See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/359620494

L’évaluation de l’impact du marché boursier sur l’économie – Cas du Maroc –

Article · March 2022

CITATIONS READS

0 1,683

2 authors, including:

Mohamed Ghali
National Institute of Statistics and Applied Economics
1 PUBLICATION 0 CITATIONS

SEE PROFILE

All content following this page was uploaded by Mohamed Ghali on 31 March 2022.

The user has requested enhancement of the downloaded file.

 ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE

INSEA

Rapport du stage d’application

Organisme d’accueil :

La Direction des Etudes et des Prévisions Financières

(Ministère de l’Economie, des Finances et de la Réforme de
l’Administration)

Sujet :
L’évaluation de l’impact du marché boursier sur
l’économie – Cas du Maroc –

Préparé par : M. GHALI Mohamed

M. BELKAID Mohamed

Encadré par : M. BOUMAHDI Ilyes

Année universitaire :2021/2022

-2-
 D édicace

‘‘La seule chose qui se dresse entre vous et votre rêve, c’est la
volonté d’essayer et la conviction qu’il est réellement possible’’
Joel Brown
Nous dédions ce travail, comme preuve de respect, de gratitude, et de
reconnaissance à nos chères familles, pour leur affection, leur patience, et
leurs prières ; Nos meilleurs amis pour leur aide, leur temps, leur
encouragements, leur assistance et soutien ; Ce travail est également dédié à
toute personne ayant contribué à son élaboration ce qui est le fruit de deux
mois d’apprentissage.
Merci infiniment.

-3-
R emerciements

Nous commencerions ce travail en ayant une pensée sincère et très spéciale pour
toutes les personnes qui nous ont aidées et soutenues pendant cette période. Nous les
invitons tous à trouver ici, l’expression de notre gratitude et considération.

Nous adressons notre profonde déférence et gratitude, ainsi que nos sincères
remerciements à notre encadrant M. BOUMAHDI ILYES qui a accepté dediriger ce
projet. Il s’y est grandement impliqué par son suivi permanent et par ses conseils
pertinents, mais aussi par ses encouragements dans les moments clés de son élaboration.

Nous remercions aussi tout le corps professoral de l’INSEA qui nous a

accompagnés durant nos années d’études tout en restant dévoués à leur passion qu’est
l’enseignement avec ses différents aspects.

Merci à tous et à toutes

-4-
 T able des matières
Dédicaces............................................................................................................................................. - 3 -
Remerciements .................................................................................................................................. - 4 -
Liste des figures ...........................................................................................................................….….- 8 -
Liste des tableaux ............................................................................................................................... - 9 -
Introduction générale…………………………………………………………………………………………………………………….-10-

Chapitre I : INTRODUCTION DE L’ENVIRONEMENT DU TRAVAIL………………………………………………….- 17-

Chapitre II : Revue de littérature……………………………………………………………………………………………......-14-

II.1 Revue théorique…………………………………………………………………..………………………………………… -15-

II.1.1 La théorie de la croissance néo-classique ……………..………………………………………… -15-
II.1.1 théorie de la croissance endogène ……………………..…………………………………..……… -16-
II.2 Revue empirique………………………………….………………………………………………………………………… -18-
II.3 Evaluation de la revue de littérature et conclusion …..…………………………………………………… -25-

Chapitre III : Description du marché boursier marocain………………….…………………………………………………..-52-

III.1 Introduction …………………………………………………………………….…………………..………………………….-53-

III.2 Organisation de la BVC …………………………………………………….…………………..…………….………….-53-
III.2.1 Présentation …………………….………………………………….…………………..……………………….-53-
III.2.2 Les acteurs du marché boursier marocain …..…….……………………..……………………….-53-
III.2.3 Structure du marché.………………………….…….………….…………………..……………………….-53-
III.2.3.1 Marché Central………………………………………………………………………..…….….-53-
III.2.3.2 Marché de Blocs……………………………………………………………………….……….-53-
III.2.3.3 Marché d’agence et de contrepartie ………………………………………..……….-53-
III.3 Indicateurs des dimensions du développement de la BVC……………………….………………….…….-53-
III.3.1 Le volume des transactions …………………..…………….…………………..……………………….-53-
III.3.2 La capitalisation boursière…..…….……………………..………………………..…………………….-53-
III.3.3 La liquidité.……………………………………….…….………….…………………..……………………….-53-
-5-
 III.3.3.1 Les mesures de la liquidité d’un titre ……………….……………………..…….….-53-
III.3.3.1.1 Les mesures liées aux fourchettes des prix…………..…..…….….-53-
III.3.3.1.2 les Ratios de la liquidité boursière…………..………………..…….….-53-
III.3.3.1.3 Mesure de la note finale ……………………………………..…..…….….-53-
III.3.4 L’efficience…..…….………………………………….………..………………………..………….………….-53-
III.3.4.1 Définition……………….………………………………………………………………..…….….-53-
III.3.4.2 Présentation des tests……………….…………………………………..………..…….….-53-
III.3.4.3 Présentation de la base de données ……………….…….………………..…….….-53-
III.3.4.4 Résultats ………………………………………………………….……………………..…….….-53-

Chapitre IV : Méthodologie de recherche……………..……………………....……………………………………………..-52-

