelle du PIB non agricole vers les consommations d’électricité.
Cela étant dit, dans la suite de ce texte, nous présentons dans la première partie, la
méthodologie adoptée. On précise dans un premier temps, la notion de causalité
utilisée. Elle repose sur la définition de Granger qui considère qu’une variable est
causée par une autre dès lors qu’il existe des informations dans le passé de l’une qui
soient utiles dans la prévision de l’autre, et qui ne sont pas déjà contenues dans son
passé. Loin d’être exhaustive, cette définition est donc une étape essentielle d’une
étude statistique. Elle s’inscrit dans le cadre théorique complet qui donne corps à la
définition de la causalité au sens de Feigl (Bruneau et Nicolaï, 1989) : « confirmed
predictability according to law or set of laws ». Dans un deuxième temps, la causalité
est étudiée dans le cadre des variables cointégrées en optant pour une approche en
trois étapes (Stoytas, Sari et Ozdemir, 2001). Dans la première étape, on vérifie la
stationnarité des séries, ainsi que leur ordre d’intégration à l’aide des tests de racine
unitaire de Dickey-Fuller (1979) et Phillips-Perron (1988). Cela est nécessaire parce
que d’une part, les tests de causalité sont très sensibles à la stationnarité des séries
(Stock et Watson, 1989) et d’autre part, il a été constaté que la plupart des séries
macroéconomiques ne sont pas stationnaires (Nelson et Plosser, 1982). Dans l’étape
suivante, on introduit la théorie de la cointégration qui est en fait la version
multivariée du concept de racine unitaire. Celle-ci permet de spécifier les relations
stables à long terme tout en analysant conjointement la dynamique de court terme
des variables considérées. Dans la troisième et dernière étape, on décrit très
brièvement le modèle a correction d’erreur qui, selon Engle et Granger, permet de
représenter les séries cointégrées : c’est un mécanisme qui force la déviation de court
terme par rapport à l’équilibre à une période donnée à revenir à la période suivante.
Enfin, on boucle cet exposé méthodologique par la présentation du test de Granger
dans le cadre d’un modèle à correction d’erreur. L’objectif essentiel visé est celui de
savoir si les deux séries étudiées sont dynamiquement interdépendantes ou si au
contraire la liaison dynamique est unidirectionnelle. La deuxième partie du texte est
consacrée aux résultats empiriques obtenus dans le cas du Congo suivant la
méthodologie adoptée ci-dessus.

5
1. Méthodologie
1.1. Causalité au sens de Granger
1.1.1. Définition
En économétrie, la causalité entre deux chroniques est généralement étudiée en
termes d’amélioration de la prévision selon la caractérisation de Granger, ou en
termes d’analyse impulsionnelle, selon les principes de Sims. Au sens de Granger, une
série « cause » une autre série si la connaissance du passé de la première améliore la
prévision de la seconde. Selon Sims, une série peut être reconnue comme causale pour
une autre série, si les innovations de la première contribuent à la variance d’erreur de
prévision de la seconde. Entre ces deux principaux modes de caractérisation
statistique de la causalité, l’approche de Granger est certainement celle qui a eu le
plus d’échos chez les économètres ; elle sera donc retenue dans le cadre de cette
étude.
Le fondement de la définition de Granger est la relation dynamique entre les
variables. Comme indiqué, elle est énoncée en termes d’amélioration de la
prédictabilité d’une variable. Chez Granger, la succession temporelle est centrale et
on ne peut discuter de la causalité sans prendre en considération le temps (Sekkat,
1989). On peut formaliser la causalité au sens de Granger comme suit : si l’on note
par xt et yt deux séries stationnaires ; en effectuant la régression linéaire de yt sur les
valeurs passées ys , s < t , et sur les valeurs passées xs , s < t ; si l’on obtient des
coefficients significatifs, alors la connaissance de leurs valeurs peut améliorer la
prévision de yt : on dit que xt cause yt unidirectionnellement. Il y a causalité
instantanée, lorsque la valeur courante xt apparaît comme une variable explicative
supplémentaire dans la régression précédente.
Ce qui précède s’écrit (Gourieroux et Monfort, 1990 ; Lardic et Mignon 2002) :
- xt cause unidirectionnellement yt à la date t si
E ⎡⎣ yt yt −1 , xt −1 ⎤⎦ ≠ E ⎡⎣ yt yt −1 ⎤⎦ (1)

- xt cause instantanément yt à la date t si :

E ⎡⎣ yt yt −1 , xt ⎤⎦ ≠ E ⎡⎣ yt yt −1 , xt −1 ⎤⎦ (2)

- xt ne cause pas yt à la date t si :

V (ε ) ⎡⎣ yt yt −1 , xt −1 ⎤⎦ = V (ε ) ⎡⎣ yt yt −1 ⎤⎦ (3)

Où V (ε ) désigne la matrice de variance covariance de l’erreur de prévision.

A partir de la définition ci-dessus, on définit les mesures de causalité suivantes :
- Mesure de causalité de xt vers yt :

6
 det V (ε ) ⎡⎣ yt yt −1 ⎤⎦
Cx→ y = log (4)
det V (ε ) ⎡⎣ yt yt −1 , xt −1 ⎤⎦
- Mesure de causalité instantanée de xt vers yt :

det V (ε ) ⎡⎣ yt yt −1 ⎦⎤
C x → y = log (5)
det V (ε ) ⎡⎣ yt yt −1 , xt ⎤⎦
1.1.2. Une présentation alternative
Pour que la définition de la causalité proposée ci-dessus soit opérationnelle, il faudrait
(Pizzaro Rios, 1993) que:
- xt et yt soient des variables pertinentes. Dans le cas contraire, on obtiendrait des
régressions fallacieuses (spurious regressions) selon la terminologie de Granger et
Newbold (1974) ;
- le prédicteur optimal doit être un prédicteur linéaire ;
- les séries soient stationnaires ou rendues stationnaires par transformation linéaire
(variables intégrées) ou non linéaire (transformation de Box-Cox).
L’hypothèse de la stationnarité est très importante. Selon le théorème de Wold, tout
processus stationnaire satisfait une représentation MA (moving average). Si Wt est un
vecteur de n variables stationnaires, cette représentation MA s’écrit :
Wt = C ( L)ε t (6)
Où :
C ( L) est une matrice inversible ( n, n) des polynômes retards ;
ε t est un bruit blanc ; E (ε t ) = 0 ; E (ε t2 ) = σ 2 ;
Sur cette base et si C ( L) est une matrice inversible, on obtient la représentation
autorégressive suivante :
ε t = C ( L ) −1Wt (7)
Dans le cas de deux variables xt et yt , on a :

