Navigation – Plan du site
Un système socio-économique marqué par le dualisme productif

L’Indicateur du Climat des Affaires : reflet fidèle de l’économie martiniquaise ?

Is the Business Climate Indicator an Accurate Tracker of Martinique’s Economy?
Nicolas Gobalraja

Résumés

Cet article est la première tentative de mesure directe de la relation statistique entre l’indicateur du climat des affaires (ICA) de l’IEDOM et le taux de croissance du PIB en Martinique. Nous y présentons la méthodologie qui préside à la construction de l’ICA avant de réaliser un étalonnage du taux de croissance du PIB par l’ICA sur données annuelles au moyen d’un modèle vectoriel autorégressif (VAR). Malgré la faible taille de l’échantillon, les résultats sont encourageants. En particulier, nous détectons une relation de causalité de l’ICA vers le taux de croissance du PIB, validant l’utilisation de l’ICA comme un indicateur coïncidant de l’activité. Nous discutons enfin de la possibilité d’améliorer nos résultats en construisant un VAR en panel à l’aide des ICA d’autres géographies ultramarines ou en trimestrialisant le PIB à l’aide de méthodes numériques.

Haut de page

Texte intégral

Introduction 

1Les petites économies caribéennes sont peu nombreuses à disposer d’une estimation trimestrielle de leur produit intérieur brut. Le coût en moyens humains et techniques nécessaires au déploiement de l’outil statistique à une fréquence trimestrielle est souvent rédhibitoire. Le suivi de l’activité à un rythme infra-annuel paraît toutefois incontournable pour décider de l’orientation de la politique économique, qui plus est, dans des économies aussi spécialisées (tourisme, agriculture, minerai). Dans ce contexte, la production d’indicateurs synthétiques d’activité (ou plus communément de business surveys) issus d’enquêtes trimestrielles présente de nombreux avantages. Ces indicateurs sont relativement rapides à produire. Ils ne nécessitent pas un échantillon extensif de participants à l’enquête. Ils peuvent refléter une situation passée, contemporaine, ou une prévision d’activité. Ils ne nécessitent pas de révision. Ils reposent sur une approche microéconomique. Ils sont directement interprétables comme des taux de croissance de la diffusion de l’activité. Ces indicateurs synthétiques d’activité ont également quelques inconvénients, au premier rang desquels celui d’être qualitatifs, c’est-à-dire de reposer avant tout sur le jugement des participants et de s’éloigner de facto des critères de mesure du PIB.

2Dans cette contribution, nous tentons d’une certaine manière de résoudre cet arbitrage en soumettant l’Indicateur du Climat des Affaires (ICA) produit par l’Institut d’Émission des Départements d’Outre-mer (IEDOM) en Martinique à l’épreuve de l’efficacité du suivi de l’activité économique locale mesurée par le PIB. À l’instar des petites économies caribéennes, la Martinique ne dispose que d’une estimation annuelle de la croissance de son PIB produite dans le cadre du partenariat CEROM en octobre de l’année suivante. À bien des égards, cette estimation paraît insuffisante pour assurer le diagnostic conjoncturel de l’économie martiniquaise. Pour compléter ce diagnostic, l’IEDOM a ainsi développé l’ICA, un indicateur reposant sur une enquête trimestrielle collectant les soldes d’opinion de plus de 140 chefs d’entreprises en Martinique, à l’image de ce que la Banque de France et l’INSEE produisent pour le suivi de la conjoncture à l’échelle nationale.

3Cet article s’inscrit dans la continuité des contributions de l’IEDOM concernant l’ICA (voir en particulier IEDOM, 2010) et des travaux plus généraux sur les indicateurs de climat des affaires. Le recul de quelques années permet toutefois, par rapport aux contributions passées, de confronter directement l’ICA au PIB dans nos estimations sur des données annuelles. Cette confrontation apparaît en effet comme un préalable à l’utilisation de l’ICA à une fréquence supérieure dans l’établissement d’un diagnostic économique.

4Ainsi dans cette contribution, nous explicitons la méthode de construction de l’ICA dans une première section. Nous détaillons notamment la méthode de construction de l’ICA, de la collecte des données d’enquête jusqu’à la construction des soldes d’opinion et l’extraction d’un facteur commun. Dans une deuxième section, nous confrontons l’ICA au taux de croissance du PIB. Cette confrontation prend la forme d’une analyse en statistique descriptive puis d’un étalonnage du PIB sur l’ICA au moyen d’un modèle vectoriel autorégressif. Cette confrontation est plutôt concluante même si les précautions statistiques ne permettent pas de conclure définitivement sur la relation entre l’ICA et le PIB, l’ICA apparaît comme un indicateur acceptable de l’activité totale. Sur ce constat, nous prolongeons dans une troisième section notre réflexion en examinant les voies d’amélioration du diagnostic sur la relation entre le PIB et l’ICA.

1. La construction de l’ICA

5La construction de l’ICA repose sur une enquête de sentiment économique ou enquête de conjoncture, menée auprès d’un panel d’entreprises locales. Les résultats de cette enquête produisent des indicateurs appelés « soldes d’opinion » qui font l’objet d’un traitement statistique visant à produire un indicateur unique résumant le maximum de l’information contenue dans les soldes d’opinion.

1.1. L’enquête de conjoncture et les soldes d’opinion

  • 1 Les réponses des responsables d’entreprise sont collectées par téléphone, par un formulaire rempli (...)

