1Le réchauffement climatique s’est accéléré à un rythme sans précédent au cours des 40 dernières années. Les augmentations de température entraînent des effets macroéconomiques inégaux dans le monde, avec des conséquences défavorables, concentrées essentiellement dans les pays déjà climatiquement chauds, tels que la plupart des pays à faible revenu. Le dérèglement climatique constitue donc une menace majeure pour le développement durable et la croissance de ces pays, en particulier dans les petites économies insulaires en développement (PEID), confrontées plus que d’autres à diverses vulnérabilités. Les conséquences du dérèglement climatique résultant de la propagation des gaz à effet de serre (GES) sont bien connues dans la plupart de ces territoires insulaires : vagues d’intense chaleur, fréquence et intensification des cyclones et ouragans, inondations, sécheresse, perte de ressources en eau, élévation du niveau de la mer, submersion, blanchiment des coraux, dégradation du sol, etc. sont les principales nuisances engendrées par ce phénomène. Dans ce contexte, l’utilisation de modèles dynamiques peut aider à comprendre, à appréhender et à gérer les principaux facteurs responsables du changement climatique dans tout pays ou région. En s’inspirant de tels modèles, l’objectif de cette étude est d’appliquer et tester dans le cas de la Dominique, différents modèles, visant à optimiser une fonction économique, destinée à identifier et à réduire l’impact des principaux facteurs qui sont à l’origine du changement climatique. Le but poursuivi est d’atteindre, la meilleure « éco-efficacité » possible pour les secteurs importants de l’économie de la Dominique. C’est dans ce contexte que s’inscrit notre problématique de recherche, qui tente de répondre à la question suivante : quelles sont les conséquences environnementales à la Dominique, de la croissance économique, de la consommation d’énergie fossile, de la productivité agricole, et du tourisme. La relation entre ces variables et les émissions de CO2 ont fait l’objet dans un passé récent d’une modélisation empirique relativement abondante. La majorité de ces études ont été formulées selon deux approches :
-
La première approche a été abordée à partir de l’hypothèse de la courbe environnementale de Kuznets (CEK), qui postule qu’il existe une relation en « U » inversé entre la dégradation de l’environnement et le revenu par habitant. Autrement dit, arrivée à un certain stade, la croissance économique finira par faire disparaitre l’impact environnemental négatif des premières étapes du développement économique. Les travaux empiriques de Grossman et Krueger (1993, 1995) figurent parmi les précurseurs de la CEK. Cependant, certains auteurs considèrent que les résultats de la CEK ne sont pas à ce jour concluants, en raison principalement d’un problème de multicolinéarité des variables (Shafik, 1994 ; Torras et Boyce, 1998 ; Friedl et Getzner, 2003).
-
Le second type de littérature empirique explore la relation entre le tourisme, d’autres secteurs d’activité et l’environnement. Alors que le tourisme bénéficie de la qualité de l’environnement, et a un impact positif sur la croissance économique dans plusieurs économies développées et en développement. En revanche, il est à l’origine de la dégradation de l’environnement dans d’autres pays. Dans toutes les destinations, l’accroissement de l’activité touristique s’accompagne par l’exploitation des ressources naturelles, qui elle-même, accroît le risque d’une dégradation de l’environnement. De plus, l’activité touristique se traduit généralement par une augmentation de la consommation d’énergie, qui engendre à son tour des niveaux plus élevés d’émission de gaz à effet de serre dans l’environnement, en particulier dans les petites économies insulaires en développement. (Gossling, 2000, 2002, 2013 ; Becken, Framton et Simmons, 2013 ; Dwyer et autres, 2010 ; Hall, Scott, et Gossling, 2013). Par ailleurs, quelques auteurs ont évalué, à côté du tourisme, l’impact d’autres secteurs d’activité sur les émissions de CO2 dans divers pays. On peut citer par exemple, les travaux de A. Raihan et autres (2022) qui ont utilisé la technique des moindres carrés ordinaires dynamiques (DOLS), celle des moindres carrés ordinaires totalement modifiés (FMOLS), et celle de la régression de cointégration canonique (CCR) pour évaluer les effets dynamiques de la croissance économique, de la consommation d’énergie, de la productivité agricole, et du tourisme sur les émissions de CO2 en Égypte. Leurs résultats révèlent que la croissance économique, la consommation d’énergie fossile, et l’activité touristique se traduisent par une augmentation des émissions de CO2 en Égypte, et donc par une dégradation de l’environnement dans ce pays, tandis que l’accroissement de la productivité agricole entraîne une réduction des émissions de CO2, et de ce fait engendre une amélioration de la qualité de l’environnement. Les mêmes auteurs (2022 et 2023) ont appliqué et testé les mêmes techniques économétriques ainsi que le modèle autorégressif à retards échelonnés (ARDL) dans divers pays tels que : Singapour, le Vietnam, les Philippines, la Turquie, le Brésil, l’Argentine, et le Mexique. Il convient de citer également les récents travaux de S.Cevik du FMI (2022) qui a utilisé à la fois un modèle de régression à effet fixe, et la méthode des moments généralisés (GMM) pour évaluer l’influence de l’activité touristique sur les émissions de CO2 dans les 15 pays membres du CARICOM. Selon cet auteur, les résultats enregistrés montrent que les arrivées touristiques ont un impact statistiquement et économiquement significatif sur ces émissions, et qu’une augmentation de 10 % des arrivées touristiques dans cet espace géographique se traduit par une augmentation de 8 % des émissions de CO2 dans cette région.
2Le reste de l’étude est structuré comme suit : la deuxième section dresse le profil général de la Dominique au plan économique, social, énergétique et environnemental, et présente à travers indicateurs et graphiques, les perspectives d’évolution du pays. La troisième section décrit la méthodologie d’analyse adoptée dans la présente étude, par l’explication des données utilisées, et par la présentation des techniques économétriques employées. La quatrième section est consacrée à la présentation des résultats et à leur interprétation. Enfin la cinquième section présente la conclusion générale de l’étude.