⎡ ε1t ⎤ ⎡ Φ11 ( L) Φ12 ( L) ⎤ ⎡ yt ⎤

⎢ε ⎥ = ⎢Φ ( L) Φ ( L) ⎥ ⎢ x ⎥ (8)
⎣ 2t ⎦ ⎣ 21 22 ⎦⎣ t⎦
Où les éléments Φ ij ( L) de Φ ( L ) sont des polynômes dans l’opérateur retard L :
Φ ij ( L) xt = Φ ij0 xt + Φ1ij xt −1 + Φij2 xt −2 +…
Ainsi, Granger a indiqué que xt ne cause pas yt si Φ12 ( L) = 0

1.1.3. Tests de causalité de Granger

Une version du test de Granger issue directement de la représentation autorégressive
précédente, propose d’estimer par la méthode des moindres carrés les deux équations
suivantes :

7
 k k
xt = α + ∑ ζ i xt −i + ∑ ϕi yt −i + ε t (9)
i =1 i =1
k k
yt = ψ + ∑ χ i yt −i + ∑ γ i xt −i + ν t (10)
i =1 i =1

Un test d’hypothèses jointes permet de conclure sur le sens de la causalité. Ainsi xt

cause yt au sens de Granger (équation (10)) si l’hypothèse nulle définie ci-dessous
peut être rejetée au profit de l’hypothèse alternative :
H0 : γ1 = γ 2 … = γ k = 0
H1 : au moins un des γ i ≠ 0
De façon analogue, yt cause xt au sens de Granger (équation (9)) si l’hypothèse nulle
définie ci-dessous peut être rejetée au profit de l’hypothèse alternative :
H 0 : ϕ1 = ϕ2 … = ϕk = 0
H1 : au moins un des ϕi ≠ 0
Ce sont donc des tests de Fisher classiques. Par ailleurs, si l’on est amené à rejeter les
deux hypothèses nulles, on a une causalité bidirectionnelle, on parle de boucle
rétroactive (feedback effect).
Considérons maintenant deux autres spécifications : la première reprend l’équation
(10) ; la deuxième est construite à partir de (10) en supposant que x ne « cause »
pas y . Soit :
k k
yt = ψ + ∑ χ i yt −i + ∑ γ i xt −i + ν t
i =1 i =1
k
yt = ψ + ∑ χ i yt −i + ν t* (10’)
i =1

A partir de ces deux équations, Geweke (1983) a proposé des tests de causalité de
Granger basés sur le principe de Wald, du ratio de vraisemblance et du
multiplicateur de Lagrange, en supposant que : xt et yt sont stationnaires, les erreurs
sont normalement distribuées et une paramétrisation optimale du nombre de retards.
Ces statistiques sont les suivantes :
s*2 − s 2
T GW = T (11)
s2
⎛ s2 ⎞
T GR = T log ⎜ 2 ⎟ (12)
⎝ s* ⎠
s*2 − s 2
T GL
=T (13)
s*2
Où : T est le nombre d’observations ; s 2 l’estimation du maximum de vraisemblance
de V (ν t ) et s*2 celle de V (ν t* ) . T GW , T GR et T GL sont respectivement les statistiques du
test de Wald, du ratio de vraisemblance et du multiplicateur de Lagrange, qui dans

8
l’hypothèse de causalité de xt vers yt tendent vers zéro ; chaque distribution suivant
une loi chi deux à k degrés de liberté.

1.2. Causalité dans le cas des variables cointégrées

Jusqu’à présent, nous sommes limités à l’analyse causale dans des systèmes
stationnaires. Or, depuis plus d’une vingtaine d’années, de nombreux articles révèlent
que la majorité des séries macroéconomiques sont non stationnaires, en particulier
l’article de Nelson et Plosser (1982). Ceci suppose qu’avant d’appliquer une
quelconque méthode d’estimation, une analyse approfondie des propriétés des séries
est indispensable. L’objectif principal visé est celui de repérer l’éventuelle non
stationnarité des séries. C’est en quelque sorte, l’étape de la détermination de leur
ordre.
1.2.1. Ordre d’intégration des séries
Ici, on veut déterminer le type de processus suivi par chacune des variables soumises
à l’analyse. On distingue deux types principaux de processus temporels :
a) Les processus stationnaires
Ils sont caractérisés par des espérances, variances, autocorrélations et les covariances
indépendantes du temps. Un tel processus stationnaire est dit intégré d’ordre 0 (I(0)).
L’exemple le plus immédiat de variable I(0) est un bruit blanc :
xt = ε t . (14)
Un second exemple est celui d’un processus autorégressif d’ordre un (AR (1)) :
xt = ρ xt −1 + ε t ; ρ < 1 (15)
b) Les processus non stationnaires
A la suite de Nelson et Plosser, on peut donner deux contre exemples des séries
stationnaires. Le premier est celui où la valeur xt est une fonction explicative de la
date t . La série est dite alors TS (Trend-Stationary). Le deuxième cas est celui d’une
série DS (Difference Stationary) : la variable est stationnaire en différence. Le
meilleur exemple dans ce cas est la marche aléatoire :
xt = xt −1 + ε t (16)
De façon générale, les processus DS et TS peuvent être décrits sous la forme :
xt − ρ xt −1 = α + β t + ε t (17)
On a :
ρ = 1 si le processus est DS
ρ < 1 si le processus est TS
ρ > 1 correspond à des processus explosifs

9
Une série non stationnaire xt est dite intégrée d’ordre d ( xt ∼I(d)) si, après avoir été
différenciée d fois, elle est stationnaire. En d’autres termes, xt ∼I(d) si et seulement si
(1 − L) d xt ∼I(0). La plupart des séries macroéconomiques sont intégrées d’ordre 1 ; elles
possèdent une racine unitaire. Une différenciation unique suffit pour les rendre
stationnaires. L’exemple le plus simple de variable I(1) est la marche aléatoire
(équation (16)). La méthode la plus performante pour déterminer l’ordre
d’intégration d’une série est basée sur les tests de racine unitaire.