6L’enquête de conjoncture préalable à la construction de l’ICA n’est pas très différente, sur le principe, des grandes enquêtes menées au niveau national par l’INSEE, la Banque de France ou encore par l’institut Markit (qui produit le Purchasing Managers’ Index). Le service des Études de l’IEDOM interroge1 ainsi chaque trimestre 150 entreprises représentant six secteurs d’activité différents : les secteurs des services marchands, de l’industrie, de la construction (BTP), du commerce, du tourisme, de l’agriculture et de l’agroalimentation. Il est demandé aux responsables de ces entreprises de comparer le niveau actuel de 16 indicateurs économiques (activité générale, activité générale au prochain trimestre, prix, prix au prochain trimestre, délais de paiement, délais de paiement au prochain trimestre, charges d’exploitation, charges d’exploitation au prochain trimestre, carnet de commandes, investissements prévus dans les douze prochains mois, effectifs, effectifs au prochain trimestre, stocks, stocks au prochain trimestre, trésorerie, trésorerie au prochain trimestre) avec leur niveau du trimestre précédent. Les réponses possibles sont restreintes à trois : « en hausse », « stable » ou « en baisse ». La part des entreprises ayant répondu « en hausse » est alors retranchée à la part de celles qui ont déclaré « en baisse » pour former un solde d’opinion. Cependant toutes les entreprises ne sont pas considérées comme équivalentes. Afin que les soldes d’opinion restent fidèles à la structure du secteur, les réponses sont pondérées par le nombre d’employés (qui reflète en quelque sorte la taille de l’entreprise) travaillant au sein de l’entreprise interrogée. La réponse d’une grande entreprise aura donc un impact plus important sur le solde d’opinion que celle d’une petite entreprise. De surcroît, afin de corriger les variations infra-annuelles liées au cycle d’activité et d’améliorer la lecture des résultats, les soldes d’opinion sont corrigés des variations saisonnières, centrés et réduits.

Graphique 1 : Solde d’opinion « activité générale », T4 1994 – T2 2018

Graphique 1 : Solde d’opinion « activité générale », T4 1994 – T2 2018

Source : IEDOM Martinique

7La lecture d’un solde d’opinion est dès lors très semblable à celle d’un indice de diffusion. Dans le graphique 1 montrant le solde d’opinion de l’activité générale, lorsque le solde d’opinion évolue au-delà de la valeur 0 (sa moyenne de long terme), les entreprises déclarent majoritairement (comme il a été écrit ci-dessus, la majorité étant établie selon un critère de taille et non de nombre d’entreprises) une progression de l’activité par rapport au trimestre précédent. Lorsque le solde évolue en territoire négatif, elles déclarent alors majoritairement une baisse de cet indicateur.

1.2. L’analyse en composante principale et l’ICA

8La construction de soldes d’opinion est utile pour le monitoring de la croissance économique, mais s’avère dans la pratique insuffisante. La qualité et la pertinence des informations résumées dans un solde d’opinion sont en effet variables. Elle dépend largement de la composition du panel d’entreprises. Par exemple, la dégradation du sentiment d’un seul dirigeant d’entreprise liée à sa situation individuelle ou des dirigeants d’entreprises d’un seul secteur en difficulté peut « fausser » le solde d’opinion agrégé par rapport à la situation économique globale, comme le ferait un point aberrant dans une estimation économétrique. Elle dépend également largement de la qualité de l’analyse des responsables d’entreprise. Ces réponses exprimant un point de vue sur le niveau d’activité, elles peuvent être très volatiles d’un trimestre sur l’autre et parfois contradictoires d’un indicateur à l’autre malgré la proximité de ces indicateurs. Le graphique 2 sélectionnant quelques-uns des soldes d’opinion en est une bonne illustration.

Graphique 2 : Sélection de 7 soldes d’opinion, T4 1994 – T2 2018

Graphique 2 : Sélection de 7 soldes d’opinion, T4 1994 – T2 2018

Source : IEDOM Martinique

9C’est pourquoi la majorité des indicateurs de climat des affaires sont des indicateurs composites, c’est-à-dire synthétisant plusieurs indicateurs. L’ICA de l’IEDOM ne fait pas exception. La synthèse des soldes d’opinion dans un seul indicateur permet de réduire l’impact des principaux défauts des enquêtes de conjoncture mentionnés brièvement ci-dessus et qui se traduisent par du bruit statistique.

10La méthode choisie pour synthétiser les soldes d’opinion dans un indicateur global est semblable à celle de l’indicateur conjoncturel de la Banque de France (voir Darné et Brunhes-Lesage, 2008). L’ICA de l’IEDOM est ainsi construit à partir d’une analyse en composante principale dont le but est d’extraire un facteur commun aux soldes d’opinion. Les vertus (et les défauts) de l’analyse en composante principale (ACP) sont bien connues (pour un exposé exhaustif, voir Jolliffe 2002). Cette méthode d’analyse matricielle permet de transformer une base de données en une nouvelle base concentrant la quasi-totalité de la variance (ou inertie) dans un nombre plus limité de séries que leur nombre initial. Les nouvelles séries, dites composantes, sont alors définies comme des combinaisons linéaires des séries originelles et sont par construction orthogonales les unes aux autres. L’ACP permet ainsi de réduire la dimension d’une base de données en préservant au maximum l’information qu’elle contient. Appliquée aux soldes d’opinion, l’ACP produit de nouvelles séries dont la première recueille le maximum de la variance contenue dans les soldes d’opinion. À la date t, la première composante s’écrit donc :