IV.1 Le Modèle ARDL ……………..……………………………………………….…………………..………………………….-53-

IV.2 Stationnarité des séries temporelles…………………………………….…………………..…………….………….-53-
IV.2.1 Test de Dickey Fuller (DF)..…………………….…….…….…………………..……………………….-53-
IV.2.2 Test de Dickey-Fuller Augmenté (ADF)…..…….………………………..……………………….-53-
IV.3 L’approche de test aux bornes ou test de cointégration de Pesaran…………..…………….………….-53-
IV.4 Test de granger de causalité …………..…………………………………………………………..………….………….-53
IV.5 Test de Jarque-Bera…………..………………………………………………………………………..………….………….-53
IV.6 Test de Ljung-Box :…………..………………………………………………………………………..………….………….-53
IV.7 Test de Breusch-Pagan…………..…………………………………………….……………………..………….………….-53

Chapitre V : Evaluation de l’impact du développement de la BVC sur l’économie

marocaine…………………………………………...………………………………………………………………………………………..-52-

V.1 Spécification du modèle et choix des variables ……………………………………..………………………….-53-

V.2 Les données : nature & source :…………………………………….……………….………..…………….………….-53-
V.2.1 Nature & source des données : …………………….…………………..……………………………….-53-
V.2.2 Caractéristiques descriptives :…..……………………….……………………..……………………….-53-
V.2.3 Evolution graphique des variables :.………………………….…….………..……………………….-53-
V.3 Etude de la stationnarité :………….………………………………….……………….………..…………….………….-53-
V.4 Estimation du modèle par la méthode ARDL……………………………………….…………………………… :53-
V.4.1 Estimation du modèle ARDL avec décalage optimal :…………….………………………….-53-
V.4.2 Validation du modèle……………....……………………….……………………..……………………….-53-

-6-
 V.4.3 Test de cointégration aux bornes……..……………………….…….………..……………………….-53-
V.4.4 Corrélation et causalité entre les séries :……..…………….…….………..……………………….-53-
V.4.4.1 Corrélation entre les séries ……………..……………….……………………..…….….-53-
V.4.4.2 Causalité entre les séries ……………….………………………………………..…….….-53-
V.4.5 Coefficients de court terme et dynamique de long terme ….…..…………….…………….-53-
V.4.5.1 Coefficients de court terme (CT).……………..……………….……………..…….….-53-
V.4.5.2 Coefficients de long terme (LT).……………..…….…………………..……..…….….-53-

Conclusion............................................................................................................................................. - 3 -
Bibliographie ......................................................................................................................................... - 3 -

-7-
L iste des figures

Figure 1 : Le volume des transactions

Figure 2 : La capitalisation boursière

Figure 3 : Les étapes du test de Dickey-Fuller

Figure 4 : Evolution des variables

Figure 5 : Modèle optimal par SIC

Figure 6 : Le modèle ARDL

Figure 7 : Schéma des différents liens de causalités entre les variables

Figure 8 : Les coefficients de court terme

-8-
L iste des tableaux

Tableau 1 : la capitalisation boursière sur les 10 sociétés cotées à la

bourse
Tableau 2 : Tableau de mesure de la note finale
Tableau 3 : Description des variables
Tableau 4 : Stat. Descriptive
Tableau 5 : ADF test pour PIB
Tableau 6 : ADF test pour la capitalisation boursière
Tableau 7 : ADF test pour le taux de rotation
Tableau 8 : ADF test pour la dépense publique

Tableau 9 : ADF test pour la formation brute de capital fixe

Tableau 10 : ADF test pour le taux d’ouverture de l’économie
Tableau 11 : tableau récapitulatif des résultats de ADF test
Tableau 12 : Validation du modèle
Tableau 13 : Résultat du test de coientégration
Tableau 14 : Corrélation entre les variables
Tableau 15 : Les modèles VAR
Tableau 16 : Résultat du test de causalité de Toda-Yamamoto

-9-
 I ntroduction générale
Depuis des décennies, certains chercheurs s'intéressent à l'étude de la
relation entre la croissance économique et le développement financier. Les
premiers sont Bagehot (1873), Schumpeter (1911) et Girly et Shaw (1955).
Mais seuls les travaux des économistes Davis (1965), Cameron (1967) et
Sylla (1969) lui ont donné une analyse empirique. Le but de cette étude était
d'étudier la relation entre le système financier et la croissance économique.
Celles-ci sont résumées sous trois rubriques différentes. Tout d'abord, il y a
des gens qui croient que le système financier a un impact positif sur la
croissance économique. Clairement, Walter Bagehot (1873) et John Hicks
(1969) montrent le rôle important du système financier pour faciliter la
mobilisation du capital britannique dans la montée de l'industrialisation.
Joseph Schumpeter (1912) a souligné que le bon fonctionnement des banques
les incite à innover par la création et le financement d'entreprises. N'oubliez
pas Levine (1997), qui a prouvé empiriquement la robustesse de cette
connexion. Il en va de même pour l'auteur Jacquet et Pollin (2012). En
théorie, la littérature économique émergente subit une mise à jour du rôle du
dans le marché boursier en matière de croissance. En particulier, une étude de
Greenwood et Smith,1997, montre que le développement du marché boursier
permet de réduire le coût de la mobilisation de l'épargne, ce qui favorise
l'investissement productif. Levine (1991) et Bencivenga et al. 1969 a
déterminé l'importance d'augmenter la liquidité, et agents doivent investir
leurs économies dans des actions de bourse ou d'autres titres. Cela facilitera
l'investissement dans les projets à long terme les plus rentables, ayant un
impact sur la croissance économique. Dans le même sens, une étude de
Rousseau et Wachtel (2000) montre que le développement de la liquidité
boursière est fortement associé à une croissance économique importante.
Deuxièmement, nous trouvons d'autres auteurs qui pensent : C'est davantage
la croissance économique qui épuise le système financier. Comme Joan
Robinson (1952), le développement des marchés financiers est le résultat de la
croissance, et nous pensons que la croissance nécessite une nouvelle forme de
financement qui stimulera le développement des marchés financiers.
Enfin, certains économistes, comme Robert Lucas (1988), estiment qu'il
n'y a pas de lien entre la croissance économique et le développement des
marchés financiers. Dans le cas de En tant que société financière, aucune
croissance n'est nécessaire. Autres économistes soutiennent que le
développement de la liquidité des marchés financiers n'affecte pas le
comportement des propriétaires d'entreprises.
A la lumière de ces positions contradictoires, l'objectif de cette étude est
de clarifier le rôle des marchés financiers marocains dans la croissance
- 10 -
économique. Le Maroc, a connu une période de répression fiscale caractérisée
par un contrôle étatique massif sur son système financier. Après cela, le pays
a adopté une nouvelle idéologie économique, l'idéalisme de la libéralisation
financière. Cela a nécessité une transition de la dette à une économie de
marché de à travers un certain nombre de réformes des marchés financiers.
Les principales questions à ce niveau sont :
Quels sont les déterminants du développement des marchés financiers ?
Et comment le développement du sur les marchés financiers affectera-t-il la
croissance économique du Japon ?
Pour répondre à notre question, la première partie traite de l'étude
bibliographique sur les relations entre croissance économique et système
financier, puis la description du système financier marocain. La deuxième
partie contient les aspects empiriques du travail. Avant d'examiner le lien de
causalité entre les deux, nous évaluons l'importance quantitative de la bourse
pour la croissance économique du Maroc au cours de la période d'étude 1993-
2017. Pour ce faire, nous utilisons trois chiffres clés pour l'évolution du
marché boursier et cinq indicateurs de croissance économique.