1.2.2. Tests de racine unitaire

Les tests de racine unitaire permettent de détecter la présence de racine unitaire dans
une série. Deux tests de racine unitaire sont usuellement utilisés, à savoir le test de
Dickey-Fuller augmenté (ADF) et celui de Phillips-Perron (PP).
a) Le test de Dickey-Fuller Augmenté
Il consiste à vérifier l’hypothèse nulle H 0 : ρ = 1 contre l’hypothèse alternative
H1 : ρ < 1 . Il est basé sur l’estimation des moindres carrés des trois modèles suivants :
k
∆xt = ( ρ − 1) xt −1 + ∑ θ j ∆ t − j +1 + ε t : processus sans trend et sans constante (18)
j =2
k
∆xt = ( ρ − 1) xt −1 + ∑ θ j ∆ t − j +1 + α + ε t : processus sans trend et avec constante (19)
j =2
k
∆xt = ( ρ − 1) xt −1 + ∑ θ j ∆ t − j +1 + α + β t + ε t : processus avec trend et avec constante (20)
j =2

b) Le test de Phillips-Perron
Ce test propose une correction non paramétrique des statistiques de Dickey-Fuller
Augmenté en présence d’une autocorrélation de forme inconnue (AR(p), MA(q) et
ARMA(p,q)). On a les trois modèles suivants :
∆xt = ( ρ − 1) xt −1 + ε t : processus sans trend et sans constante (21)
∆xt = ( ρ − 1) xt −1 + α + ε t : processus sans trend et avec constante (22)
∆xt = ( ρ − 1) xt −1 + α + β t + ε t : processus avec trend et avec constante (23)
Comme dans le cas du test de Dickey-Fuller, les hypothèses à vérifier restent les
mêmes
1.2.3. Cointégration
C’est l’étape qui suit les tests préalables de vérification de non stationnarité des
séries.
a)Notion de cointégration
On considère deux séries xt et yt dont les processus sont intégrés d’ordre un (I(1)).
Elles sont dites cointégrées, s’il existe une combinaison linéaire unique des deux
variables qui se révèle intégrée d’ordre 0 (I (0)). Une telle combinaison linéaire peut
s’écrire sous la forme suivante :

10
zt = xt − a − byt (24)
Où a et b ont deux constantes telles que la variable zt soit une variable stationnaire.
zt étant stationnaire, xt et yt vont tendre à varier ensemble dans le temps et peuvent
subir des déviations momentanées, mais ne peuvent diverger sans limites. La relation
(24) est par conséquent une relation de long terme ou d’équilibre et zt mesure la
déviation par rapport à la valeur d’équilibre.
Pour tester l’hypothèse nulle de cointégration, deux approches sont souvent utilisées,
la méthodologie en deux étapes d’Engle et Granger et l’approche multivariée de
Johansen.
b) Test de cointégration de Engle et Granger
Selon Engle et Granger, tester la cointégration, revient à opérer un test de racine
unitaire sur les résidus de l’équation de cointégration. Concrètement, il s’agit dans un
premier temps d’estimer par la méthode des MCO la relation de long terme entre xt
et yt . On note par zˆt le résidu d’estimation. Dans un deuxième temps, d’appliquer la
méthodologie des tests de Dickey-Fuller et de Phillips et Perron à ce résidu:
zˆt = ω zˆt −1 + ηt (25)
ω = 1 : la série zˆt possède une racine unitaire et xt et yt ne sont pas cointégrées.
ω < 1 : la série zˆt est stationnaire et l’hypothèse de cointégration est acceptée.
c) Test de cointégration de Johansen
L’approche en deux étapes d’Engle et Granger est très restrictive. En effet, cette
approche n’est applicable que dans le cas d’une seule et unique relation de
cointégration (donc un seul vecteur cointégrant). En outre, elle pose un problème de
normalisation ; elle peut conduire à des résultats différents selon que l’on considère la
combinaison zt = xt − a − byt ou zt = yt − a − bxt .
Comme alternative à l’approche de Engle et Granger, on utilise plutôt le test de
cointégration de Johansen. Ce test permet de déterminer le nombre de relation
d’équilibre de long terme entre des variables intégrées de même ordre quelle que soit
la normalisation utilisée.
Soit X t un vecteur de variables I (1) de dimension p . La représentation VAR d’ordre
k est donnée par :
X t = Π1 X t −1 + … + Π k X t − k + µ0 + µt t + ε t , t = 1,… , T
(26)
où, Π1 ,… , Π k sont des matrices de coefficient de dimension p × p ; ε t représente le
vecteur de termes d’erreurs de dimension p × 1 , supposé normal et indépendant, de
moyenne nulle et de matrice de variances-covariances non singulière Ω ; µ0 et
µ1 représentent respectivement le vecteur de constantes et de tendances de dimension
p × 1 . On peut reparamétriser (26) sous la forme dite à correction d’erreur suivante :

11
 k −1
∆X t = Π X t −1 + ∑ Γ i ∆X t −i + µ0 + µ1t + ε t (27)
i =1

où
Γ i = − ( I − Π1 − … − Π i ) i = 1,… , k − 1
et
Π = − ( I − Π1 − … − Π k )
La représentation (27) est appropriée pour tester l’hypothèse de cointégration en
utilisant le rang de la matrice d’impact Π qui contient les informations au sujet de la
relation de long terme pouvant exister entre les composantes du vecteur X t . On peut
observer trois cas possibles :
- si le rang de la matrice Π est zéro ( rg (Π ) = 0) alors toutes les variables dans X t
sont intégrées d’ordre 1 et le modèle n’a aucune propriété de long terme ;
- si Π est de rang plein ( rg (Π ) = p ) alors les variables dans X t sont stationnaires ;
- si rg (Π ) = r (0 < r < p ) , alors on a r relations de cointégration. Dans ce cas, Π peut
se décomposer sous la forme :
Π = αβ ' (28)
Où α et β sont des matrices de plein rang d’ordre p × r représentant respectivement
la matrice des coefficients de la relation de cointégration et celle des paramètres
d’ajustement.
Sous l’hypothèse (28), la relation entre α et la composante déterministe µi est
importante dans la détermination des propriétés de X t et des différentes situations
qu’elle peut engendrer. En effet, si l’on décompose µ0 et µ1 selon les directions de α
et α ⊥ , où α ⊥ est une matrice p × ( p − r ) orthogonale à α , on peut écrire que :
µi = αρi + α ⊥δ i , i = 0,1, (29)
Où ρi = (α 'α ) −1α ' µi et δ i = (α ⊥' α ⊥ ) −1α ⊥' µi
Les différentes restrictions imposées sur µ0 et µ1 donnent lieu à différents sous-
modèles du modèle général (27). Suivant Osterwald-Lenum (1992) , cinq sous-modèles
peuvent être testés pour déterminer le nombre r de relations de cointégration :
- H1 ( r ) : µ t = 0
- H 2 (r ) : µt = αρ 0
- H 3 ( r ) : µt = µ 0
- H 4 (r ) : µt = µ0 + αρ1t
- H 5 (r ) : µt = µ0 + µ1t
Le test de cointégration de Johansen utilise deux statistiques pour déterminer le
nombre de vecteurs de cointégration r :

12
- test de la trace pour l’hypothèse d’existence d’au plus r vecteurs de cointégration
donné par :
p
Trace = −T ∑ ln(1 − λˆ )
i = r +1
i (30)

- test de la valeur propre maximale pour l’hypothèse d’existence d’exactement r

vecteurs de cointégration :
λmax = T ln(1 − λˆr +1 ) (31)
Les distributions asymptotiques de ces deux statistiques sont non standard. Les
valeurs critiques asymptotiques ont été tabulées par Osterwald-Lenum (op. cité).