Graphique 3 : L’indicateur du climat des affaires en Martinique, T4 1994 – T3 2018

Graphique 3 : L’indicateur du climat des affaires en Martinique, T4 1994 – T3 2018

Source : IEDOM Martinique

11Lorsque l’ICA évolue au-dessus de sa valeur moyenne normée à 100, les entreprises déclarent donc tous soldes d’opinion confondus via l’analyse en composante principale une progression de la diffusion de la hausse de l’activité globale. Lorsque l’ICA descend au-dessous de sa valeur moyenne, ces entreprises déclarent une plus grande diffusion de la baisse de l’activité globale. À noter que lorsque l’ICA baisse, mais reste au-dessus de 100, la progression ralentit, mais reste positive. L’ICA se lit donc comme un taux de croissance, plutôt que comme un indice.

2. L’ICA est-il un bon indicateur de la croissance de l’activité économique ?

12Stricto sensu, l’ICA délivre une information sur la diffusion de la croissance de l’activité dans le secteur marchand. Il repose sur des données qualitatives et microéconomiques. Cependant, la méthode utilisée pour sa construction (échantillonnage de l’enquête, extraction d’un facteur commun) lui prête les attributs d’un indicateur quantitatif et macroéconomique proche des indicateurs statistiques officiels tels que le PIB et lui donne ainsi vocation à mesurer la croissance économique elle-même. Pour évaluer les performances de l’ICA dans la mesure des variations de l’activité économique, nous procédons ici à un étalonnage. L’étalonnage consiste à spécifier et estimer un modèle économétrique dans lequel la variable cible est généralement définie comme la variable endogène (ou à expliquer) et l’indicateur comme la variable exogène (ou expliquant). Dans cette section, nous réalisons cet étalonnage en utilisant un modèle vectoriel autorégressif, ce qui nous permet de définir le taux de croissance du PIB (notre variable cible) et l’ICA (notre indicateur), tous deux comme des variables endogènes.

2.1. Statistiques descriptives

  • 2 Le CEROM ou Comptes économiques Rapides pour l’Outre-mer regroupe l’Institut National de la Statist (...)

13L’indice du climat des affaires martiniquais est produit trimestriellement, environ 30 jours après la fin du trimestre d’intérêt. Ce délai est nécessaire au déploiement de l’enquête de conjoncture et au traitement statistique de ses réponses décrit à la section précédente. Le PIB de la Martinique n’est produit, quant à lui, qu’à une fréquence annuelle, le CEROM2 ne publiant une estimation que dans le courant du mois d’octobre de l’année suivante. La différence de fréquence de production entre l’ICA et le PIB de la Martinique apparaît dès lors comme une contrainte très forte pesant sur l’évaluation de la performance de cet indicateur (voir IEDOM, 2010, pour un exposé plus systématique de cette problématique). D’une part, à la différence des indicateurs de climat d’affaires issus d’enquêtes nationales, l’ICA ne semble pas pouvoir faire l’objet d’un étalonnage sur sa fréquence « native », ce qui nécessite de l’annualiser et de perdre in fine de l’information. D’autre part, le nombre d’observations annuelles du PIB martiniquais est très réduit (nous disposons tout au plus de 24 années de PIB), ce qui nuit à la qualité de l’estimation statistique.

14Pour procéder à l’étalonnage, une série d’ICA annuelle est donc synthétisée sur la base de ses composantes trimestrielles. Nous ne discutons pas ici des différentes façons de réaliser cette synthèse. L’ICA étant considéré comme un indice de dispersion, on lui prête les caractéristiques d’un taux de croissance (c’est d’ailleurs à ce titre qu’il est comparé au taux de croissance du PIB) et il mériterait peut-être d’être annualisé à la manière d’un taux de croissance trimestriel. Nous nous contentons ici de construire l’ICA annuel comme une moyenne arithmétique de ses composantes trimestrielles.

Graphique 4 : Évolution de l’ICA (ed) et du taux de croissance du PIB réel (eg), 1994 –2017

Graphique 4 : Évolution de l’ICA (ed) et du taux de croissance du PIB réel (eg), 1994 –2017

Source : IEDOM Martinique, INSEE, CEROM

15Le graphique 4 compare l’évolution annuelle de l’ICA produit par l’IEDOM à celle du PIB produit par l’INSEE de 1994 à 2003 et le CEROM depuis 2004. Il illustre l’intuition initiale selon laquelle l’ICA annualisé est corrélé avec la croissance du PIB. On peut noter une légère tendance à la baisse sur la période pour les deux séries, dont on ne peut dire en l’absence de données supplémentaires si elle est structurelle ou si elle dépend de l’échantillon (la tendance n’est remarquable qu’à partir de la fin des années 2000 qui correspond à la période de « grande modération »). Les deux séries ont également l’air de fluctuer en phase l’une avec l’autre, les variations ayant l’air moins prononcées toutefois pour l’ICA que pour le PIB (ce qui est particulièrement visible avant 2003 et après 2009). On note également que le niveau moyen de l’ICA sur la période (100) correspond peu ou prou à un taux de croissance du PIB réel moyen de 2 %. Ceci laisse penser que l’ICA a un biais légèrement pessimiste : un ICA situé à 90 traduisant une baisse de l’activité économique pour une majorité d’entreprises déclarantes coïncide statistiquement encore avec une période de (légère) croissance du PIB.