3D’une superficie de 750 km2, et peuplée en 2021 de 72 000 habitants, la Dominique affiche une densité de 96 habitants au km2. Indépendant depuis 1978, ce micro-État de la caraïbe, situé géographiquement entre la Guadeloupe et la Martinique, a connu durant les récentes années un développement durablement volatil.
4L’économie de la Dominique se caractérise pour l’essentiel par une croissance relativement modeste, impactée assez souvent par des évènements climatiques extrêmes, récemment par les cyclones Irma de 2015, et Maria de 2017. Ce dernier, particulièrement violent a provoqué la destruction de toutes les infrastructures du pays et occasionné des coûts au plan économique et social qui s’élevaient à l’époque selon la Banque mondiale à 236 % ! du PIB du pays. L’économie de ce pays repose principalement sur l’agriculture et le tourisme. Selon la Banque mondiale (2022), le tourisme représente aujourd’hui 25 % du PIB et des emplois, et l’agriculture pour sa part, occupe 40 % de la main-d’œuvre, ce qui rend ce pays vulnérable aux chocs économiques extérieurs, aux catastrophes naturelles, et au changement climatique de manière générale. Les principaux produits agricoles d’exportation sont la banane (en baisse, en raison de l’érosion des accords préférentiels avec l’Europe), les légumes, le citron, le coprah, l’huile de noix de coco, et les huiles essentielles telles que l’essence de laurier. Selon la CNUCED (conférence des Nations unies sur le commerce et le développement), les principaux partenaires commerciaux de la Dominique sont par ordre d’importance : Trinidad et Tobago, Saint-Kitts et Nevis, la Guadeloupe et la Martinique, et la Jamaïque. L’analyse des derniers indicateurs macroéconomiques (tableau 1 suivant) montre que le PIB de la Dominique a reculé de 11 % en 2020, en raison principalement de la pandémie de la covid-19. La propagation de ce virus a impacté la croissance économique de ce pays à travers plusieurs canaux notamment, par l’arrêt quasi complet de l’activité touristique, par les restrictions imposées aux activités locales, par une diminution des investissements étrangers directs, et par la baisse des recettes liées au programme « citoyenneté par l’investissement “. Les indicateurs de la pauvreté se sont également aggravés. Les femmes ont été spécialement affectées en raison de leur forte participation dans le secteur informel et dans celui des services. Par ailleurs, le déclin de l’activité économique a créé un important déficit budgétaire qui s’est élevé pour l’exercice 2020-2021 à 7,2 % du PIB, déficit découlant d’une diminution des recettes fiscales, et d’une augmentation des dépenses de santé ainsi que de celle des transferts sociaux. Les investissements publics ont représenté durant la même période 26,5 % du PIB, soit une augmentation de 17 points par rapport à la période précédente. Les prêts officiels ainsi que les emprunts à court terme de la Banque Nationale, ajoutés au déclin de l’activité économique ont engendré un accroissement de la dette publique qui s’est élevé à 106 % du PIB à la fin de l’année 2020.
Tableau 1 : Principaux indicateurs socio-économiques de la Dominique
5
|
est
|
proj
|
proj
|
proj
|
proj
|
proj
|
proj
|
|
Superficie (en km2) 750 km2
|
2016
|
2017
|
2018
|
2019
|
2020
|
2021
|
2022
|
2023
|
2024
|
2025
|
2026
|
Nombre d’habitants
|
70 075
|
70 403
|
70 823
|
71 428
|
71 995
|
72 412
|
|
|
|
|
|
Taux de croissance de la population
|
0,1
|
0,47
|
0,59
|
0,85
|
0,79
|
0,58
|
|
|
|
|
|
Densité de la population
|
93..43
|
93..87
|
94..43
|
95..24
|
95..99
|
96..00
|
|
|
|
|
|
Espérance de vie à la naissance
|
70,13
|
67,53
|
73,59
|
73,56
|
73,65
|
72,81
|
|
|
|
|
|
Taux de mortalité infantile (pour 1000 naissances vivantes)
|
28,8
|
29,8
|
30,7
|
31,3
|
31,7
|
32
|
|
|
|
|
|
Pib réel (variation annuelle en %)
|
2,8
|
-6,6
|
3,5
|
7,5
|
-11
|
3,7
|
7,6
|
5,4
|
4,6
|
4,1
|
2,5
|
Prix à la consommation (variation en %)
|
0,1
|
0,3
|
1
|
1,5
|
-0,7
|
3
|
2,5
|
2
|
2
|
2
|
2
|
Recettes publiques (en % du PIB)
|
58,7
|
49,4
|
44,2
|
38,1
|
55,5
|
49,9
|
46,5
|
45,1
|
43,7
|
42,4
|
42,1
|
Impôts (en % du PIB)
|
24
|
22,7
|
27,4
|
23,2
|
21,9
|
21,3
|
23
|
23,6
|
24,2
|
23,9
|
23,6
|
Dépenses publiques (en % du PIB)
|
30,4
|
51,6
|
62,1
|
46,2
|
62,7
|
59,3
|
48,4
|
47,2
|
47
|
45,2
|
43,5
|
Solde budgétaire (en
% du PIB)
|
28,3
|
-2,2
|
-17,9
|
-8,2
|
-7,2
|
-11
|
-1,8
|
-2
|
-3,3
|
-2,9
|
-1,4
|
Dette publique (en
% du PIB)
|
75,3
|
81,9
|
84,6
|
94,2
|
106
|
100,9
|
100,3
|
97,5
|
94,3
|
92
|
90,8
|
Exportations (en % du PIB)
|
46,8
|
40,3
|
27,7
|
35
|
20,2
|
20
|
27,4
|
30,6
|
31,7
|
34,6
|
34,6
|
Importations (en % du PIB)
|
57,2
|
59,3
|
74,4
|
78
|
57,6
|
52,5
|
55,9
|
58,1
|
61
|
58,2
|
58,2
|
Balance commerciale (en % du PIB)
|
-7,7
|
-8,6
|
-42,4
|
-37,9
|
-30
|
-31,4
|
-28,7
|
-24
|
-18,3
|
-17,1
|
-14,7
|
Balance épargne/investissements (en % du PIB)
|
-7,7
|
-8,6
|
-42,4
|
-37,9
|
-30
|
-31,4
|
-28,7
|
-24
|
-18,3
|
-17,1
|
-14,7
|
Mois d’importation
|
8
|
7,9
|
5,4
|
4,2
|
6,8
|
6,5
|
6,1
|
5,7
|
5,6
|
5,5
|
5,7
|
Source : FMI (2023)
6Par ailleurs, les quatre graphiques suivants, établis à partir des statistiques du FMI, tracent sur la période 2021- 2028 les projections de la croissance économique à la Dominique, celles des investissements, de l’inflation, et de la balance des comptes courants. Selon le FMI, sur la période 1980-2028, la croissance économique annuelle s’élève en moyenne à la Dominique à 2,64 %, avec un minimum de -16,61 % en 2020 (année de l’apparition de la covid-19) et un maximum de 13,38 % en 1980.
