Navigation – Plan du site

AccueilNuméros57-58Hors dossierÉvaluation des effets dynamiques ...

Hors dossier

Évaluation des effets dynamiques 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

Evaluation of The Dynamic Effects of Economic Growth, Fossil Fuel Energy Use, Agricultural Productivity, and Tourism on Carbon Dioxide Emissions in Dominica
Louis Dupont

Résumés

Le changement climatique représente de nos jours l’un des défis majeurs auquel est confrontée l’humanité. Face à ce fléau, la plupart des pays s’efforcent de concilier adaptation au dérèglement climatique et développement durable. Dans ce contexte, la présente étude se fixe pour objectif, d’explorer dans le cas de la Dominique, la relation empirique qui existe entre les émissions de CO2 par habitant et des variables économiques influentes sur l’environnement que sont : la croissance économique, la productivité agricole, l’activité touristique, et la consommation d’énergie fossile. Le choix de ce micro-État de la caraïbe comme étude de cas, repose sur le fait que le gouvernement de la Dominique s’est engagé, d’ici 2030 à faire de cette île « la première nation du monde résiliente au changement climatique ». Cet objectif particulièrement ambitieux, a-t-il des chances d’être atteint, dans un environnement aussi contraint que celui de la Dominique ? Pour le vérifier, on a eu recours à un modèle autorégressif à retards échelonnés (ARDL) destinés à évaluer sur la période 1995-2019, les effets dynamiques des variables précédemment indiquées sur les émissions de CO2. Les résultats issus de l’application de ce modèle révèlent que la croissance économique, la consommation d’énergie fossile, de même que l’activité touristique, provoquent à la Dominique, à court terme comme à long terme, une dégradation de l’environnement, résultant elles-mêmes de l’accumulation d’émissions de CO2 dans ce territoire. En revanche, ils montrent que la croissance de la productivité agricole se traduit dans ce pays par une diminution des émissions de CO2, et donc par une amélioration de la qualité de l’environnement. Ces résultats offrent par les enseignements qu’ils fournissent, un outil utile pour hiérarchiser la répartition des ressources entre les secteurs d’activité. Ils sont cohérents avec les tests de causalité de Granger, et sont également robustes par rapport à des modèles alternatifs de la même famille tel que : le modèle des moindres carrés ordinaires entièrement modifiés (FMOLS), que nous utilisons dans cette étude à titre comparatif. Enfin, ces résultats nous enseignent que pour atteindre l’objectif initialement affiché par la Dominique, les quatre conditions suivantes doivent être réunies : (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’énergies 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, privilégiant 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.

Haut de page

Texte intégral

Introduction

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.

1. Profil économique, social, énergétique et environnemental de la Dominique

1.1. Panorama de la situation économique et sociale de la Dominique

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)

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)

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)

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)

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

2.2. Panorama de la situation énergétique et environnementale à la Dominique

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

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

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

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

Graphique 8 : Évolution de la production d’électricité à la Dominique (en milliard de KWH), 2014-2021

Source : The US Energy Information Administration

2. Méthodologie d’analyse : description des données, et modèle empirique utilisé

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.

2.1. Description des données

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.

2.2. Modèle empirique utilisé

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

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.

3. Analyse et interprétation des résultats.

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

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

Conclusion et recommandations de politique générale

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

Haut de page

Bibliographie

Adebayo, TS. (2020). Revisiting the EKC hypothesis in an emerging market: an application of ARDL-based bounds and wavelet coherence approaches. SN Appl Sa, 2(12): 1-15.

Banque mondiale (2023). World Development Indicators -WDI-. https://databank.worldbank.org/source/world- development-indicators. Consultée le 29/06/2023.

Cevik, S. (2022). Dirty dance: tourism and environment. IMF Working Paper. No. 2022/178.

Cevik, S., and Ghazanchyan, G. (2021). Perfect Storm: Climate Change and Tourism. Journal of Globalization and Development, Vol. 12, pp. 47–61.

Cropper, M. & Griffiths, C. (1994). The Interaction of Population Growth and Environmental Quality.American Economic Review, 84, pp. 250–254.

Dinda, S., Coondoo, D. & Pal, M. (2000). Air Quality and Economic Growth: An Empirical Study. Ecological Economics, 34, pp. 409–423.