16On note enfin un léger décrochage entre les deux séries à partir de 2013. Ce décrochage s’explique essentiellement selon nous par la différence de périmètre sectoriel entre le PIB et l’ICA. Alors que le PIB englobe la production de l’ensemble des secteurs de l’économie, l’ICA n’enregistre les déclarations que des entreprises du secteur marchand. Ce dernier exclut donc de facto toute contribution du secteur administré. Or les évolutions du secteur administré, dont nous savons par ailleurs qu’il pèse lourd dans la valeur ajoutée totale (environ 30 %), ont été quelque peu orthogonales ces dernières années en Martinique par rapport aux évolutions du secteur marchand. En particulier les variations de l’investissement des administrations publiques ont significativement contribué au profil de la croissance du PIB de la Martinique à partir de 2013 (voir INSEE, 2018).

17Le coefficient de corrélation linéaire, qui est égal à 0,51, confirme le co-mouvement du taux de croissance du PIB réel et de l’ICA. Ainsi, bien que l’ICA soit un indicateur qualitatif dont les variations traduisent en théorie l’ampleur de la diffusion de la croissance dans l’économie et non l’ampleur de la croissance stricto sensu, il montre bien les propriétés d’une variable quantitative proxy du PIB. C’est un résultat encourageant qui le qualifie pour l’étalonnage. D’ailleurs, en restreignant l’analyse du co-mouvement de l’ICA et du taux de croissance du PIB à leur orientation, la coïncidence de l’indicateur avec le PIB est encore meilleure. En considérant qu’au-delà de son seuil de diffusion de 100 l’ICA coïncide théoriquement avec un taux de croissance du PIB positif, l’ICA annualisé prédit correctement 15 fois sur les 24 dernières années l’orientation de la croissance économique. En considérant que l’ICA annuel peut être au mieux produit lorsque l’ICA du quatrième trimestre est disponible, c’est-à-dire au début du mois de février de l’année suivante, nous disposerions donc d’un indicateur délivrant la bonne orientation de la croissance économique avec huit mois d’avance sur la première estimation du PIB dans 63 % des cas. Sans assimiler ces performances à celle d’un véritable tracker statistique du PIB ou d’un indicateur de retournement et en les relativisant au regard du nombre d’observations très limitées, ce résultat est encore une fois encourageant.

2.2. Étalonnage de l’ICA à l’aide d’un modèle VAR

18Comme nous le savons, la forte corrélation entre le PIB annuel et l’ICA est une condition nécessaire, mais pas suffisante pour la réalisation de l’étalonnage. Les séries devraient présenter en sus une relation de causalité. Le sens de la relation de causalité est théoriquement difficilement prévisible. Nous souhaitons avant tout que l’ICA soit un indicateur avancé du PIB, donc que l’ICA soit identifié comme une variable causale du taux de croissance du PIB. La construction même de l’ICA, qui contient des soldes d’opinion reposant sur des déclarations sur la situation économique contemporaine, mais aussi future, pousse en ce sens. Il n’est pas exclu toutefois qu’une relation de causalité inverse soit détectée, étant donné que l’ICA comme le PIB reposent sur les mêmes fondamentaux économiques (l’activité économique contemporaine, mesurée « objectivement » dans un cas et à travers le prisme du jugement de responsables d’entreprises dans l’autre cas). En modélisant l’étalonnage au moyen d’un modèle VAR, nous espérons trouver une relation de causalité entre ces variables tout en neutralisant les effets d’une possible endogénéité.

19Nous réalisons préalablement des tests de racine unitaire sur le taux de croissance du PIB et l’ICA, en suivant une méthodologie proche de celle de Box et Jenkins. Ces tests identifient le taux de croissance du PIB de la Martinique sur la période 1994-2017 comme un processus stationnaire et l’ICA sur la même période comme un processus non stationnaire de type déterministe (ou « stationnaire en tendance » pour reprendre la terminologie de Nelson et Plosser, 1982). Nous transformons en conséquence la série d’ICA originelle en lui soustrayant sa tendance estimée à l’aide d’un filtre Hodrick-Prescott (graphique 5). La série transformée est bien un processus stationnaire.

Graphique 5 : Évolution de l’ICA (ed) et de sa tendance – filtre HP), 1994 –2017

Graphique 5 : Évolution de l’ICA (ed) et de sa tendance – filtre HP), 1994 –2017

Source : IEDOM Martinique

20L’identification de ces processus stationnaires n’est pas seulement importante d’un point de vue statistique. Elle nous indique également que le taux de croissance du PIB comme celui de l’ICA possèdent des trajectoires de long terme insensibles aux chocs conjoncturels, puisque ces derniers n’ont pas d’influence persistante sur les processus stationnaires. Cette information suggère d’ores et déjà de limiter l’étude du modèle VAR aux chocs de court terme.