Graphique 1 : perspectives d’évolution de la croissance économique à la Dominique (2021- 2028)
Source : FMI, 2023
Graphique 2 : perspectives d’évolution des investissements à la Dominique (2021- 2028)
Les projections d’investissement du FMI à la Dominique sur la période 2000-2028, donnent une croissance annuelle moyenne de 23,43 %, avec un minimum de 14,56 % en 2028, et un maximum de 33,86 % en 2008.
Source : FMI, 2023
Graphique 3 : perspectives d’évolution de l’inflation à la Dominique (2021-2028)
Les projections de l’inflation sur la période 1980-2028 donnent une croissance annuelle moyenne de l’indice des prix à la consommation de 2,72 %, avec un minimum de -1,48 % en 2017 (année de l’apparition du cyclone Maria) et un maximum de 21,35 % en 1980.
Source : FMI, 2023
Graphique 4 : perspectives d’évolution de la balance des comptes courants de la Dominique (2021-2028)
Enfin, sur la période 2000-2028, les projections de croissance de la balance des comptes courants donnent pour la Dominique, une croissance annuelle moyenne sur cette période de -18,68 %, avec un minimum de -43,66 % en 2018, et un maximum de -4,65 % en 2015.
Source : FMI, 2023
7En tant que pays à revenu intermédiaire, la Dominique s’efforce de réduire sa dépendance aux sources énergétiques extérieures et volatiles, tout en essayant de limiter le coût de l’énergie offerte à sa population. Ce pays se heurte à une triple pénalité : le piège de la pauvreté devient un piège de l’énergie, puis un piège climatique.
8Pour surmonter ces obstacles, une transition énergétique est indispensable dans ce pays, confronté à diverses vulnérabilités. Cependant, à la Dominique comme ailleurs, le changement climatique nécessite une transformation économique et sociale radicale. Aucun secteur ne doit être épargné : l’énergie, l’industrie, l’agriculture, le tourisme, les transports, le commerce, le secteur résidentiel, les institutions, les individus ; tous devront contribuer au changement pour réduire les émissions et s’adapter aux effets des changements climatiques qui se font déjà sentir. C’est un défi de taille que le gouvernement de la Dominique a pris à bras le corps, puisqu’il s’est engagé à faire de cette île ‘la première nation du monde résiliente au changement climatique “. Quels sont à cet égard, les principaux faits saillants constatés à ce jour ? Selon le PNUD (programme des nations unies pour le développement), la Dominique affiche à ce jour, les résultats suivants : une participation quasiment nulle dans les émissions de GES à l’échelle de la planète, puisque ces émissions s’élevaient en moyenne en 2019 à 2,2 tonnes métriques par habitant dans ce pays, la consommation d’énergie par habitant est en moyenne de 540 kg d’équivalent pétrole, la production d’électricité s’élevait en 2021, à 0,17 milliard de KWH pour une consommation annuelle moyenne, estimée la même année à 0,16 milliard de KWH, 48,4 % de cette production est d’origine diesel et 51,6 % d’origine hydroélectrique grâce à trois barrages hydroélectriques. La Dominique est classée 62e pays au monde selon l’indice de vulnérabilité climatique, 102e au regard de l’indice de développement humain. Par ailleurs, dans le cadre de sa CDN (contribution déterminée au niveau national) signée conformément aux accords 2015 de Paris sur le climat, et réactualisée en 2022, le pays s’est fixé comme objectif de réduire les émissions de GES de 39 % en 2025, et de 45 % en 2030. D’ici 2030, des objectifs de réduction des émissions de GES à atteindre, ont été établis par secteur d’activité à la Dominique comme suit : 98,6 % de réduction de GES dans les industries énergétiques, 20 % dans les transports routiers, 100 % dans le transport maritime, 50 % dans l’agriculture, 8,8 % dans le BTP (bâtiment et travaux publics), 8,1 % dans les activités - commerce/institutions, résidence, pêche -, et 78,5 % dans les déchets solides. Les responsables dominiquais ont, en conformité avec ce plan d’action, commencé à appliquer des mesures en ce sens notamment, par la réalisation d’infrastructures publiques plus robustes, par l’amélioration de l’habitat, le renforcement du système de santé, par une agriculture plus résiliente au dérèglement climatique, par la réalisation d’investissements dans l’énergie géothermique, et l’utilisation d’autres sources d’énergie, y compris la biomasse et les déchets, et par des efforts budgétaires plus importants, qui devraient atteindre en moyenne et par an, 6 % du PIB. Ainsi fixé, cet agenda représente pour la Dominique, une étape claire vers une amélioration sensible de la résilience environnementale, sociale et fiscale dans un environnement à haut risque. Enfin, les informations recueillies à partir des rapports et statistiques de diverses organisations internationales ont permis d’établir ci-dessous, à l’aide de plusieurs graphiques et indicateurs, un état des lieux succinct de la situation énergétique et environnementale de la Dominique.