1.2.4. Le modèle à correction d’erreur

Accepter la cointégration, c’est accepter le fait qu’il existe une relation d’état
stationnaire entre les deux séries de variables qui ont une tendance commune à
évoluer dans le même sens. Tout écart momentané par rapport à l’équilibre est
considéré comme aléatoire. D’après le théorème de représentation de Granger, tout
système cointégré, implique l’existence d’un mécanisme à correction d’erreur qui
empêche les variables de trop s’écarter de leur équilibre à long terme. Si la
cointégration permet de préciser la réalité et la nature des divergences entre deux
séries théoriquement liées entre elles et à modéliser le comportement de ces variables,
le modèle à correction d’erreurs permet d’en expliquer et d’en déduire le mécanisme.
De façon générale, on peut de façon simple écrire le modèle à correction d’erreur
comme suit :
∆xt = α1 zt −1 + lagged (∆xt , ∆yt ) + ε1t (32)
∆yt = α 2 zt −1 + lagged (∆xt , ∆yt ) + ε 2t (33)
Où zt −1 est le terme à correction d’erreur issu de l’estimation de la relation de la
coïntégration, ε est un terme d’erreur stationnaire ; α1 + α 2 ≠ 0

1.2.5. Test de causalité

Engle et Granger (1991) ont montré que si les variables sont intégrées, le test
classique de Granger, basé sur le VAR, n’est plus approprié. Ils recommandent pour
ce faire d’utiliser le modèle à correction d’erreur. En outre, le test de causalité basé
sur le modèle vectoriel à correction d’erreur présente l’avantage de fournir une
relation causale même si aucun coefficient estimé des variables d’intérêt décalées n’est
significatif. Tenant compte des relations (32) et (33), on peut donc réécrire les
équations (9) et (10) de la manière suivante :
k k
∆xt = α + ∑ ζ i ∆xt −i + ∑ ϕi yt −i + τ zt −1 + ε t (34)
i =1 i =1
k k
∆yt = ψ + ∑ χ i ∆ yt −i + ∑ γ i ∆xt −i + λ zt −1 + ν t (35)
i =1 i =1

13
En utilisant le modèle vectoriel à correction d’erreur (équation (34) et (35)), xt ne
cause pas yt au sens de Granger si γ i = λ = 0 ; yt ne cause pas xt si ϕi = τ = 0

2. Interprétation des résultats dans le cas du Congo

2.1. Les données
Dans de nombreuses études concernant le sujet traité ici, les termes de croissance
économique et de consommation d’énergie ne sont généralement pas clairement
définis. Un certain nombre de variables sont souvent utilisées pour les représenter.
Comme proxy de la croissance économique, on utilise le plus souvent soit le PIB, soit
le PNB ; et dans certains cas, le revenu national ou la production industrielle. En ce
qui concerne la consommation d’énergie, on considère habituellement soit les
différentes formes d’énergie (électricité, pétrole, gaz…), soit la consommation totale
ou encore un indice agrégé, pondéré par les différentes sources d’énergie. En ce qui
nous concerne, étant donné la difficulté d’obtenir des données fiables sur la
consommation totale d’énergie et faute d’une longue série sur le pétrole, la variable
consommation d’électricité a été utilisée comme proxy de la consommation d’énergie.
On a considéré par ailleurs le PIB comme proxy de la croissance économique.
Nos données sont annuelles et couvrent la période allant de 1960 à 1999. Elles ont été
extraites respectivement du cédérom de la Banque Mondiale 2004 et du Rapport
national sur le Développement humain du PNUD au Congo (2002). La consommation
d’électricité est mesurée en KWh et le PIB en dollars US de 1995. Dans ce type
d’étude, les données sont soit utilisées comme telles, soit transformées de différentes
manières. Il arrive souvent de considérer le PIB et la consommation d’énergie par
tête. Pour des raisons d’échelle, nous utilisons le logarithme de ces variables. LPIB
est le logarithme du PIB, LKWh celui de la consommation d’électricité.

2.2. Examen graphique

Fig1 : Evolution du PIB et de la consommation d’électricité.

LPIB LCEKW H
22

21

20

19

18

17
1960 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998

14
La figure ci-dessus décrit l’évolution du Produit Intérieur Brut et de la consommation
d’électricité du Congo de 1960 à 1999. On peut observer que ces deux variables
présentent des évolutions de long terme semblables et sont caractérisées par un trend
général à la hausse. Cela semble bien traduire qu’il existe une relation d’équilibre ou
de cointégration entre ces deux séries. La corrélation entre ces deux variables est de
0,94. Cette valeur proche de 1 montre les deux séries sont fortement corrélées.
Cependant, il faut noter la baisse de la consommation d’électricité en 1997 et en
1999. Cette décrue en 1997, s’explique par les effets de la guerre civile que la capitale
Brazzaville a connue pendant cinq mois. Il en est de même de la baisse de 1999 ; elle
est consécutive à une autre guerre civile qui a débuté dans la capitale en décembre
1998 et qui s’est poursuivie pratiquement durant toute l’année 1999.

2.3. Tests de racine unitaire

Les tests de Phillips-Perron et de Dickey-Fuller Augmenté supposent la connaissance
a priori du modèle structurant la chronique alors que dans la réalité on ne le connaît
pas. Plusieurs combinaisons sont alors possibles et ont donné naissance aux stratégies
de test de racine unitaire. Une stratégie de test comprend le choix du modèle de
régression et des statistiques appropriées. Il en existe plusieurs dans la littérature
économétrique (cf. par exemple Dickey-Fuller (1979) ; Enders (2004) ; Ertur (1998),
Jobert (1992), Perron (1993), etc.) Dans cette étude, c’est la stratégie de Jobert qui
sera utilisée car elle est facile à mette en œuvre dans le logiciel Eviews que nous
avons utilisé. Quant au paramètre de troncature du test de Dickey-Fuller, il sera
déterminé par la procédure séquentielle de Campbell et Perron (1991) et Perron
(1993). Elle consiste à fixer a priori une borne supérieure pour k, notée kmax=Ent
T 14
( 12( ) ), qui dépend du nombre d’observation T et à effectuer ensuite la régression
100
jusqu’à l’ordre kmax. Si le coefficient du dernier retard en différences premières est jugé
significatif d’après les procédures d’inférence classiques fondées sur la loi normale,
alors k= kmax ; sinon, on réduit kmax d’une unité et on effectue la régression jusqu’à
l’ordre kmax-1 et ce jusqu’à ce que le coefficient associé au dernier retard en différences
premières soit significatif. Si aucun coefficient n’est significatif, on sélectionne k=0.
Tableau 1 : Tests de racine unitaire
Test de Dickey-Fuller Test de Phillips-Perron
Retard ADF Largeur PP
Variable Modèle Modèle
k t-Stat de bande Adj. t-Stat
En niveau
LCEKWH (19) 2 -1,75 (22) 4 -2,11
LPIB (18) 1 1,56 (21) 3 2,87
En différence première
LCEKWH (18) 1 -1,68* (23) 4 -7,16***
LPIB (18) 0 -2,79*** (21) 2 -2,81***
***,** et * dénotent le rejet de l’hypothèse nulle au seuil de 1%, 5% et 10% respectivement