21Nous procédons ensuite à un test de causalité « à la Granger » sur ces deux séries. Ce test, basé sur la statistique de Wald, détecte les relations de causalité en appliquant le principe selon lequel une variable qui améliore la prévision d’une autre variable entretient une relation de cause à effet avec cette dernière. Les résultats du test sont plutôt concluants. S’ils suggèrent que le PIB n’est pas une variable causale de l’ICA (l’hypothèse Ho d’absence de causalité ne peut être rejetée avec une probabilité d’erreur de 24 %), ils identifient bien l’ICA comme une variable causale du PIB (l’hypothèse Ho d’absence de causalité peut être rejetée avec une probabilité d’erreur de 8 %). Ce résultat valide l’hypothèse selon laquelle l’ICA a les attributs d’un indicateur avancé du taux de croissance du PIB. Il nous incite toutefois à modifier la spécification du modèle VAR que nous souhaitions mettre en œuvre. Plutôt que de spécifier la première équation autour du taux de croissance du PIB, nous la spécifions en régressant la variable « la plus exogène », l’ICA, sur le PIB et les variables retardées. Cette spécification nous permet par la suite de faire porter les chocs d’innovations sur l’ICA plutôt que sur le PIB via la décomposition selon Cholesky. L’estimation du VAR nous donne les résultats suivants (nous faisons apparaître entre parenthèses la statistique de Student) :

22Compte tenu du nombre limité d’observations et qu’il s’agit de données annuelles, nous contraignons le nombre de retards à 2. L’intérêt de notre analyse repose en effet sur les relations de court à moyen terme (soit deux ans maximum) plutôt que sur les relations de long terme pour lesquelles notre modélisation paraît moins pertinente. La minimisation des critères statistiques usuels (Akaike, Hannan-Quinn, et Schwartz) suggère clairement une modélisation VAR(2), c’est-à-dire comprenant deux retards pour chacune des variables endogènes. Les résultats des estimations sont sans véritable surprise. On retiendra que les coefficients des variables du PIB ne sont pas significatifs dans la première équation, ce que les résultats du test de causalité selon Granger suggéraient déjà. Dans la seconde équation, le résultat le plus notable est la domination dans l’équation de l’impact des variables retardées de deux ans par rapport aux variables retardées d’une année. Nous notons également que le coefficient de l’ICA_D retardé de deux ans est à la limite de la significativité, ce qui repose avec plus d’acuité la question de la limitation du nombre d’observations, puisque le test de causalité a validé la spécification.

Graphiques 6 a, b, c, d : Réponses impulsionnelles du VAR(2)

Graphiques 6 a, b, c, d : Réponses impulsionnelles du VAR(2)

Source : IEDOM Martinique

23Le graphique 6 montre les réponses impulsionnelles du modèle à un choc sur l’indicateur et la variable cible. Le graphique 6a montre que les effets d’un choc positif de 8 points sur l’ICA (correspondant à un écart-type) s’estompent en trois ans, alors que l’effet d’un choc positif de 1,8 point sur le PIB (correspondant à un écart-type) met 10 ans avant de disparaître avec un profil plus heurté (voir graphique 6d). On remarque surtout le graphique 6c qui illustre la réaction du PIB à un choc sur l’ICA. Ainsi un choc positif de 8 points se traduirait la première année par une hausse du PIB de 0,5 point, mais contribuerait négativement par la suite avant de s’estomper. Le graphique 6b illustre quant à lui l’absence d’impact contemporain du PIB sur l’ICA_D puisque le choc en première période est égal à 0, puis intervient la répercussion de ce choc via le VAR avec un profil qui s’amortit progressivement.

24Selon les réponses impulsionnelles, un choc positif significatif sur l’ICA a donc dans l’année un impact positif sur le taux de croissance du PIB non moins significatif. Le diagnostic des réponses impulsionnelles peut être complété par une analyse de la décomposition de la variance de l’erreur de prévision. L’objectif est ici de savoir à quelle variable l’erreur de prévision sur un horizon donné est attribuable. Cette analyse suggère qu’à 95 % l’erreur de prévision de l’ICA n’est due qu’à ses propres innovations. Ce chiffre n’est que de 81 % pour le taux de croissance du PIB. Un choc sur l’ICA a un impact plus important sur le PIB qu’un choc sur le PIB n’en aurait sur l’ICA, ce qui vient confirmer le diagnostic du test de causalité et des réponses impulsionnelles.

25Nous utilisons enfin le modèle pour réaliser une prévision statique (à un an de distance du dernier point observable) du taux de croissance du PIB de la Martinique. Nous obtenons les résultats illustrés par le graphique 7.

Graphique 7 : Comparaison du taux de croissance du PIB prévu et observé, 1996 –2017

Graphique 7 : Comparaison du taux de croissance du PIB prévu et observé, 1996 –2017

Source : IEDOM Martinique

26Compte tenu du faible nombre d’observations, nous n’avons pas réalisé de prévision hors échantillon. Sur l’échantillon, les résultats apparaissent plutôt honorables avant 2013, date à laquelle le modèle connaît quelques difficultés à identifier les fluctuations du taux de croissance du PIB. Comme évoqué plus haut, nous pensons que cette difficulté est fortement liée à la volatilité de la contribution du secteur administré en fin de période pour laquelle l’enquête de conjoncture et l’ICA sont difficilement pertinents.

27Dans l’ensemble le modèle est plus performant qu’un modèle univarié. L’erreur quadratique moyenne de la prévision du taux de croissance du PIB réalisée au moyen du modèle VAR est ainsi inférieure d’un cinquième à l’erreur moyenne de la prévision réalisée au moyen d’un modèle autorégressif à deux retards.