- 11 -
Chapitre I : INTRODUCTION DE L’ENVIRO-
NEMENT DU TRAVAIL

- 12 -
13
Chapitre II : Revue de littérature

14
 Ce chapitre fait le tour sur trois sections différentes, à savoir : Une revue
de littérature théorique, une revue de littérature empirique et l’évaluation de la
revue de littérature. La première section présentera un cadre théorique qui
essaie de traiter la nature de la relation entre le développement du marché
boursier et la croissance économique, mais en raison de manque de théories
spécifiques à ce cadre, nous allons la présenter dans le contexte du
développement financier. La deuxième section passe en revue les études
précédentes qui ont été faites sur le lien entre le marché boursier et la
croissance économique. Et la dernière section donnera une évaluation des
deux revues théorique et empirique.

II.1 Revue théorique

La revue de la littérature théorique qui est effectuée dans ce chapitre
commence par la couverture des principales théories macroéconomiques sur
la croissance, à savoir les théories de la croissance néo-classique et endogène.
L'objectif de cette revue est de voir si ces principales théories fournissent une
explication du lien possible entre les systèmes financiers (y compris les
marchés boursiers) et la croissance économique.

II.1.1 La théorie de la croissance néo-classique

La théorie de la croissance néo-classique, due à Robert Solow (1956), prédit

un équilibre en régime permanent où la croissance est constante (sans progrès
technique), et augmente avec le progrès technique par le travail (AL). Le
modèle de Solow est basé sur une fonction de production de type Cobb-
Douglas dans laquelle la production (Y) est fonction du capital (K) et du
travail (AL), la fonction de production présentant des rendements d'échelle
constants et décroissants (sans progrès technique). La fonction de production
est spécifiée comme suit :

𝑌 = 𝐾 𝑎 𝐴𝐿𝑎−1 𝑎𝑣𝑒𝑐 𝑎 ∈]0,1[

15
 Où A est le progrès technologique; Y et K sont respectivement la production
par habitant et le capital par tête. a et 1-a sont l'élasticité de la production par
rapport au capital et au travail. Une augmentation du progrès technologique
entraîne une augmentation de la production par son influence sur le travail.
Cela implique que la croissance de la production par habitant en régime
permanent dépend du progrès technologique qui augmente le travail. Ce
modèle considère le progrès technologique comme exogène et suppose que la
production totale continue de croître au rythme de la force de travail tandis
que la production par capital est constante sans progrès technologique. Le
point fort de cette théorie est qu'elle explique la richesse d'un pays à long
terme. Elle traite le taux d'épargne et la croissance démographique comme
exogènes, ce qui montre que ces deux variables déterminent le niveau de
revenu par habitant en régime permanent (Sengupta, 2011) et qu'elles
affectent le niveau de revenu par habitant à long terme, mais pas sa croissance
mesurée par le pourcentage de croissance du revenu par habitant. De plus, en
raison de l'hypothèse de productivité marginale décroissante, une amélioration
du taux d'épargne ne peut avoir qu'un effet temporaire sur le taux de croissance
de la production. L'auteur indique également que cela limite la capacité du
modèle de Solow à expliquer efficacement la relation entre le développement
du marché boursier et la croissance économique, car il finit par n'expliquer
que l'état à court terme de l'économie, laissant la croissance économique à
long terme inexpliquée. En outre, une autre faiblesse du modèle de Solow est
sa nature axée sur l'offre qui limite la théorie à une seule fonction de
production qui relie les facteurs de production tels que le capital et le travail à
la production.