15
Les résultats des tests de racine unitaire sont présentés dans le tableau ci-dessus. Ils
montrent que les deux séries étudiées, à savoir la consommation d’électricité
(LCKWh) et la croissance économique (LPIB) sont intégrées d’ordre 1. En effet
l’hypothèse de racine unitaire testée dans l’équation (20) avec les deux séries LCKWh
et LPIB en niveau est acceptée au seuil de 5%. Si l’on admet que ρ = 1 dans cette
équation (20), alors le coefficient β est significativement nul. On teste à nouveau la
racine unitaire dans l’équation (19) où β a disparu. On accepte une fois de plus
l’hypothèse de racine unitaire. La nullité de la constante α étant rejetée, lorsque l’on
suppose que ρ = 1 dans l’équation (19), cas de la consommation d’électricité
(LCKWh), on retient alors pour cette variable le modèle (19) pour le test de Dickey-
Fuller augmenté. En revanche dans le cas de la variable croissance économique
(LPIB), c’est modèle (18) qui a été retenu pour le test de Dickey-Fuller. On conclut
que les deux séries sont intégrées d’ordre 1 en niveau. En effectuant le test de Dickey-
Fuller augmenté sur les séries en différence première, avec la même procédure, on
retient le modèle (18) pour les deux séries. L’hypothèse de racine unitaire est dans ce
cas rejetée (à 10% ADF, t-stat= -1.68 pour LCKWh et à 1% ADF, t-stat= - 2.79
pour LPIB)
Le test de Phillips-Perron appliqué avec la même stratégie sur les deux séries
confirme cette caractérisation au seuil de 1% avec les modèles (21), (22) et (23).
Les tests de racine unitaire confirment l’impossibilité de rejeter l’hypothèse selon
laquelle les deux variables LCEKWh et LPIB sont intégrées d’ordre 1 (I(1)). Il est
donc possible qu’elles soient cointégrées.

2.4. Test de cointégration de Johansen

On rappelle que les différents sous-modèles du modèle général testés sont les
suivants :
- modèle 1 : il n’existe pas de constantes et de tendances linéaires dans le VAR et la
relation de cointégration ne comprend pas non plus de constante et de tendance
linéaire ;
- modèle 2 : il n’existe pas de constantes et de tendance linéaire dans le VAR, mais
la relation de cointégration comprend une constante (pas de tendance linéaire) ;
- modèle 3 : il existe de constantes (pas de tendances linéaires) dans le VAR et la
relation de cointégration comprend une constante (pas une tendance linéaire) ;
- Modèle 4 : il existe de constantes (pas de tendances linéaires) dans le VAR et la
relation de cointégration comprend une constante linéaire ;
- Modèle 5 : il existe de constantes et de tendances dans le VAR et la relation de
cointégration comprend une constante et une tendance linéaire.
En testant ces différents sous-modèles pour différentes valeurs de k, le critère
d’information d’Akaike se trouve optimisé pour le modèle 5, r=1 et k=2. Ce modèle
indique l’existence d’un trend quadratique dans chacune des composantes du système
pris en niveau, puis que le système est écrit en différences premières.

16
Tableau 2 : Choix du sous-modèle et du nombre de retards k
Modèle 1 Modèle 2 Modèle 3 Modèle 4 Modèle 5
Akaike Information Criteria by Rank (rows) and Model (columns)
r=0 -4.425612 -4.425612 -4.355606 -4.355606 -4.387798
r=1 -4.342891 -4.339958 -4.319882 -4.668539 -4.703857*
r=2 -4.153406 -4.192547 -4.192547 -4.489024 -4.489024

Signalons que ce cas est rarement rencontré en économie. Dans le cas du Congo, cela
peut se justifier par le fait que les deux séries ont été très fortement perturbées par
les guerres successives qu’a connu ce pays ; ce qui pousse à penser qu’il existe des
ruptures de tendance dans les deux séries.
Le test de Johansen sera donc mené à partir du sous-modèle 5 avec un retard k=2.
Les résultats du test sont présentés dans le tableau ci-après.
Tableau 3 : Test de cointégration de Johansen
Test de la trace Test de la valeur propre maximale
Hypothèse Hypothèse Hypothèse Hypothèse
trace 1% max 1%
nulle alternative nulle alternative
r=0 r≥1 34,38 24,60 r=0 r=1 21,87 20,20
r≤1 r≥2 12,51 12,97 r=1 r=2 12,51 12,97
Ce tableau montre que l’hypothèse nulle (d’au plus) r=0 (pour le test de la trace) ou
exactement r=0 (pour le test de la valeur propre maximale) est rejetée au seuil de
1%. Cela découle du fait que les valeurs calculées à partir de ces deux statistiques
(34,38 pour la statistique de la trace et 21,87 pour la statistique de la valeur propre
maximale) sont supérieures aux valeurs critiques qui leur sont associées (24,60 et
20,20 respectivement). Par contre, l’hypothèse nulle r≤1 (pour le test de la trace) ou
r=1 (pour le test de la valeur propre maximale) ne peut être rejeter au seuil de 1%
car les deux statistiques du test de Johansen sont inférieures aux valeurs critiques qui
leur sont associées.
Les deux tests de cointégration de Johansen confirment donc l’existence d’une seule
relation de cointégration.

2.5. Estimation du modèle à correction d’erreur

Le théorème de représentation de Engle et Granger, nous l’avons dit, démontre que
les séries non-stationnaires, plus particulièrement celles qui possèdent une racine
unitaire, doivent être représentées sous forme de modèle à correction d’erreur si elles
sont cointégrées, c’est-à-dire s’il existe une combinaison linéaire stationnaire entre
elles. L’estimation du modèle vectoriel à correction d’erreur passe par la
détermination de la relation de long terme ci-dessous où la variable LCEKWh est
normalisée :
LCEKWh = 9, 82203 LPIB - 0, 39445 trend - 178, 2669 .
[ -5,139]

17
La valeur entre parenthèse représente la statistique de Student associée au coefficient
estimé de LPIB. D’après cette relation, à long terme, le PIB et la consommation
d’électricité vont de pair car le coefficient du PIB est positif. Ainsi, à long terme, une
augmentation de 1% du PIB entraîne une augmentation de la consommation
d’électricité de près 10%. L’estimation du modèle à correction d’erreur est donnée
dans le tableau ci-dessous.
Tableau 4 : Modèle vectoriel à correction d’erreur
∆LPIBt ∆LCEKWh t
Variable Coefficient p-value Coefficient p-value
z t-1 0,023980 [0,0294] -0,051034 [0,0128]