3. Les voies d’amélioration des diagnostics sur l’ICA et le PIB de la Martinique

28Malgré les bonnes propriétés statistiques de l’ICA et la pertinence de l’étalonnage du PIB réalisé dans la section précédente, il paraît difficile, à ce stade, de formuler un jugement définitif sur la fiabilité de la relation entre l’ICA et le PIB. En particulier, la taille de l’échantillon limite la portée des estimations obtenues jusqu’alors. Dès lors, nous évoquons et illustrons dans cette section les prolongements d’analyse possibles dans le sillon creusé par cet article. En particulier, nous abordons les voies d’affranchissement de la contrainte de rareté des observations à fréquence annuelle, dans le but d’améliorer le diagnostic sur l’ICA, mais également d’affiner l’analyse la croissance de l’activité économique.

3.1 Un modèle VAR en panel

29L’étalonnage du PIB de la Martinique au moyen d’un modèle VAR nous a paru la spécification la plus adéquate, en particulier au regard du traitement de l’endogénéité entre le taux de croissance du PIB et l’ICA. Elle est par ailleurs équivalente ici à une spécification dans laquelle nous aurions introduit une restriction de court terme sur la structure de l’erreur du PIB (définie comme la somme des erreurs du taux de croissance du PIB et de l’ICA).

30L’étalonnage souffre en revanche de la taille de l’échantillon à notre disposition. Dès lors, une possibilité de contourner cette contrainte sans sacrifier la fréquence annuelle sur laquelle reposent les estimations consisterait à construire un modèle vectoriel autorégressif en panel en agrégeant les données de plusieurs géographies. En effet, l’ICA est un indicateur conjoncturel synthétisé par les instituts IEDOM et IEOM dans chaque grande géographie ultramarine. En sus de la Martinique, il existe ainsi un ICA pour la Guadeloupe, la Réunion, la Guyane, Mayotte, la Nouvelle-Calédonie et la Polynésie française (IEDOM, 2010). Par ailleurs, l’ICA est construit selon une méthodologie harmonisée afin de faciliter les comparaisons entre ces différentes économies. Par exemple, les soldes d’opinion sélectionnés pour la réalisation de l’analyse en composante principale sont les mêmes pour l’ensemble des géographies. L’intégration de tous les ICA et des différents taux de croissance du PIB dans une base de données commune apporterait de la complexité. Celle-ci se traduirait dans les données par de l’hétérogénéité additionnelle, comme le suggère le graphique 8 illustrant les évolutions des ICA pour plusieurs géographies (ne figurent de surcroît dans ce graphique que les économies du bassin antillais, dont on peut penser que les activités sont les plus synchrones et donc les moins hétérogènes possible). Par exemple, la Guyane semble avoir un cycle économique moins connecté que celui de la Guadeloupe et de la Martinique avant 2009. Toutefois, cette hétérogénéité est tout à fait tractable dans le cadre d’estimations en panel et la multiplication des observations dans la dimension individuelle-pays améliorerait considérablement les estimations et tests qui reposent sur des propriétés asymptotiques.

Graphique 8 : Évolution des ICA de Guadeloupe, de Martinique et de Guyane, T1 2001 – T2 2018

Graphique 8 : Évolution des ICA de Guadeloupe, de Martinique et de Guyane, T1 2001 – T2 2018

Source : IEDOM Martinique

31L’existence de données d’enquête et d’ICA semblables (mais pas totalement identiques) au niveau national (les indicateurs de climat d’affaires de la Banque de France) laisserait même envisager la possibilité d’agréger à cette base multi-géographique les données pour la métropole (ICA et taux de croissance du PIB). En effet, l’interdépendance économique des départements et territoires ultramarins à la métropole justifierait à elle seule cet arrimage statistique (voir Canova et al, 2013, pour un exposé sur la pertinence du traitement des économies interdépendantes dans les modèles VAR en panel) et enrichirait probablement considérablement la spécification.

3.2 Trimestrialisation et variables exogènes

32Une autre solution consisterait peut-être à substituer au PIB une variable économique approchante, mais disponible à des fréquences infra-annuelles. Nous pourrions alors réaliser l’étalonnage de l’ICA au moyen de cette variable proxy avec une perte d’information minimisée. Le tableau 9 montre à titre d’exemple les coefficients de corrélation linéaire entre le taux de croissance du PIB et une sélection de variables : le taux de croissance des ventes de ciment (en valeur), le taux de croissance du chômage (inscriptions à Pôle emploi en catégorie A) et le taux de croissance des importations (en valeur).

Tableau 1 : Coefficients de corrélation entre le taux de croissance du PIB et une sélection de variables

 

PIB

Ciment

Chômage

Importations

 

PIB

1,0

0,7

-0,6

0,6

Ciment

0,7

1,0

-0,6

0,5

Chômage

-0,6

-0,6

1,0

-0,1

Importations

0,6

0,5

-0,1

1,0

Source : calculs IEDOM Martinique

33Ainsi, le taux de croissance des ventes de ciment en vrac ou du nombre de chômeurs pourraient constituer de bons indicateurs coïncidents du taux de croissance du PIB. D’un point de vue empirique, les variables relatives au marché immobilier sont traditionnellement utilisées dans l’identification des fluctuations du PIB ou des cycles d’affaires. Il peut s’agir d’ailleurs indifféremment de variables immobilières réelles (par exemple la construction de logements) ou de variables immobilières financières (comme les crédits à l’habitat). Les variables concernant le marché de l’emploi sont également souvent utilisées comme variables coïncidentes (voir Charpin et al, 2000 pour une application d’étalonnage à partir d’une variable immobilière).