II.1.2 théorie de la croissance endogène

Le modèle de croissance endogène a remis en question l'hypothèse du

modèle de Solow selon laquelle le progrès technologique est exogène. Les
partisans de cette théorie ont fait valoir que le progrès technologique est
endogène et constitue un déterminant important de la croissance économique.
Il découle de facteurs tels que l'augmentation de l'épargne, de l'investissement
et de la croissance démographique. Ces facteurs sont à leur tour affectés par
les politiques structurelles qui influencent le taux de croissance à long terme
en ayant un impact sur l'accumulation de capital (capital physique et humain),
la création et la diffusion de nouvelles connaissances par le développement de
logiciels et d'autres services fournis par les nouvelles technologies de
l'information (Sengupta, 2011). Cela montre comment la théorie endogène
explique le lien entre le développement financier et la croissance économique,
car l'épargne et l'investissement sont considérés comme des canaux par
lesquels le secteur financier a un impact sur la croissance, par son plus grand

16
rôle de mobilisation des ressources. Pour illustrer cela, Pagano (1993) a utilisé
le modèle de croissance endogène où la production globale est une fonction
linéaire du stock de capital global.
Le modèle est exprimé comme suit : 𝑌𝑡 = 𝐴𝐾𝑡
Où 𝑌𝑡 est la production totale produite pendant la période t, 𝐾𝑡 est le stock
de capital agrégé et A la productivité marginale sociale du stock de capital.
Comme le suggère Lucas (1988), 𝐾𝑡 , dans le modèle endogène, diffère du
stock de capital (𝐾𝑡 ) du modèle de croissance de Solow dans le sens où il est
composé à la fois de capital physique et de capital humain. En supposant que
la croissance de la population est fixe et que l'économie ne produit qu'un seul
bien qui peut être consommé ou investi, l'investissement brut s'exprime
comme suit :

𝐼𝑡 = 𝐾𝑡+1 − (1 − 𝛿)𝐾𝑡 (∗)

Où 𝐼𝑡 est l'investissement brut et 𝛿 est la dépréciation du bien s'il est investi.

Si l'on suppose une économie fermée, au taux de croissance stable, l'épargne
𝑆𝑡 doit être égale à l'investissement 𝐼𝑡 . Cependant, il est nécessaire de supposer
qu'une partie de l'épargne peut être perdue dans les processus d'intermédiation
financière qui est dénotée par (1 − 𝜙). Par conséquent 𝜙𝑆 = 𝐼𝑡 , et l'équation
(*) à l'équilibre s'exprime comme suit :

𝐼
𝑔=𝐴 − 𝛿 = 𝐴𝜙𝑆 − 𝛿
𝑌

Où g est le taux de croissance de Y, s est le taux d'épargne, y est le produit

intérieur brut et 𝜙 est la proportion de l'épargne qui est investie.
L'amélioration de la proportion de l'épargne, du taux d'épargne, investie (𝜙),
l'augmentation de la productivité marginale et la réduction de la proportion de
l'épargne gaspillée dans le processus d'intermédiation financière (1 − 𝜙)
entraîneraient un niveau plus élevé de développement financier qui générerait
un taux de croissance élevé (Harris, 2012). Comme le souligne Caporale et.al
(2003), contrairement au modèle néoclassique, cette vision suppose également
qu'il n'y a pas de productivité marginale décroissante mais des rendements
d'échelle constants et la productivité est susceptible d'être un canal par lequel
le développement financier affecte la croissance économique à long terme. De
plus, avec le modèle de croissance endogène, un niveau d'investissement plus
élevé, qui comprend à la fois le capital physique et humain, n'affecte pas
seulement le revenu par habitant mais peut également soutenir un taux de
croissance élevé et croissant du revenu à l'avenir. Le fait que ces facteurs de
production soient traités de manière endogène permet à la théorie d'expliquer
non seulement la croissance à court terme, mais aussi la croissance à long
terme. Sur la base de l'examen du modèle AK de Pagano, le modèle de
croissance endogène implique un lien positif entre les développements du

17
marché boursier et la croissance économique, ce qui répond partiellement à la
question de la nature de la relation entre les deux variables; cependant, ces
théories n'indiquent aucune explication claire sur la direction de la relation
entre ces deux variables.

II.2 Revue empirique

Pour compléter notre revue de littérature, on révise dans ce chapitre la revue

de littérature empirique sur la direction et la nature de la relation entre le
développement du marché boursier et la croissance économique. La revue de
littérature empirique englobe tout un tas d’études qui peuvent concerner des
différents types de pays, pour cela nous allons nous concentrer dans notre cas
sur les études existantes sur les pays en développement pour être plus proche
du cas du Maroc :

Une causalité à double sens et un lien fort entre la performance du marché

boursier et la croissance économique ont été trouvés par Tuncer et Alovsat
(2000), lorsqu'ils ont réalisé une étude de panel utilisant la causalité de
Granger pour un échantillon de 20 pays comprenant à la fois des pays en
développement et des pays développés sur la période 1981 à 1994. Une
analyse des séries chronologiques a également été menée pour chaque pays
afin de tester la direction de la causalité entre la variable, cependant les
résultats sur la direction ne sont pas robustes et selon les auteurs cela est dû à
l'insuffisance des données des autres pays.

Udegbunam (2002) a examiné les implications de l'ouverture et du

développement du marché boursier sur la croissance industrielle au Nigeria,
en utilisant des données chronologiques pour la période de 1970 à 1997. Les
résultats empiriques de la méthode des moindres carrés ordinaires (MCO)
révèlent que le développement du marché boursier et l'ouverture sont tous

18
deux des déterminants importants de la croissance économique nigériane. Un
certain nombre de chercheurs ont trouvé la libéralisation comme un ingrédient
pour le développement du marché boursier dans de nombreux pays, donc avoir
ces deux variables travaillant ensemble peut apporter une forte contribution
au développement économique d'un pays.