Doda, B. (2014). Evidence on Business Cycles and CO2 Emissions. Journal of Macroeconomics, 40, pp. 214–227.

Dogan, N. (2016). Agriculture and environmental Kuznets curves in the case of Turkey: evidence from the ARDL and bounds test. Agric Econ, 62(12): 566-574.

Dupont, L. (2009). Cointégration et causalité entre développement touristique, croissance économique et réduction de la pauvreté : cas de Haiti. Etudes caribéennes, 13-14. https://doi.org/10.4000/etudescaribéennes.3780.

Dupont, L. (2012). Modèle macro-économique applicable aux petits états insulaires en développement : l’exemple de la Dominique. Etudes caribéennes, 23. https://doi.org/10.4000/etudescaribéennes.6283.

Dupont, L. (2013). Le changement climatique et ses implications économiques sur le secteur touristique à la Guadeloupe et à la Martinique. Etudes caribéennes, 26. https://doi.org/10.4000/etudescaribéennes.6750

Dwyer, L. et al., (2010). Estimating the Carbon Footprint of Australian Tourism. Journal of Sustainable Tourism, 18, pp. 355–376.

Farid, M., et al., (2016). After Paris: Fiscal, Macroeconomic, and Financial Implications of Climate Change. IMF Staff Discussion Note No. 16/01 (Washington, DC: International Monetary Fund).

Feng, K., Davis, S. Sun, L. & Hubacek, K. (2015). Drivers of the US CO2 Emissions. Nature Communications, 6, pp. 1–8.

FMI (2023). International Financial Statistics (IFS). imf.org. Consultée le 29/O6/2023

FMI (2023). World Economic Outlook (WEO). imf.org. Consultée le 29/O6/2023

Galeotti, M., Lanza, A. & Pauli, F. (2006). Determinants of CO2 Emissions in a Small Open Economy. Ecological Economics, 45, pp. 133–148.

Gao, J., Xu, W. & Zhang, L. (2021). Tourism, Economic Growth, and Tourism-Induced EKC Hypothesis: Evidence from the Mediterranean Region. Empirical Economics, 60, pp. 1507–1529.

Gay, D., Rogers, T. & Shirley, R. (2018). Small Island Developing States and Their Suitability for Electric Vehicles and Vehicle-to-Grid Services. Utilities Policy, 55, pp. 69–78.

Gökovali, U. & Bahar, O. (2006). Contribution of Tourism to Economic Growth: A Panel Data Approach. Anatolia, 17, pp. 155–167.

Gonzalez-Sanchez, M., & Martin-Ortega, J. (2020). Greenhouse Gas Emissions Growth in Europe: A Comparative Analysis of Determinants. Sustainability, 12, pp. 1012–1034.

Grossman, G., & Krueger, A. (1995). Economic Growth and the Environment. Quarterly Journal of Economics, 110, pp. 353–377.

Gugler, K., Haxhimusa, A. & Liebensteiner, M. (2021). Effectiveness of Climate Policies: Carbon Pricing vs. Subsidizing Renewables. Journal of Environmental Economics and Management, 106, 102405.

Hansen, B & Phillips PCB, (1990). Estimation and inference in models of cointegration: a simulation study. Adv Econ 8: 225-248.

Hansen, J., Sato, M. Russell, G. & Kharecha, P. (2013). Climate Sensitivity, Sea Level and Atmospheric Carbon Dioxide. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, Vol. 371, pp. 20120294.

Harbaugh, W., Levinson, A. & Wilson, D. (2002). Reexamining the Empirical Evidence for an Environmental Kuznets Curve. Review of Economics and Statistics, 84, pp. 541–551. 19

Millimet, D., List, J. and Stengos, T. (2003). The Environmental Kuznets Curve: Real Progress or Misspecified Models? Review of Economics and Statistics, 85, pp. 1038–1047.

Park, JY. (1992). Canonical Cointegration Regression. Econom: J Econom Soc 60(1): 119-143.

Pesaran, MH., Shin Y. & Smith, RJ. (2001). Bounds testing approaches to the analysis of level relationships. J Appl Economet 16(3): 289-326.

Raihan, A et al., (2023). Dynamic impacts of economic growth, energy use, tourism, and agricultural productivity on carbon dioxide emissions in Egypt. World Development Sustainability, 2, 100059.