34Il faut garder à l’esprit toutefois que les coefficients du tableau 1 sont calculés sur des valeurs annuelles qui ne reflètent donc pas intégralement la coïncidence au niveau trimestriel. Il faut également considérer que ces variables devraient être transformées (par exemple déflatées pour les variables en valeur comme les importations et les ventes de ciment) pour pouvoir être rigoureusement comparées au taux de croissance du PIB réel. Il s’agit néanmoins, toutes ces précautions étant prises, d’une voie d’analyse intéressante.

35Une dernière solution consisterait à trimestrialiser directement le PIB au moyen de l’une de ces variables et à l’utiliser avec l’ICA à cette fréquence supérieure dans l’étalonnage. Les méthodes de trimestrialisation sont bien connues des conjoncturistes et des comptables nationaux (voir Eurostat, 2013). On distingue au sein de ces méthodes celles qui sont fondées sur une approche économétrique de celles qui sont fondées sur une approche numérique (voir Ndiaye, 2013). En particulier, ces dernières reposent généralement sur la minimisation d’une fonction de perte construite sur la différence entre la série d’intérêt en cours de trimestrialisation et une série indicatrice déjà disponible à une fréquence trimestrielle. Ces méthodes ont l’avantage d’être relativement simples à appliquer et moins gourmandes en données que les méthodes économétriques. Dans le cadre de notre analyse, ces méthodes numériques paraissent donc tout indiquées pour aider à la production d’un PIB trimestriel.

Graphique 9 : Évolution de l’ICA et du taux de croissance du PIB trimestrialisé, T4 1994 – T2 2018

Graphique 9 : Évolution de l’ICA et du taux de croissance du PIB trimestrialisé, T4 1994 – T2 2018

Source : calculs IEDOM Martinique

36Le graphique 9 reproduit ainsi la série d’ICA de l’IEDOM sans sa tendance et le taux de croissance du PIB trimestrialisé au moyen de la méthode de Denton (1971). La fonction de perte de Denton repose sur la différence quadratique entre la série trimestrialisée et la série indicatrice. Sa minimisation vise à préserver les fluctuations dans la série qui fait l’objet de la trimestrialisation, sous contrainte que la somme des observations trimestrielles soit égale à la valeur annuelle de la série d’origine (la méthode de Denton est appliquée sur le PIB en niveau avant que ce dernier ne soit transformé en taux de croissance comme reproduit dans le graphique 9).

37Les deux séries représentées dans le graphique apparaissent plutôt en phase sur une longue période. La forte baisse de l’activité en 2008-2009 est en particulier bien captée et synchrone entre les deux séries, et ce sur plusieurs trimestres. Mais en considérant les fluctuations dans leur détail, on peut voir que cette synchronisation est insuffisante. Le taux de corrélation linéaire est d’ailleurs assez bas à 11 %. Comme évoqué plus haut, un travail plus fin sur la série indicatrice devrait être réalisé afin de l’utiliser plus rigoureusement pour cette trimestrialisation. Notre propos ne vise toutefois pas ici à conclure, mais au contraire à suggérer des voies de recherche.

Conclusion

38Notre étude a permis d’établir que l’ICA synthétisé par l’IEDOM et issu d’une enquête de conjoncture auprès des chefs d’entreprise locaux apparaît comme un outil pertinent pour décrire les fluctuations du PIB martiniquais. En particulier, notre analyse a mis au jour la relation de causalité de l’ICA vers le taux de croissance du PIB, qui justifie l’existence d’un tel indicateur et son utilisation pour caractériser la situation économique au niveau annuel comme au niveau trimestriel. La spécification d’un modèle VAR comprenant le taux de croissance du PIB et l’ICA améliore d’ailleurs la prévision du PIB par rapport à un modèle autorégressif univarié. Toutefois, la faiblesse du nombre d’observations en données annuelles atténue la pertinence des statistiques de significativité. Il conviendrait, comme nous l’explorons à la fin de cet article, de produire plus d’observations pour pouvoir étalonner sereinement le PIB sur l’ICA. Deux pistes sont envisagées : construire un VAR en panel en agrégeant des données issues d’autres géographies (ultramarines et métropolitaine) et/ou trimestrialiser le PIB au moyen de méthodes numériques et de variables indicatrices.

Haut de page

Bibliographie

Burns, A. F. et W. C. Mitchell (1946). “Measuring Business Cycles”, NBER Working Paper No.2.

Capet, S. et S. Combes (2014). « Les enquêtes de conjoncture sont-elles toutes aussi performantes pour prévoir l’activité en France ? », Trésor-Eco, n° 125.

Charpin, F. et H. Péléraux (2000). « L’indicateur avancé de l’OFCE », Revue de l’OFCE, 72 : 133-155.

Darné, O. et V. Brunhes-Lesage (2008). « Pourquoi calculer un indicateur du climat des affaires dans les services ? », Bulletin de la Banque de France, numéro de mars.