Graphique 5 : Évolution des émissions de CO2 par habitant à la Dominique (en tonnes métriques) de 2012 à 2019
Selon la Banque mondiale (2022), ces émissions s’élèvent en moyenne durant la période 1990 à 2019 à 2,2 tonnes métriques par habitant, avec un minimum de 0,88 tonne métrique par habitant en 1990, et un maximum de 7,32 tonnes métriques par habitant en 2009.
Source : Banque mondiale, 2022
Graphique 6 : Évolution de la consommation d’énergie par habitant à la Dominique (en kg d’équivalent pétrole) de 1990 à 2007
La consommation d’énergie par habitant à la Dominique, s’est élevée en moyenne à 540,33 kg d’équivalent pétrole sur cette période, avec un minimum de 304,71 kg en 1990, et un maximum de 625,23 kg en 2007.
Source : Banque mondiale, 2002
Graphique 7 : Évolution de l’intensité énergétique à la Dominique (PIB par unité d’équivalent pétrole), 1990-2007
Les données sur ce graphique, indiquent qu’en moyenne, sur la période 1990-2007, l’intensité énergétique s’est élevée à la Dominique à 13,99 de PIB par kg d’équivalent pétrole, avec un minimum de 13 ; 28 en 2005, et un maximum de 14,93 en 2007.
Source : Banque mondiale
9Sur la période 1980-2021, la Dominique a produit en moyenne 0,06 milliard de KWH d’électricité, avec un minimum de 0,01 KWH milliard en 1980, et un maximum de de 0,17 milliard de KWH en 2021.
Graphique 8 : Évolution de la production d’électricité à la Dominique (en milliard de KWH), 2014-2021
Source : The US Energy Information Administration
10La méthodologie suivie pour mesurer l’influence de la croissance économique, de la consommation d’énergie fossile, de la productivité agricole, et du tourisme sur les émissions de CO2 à la Dominique est décrite ci-dessous en deux étapes : d’une part, par la description détaillée des données utilisées dans l’étude, et d’autre part, par l’explication et l’application du modèle empirique employé.
11Cette étude utilise des données annuelles de la Dominique, couvrant la période 1995-2019, données extraites des indicateurs de développement de la Banque mondiale (WDI) et de ceux du Fonds monétaire international. Les variables employées sont : les émissions de CO2H par habitant, utilisées comme variable dépendante tandis que la croissance économique, la consommation d’énergie fossile, la productivité agricole, et le tourisme sont les variables explicatives. Les émissions de CO2H sont exprimées en tonnes métriques par habitant, la croissance économique est représentée par le PIB par habitant (PIBH), la consommation d’énergie fossile (CEF) est exprimée en kg d’équivalent pétrole par habitant, la productivité agricole (PAG) par la valeur ajoutée de l’agriculture, exprimée en pourcentage du PIB, et le tourisme (TOUR) par le nombre de visiteurs accueillis. Toutes les variables sont transformées en logarithme afin de faciliter l’interprétation des résultats. Le tableau ci-dessous renseigne sur les variables utilisées.
Tableau 2 : Variables utilisées : nature et source
Variables
|
Description
|
Source
|
Effets attendus
|
CO2H
|
Émissions de CO2, exprimées en tonnes métriques par habitant
|
Banque mondiale (WDI)
|
|
PIBH
|
Produit intérieur brut par habitant : représente la croissance économique
|
Banque mondiale (WDI)
|
+
|
CEF
|
Consommation d’énergie fossile, exprimée en kg d’équivalent pétrole par habitant
|
Banque mondiale (WDI)
|
+
|
PAG
|
Productivité agricole, exprimée par la valeur ajoutée de l’agriculture en % du PIB
|
Banque mondiale (WDI)
|
_
|
TOUR
|
L’activité touristique, exprimée par le nombre de visiteurs accueillis
|
Banque mondiale (WDI)
|
+
|
Tableau 3 : Caractéristiques des variables
|
LNCO2H
|
LNPIBH
|
LNCEF
|
LNPAG
|
LNTOUR
|
Mean
|
0.819977
|
8.848439
|
4.482667
|
2.495835
|
12.71787
|
Median
|
0.854415
|
8.905228
|
4.490881
|
2.486572
|
12.68231
|
Maxim um
|
1.990610
|
8.988945
|
4.521245
|
2.789323
|
13.31793
|
Minim um
|
0.095310
|
8.612322
|
4.371345
|
2.346602
|
12.20106
|
Std. Dev.
|
0.358857
|
0.126763
|
0.034758
|
0.102238
|
0.309449
|
Skewness
|
0.926523
|
-0.403476
|
-1.463356
|
0.915520
|
0.129212
|
Kurtosis
|
6.141903
|
1.646225
|
5.216634
|
3.925744
|
2.369628
|
Jarque-Bera
|
13.85973
|
2.587372
|
14.04073
|
4.385116
|
0.483492
|
Probability
|
0.000978
|
0.274258
|
0.000893
|
0.111631
|
0.785256
|
Sum
|
20.49942
|
221.2110
|
112.0667
|
62.39588
|
317.9467
|
Sum Sq. Dev.
|
3.090682
|
0.385651
|
0.028995
|
0.250864
|
2.298203
|
Observations
|
25
|
25
|
25
|
25
|
25
|
12Il ressort de ce tableau, qu’au regard de l’écart-type (Std.Dev), les variables les plus volatiles sont : les émissions de CO2 par habitant, l’activité tourisme (TOUR), et la croissance économique (PIBH), la moins volatile est la consommation d’énergie fossile (CEF). L’on note également, qu’au regard de la probabilité de Jacque-Bera, seule la variable relative au tourisme est normalement distribuée, car, le coefficient pour cette variable est supérieur à 5 %. Dans ce cas, une modélisation hétéroscédastique serait privilégiée en présence d’effets ARCH. De plus, le coefficient d’aplatissement ‘Kurtosis “nous indique que les distributions LNCO2H, LNCEF et LNPAG sont pointues, car ce coefficient est supérieur à 3 pour ces trois variables. En revanche, les deux autres variables sont plus aplaties que la loi normale.