∆LPIBt-1 0,615314 [ 0,0011] 0,256042 [ 0,4211]

∆LPIBt-2 0,059695 [ 0,7584] 0,618025 [ 0,0906]

∆LCEKWh t-1 0,023873 [ 0,8305] -0,958659 [0,0001]

∆LCEKWh t-2 0,291620 [ 0,0571] 0,018011 [ 0,9474]

Constante -0,023624 [0,5314] 0,235887 [ 0,0017]

Tendance 0,000525 [ 0,6234] -0,006533 [0,0022]

Analyse des résidus au cas univarié

R-squared 0,416717 R-squared 0,636820
F-statistic 3,572162 F-statistic 8,767261

Jarque-Bera 0,13 Jarque-Bera 2,1

P-value 0,93 P-value 0,34

Analyse des résidus au cas multivarié

Jarque-Bera (joint) 5,446
P-value 0,24

La qualité de l’estimation de ce modèle semble bonne au regard de la statistique de

Fisher, du coefficient de détermination et de la statistique de Jarque-Bera (cas
multivarié). La statistique de Jarque-Bera indique en effet que les résidus du modèle
à correction d’erreur sont normalement distribués.
De plus, le paramètre du terme à correction d’erreur z t-1 est négatif et significatif dans
l’équation du PIB, confirmant ainsi l’existence d’une relation de long terme entre la
consommation d’électricité et la croissance. La valeur de ce paramètre indique, en
outre, qu’en cas de déséquilibre de court terme, la consommation d’électricité semble

18
revenir plus lentement de son sentier d’équilibre (la vitesse de convergence est
estimée à près de 5% seulement).
On remarque également qu’à court terme, le PIB dépend de sa valeur décalée d’une
période au seuil de 5% et de la consommation d’électricité décalée de deux périodes
au seuil de 10%. De même, la consommation d’électricité dépend également de sa
valeur décalée d’une période au seuil de 1% et du PIB décalée de deux périodes au
seuil de 10%.

2.5. Test de causalité de Granger

La plupart d’études concernant notre champ d’application ont eu pour objet principal
de répondre à la question posée par Masih et Masih (1998) : « Does economic growth
take precedence over energy use, or can energy use itself be a stimilus for economic
growth via the indirect channels of effective aggregate demand and human capital,
improved efficiency and technological progress ? ». En d’autres termes :
- le PIB est-il la cause de la consommation d’énergie : LCKWh = f ( LPIB ) ?
- La consommation d’énergie est-elle la cause du PIB : LPIB = f ( LCKWh) ?
A ces deux cas, on peut ajouter deux autres situations souvent rencontrées :
- l’existence d’une causalité bidirectionnelle entre le PIB et la consommation
d’énergie ;
- les deux variables sont indépendantes.
Cette relation entre la croissance économique et la consommation d’énergie est
aujourd’hui bien établie dans les différentes études. Cependant, la direction de la
causalité reste un sujet très controversé. La détermination du sens de cette causalité
est importante et a des implications en matière de politique économique.
Nous avons vu que l’existence d’une relation de cointégration entre ces deux variables
entraînait l’existence d’une relation causale entre celles-ci dans au moins une
direction. Cette relation de causalité est examinée ici à l’aide du test de causalité de
Granger basé sur le modèle vectoriel à correction d’erreur. Les résultats de ce test
sont présentés dans le tableau 5 suivant.
Tableau 5: Test de causalité de Granger
Hypothèse nulle Statistique de Fisher Statistique du χ2
LPIB ne cause pas LCEKWh 6,84*** 20,50***
LCEKWh ne cause pas LPIB 2,08 6,24
*** dénote le rejet de l'hypothèse nulle au seuil de 1%

Ils ont été obtenus en réalité à l’aide du test de restriction des coefficients de Wald
basé sur chaque équation du modèle à correction d’erreur. En effet, le test de Wald
donne la possibilité d’intégrer dans l’hypothèse nulle le coefficient du terme à
correction d’erreur.

19
Le test de causalité de Granger révèle l’existence d’une causalité unidirectionnelle de
la croissance du PIB vers la consommation d’électricité. Dans un article à paraître
(dans Energy policy), Y. Wolde-Rufael note que la causalité unidirectionnelle du PIB
vers la consommation d’électricité pourrait statistiquement signifier que les mesures
permettant d’économiser l’électricité peuvent être prises sans compromettre le
développement économique. Cependant, il souligne que réduire la consommation de
l’électricité chez les populations qui ont un accès difficile à cette ressource, n’est pas
une option envisageable : les pays africains n’ont pas encore atteint un niveau
d’autonomie d’électricité pour se permettre une réduction de leur consommation ;
cependant, ils peuvent prévenir les conséquences néfastes liées à la consommation
accrue de l’électricité. Au contraire en rendant l’électricité accessible à tous, cela
pourrait contribuer à réduire non seulement la pauvreté, mais aussi à améliorer la
qualité de vie des populations.

Conclusion
L’objectif de la présente étude était d’utiliser certains développements récents de
l’économétrie des séries temporelles non stationnaires, notamment la théorie de la
cointégration, pour explorer la liaison causale entre la croissance économique et la
consommation d’énergie au Congo. Empiriquement, l’application de cette théorie
nécessite la démarche suivante (Jacquinot, 1989):
- de tester l’ordre d’intégration des séries (tests de racine unitaire) pour s’assurer
qu’elles suivent une marche aléatoire (seul domaine d’application du théorème de
représentation de Granger) ;
- de tester la cointégration pour déterminer l’existence d’une relation d’état
stationnaire entre les variables ;
- d’estimer le modèle à correction d’erreur qui vise à rendre compte dans une même
équation d’un écart éventuel par rapport à un équilibre de long terme et du processus
d’ajustement à court terme de cet équilibre.
L’étude a montré que les deux séries étudiées sont cointégrées, et le test de causalité
dans le cadre du modèle à correction d’erreur, révèle que la croissance économique
« cause » au sens de Granger la consommation d’énergie.