Howells et Soliman (2005) ont étudié l'impact du développement du marché

boursier sur la croissance économique en utilisant des données trimestrielles
pour la période 1979:1 à 1998:4 de quatre pays, à savoir le Chili, la Corée, la
Malaisie et les Philippines. Une technique et des mesures similaires pour le
développement du marché boursier et la croissance économique. Cependant,
les auteurs ont fait valoir que l'objectif principal de leur étude n'est pas
seulement d'examiner l'impact du développement du marché boursier sur la
croissance économique, mais, il est également d'examiner les canaux par
lesquels il a un impact sur la croissance économique, donc l'investissement
qui est mesuré par la productivité de l'investissement et le niveau de
l'investissement, est inclus comme une mesure de contrôle. Les résultats
confirment une relation positive entre le développement du marché boursier
et la croissance économique, allant du développement du marché boursier à la
croissance économique par le biais de l'investissement de la productivité
comme un canal pour tous les pays inclus. En conclusion, ils soulignent
l'importance d'un marché boursier bien développé dans les pays moins
développés, car il favorise un investissement efficace qui, à son tour, renforce
la croissance économique.

Choong et.al (2005) ont utilisé la technique de cointégration de Johansen pour

tester la relation à long terme entre le développement du marché boursier et la
croissance économique pour la Malaisie. Le taux d'escompte et l'ouverture
commerciale ont été utilisés comme variables de contrôle et les résultats
empiriques révèlent que toutes les mesures de développement du marché
boursier ont un impact positif sur la croissance économique et qu'il existe une

19
relation de causalité entre les deux variables, qui va du développement du
marché boursier à la croissance économique. En outre, ils ont souligné que les
marchés boursiers ont tendance à stimuler l'économie lorsque les politiques
d'investissement et de commerce sont libéralisées, car la libéralisation
contribue à améliorer la réglementation des marchés financiers et à stabiliser
l'économie.

Azermi et al (2005) ont soutenu que le marché boursier en Inde était un casino
pour la période post libéralisation et pour la période d'étude de dix ans. Ceci
est soutenu par les résultats d'une étude qu'ils ont menée sur la période de 1981
à 2001, qui révèlent que, sur le marché boursier indien, un lien positif entre
les deux variables n'a existé qu'avant la libéralisation pendant une période de
dix ans, ce qui est une sous-période, puis, après la libéralisation, il y a eu une
corrélation négative pendant dix autres années.

Bahadur et Neupane (2006) ont examiné la relation de causalité entre le

marché boursier et la croissance économique pour le Népal, en utilisant des
données annuelles pour la période 1988 à 2005. L'étude a utilisé le test de
causalité de Granger pour tester la causalité entre les deux variables et les
résultats révèlent que le développement du marché boursier joue un rôle
important dans la croissance économique. En outre, les auteurs ont souligné
que les fluctuations du marché boursier peuvent prédire les changements
futurs de la croissance économique et son rôle prépondérant a été prouvé par
la relation de causalité entre le développement du marché boursier et la
croissance économique.

Naceur et Ghazouani (2006) ont réalisé une étude similaire pour un

échantillon de 11 pays de la région Mena pour la période de 1979 à 2003. Les
résultats révèlent une relation non significative entre la performance du
marché boursier et la croissance économique et une relation négative entre la
performance des banques et la croissance économique. En outre, les auteurs
ont affirmé que cela est dû au sous-développement des systèmes financiers

20
dans les pays évalués, ce qui nécessite une action des décideurs politiques vers
le développement de ces systèmes afin de renforcer le lien entre leurs marchés
financiers et la croissance économique. Cependant, cela est trop généralisé,
étant donné que des pays tels que l'Égypte est l'un des pays dont le marché
boursier est le plus performant, ce qui soulève la nécessité d'évaluer un pays
en tant qu'individu, pour éviter de généraliser et de négliger certains aspects
importants des pays individuels.

Riman et.al (2008) ont utilisé le modèle de correction des erreurs vectorielles
pour étudier l'association empirique entre la performance du marché boursier
et la croissance économique du Nigeria pour la période 1970-2004. Les
auteurs ont également utilisé une mesure du développement bancaire comme
variable de contrôle. Les résultats montrent qu'il existe une association
positive entre le développement du marché boursier et la croissance
économique au Nigeria et que la causalité va du développement du marché
boursier à la croissance économique. Les auteurs ont également souligné
qu'une structure financière basée sur le marché dans une économie contribue
grandement à la mobilisation efficace des fonds investissables des secteurs
privé et public, à l'augmentation de la productivité marginale sociale du capital
et à l'influence de l'épargne privée. À l'appui de ce point de vue, Okpara (2010)
souligne également la contribution du développement du marché boursier à la
croissance des investissements au Nigeria. Cette constatation a été faite après
que l'auteur ait testé l'importance de la performance du marché financier sur
l'ensemble des opportunités d'investissement en utilisant l'approche de
cointergration de Johnson.

Brasoveanu et.al (2008) ont analysé une corrélation entre le développement

du marché des capitaux et la croissance économique pour la Roumanie en
utilisant des données trimestrielles de 2000:1 à 2006:2. L'étude a utilisé la
taille du marché boursier, la liquidité et l'indice de marché comme mesures du
développement du marché des capitaux et les résultats des méthodes

21
vectorielles autorégressives confirment une relation bidirectionnelle entre les
deux variables ; cependant, les auteurs indiquent également que même si les
deux variables s'influencent mutuellement, la causalité la plus forte va de la
croissance économique au marché des capitaux, ce qui implique que la
croissance économique est un déterminant du développement financier en
Roumanie.