13Pour mesurer l’impact des variables en question sur les émissions de CO2 à la Dominique, un modèle autorégressif à retatds échelonnés (ARDL) est utilisé à cet effet. Ce modèle, introduit par Pesaran et Shin en 1999, et modifié par les mêmes auteurs en 2001, fait partie de la classe des modèles dynamiques, qui permet de saisir les effets temporels (délai d’ajustement, anticipations, etc.) dans l’explication d’une variable, contrairement au modèle simple (non dynamique) dans l’explication instantanée (effet immédiat). Comme alternatifs au modèle ARDL, trois estimateurs appartenant à la même famille que le modèle ARDL ont été également estimés et comparés en termes de robustesse à la méthode ARDL. Ces trois estimateurs sont : le modèle des moindres carrés ordinaires dynamiques (DOLS) ; le modèle des moindres carrés ordinaires totalement modifiés (FMOLS) ; et le modèle de régression de cointégration canonique (CCR).
14Dans le modèle autorégressif à retards échelonnés, on trouve parmi les variables explicatives, la variable dépendante décalée, et les valeurs passées des variables indépendantes. Le choix du modèle ARDL se justifie pour plusieurs raisons. Tout d’abord, cette méthode est plus adaptée aux échantillons de taille réduite, ce qui est notre cas, ensuite ce test peut être appliqué sur des séries temporelles non stationnaires sans la contrainte du même ordre d’intégration, contrairement aux autres tests. Enfin, l’endogénéité ne pose pas de problème particulier. Sous sa forme générale, le modèle ARDL s’exprime comme suit :
Yt = a0 + a1Yt-1 + … + apYt-p + b0Xt.... + bqXt-q + Ɛt
où
Yt est la variable dépendente, elle représente le logarithme par tête des émissions de CO2H au temps t, Xt correspond aux variables de contrôle, Ɛt exprime le terme d’erreur, et b0 traduit l’effet à court terme de Xt sur Yt
15.LNPIBHt, le logarithme par tête du PIB réel, proxy de la croissance économique au temps t, LNPAG, le logarithme de la valeur ajoutée de l’agriculture, proxy de la productivité agricole au temps t, LNTOUR, le logarithme du nombre de visiteurs, proxy de l’activité touristique, et Ɛt le terme d’erreur.
16L’application de la méthodologie d’ARDL requiert pour l’analyse et l’interprétation des résultats, les étapes suivantes :
-
tester la stationnarité des séries temporelles ;
-
sélectionner le nombre de retards optimal ;
-
effectuer le test de cointégration de Johansen ;
-
effectuer le "Bound Test" afin d’établir la relation à long terme ;
-
effectuer le test de causalité de Granger
-
estimer les coefficients à long terme et à court terme ;
-
tester la stabilité du modèle à travers l’analyse des résidus et les techniques de CUSUM et CUSUMQ ;
-
comparer en termes de robustesse, les résultats des modèles ARDL et FMOLS.
Tableau 4 : Test de racine unitaire
|
Tests de Dickey-Fuller Augmenté (ADF)
|
Tests de Phillips Peron (PP)
|
|
(1)
|
(2)
|
(3)
|
(1)
|
(2)
|
(3)
|
|
En niveau
|
En niveau
|
lnco2h
|
- 3.117174
|
-2.716036
|
0.215071
|
-3.117174
|
-2.594142
|
-0.517948
|
lnpibh
|
-1.436014
|
-1.688323
|
2.194733
|
-4.416324
|
-1.688323
|
2.267678
|
lncef
|
-2.932112
|
-2.170220
|
0.619646
|
-2.861328
|
-1.928995
|
1.217951
|
lnpag
|
-2.362499
|
-2.230576
|
-0.120048
|
-2.327149
|
-2.206628
|
-0.109200
|
lntour
|
-2.258753
|
-2.444916
|
0.326793
|
|
|
En différence première
|
En différence première
|
dlnco2h
|
-7.859703*
|
-7.693192*
|
-7.756595*
|
-7.859703*
|
-7.693192*
|
-7.756595*
|
dlnpibh
|
-5.014015*
|
-4.844859*
|
-4.167508*
|
-5.014015*
|
-4.844859*
|
-4.167508*
|
dlncef
|
-8.477254*
|
-8.265793*
|
-7.792462*
|
-8.477254*
|
-8.265793*
|
-7.792462*
|
dlnpag
|
-5.069125*
|
-5.223560*
|
-5.336661*
|
-5.069125*
|
-5.223560*
|
-5.336661*
|
dlntour
|
-4.092053*
|
-4.264317*
|
-4.362270*
|
-4.092053*
|
-4.264317*
|
-4.362270*
|
NB : * indique un niveau de signification à 5 %. (1) (2) et (3) indiquent les modèles ‘avec constante et tendance’ ; ‘avec tendance uniquement’ ; et ‘sans constante ni tendance’ respectivement. Ces tests ont pour hypothèse nulle, la présence de racine unitaire.
17Les résultats des tests de Dickey-Fuller Aumenté (ADF) et de ceux de Philipps Perron (PP), indiquent que toutes les séries sont non stationnaires en niveau, mais stationnaires en 1re différence. Elles sont donc intégrées d’ordre 1. Les critères LR, FPE, AIC, SC, et HQ sont ensuite utilisés pour sélectionner le nombre de retards optimal du vecteur autorégressif (tableau 5 ci-dessous). Les critères LR et SC impliquent un retard de 1 tandis que les critères FPE, AIC, et HQ impliquent un retard de 2. C’est donc un retard de 1 qui est retenu pour cette étude.