20
Bibliographie

Akarca, A.T., Long, T.V., (1979). On the relationship between Energy and GNP: a
re-examination, Journal of Energy and Development, Vol 5, n° 2, pp 326-331
Aqeel, A., But,t M.S., (2001). The relationship between energy consumption and
economic growth in Pakistan. Asia-Pacific Development Journal. Vol. 8, December
pp 101-110.
Antille, G., (1984). Utilisation des tableaux entrées-sorties pour l’analyse des
interdépendances entre économie et énergie. Revue Suisse d’Economie Politique et de
Statistique. Vol 120, n° 3, pp 261-279.
Berrah, N.E., (1983). Energie et développement: « l’effet tunnel ». Revue de
l’Energie, n° 356, août-septembre, pp 409-415.
Bruneau, C., (1996). Analyse économétrique de la causalité: un bilan de la littérature.
Revue d’Economie Politique. Vol 106, n° 3, mai-juin, pp 325-353
Bruneau, C., Nicolaï, J-P., (1989). Une étude de causalité. Concepts et applications.
L’exemple du marché pétrolier. Document de travail n° 1989-21. Banque de France.
Campbell, J.Y., Perron, P., (1991). Pitfalls and opportunities : what
maceoeconomists should know about unit roots. NBER Macroeconomics Annual, Vol
6 pp 141-201.
Darne, O., Terraza, M., (2002). Les tests de non-stationnarité des séries temporelles
non saisonnières en économie : une revue de littérature. Document de Travail n°
2002-05. Laboratoire Montpelliérain d’Economie Théorique et Appliquée. Université
de Montpellier I
Davidson, J.E.H., Hendry, D.F., Srba, F., Yeo, S., (1978). Econometric modelling of
the aggregate time series relationship between consumer’s expenditure in the U.K.
Economic Journal. Vol 88, pp 661-692.
Destais, G., (1989). La modélisation des interactions énergie-économie. Thèse de
Doctorat. IEPE, Grenoble.
Dickey, D., Fuller, W., (1979). Distribution of the estimators for autoregressive time
series with a unit root, Journal of the American Statistical Association, Vol. 74, n°
366, Part 1, June, pp 427-43.
Dickey, D., Fuller, W., (1981). Likelihood ratio statistics for autoregressive time
series with a unit root. Econometrica. Vol 49, pp 1057-1072
Ebohon, O.J., (1996). Energy, economic growth and causality in developing countries.
A case study of Tanzania and Nigeria. Energy Policy. Vol. 24, pp 447-453
Enders, W., (2004). Applied Econometric Time Series. Wiley

21
Engle, R.F., Granger, C.W.J., (1987). Co-integration and error correction:
representation, estimation and testing. Econometrica, Vol 55, n° 2, March, pp 251-
276.
Engle, R.F., Yoo, B.S., (1987). Forecasting and testing in cointegrated systems.
Journal of Econometrics. Vol. 35, pp 143-159
Ertur, K.C., (1998). Méthodologie des tests de racine unitaire. Document de Travail
n°9813, LATEC, Université de Bourgogne.
Fatai, K., Oxley, L., Scrimgeour F., (2002). Energy consumption and employment in
New Zealand: searching for causality. Paper presented at NZAE Conference,
Wellington, 26-28 June
Geweke, J., Meese, R., Dent, W., (1983). Comparing alternative tests of causality in
temporal systems:analytic results and experimental evidence. Journal of
Econometrics. Vol 21, pp 161-194.
Girod, J., Percebois, J., (1985). Energie: Fonctions de production et modèles de
demande. Dans « Energie : Modélisation et Econométrie. Economica.
Glasure, Y.U., (2002). Energy and national income in Korea: further evidence on the
role of omitted variables. Energy Economics. Vol. 24, n° 4, pp 355-365.
Gourieroux, C., Monfort, A., (1990). Séries temporelles et modèles dynamiques.
Economica
Granger, C.W.J., (1969). Investigating causal relations by econometric models and
cross-spectral methods. Econometrica. Vol 37, n° 3, July, pp 424-438.
Granger, C.W.J., (1986). Developments in the study of cointegrated variables. Oxford
Bulletin of Economics and Statistics. Vol 48. pp 213-228.
Granger, C.W.J., (1991), Developments in the study of cointegrated economic
variables. In Long-run economic relation/Readings in cointegration (Eds.) Engle RF,
Granger C.W.J., Oxford University Press, Oxford, 65-80.
Granger, C.W.J., Newbold, P., (1974). Spurious regressions in econometrics. Journal
of Econometric, Vol 2. pp 111-120
Granger, C.W.J.,Weiss, A.A., (1983). Time series analysis of error correcting models.
Studies in Econometrics, Time Series and Multivariate Statistics, New York:
Academic Press, pp 255-278.
Guttormsen, A.G., (2004). Causality between energy consumption and economic
growth. Discussion Paper D-24/2004. Department of Economics and Resource
Management. Agricultural University of Norway.
Hendry, D.F., (1986). Econometric modelling with cointegrated variables: an
overview. Oxford Bulletin of Economics and Statistics. Vol 48. pp 201-212.

22
Hondroyiannis, G., Lolos, S., Papapetrou, E., (2002). Energy consumption and
economic growth: assessing the evidence from Greece. Energy Economics. Vol. 24. pp
319-336.
Houcarde, J.Ch., Ben Chaabane, N., (1991). Les liens énergie croissance dans les pays
en développement (1960-1985): propositions méthodologiques pour une formalisation
des liens énergie-modes de développement. Dans « Politiques Economiques et
Marchés internationaux de matières premières. Economica.
Jacquinot, P., (1989). Une approche économétrique à la mode : la cointégration.
S.E.E.R. 89-4/1 Direction Générale des Etudes, Banque de France.
Jobert, T., (1992). Test de racine unitaire : une stratégie et sa mise en œuvre.
Cahiers Eco & Maths n° 92.44, MAD Université de Paris I, Pantheon-Sorbonne.
Johansen, S., (1988). Statistical analysis of cointegrating vectors. Journal of
Economic Dynamics and control. Vol 12. pp 231-254.
Johansen, S., (1991). Estimation and hypothesis testing of cointegration vectors in
Gaussian vectors autoregressive models. Econometrica. Vol 59, pp 1551-1580.
Johansen, S., (1995). Likelihood-based inference in cointegrated vector autoregressive
models. Oxford University Press.
Johansen, S., Juselius, K., (1990). Maximum likelihood estimation and inferences on
cointegration with application to the demand for money. Oxford Bulletin of
Economics and Statistics. Vol 52, pp 160-210.
Jumbe, C.B.L., (2004). Cointegration and causality between electricity consumption
and GDP: empirical evidence from Malawi. Energy Economics. Vol 26, pp 61-68.
Kraft, J., Kraft, A., (1978). On the relationship between energy and GNP. Journal of
Energy and Development. pp 401-403.
Lardic, S., Mignon, V., (2002). Econométrie des séries temporelles macroéconomiques
et financières. Economica.
Martin, J-M., (1992). Economie et politique de l’énergie. Armand Colin
Masih, A.M.M., Masih, R., (1996). Energy consumption, real income and temporal
causality: results from a multi-country study based on cointegration and error-
correction modeling techniques. Energy Economics. Vol 18, pp 165-183.
Masih, A.M.M., Masih, R., (1997). On the temporal causal relationship between
energy consumption, real income and prices: some new evidence from Asian-energy
dependent NICs based on a multivariate cointegration/vector error correction
approach. Journal of Policy Modeling. Vol 19, pp 417-440.
Masih, A.M.M., Masih, R., (1998). A multivariate cointegrate modeling approach in
testing temporal causality between energy consumption, real income and prices with
an application to two Asian LDCs. Applied Economics. Vol 30, pp 1287-1298.