Nurudeen (2009) a également exploré une étude similaire pour le cas du

Nigeria sur la période 1981 à 2007, en utilisant le modèle de correction
d'erreur. L'étude a inclus l'indice All- share comme troisième mesure de la
performance du marché boursier. Il a été constaté que la capitalisation du
marché affecte positivement la croissance économique, ce qui implique
qu'une augmentation de la taille du marché boursier permet aux entreprises de
lever des fonds, ce qui stimule l'investissement qui, à son tour, favorise la
croissance économique. Un impact négatif significatif de la liquidité du
marché sur la croissance économique a également été trouvé, ce qui peut être
dû aux difficultés impliquées dans la négociation des actions, telles que des
coûts de transaction élevés et un retard dans l'émission du certificat d'actions.
Les résultats révèlent un effet non significatif de l'indice des actions sur la
croissance économique. L'auteur recommande au gouvernement de libéraliser
le marché boursier nigérian, car les obstacles découragent l'investissement
qui, à son tour, a un impact sur les activités économiques. La Nigerian
Security and Exchange Commission devrait également améliorer le système
de négociation, car cela améliorera la performance du marché boursier.

Une relation positive à long terme entre les deux variables a été constatée par
Shafii et Aziz (2009) lorsqu'ils ont réalisé une étude, en utilisant l'approche de
cointégration de Johansen pour 20 pays de l'Organisation de la Coopération
Islamique (OCI) pour la période de 1989 à 2006. Les résultats suggèrent un
impact positif de la capitalisation boursière et du ratio de rotation sur la
croissance économique dans six pays, à savoir la Malaisie, les Émirats arabes

22
unis, la Turquie, l'Égypte, le Bahreïn et l'Ouzbékistan. Il a été prouvé que pour
tous ces pays, il n'y a qu'un seul vecteur de cointégration, et cela peut
également être utilisé pour examiner plus avant la causalité entre les variables,
car un test de causalité explique la direction de la relation entre les deux
variables.

De même, une relation entre le marché boursier et le niveau des variables

macroéconomiques a été examinée par Cagli et.al (2010) en utilisant le test de
Gregory Hansen pour la cointégration pour la bourse d'Istanbul sur la période
de janvier 1998 à décembre 2008. Les taux de change, le prix du pétrole, le
taux d'inflation, le produit intérieur brut et la masse monétaire ont été utilisés
comme variables macroéconomiques. Pour mesurer la performance du
marché boursier, les variations du prix des actions ont été utilisées et les
résultats révèlent que le niveau de l'indice boursier est cointégré avec le
produit intérieur brut, le prix du pétrole et la production industrielle.
Cependant, les auteurs ont suggéré que la politique macroéconomique de la
Turquie devrait être modifiée afin de la rendre appropriée aux conditions
macroéconomiques et financières mondiales. En outre, des améliorations sont
également nécessaires pour réduire les instabilités de l'économie turque.

Donwa et Odia (2010) ont analysé l'impact du marché financier nigérian sur
le développement socio-économique en utilisant des données annuelles pour
la période 1981 à 2008. Pour mesurer le développement socio-économique,
l'étude a utilisé le PIB et la capitalisation du marché, le nombre total de
nouvelles émissions, le volume des transactions, le nombre total d'actions
cotées et les actions du gouvernement comme mesures du développement du
marché des capitaux. Les résultats des moindres carrés ordinaires révèlent que
certaines mesures du développement du marché des capitaux ont un impact
non significatif sur la croissance. Les auteurs recommandent en outre au
gouvernement nigérien de mettre en place des mesures visant à stimuler la

23
confiance et les activités des investisseurs afin qu'ils puissent jouer un rôle
significatif dans le développement économique.

Zivengwa et.al (2011) ont également réalisé une étude similaire pour le
Zimbabwe en utilisant la technique du Vector Autoregression (VAR) et le test
de causalité de Granger pour la période 1980 à 2008. L'investissement a été
utilisé comme variable de contrôle ; les résultats ont confirmé une forte
relation entre le développement du marché boursier et la croissance
économique et une relation causale a été trouvée, l'une allant de la
capitalisation boursière à la croissance économique et une autre allant de la
croissance économique au ratio de rotation du marché boursier. Cela montre
qu'il y a encore des incertitudes quant à la théorie qui est valable pour le
Zimbabwe, car les deux hypothèses, celle de l'offre et celle de la demande, ont
été confirmées dans cette étude. En outre, les résultats révèlent que la taille du
marché boursier n'affecte la croissance économique que par le biais de
l'investissement, ce qui souligne que c'est le principal canal par lequel le
marché boursier zimbabwéen influence la croissance économique.

Un test de causalité de Granger a été effectué par Suliman et.al (2011) pour le
Soudan pour la période 1995-2009 et les résultats suggèrent une relation
bidirectionnelle entre la taille du marché boursier et la croissance économique,
alors qu'une relation unidirectionnelle allant de la liquidité du marché boursier
à la croissance économique a été trouvée. Cependant, selon les auteurs, les
résultats globaux indiquent que le développement du marché boursier joue un
rôle important dans la croissance économique.