Tableau 5 : Statistiques et critères de choix pour la sélection du retard optimal du modèle
VAR Lag Order Selection Criteria
Endogenous variables: LNCO2H LNPIBH LNCEF LNPAG LNTOUR Exogenous variables : C
Date:06/26/23 Time: 12:02 Sample: 1990 2019
Included observations: 23
|
Lag
|
LogL
|
LR
|
FPE
|
AIC
|
SC
|
HQ
|
0
|
104.0838
|
NA
|
1.25e-10
|
-8.615979
|
-8.369133
|
-8.553898
|
1
|
163.8857
|
88.40292*
|
6.43e-12
|
-11.64224
|
-10.16116*
|
-11.26975
|
2
|
195.1167
|
32.58885
|
5.38e-12*
|
-12.18406*
|
-9.468751
|
-11.50117*
|
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error
AIC: Akaike information criterion SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
|
18Après avoir déterminé l’ordre d’intégration des différentes variables ainsi que le retard optimal du modèle, le test de cointégration de Johansen est employé ci-dessous, ainsi que l’approche ARDL ou black box, pour déterminer la relation de long terme entre les variables.
Tableau 6 : Test de cointégration de Johansen
Date : 06/26/23 Time: 12:36
Sample (adjusted): 1993 2014
Included observations: 22 after adjustments
Trend assumption : No deterministic trend (restricted constant)
Series: LNCO2H LNPIBH LNCEF LNPAG LNTOUR
Lags interval (in first differences): 1 to 2
|
Unrestricted Cointegration Rank Test (Trace)
|
|
Hypothesized
N° of CE(s)
|
Eigenvalue
|
Trace
Statistic
|
0.05
Critical Value
|
Prob.**
|
|
|
None*
At most 1
At most 2*
At most 3
At most 4
|
0.881832
0.572760
0.537351
0.458281
0.194448
|
100.8938
53.90951
35.20050
18.24317
4.757010
|
76.97277
54.07904
35.19275
20.26184
9.164546
|
0.0003
0.0518
0.0499
0.0926
0.3111
|
|
|
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
|
|
|
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
|
|
Hypothesized
N° of CE(s)
|
Eigenvalue
|
Max-Eigen
Statistic
|
0.05
Critical Value
|
Prob.**
|
|
|
None*
At most 1
At most 2*
At most 3
At most 4
|
0.881832
0.572760
0.537351
0.458281
0.194448
|
46.98433
18.70901
16.95732
13.48616
4.757010
|
34.80587
28.58808
22.29962
15.89210
9.164546
|
0.0011
0.5159
0.2355
0.1151
0.3111
|
|
|
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
|
|
|
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
|
LNCO2H
|
LNPIBH
|
LNCEF
|
LNPAG
|
LNTOUR
|
C
|
|
21.29185
0.941244
4.974688
3.354282
-7.509497
|
-31.50675
-14.51585
-33.02650
8.064815
9.350567
|
-21.39692
14.60622
37.43149
-72.71930
33.16589
|
16.35470
6.582170
25.81377
-2.378180
-15.84406
|
-8.439363
7.985470
2.863140
-3.939445
0.449659
|
422.5711
-55.20739
19.06870
308.2537
-189.6934
|
1
9
0
7
4
|
Unrestricted Adjustment Coefficients (alpha):
|
D(LNCO2H)
D(LNPIBH)
D(LNCEF)
D(LNPAG)
D(LNTOUR)
|
-0.088751
-0.001017
-0.006834
-0.0100634
0.038915
|
-0.099562
0.00183
-0.0036015
0.003571
-0.097171
|
0.031915
-0.003540
0.003258
-0.047027
-0.041488
|
-0.045809
0.005675
0.008594
-0.00332
0.001368
|
0.002279
0.010263
0.003815
-0.012938
0.040274
|
9
3
5
8
4
|
1 Cointegrating Equation(s):
|
Log likelihood
|
188.0378
|
|
|
|
Normalized cointegrating coefficients (standard error in parentheses)
|
LNCO2H
|
LNPIBH
|
LNCEF
|
LNPAG
|
LNTOUR
|
C
|
|
1.000000
|
-1.479756
|
-1.004934
|
0.768120
|
-0.396366
|
19.84661
|
1
|
|
(0.16722)
|
(0.44699)
|
(0.14082)
|
(0.05376)
|
(1.42579)
|
9
|
19L’analyse de la trace et de la valeur propre maximale résultant du test de Johansen, laisse apparaître une relation de cointégration entre les variables dans l’intervalle de confiance de 5 % du test de vraisemblance. La relation normalisée de long terme devient :
LNCO2H = 1.4LNPIBH + 1.0LNCEF -0.7LNPAG + 0.4LNTOUR -19,8 C
Tableau 7 : Test de cointégration aux bornes (Bound Test)
F-Bounds Test
|
|
Null Hypothesis: No levels relationship
|
Test Statistic
|
Value
|
Signif.
|
I(0)
|
I(1)
|
|
|
Asymptotic: n-100
|
F-statistic
|
10.68284
|
10%
|
2.2
|
3.09
|
K
|
4
|
5%
|
2.56
|
3.49
|
|
2.5%
|
2.88
|
3.87
|
1%
|
3.29
|
4.37
|
Actual Sample Size
|
23
|
Finite Sample: n=35
|
|
10 %
5 %
1 %
|
2,46
2 947
4 093
|
3,46
4 088
5 532
|
Finite Sample: n=30
|
10 %
5 %
1 %
|
2 525
3 058
4,28
|
3,56
4 223
5,84
|
20La F-statistic qui est présentée dans ce « Bound Test », teste l’hypothèse nulle selon laquelle les coefficients des variables retardées sont nuls. La F-statistic est égale ici à 10.68284, que l’on compare aux valeurs critiques inférieures et supérieures au seuil de signification de 10 %, 5 %, 2,5 %, et 1 %. La statistique du test étant supérieure à la borne supérieure (5,84), on rejette l’hypothèse nulle d’absence de cointégration, et on conclut l’existence d’une relation de long terme entre les variables du modèle.
21L’étape suivante analyse le test de causalité de Granger. D’après le tableau 8, dix hypothèses ont été testées simultanément, à savoir la causalité entre les cinq variables prises deux à deux. On a ainsi testé l’hypothèse de savoir si la croissance économique ne cause pas les émissions de CO2 à la Dominique et vice versa. Les mêmes hypothèses ont été reprises entre les émissions de CO2 et les autres variables. Nous constatons qu’au seuil de 5 %, le test de Granger laisse présager d’un lien de causalité unidirectionnelle entre la croissance économique et les émissions de CO2 à la Dominique et non l’inverse. Autrement dit, c’est la croissance économique qui cause les émissions de CO2 dans ce pays. De même, on observe un lien de causalité unidirectionnelle entre la productivité agricole et la croissance économique, et entre la productivité agricole et l’activité touristique.