Denton, F. (1971). « Adjustment of monthly or quarterly series to annual totals: an approach based on quadratic minimization, Journal of the American Statistical Association, 66.

Eurostat (2013). Handbook on quarterly national accounts.

Harris, E. S. (1991). “Tracking the Economy with the Purchasing Manager’s Index”, FRBNT Quarterly Review.

IEDOM (2010). « Un nouvel indicateur pour aider au diagnostic conjoncturel dans l’Outre-mer », note de l’IEDOM.

INSEE (2018). « Les comptes économiques de la Martinique en 2017 », INSEE Analyse n° 28.

Jobert, T. et L. Lionel (2012). « Que nous apprennent les enquêtes de conjoncture dans l’industrie ? », Revue d’économie industrielle, 138 : 39-64.

Jolliffe, I. T. (2002). Principal Component Analysis, Springer Edition.

Michaux, E. et E. Dubois (2006). « Étalonnages à l’aide d’enquêtes de conjoncture : de nouveaux résultats », Économie & prévision, 172 : 11-28.

Ndiaye, F (2013). « Calcul de comptes trimestriels en Afrique subsaharienne : l’expérience du Sénégal », Statéco, 107 : 17-32.

Simon, O. (2007a). « La rénovation des enquêtes de conjoncture de l’IEDOM », Document de travail interne de l’IEDOM-IEOM, 2007/1.

Simon, O. (2007b). « Évaluation des intervalles de confiance des soldes d’opinion », Note interne de l’IEDOM.

Simon, O. (2008). « Proposition de mise en place d’indicateurs du climat des affaires dans les agences IEDOM/IEOM », note interne de l’IEDOM-IEOM.

Haut de page

Notes

1 Les réponses des responsables d’entreprise sont collectées par téléphone, par un formulaire rempli sur Internet, par courriel ou par fax.

2 Le CEROM ou Comptes économiques Rapides pour l’Outre-mer regroupe l’Institut National de la Statistique et des Études Économiques (INSEE), l’Institut d’Émission d’Outre-Mer (IEOM), l’Institut d’Émission des Départements d’Outre-Mer (IEDOM), l’Agence Française de Développement (AFD), l’Institut de Statistique de Polynésie française (ISPF), le Service du Plan et de la Prévision Économique de Polynésie française (SPPE), l’Institut de la Statistique et des Études Économiques de Nouvelle-Calédonie (ISEE).

Haut de page

Table des illustrations

Titre Graphique 1 : Solde d’opinion « activité générale », T4 1994 – T2 2018
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-1.png
Fichier image/png, 32k
Titre Graphique 2 : Sélection de 7 soldes d’opinion, T4 1994 – T2 2018
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-2.png
Fichier image/png, 76k
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-3.png
Fichier image/png, 63k
Titre Graphique 3 : L’indicateur du climat des affaires en Martinique, T4 1994 – T3 2018
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-4.png
Fichier image/png, 23k
Titre Graphique 4 : Évolution de l’ICA (ed) et du taux de croissance du PIB réel (eg), 1994 –2017
Crédits Source : IEDOM Martinique, INSEE, CEROM
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-5.png
Fichier image/png, 24k
Titre Graphique 5 : Évolution de l’ICA (ed) et de sa tendance – filtre HP), 1994 –2017
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-6.png
Fichier image/png, 20k
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-7.png
Fichier image/png, 42k
Titre Graphiques 6 a, b, c, d : Réponses impulsionnelles du VAR(2)
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-8.png
Fichier image/png, 201k
Titre Graphique 7 : Comparaison du taux de croissance du PIB prévu et observé, 1996 –2017
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-9.png
Fichier image/png, 29k
Titre Graphique 8 : Évolution des ICA de Guadeloupe, de Martinique et de Guyane, T1 2001 – T2 2018
Crédits Source : IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-10.png
Fichier image/png, 52k
Titre Graphique 9 : Évolution de l’ICA et du taux de croissance du PIB trimestrialisé, T4 1994 – T2 2018
Crédits Source : calculs IEDOM Martinique
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/16226/img-11.png
Fichier image/png, 58k
Haut de page

Pour citer cet article

Référence électronique

Nicolas Gobalraja, « L’Indicateur du Climat des Affaires : reflet fidèle de l’économie martiniquaise ? », Études caribéennes [En ligne], 43-44 | Août-Décembre 2019, mis en ligne le 20 novembre 2019, consulté le 13 décembre 2019. URL : http://journals.openedition.org/etudescaribeennes/16226 ; DOI : 10.4000/etudescaribeennes.16226

Haut de page

Auteur

Nicolas Gobalraja

IEDOM Martinique, Banque de France, Responsable du service des Études et du suivi des établissements de crédit, nicolas.gobalraja@IEDOM-martinique.fr; https://www.IEDOM.fr/martinique/.

Haut de page

Droits d’auteur

Licence Creative Commons
Les contenus d’Études caribéennes sont mis à disposition selon les termes de la Licence Creative Commons Attribution - Pas d'Utilisation Commerciale 4.0 International.

Haut de page
  • Logo Revue soutenue par l’Institut des Sciences Humaines et Sociales du CNRS
  • Logo ERIHPLUS (European Reference Index for the Humanities and Social Sciences)
  • Logo DOAJ (Directory of Open Access Journals)
  • Logo Université des Antilles
  • OpenEdition Journals