L'effet de la performance du marché boursier sur la croissance économique au

Nigeria a été évalué par Ohiomu et Enabulu (2011) pour la période de 1989 à
2008 en utilisant la régression ordinaire des moindres carrés. En outre, la
technologie et le travail ont été employés comme variables de contrôle. Les
résultats révèlent qu'il existe une relation positive entre le développement du
marché boursier et la croissance économique, mais qu'elle est faible et non

24
 significative. Selon les auteurs, cela résulte de la rigidité de l'économie
nigériane, de l'instabilité des politiques et de l'inefficacité qui ont été
observées au cours de la période étudiée. Il est donc nécessaire de reconsidérer
les politiques mises en place dans un pays, afin de garantir le développement
des composantes essentielles de l'économie.

II.3 Evaluation de la revue de littérature et

conclusion

De nombreuses études suggèrent un impact conséquent du développement

du marché boursier sur la croissance économique, concluant que la
libéralisation des systèmes financiers contribue au développement du marché
boursier qui, à son tour, accélère la croissance économique. Par conséquent,
ils recommandent aux décideurs politiques d'ajuster les politiques qui ont une
influence sur le développement du marché boursier afin de s'assurer que
l'économie d'un pays bénéficie du développement de son marché boursier. A
la lumière de tout ce qui précède, nous allons essayer dans ce qui suit
d'examiner la vérité derrière cette conclusion pour le cas du Maroc en utilisant
les données disponibles.

25
Chapitre III : Description du marché boursier
marocain

26
 III.1 Introduction

Aujourd’hui, la bourse joue un rôle primordial dans le financement des

économies, c’est un lieu d’intermédiation par excellence des marchés
financiers, la bourse contribue à l’augmentation de l’utilité à la fois des
investisseurs et des épargnants. Elle permet aux entreprises de réaliser leurs
projets d’investissements en leur facilitant d’avantage l’accès à l’épargne. Elle
offre également aux épargnants de nouvelles opportunités de placement avec
des rémunérations du capital adapté à leurs différents niveaux d’aversion pour
le risque et des rendements substantiels et des plus-values appréciables, le
placement à la bourse permet de retirer des profits non négligeables qui
dépassent parfois ceux des entreprises les plus rentables. Une société qui a
besoin d’argent frais pour étendre son activité Elle peut faire appel au crédit
bancaire qui peut répondre à ses besoins, mais ce concours est, la plupart du
temps assorti de conditions qui sont parfois sévères, pas ou peu de dividendes
et surtout d’intérêt relativement élevé. Pour éviter ces conditions qui peuvent
freiner ou retarder la réalisation de ses programmes la société fait appel à des
capitaux pour la cession ou l’émission d’actions nouvelles, elle met des titres
à la disposition des futurs acquéreurs et en récupère la valeur en argent frais.
Par leur intervention en bourse, les nationaux marocains contribueront à
participer à l’effort d’industrialisation entrepris par les projets de plan et à se
débarrasser progressivement de ce mythe ancré chez la plupart d’entre eux qui
consiste à investir exclusivement dans le domaine immobilier, par conséquent
participer à l’expansion de l’économie du pays en général.

III.2 Organisation de la BVC

III.2.1 Présentation

Institués en 1929, l’organisation et le fonctionnement de la bourse de

Casablanca sont restés presque immuables pendant plus d’un demi-siècle
malgré l’évolution de l’économie marocaine et particulièrement celles des
secteurs productifs. En effet, la bourse des valeurs de Casablanca n’a amorcé
sa connexion à l’économie qu’au début de l’actuelle décennie, avec la mise en
27
œuvre par les pouvoirs publics, depuis 1993, la promulgation d’un ensemble de
textes et de lois portant réforme du marché financier, a donné à la bourse de
Casablanca le cadre réglementaire et technique indispensable à son émergence.

Dans la suite, nous représenterons l'évolution historique de la

capitalisation boursière entre 1980 et 2014.

 Une première phase "haussière" (1996-1998):

Cette période a connu le lancement de grosses privatisations, qui ont

permis à la bourse, de connaître un très bon démarrage et aux clients des
banques de s'initier aux opérations de cession d'actions sur le marché boursier.

Une deuxième phase "nettement baissière" (1999-2002):

Cette phase a connu le reflux des opérations et la baisse conséquences des

recettes fiscales.

 Une troisième phase "nettement haussière" (2002-2006):

C'est la phase la plus importante, elle correspondant ainsi à la création des

deux nouveaux indices MASI et MADEX, cela a permis une augmentation
exceptionnelle de la capitalisation boursière.

Une quatrième phase" très franchement baissière" (2007-2009):

Un changement entamé par des valorisations exagérées de certaines

sociétés cotées (immobilières, financières, industrielles et holdings) et renforcé
par les effets psychologiques de la grandes crise financière mondiale.

Une cinquième phase "nettement haussière" (2010-2014):

Cette période a connu le lancement d'une nouvelle série d’indices - FTSE

CSE Morocco, par FTSE1 Group et la Bourse de Casablanca, selon les
meilleures pratiques utilisées en la matière à l’échelle internationale. Le but de
ces indices est principalement de renforcer la confiance des investisseurs, tout
en offrant une meilleure visibilité aux entreprises internationales qui
s’intéressent à la Bourse de Casablanca.