Tableau 8 : Tests de causalité de Granger
Pairwise Granger Causality Tests
Date : 06/28/23
Time : 09:20 Sample: 1990 2019
Lags: 2
|
|
Null Hypothesis:
|
Obs
|
F-Statistic
|
Prob.
|
LNPIBH does not Granger Cause LNCO2H
|
23
|
4.84523
|
0.0207
|
LNCO2H does not Granger Cause LNPIBH
|
|
0.24084
|
0.7885
|
LNCEF does not Granger Cause LNCO2H
|
23
|
1.50756
|
0.2481
|
LNCO2H does not Granger Cause LNCEF
|
|
1.28820
|
0.3000
|
LNPAG does not Granger Cause LNCO2H
|
23
|
1.76608
|
0.1994
|
LNCO2H does not Granger Cause LNPAG
|
|
0.67540
|
0.5214
|
LNTOUR does not Granger Cause LNCO2H
|
23
|
0.85012
|
0.4438
|
LNCO2H does not Granger Cause LNTOUR
|
|
0.30143
|
0.7434
|
LNCEF does not Granger Cause LNPIBH
|
23
|
0.43193
|
0.6558
|
LNPIBH does not Granger Cause LNCEF
|
|
0.03906
|
0.9618
|
LNPAG does not Granger Cause LNPIBH
|
23
|
4.09081
|
0.0343
|
LNPIBH does not Granger Cause LNPAG
|
|
1.53928
|
0.2415
|
LNTOUR does not Granger Cause LNPIBH
|
23
|
0.22714
|
0.7991
|
LNPIBH does not Granger Cause LNTOUR
|
|
1.68344
|
0.2137
|
LNPAG does not Granger Cause LNCEF
|
23
|
0.10179
|
0.9037
|
LNCEF does not Granger Cause LNPAG
|
|
0.28380
|
0.7562
|
LNTOUR does not Granger Cause LNCEF
|
23
|
0.89314
|
0.4268
|
LNCEF does not Granger Cause LNTOUR
|
|
0.42416
|
0.6607
|
LNTOUR does not Granger Cause LNPAG
|
23
|
0.19117
|
0.8277
|
LNPAG does not Granger Cause LNTOUR
|
|
4.01814
|
0.0361
|
22Après avoir confirmé la cointégration entre les variables du modèle, nous estimons dans le tableau 9, les impacts de long terme de la croissance économique, de la consommation d’énergie fossile, de la productivité agricole, et du tourisme sur les émissions de CO2 à la Dominique. L’on note que le coefficient de long terme de lnpibh est positif et significatif au seuil de 1 %, ce qui implique qu’une augmentation de 1 %, du PIB par habitant, provoquerait toutes choses égales par ailleurs, un accroissement des émissions de CO2 de 1,2 % à la Dominique. De même, le coefficient de long terme de la consommation d’énergie fossile ainsi que celui de l’activité touristique affichent tous les deux un signe positif et significatif au seuil de 5 %. Ces résultats révèlent que la croissance économique, la consommation d’énergie fossile, et l’activité touristique provoquent à long terme une dégradation de l’environnement à la Dominique. En revanche, une augmentation de 1 % de la productivité agricole entraînerait une diminution de 1,1 % des émissions de CO2, et par conséquent, engendrerait une amélioration de la qualité de l’environnement dans ce pays. Enfin, on constate que les coefficients de court terme de ces variables sont cohérents avec ceux du long terme.
Tableau 9 : Estimation des coefficients à long terme et à court terme du modèle ARDM
ARDL Long Run Form and Bounds Test
Dependent Variable: D(LNCO2H)
Selected Model: ARDL(1, 2, 0, 2, 0)
Case 2: Restricted Constant and No Trend
Date: 06/27/23 Tim e: 16:31
Sample: 1990 2019
Included observations: 23
|
Conditional Error Correction Regression
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
C
|
-42.87605
|
9.286800
|
-4.616881
|
0.0005
|
LNCO2H(-1)*
|
-1.637078
|
0.216828
|
-7.550105
|
0.0000
|
LNPIBH(-1)
|
2.004424
|
0.718966
|
2.787927
|
0.0154
|
LNCEF**
|
5.096844
|
2.240457
|
2.274912
|
0.0405
|
LNPAG(-1)
|
-1.827202
|
0.656227
|
-2.784404
|
0.0155
|
LNTOUR**
|
0.655071
|
0.272146
|
2.407060
|
0.0317
|
D(LNPIBH)
|
-5.019940
|
1.944405
|
-2.581737
|
0.0228
|
D(LNPIBH(-1))
|
-4.083332
|
1.888736
|
-2.161938
|
0.0499
|
D(LNPAG)
|
-0.256280
|
0.540367
|
-0.474271
|
0.6432
|
D(LNPAG(-1))
|
1.046346
|
0.609920
|
1.715547
|
0.1100
|
* p-value incom patible with t-Bounds distribution.
** Variable interpreted as Z = Z(-1) + D(Z).
|
Levels Equation
Case 2: Restricted Constant and No Trend
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
LNPIBH
|
1.224392
|
0.402275
|
3.043667
|
0.0094
|
LNCEF
|
3.113379
|
1.357130
|
2.294091
|
0.0391
|
LNPAG
|
-1.116136
|
0.370812
|
-3.009978
|
0.0100
|
LNTOUR
|
0.400147
|
0.146553
|
2.730393
|
0.0172
|
C
|
-26.19060
|
4.669365
|
-5.609029
|
0.0001
|
EC = LNCO2H - (1.2244*LNPIBH + 3.1134*LNCEF -1.1161*LNPAG + 0.4001
*LNTOUR - 26.1906)
|
23La dernière étape de l’estimation ARDL, consiste à vérifier la stabilité des paramètres à long terme et à court terme de l’équation. Les techniques de CUSUM, fondées sur la somme cumulée des résidus récursifs, et CUSUMQ, fondées sur la somme cumulée du carré des résidus récursifs sont appliquées. Les résultats (voir figure 1 ci-dessous) montrent que le graphe des statistiques de CUSUM et CUSUMQ demeurent à l’intérieur des valeurs critiques au seuil de 5 %, ce qui implique que les coefficients du modèle sont stables.