23
Matly, M., (1983). Demande d’énergie et produit intérieur brut : vers une approche
patrimoniale. Revue de l’Energie, n° 356, pp 416-425.
Meallier, A., Chouard., Passeron H., (1986). Energie et économie dans l’OCDE. Une
approche économétrique. Revue de l’énergie, n° 383, pp 205-213.
Mouttet, F., Plateau, C., Brillet, J.L., Morand, J.P., (1983). Mini-DMS-énergie.
Modèle des interactions économie-énergie. Archives et Documents n° 74, INSEE
Mozumber, P., Marathe, A., (2005). Causality relationship between energy
consumption and GDP in Bangladesh. Discussion Paper Department of Economics,
University of New Mexico
Nachane, D.M., Nadkami, R.M., Karnik, A.V., (1988). Co-integration and causality
testing of the energy-GDP relationship: a cross-country study. Applied Economics.
Vol 20, pp 1511-1531.
Nelson, C.R., Plosser, C.I., (1982). Trends and random walks in macroecomic time
series. Journal of Monetary Economics. Vol 10, pp 139-162.
Njiki, R.P., (1998). Cointégration et test d’efficience sur les marches dérivés. Journal
de la Société Statistique de Paris, Vol 139, pp 35-59.
Oh, W., Lee, K., (2004). Causal relationship between energy consumption and GDP
revisited: the case of Korea 1970-1999. Energy Economics. Vol 26, pp 51-59.
Osterwald-Lenum, M., (1992). A note with quantiles of the asymptotic distribution of
the maximum likelihood cointegration rank test statistics. Oxford Bulletin of
Economics and statistics, Vol 54, pp 461-471.
Percebois, J., (1997). Energie et théorie économique. A propos des débats
contemporains. Editions Cujas.
Percebois. J., (1998). L’apport de la théorie économique aux débats énergétiques.
Creden, Cahier n° 99.11.15. Université de Montpellier I.
Perron, P., (1993). Racines unitaires en macroéconomie : le cas d’une variable. In
Macroéconomie : développements récents, Malgrange P. et Salvas-Bronsard L. eds.,
pp 327-358, Economica.
Perron, P., Campbell, J.Y., (1992). Racines unitaires en macroéconomie : le cas
multidimensionnel. Annales d’Economie et de Statistique. Vol 27, pp 1-50.
Phillips, P., Perron, P., (1988). Testing for a unit root in time series regression.
Biometrika, Vol 75, pp 335-346.
Pizzaro Rios, J.V., (1993). The links between money and prices. Causality tests for
the Peruvian and Chilean cases. Cahiers du Département d’Econométrie n° 93.11.
Faculté des sciences économiques et sociales. Université de Genève.
Prevot, J.f., (1951). Les variations concomitantes de l’énergie consommée et du
produit national. Journal de la Société Statistique de Paris, janvier-mars ; pp 23-41.

24
Salmon, M., (1982). Error correction mecanisms. The Economic Journal, Vol 92, pp
615-629.
Sekkat, K., (1989). L’analyse de causalité comme méthode de détermination des
filières industrielles. Annales d’Economie et de Statistique, Vol 14, pp 191-224.
Sims, C.A., (1972). Money, income and causality. American Economic Review. Vol
62, pp 540-552.
Sims, C.A., (1980). Macroeconomics and reality. Econometrica, Vol 48, pp 1-48
Stock, J.H., Watson, M.W., (1989). Interpreting the evidence on money-income
causality. Journal of Econometrics. Vol 40. pp 161-182
Soytas, U., Sari, R., (2003). Energy consumption and GDP: causality relationship in
G-7 countries and emerging markets. Energy Economics. Vol 26, pp 33-37
Soytas, U., Sari, R., Ozdemir, O., (2001). Energy consumption and GDP relations in
Turkey: cointegration and vector error correction analysis. Economies and Business
in transition: Facilitating Competitiveness and Change in the Global Environment
Proceedings, pp 838-844.
Spierer, C., (1982). La demande d’énergie en Suisse. Droz, Genève.
Yu, E., Choi, J., (1985). The causal relationship between energy and GDP, an
international comparison. Journal of Energy and Development. Vol 10, pp 249-272.
Yu, E., Wang, B., (1984). The relationship between energy and GNP. Further
results. Energy Economics. Vol 6, pp 186-190

25
SERIE DES DOCUMENTS DE TRAVAIL DU BAMSI

01/2001 « STATIS : une méthode d’analyse conjointe de plusieurs tableaux de

données »
Samuel AMBAPOUR
02/2001 « Estimation des frontières de production et mesures de l’efficacité
technique»
Samuel AMBAPOUR
03/2001 « Estimation d’un modèle d’emploi de court terme avec ajustement partiel »
Samuel AMBAPOUR
04/2001 « Note sur la mortalité infantile »
Samuel AMBAPOUR
05/2001 « Dix ans d’ajustement en Afrique : application d’un modèle de comptage »
Samuel AMBAPOUR
06/2001« Mesure des attentes de la clientèle et évaluation du niveau de satisfaction »
Samuel AMBAPOUR, Diana Lyse MAPOUATA
07/2002 « Ressources humaines et libéralisation : une approche stratégique »
Samuel AMBAPOUR
08/2002« Le paradoxe de Todaro. Un test économétrique sur les données du Congo »
Samuel AMBAPOUR
09/2003 « Incidence des migrations internes sur la structure par âge : une exploration
par le modèle de population stable »
Samuel AMBAPOUR
10/2004 « Efficacité technique comparée des systèmes de santé en Afrique
subsaharienne : une application de la méthode de DEA »
Samuel AMBAPOUR

11/2005 «Prévision des indices des prix à la consommation des ménages au Congo »
Christophe MASSAMBA

12/2005 «Croissance économique et consommation d’énergie au Congo : une analyse

en termes de causalité »
Samuel AMBAPOUR et Christophe MASSAMBA
Ces documents de travail peuvent être obtenus gratuitement. Les demandes correspondantes doivent
être adressées à Monsieur Bassissila Théophile, Immeuble du Plan, CNSEE, Porte 501, Cellulaire : 666
62 94, E-mail : bass_theo@yahoo.fr. Ces documents peuvent également être téléchargés sur le site Web
du CNSEE (www.cnsee.org).

26