Raihan, A. & Tuspekova, A. (2022). The nexus between economic growth, energy use, urbanization, tourism, and carbon dioxide emissions. New insights from Singapore. Sustainability Anal. Model, 2.

Raihan, A. (2022). Dynamic impacts of economic growth, renewable energy use, urbanization, and tourism on carbon dioxide emissions in Argentina. Environ, Processes, 9.

Raihan, A. (2023). An econometric evaluation of the effects of economic growth, energy use, and agricultural value added on carbon dioxide emissions in Vietnam. Asia- Pacific, Regional Sci, 7.

Shafik, N. (1994). Economic Development and Environmental Quality: An Econometric Analysis. Oxford Economic Papers, 46, pp. 757–773.

Sharma, S. (2011). Determinants of Carbon Dioxide Emissions: Empirical Evidence from 69 Countries. Applied Energy, 88, pp. 376–382.

Stern, N. (2007). The Economics of Climate Change: The Stern Review. Cambridge: Cambridge University Press.

Stock, JH. & Watson, MW. (1993). A simple estimator of cointegration vectors in higher order integrated systems. Econom: J Econom. Soc 61:783-820.

Tian, X-L., Bélaïd, F. & Ahmad, N. (2021). Exploring the nexus between tourism development and environmental quality: Role of Renewable energy consumption and Income. Structural Change and Economic Dynamics, 56, pp. 53–63.

US Energy Information Administration (2023). Annual Energy Outlook, 2023. eia.gov. Consultée le 29/06/2023

Haut de page

Table des illustrations

Titre Graphique 1 : perspectives d’évolution de la croissance économique à la Dominique (2021- 2028)
Crédits Source : FMI, 2023
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-1.png
Fichier image/png, 2,4k
Titre Graphique 2 : perspectives d’évolution des investissements à la Dominique (2021- 2028)
Légende 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.
Crédits Source : FMI, 2023
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-2.png
Fichier image/png, 2,3k
Titre Graphique 3 : perspectives d’évolution de l’inflation à la Dominique (2021-2028)
Légende 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.
Crédits Source : FMI, 2023
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-3.png
Fichier image/png, 1,9k
Titre Graphique 4 : perspectives d’évolution de la balance des comptes courants de la Dominique (2021-2028)
Légende 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.
Crédits Source : FMI, 2023
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-4.png
Fichier image/png, 2,5k
Titre Graphique 5 : Évolution des émissions de CO2 par habitant à la Dominique (en tonnes métriques) de 2012 à 2019
Légende 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.
Crédits Source : Banque mondiale, 2022
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-5.png
Fichier image/png, 2,1k
Titre Graphique 6 : Évolution de la consommation d’énergie par habitant à la Dominique (en kg d’équivalent pétrole) de 1990 à 2007
Légende 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.
Crédits Source : Banque mondiale, 2002
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-6.png
Fichier image/png, 2,3k
Titre Graphique 7 : Évolution de l’intensité énergétique à la Dominique (PIB par unité d’équivalent pétrole), 1990-2007
Légende 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.
Crédits Source : Banque mondiale
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-7.png
Fichier image/png, 1,8k
Titre Graphique 8 : Évolution de la production d’électricité à la Dominique (en milliard de KWH), 2014-2021
Crédits Source : The US Energy Information Administration
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-8.png
Fichier image/png, 2,4k
Titre Figure 1 : Tests de stabilité du modèle ARDL
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-9.png
Fichier image/png, 29k
URL http://journals.openedition.org/etudescaribeennes/docannexe/image/30128/img-10.png
Fichier image/png, 31k
Haut de page

Pour citer cet article

Référence électronique

Louis Dupont, « Évaluation des effets dynamiques 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 »Études caribéennes [En ligne], 57-58 | Avril-Août 2024, mis en ligne le 30 avril 2024, consulté le 24 mai 2024. URL : http://journals.openedition.org/etudescaribeennes/30128 ; DOI : https://doi.org/10.4000/etudescaribeennes.30128

Haut de page

Auteur

Louis Dupont

The George Washington University
louis.dupont038@orange.fr

Articles du même auteur

Haut de page

Droits d’auteur

CC-BY-NC-4.0

Le texte seul est utilisable sous licence CC BY-NC 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Search OpenEdition Search

You will be redirected to OpenEdition Search