Figure 1 : Tests de stabilité du modèle ARDL
24Enfin, soulignons que d’autres méthodes appartenant à la même famille des modèles à effets dynamiques que le modèle ARDL, sont apparues ces dernières années dans la littérature économique tels que : la méthode des moindres carrés ordinaires dynamiques (DOLS) développée par Stock et Watson en 1993, la méthode de régression de cointégration canonique (CCR) introduite par Park en 1992, et la méthode des moindres carrés ordinaires entièrement modifiés (FMOLS) développée par Phillips et Hansen en 1990. La méthode FMOLS est utilisée dans cette étude, pour comparer, en termes de robustesse ses résultats avec ceux du modèle ARDL.. Les résultats de long terme de l’estimateur FMOLS sont présentés dans le tableau 10. Ils confirment la relation positive et significative des émissions de CO2, à la fois avec la croissance économique, la consommation d’énergie fossile, et l’activité touristique. Ils confirment également la relation inverse existant entre les émissions de CO2 et la productivité agricole. Cependant, les résultats de la méthode FMOLS apparaissent moins robustes que ceux du modèle ARDL, car, le coefficient de la variable lnpag dans la méthode FMOLS, s’il a le bon signe, n’est pas signicatif au seuil de 5 %, alors que tous les coefficients sont statistiquement significatifs dans le modèle ARDL. De plus, le coefficient de détermination R2 est plus élevé dans le modèle ARDL.
Tableau 10 : Estimation des coefficients de long terme de la méthode FMOLS
Dependent Variable : LNCO2H
Method: Fully Modified Least Squares (FMOLS)
Date: 06/27/23 Time: 18:40
Sample (adjusted): 1991 2014
Included observations: 24 after adjustments Cointegrating equation deterministics: C
Long-run covariance estimate (Bartlett kernel, Newey-West fixed bandwidth = 3.0000)
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
LNPIBH
|
0.967583
|
0.417378
|
2.318239
|
0.0317
|
LNCEF
|
3.333957
|
1.282989
|
2.598585
|
0.0176
|
LNPAG
|
-0.069737
|
0.327252
|
-0.213099
|
0.8335
|
LNTOUR
|
0.438200
|
0.108095
|
4.053843
|
0.0007
|
C
|
-28.08281
|
4.198059
|
-6.689474
|
0.0000
|
R-squared
|
0.675455
|
Mean dependent var
|
0.841025
|
Adjusted R-squared
|
0.607130
|
S.D. dependent var
|
0.350457
|
S.E. of regression
|
0.219664
|
Sum squared resid
|
0.916792
|
Long-run variance
|
0.017342
|
|
|
25Cette étude s’est fixé pour objectif, d’évaluer les effets dynamiques de la croissance économique, de la consommation d’énergie fossile, de la productivité agricole, et de l’activité touristique sur les émissions de CO2 par habitant à la Dominique. Pour explorer les relations de court terme et de long terme entre ces variables, la présente étude a employé la méthode ARDL, et à titre comparatif la méthode FMOLS, en utilisant des séries temporelles couvrant la période 1995-2019. L’ordre d’intégration des séries a été saisi à l’aide des tests de racine unitaire ADF et P. P. Les tests aux bornes ont montré l’existence d’une cointégration entre les variables, cointégration confirmée par le test de cointégration de Johansen. Les résultats issus de l’application des estimateurs ARDL et FMOLS, indiquent que la croissance économique, la consommation d’énergie fossile, et l’activité touristique provoquent à long terme, une augmentation des émissions de CO2, et par conséquent, engendrent une dégradation de l’environnement à la Dominique, tandis que la relance de la productivité agricole entraîne pour sa part une diminution des émissions de CO2, et donc une amélioration de la qualité de l’environnement. L’analyse empirique montre également que l’amélioration de l’efficacité énergétique, couplée à la réduction de l’utilisation de l’énergie fossile dans la production d’électricité, pourrait entraîner une diminution significative des émissions de CO2 à la Dominique. Par conséquent, la décarbonisation de l’économie dominicaise doit commencer en priorité dans le secteur de l’énergie, responsable de plus de 70 % des émissions de CO2 dans ce pays. Ces résultats sont importants au plan politique. Ils peuvent être utiles aux autorités de la Dominique, leur permettant ainsi de hiérarchiser leurs priorités, en termes d’allocation des ressources en direction des différents secteurs d’activité. Aussi, face à ces résultats, et afin de permettre à la Dominique de réduire sa dépendance aux ressources énergétiques extérieures et volatiles, tout en offrant une énergie au moindre coût à sa population, nous recommandons aux responsables politiques de ce pays, les orientations suivantes, nécessaires à la réalisation d’ici 2030, de l’objectif initial affiché par ce gouvernement : (i) la mise en œuvre d’une économie progressivement décarbonée ; (ii) la réalisation d’un mix énergétique, composé en grande partie de diverses sources d’énergie renouvelables et propres, qui sont disponibles en permanence à la Dominique, qui vont du solaire à l’éolien en passant par la géothermie ; (iii) un tourisme éco-efficace, orienté en priorité vers une capacité de charge optimale, qui privilégie un équilibre entre le nombre de visiteurs et le nombre d’habitants, et (iv) une agriculture naturelle, qui vise à obtenir une production pérenne de nourriture, tout en respectant les limites écologiques, économiques et sociales.
Dupont, L. (2023). Analyse empirique de la relation entre le changement climatique et la sécurité alimentaire à la Dominique. Études caribéennes, 56. https://doi.org/10.4000/etudescaribeennes.29614