28
 changements résident sur trois facteurs : la montée du rôle des marchés
financiers et de leur instabilité, la déréglementation, et enfin, l'accroissement
de la concurrence. Apparu pour la première fois dans les années 80 aux Etats
Unis, la Gestion Actif-Passif appelée le plus souvent ALM (Asset Liability
Management), dans la plupart des institutions financières, comme une
composante primordiale d'une gestion financière efficace. En effet, les
institutions américaines se sont invitées à vérifier leur solvabilité et évaluer
leurs risques de taux, et contrôler leur liquidité, et ceux suite à la crise que
connaissait le marché américain en premier et le marché mondial par la suite
dans le milieu des années 1980. Les gestionnaires Actif- Passif sont donc amené
à gérer et réduire leurs risques, tout en augmentant le comportemental de la
clientèle qui cherche à optimiser ses opérations financières.

III.2.2 Les acteurs du marché boursier marocain

Les principaux intervenants au marché boursier marocain sont présentés

comme suit :
La société gestionnaire de la bourse : c’est une société privée à laquelle
sont concédés la gestion et le développement de la BVC.
Les sociétés de bourse : elles sont considérées comme deuxième
intervenant, elles détiennent le monopole du courtage sur le marché boursier.
Leur activité consiste à exécuter les transactions sur les valeurs mobilières,
assurer la garde des titres et gérer les portefeuilles de valeurs en vertu d’un
mandat.
Le conseil déontologique des valeurs mobilières (CDVM) : en tant
qu’autorité du marché, il a pour vocation de protéger l’épargne, d’assurer le
bon fonctionnement du marché des valeurs mobilières en veillant à sa
transparence, son intégrité et sa sécurité.
Maroclear : il représente le dépositaire central des titres au Maroc. Sa
mission consiste principalement à conserver les comptes titres de ses affiliés et
assurer leur circulation et leur administration.
L’association professionnelle des sociétés de bourse (APSB) : c’est
l’association professionnelle des sociétés de bourse qui représente ses membres
auprès du marché boursier marocain.
Le Ministère de l’Economie et des Finances : il intervient dans la
promulgation des lois relatives au marché boursier sans participer dans sa
29
 gestion.

III.2.2 Structure du marché

III.2.2.1 Marché central

Le marché central est un marché, où sont confrontés l’ensemble des ordres

de vente et d’achat pour une valeur mobilière inscrite à la côté de la Bourse des
Valeurs. C’est un marché centralisé et dirigé par les ordres. La cotation d’une
valeur sur ce marché se fait selon le mode de cotation du continu ou du fixing,
selon la liquidité de la valeur. Une séance de cotation se compose de plusieurs
phases qui s’enchaînent : Figure 2: Différentes phases de la séance de cotation
de la bourse de Casablanca

III.2.2.2 Marché de blocs

Sur ce marché peuvent être négociées par entente directe les opérations
sur des valeurs mobilières inscrites à la cote et qui portent sur des quantités
supérieures ou égales à la taille minimum de blocs selon des conditions de cours
issues du Marché central. Les transactions de blocs se font par ententes directes
(de gré à gré).

III.2.2.3 Marché d’agence et de contrepartie

Le rôle des intermédiaires dans le marché boursier permet de dégager

deux catégories de marché à savoir : le marché d’agence et le marché de
contrepartie. Sur les marchés d’agence ou marchés dirigés par les ordres, les
intermédiaires sont des simples agents de change assurant la confrontation des
ordres provenant de leurs clients. Par ailleurs, les marchés de contrepartie ou
marchés dirigés par les prix les intermédiaires sont des faiseurs de marché qui
engagent leur position individuelle pour l’animation des titres.

III.3 Indicateurs des dimensions du développement de la BVC

La situation du marché boursier se détermine à travers plusieurs

indicateurs qui évaluent sa performance tels que les deux indices boursiers
MASI (Moroccan All Shares Index) et MADEX (Moroccan Most Actif Shares
Index), le volume des transactions ,la liquidité et la capitalisation boursière.
Chacun de ces déterminants a une définition et des utilités bien précises,
explicitées comme suit :

30
 III.3.1 Le volume des transactions

C’est la quantité de titres échangés multipliée par leurs cours respectifs.

Le volume de transactions permet d’apprécier la liquidité soit d’un marché soit
d’une valeur par rapport à son secteur ou par rapport à la place.

VOLUME DES TRANSACTIONS

70 66
58
60 54
49
EN MIILLARDS DE DH

50 45 47

40

30

20

10

0
2015 2016 2017 2018 2019 2020
TITRE DE L'AXE

Figure 1 : Le volume des transactions

Le graphique ci-dessus montre l’évolution du volume de transaction qui

est considéré comme la principale caractéristique de l’animation du marché sur
une période entre 2015 et 2020.
Nous remarquons une augmentation du volume de transaction entre 2015
et 2017 où le marché a enregistré un volume de 292 millions de dirhams contre
66 milliards de dirhams pour l’année 2017, soit un gain de 48,88%. Cette
augmentation qui rejoint la hausse des autres indicateurs boursiers reflète la
grande confiance des investisseurs vis-à-vis du marché boursier. Au terme de
l’année 2018 le volume de transaction atteint 47 milliards de dirhams avec une
diminution de 37,87% pour arriver à seconde augmentation en 2019 par un
volume de 58 milliards de dirhams.
En analysant la réparation du volume de transaction sur les sociétés durant
la période d’étude nous constatons que les dix premières valeurs détiennent
plus de 76% du volume échangés sur le marché. En effet, ces sociétés qui
représentent généralement les grandes capitalisations sur le marché sont les
plus liquides et les plus demandés par les investisseurs à cause de leurs poids
et leurs organisations sur le marché, et donc les différentes performances
marquantes entre 2015 et 2017 reflètent le bon sentiment de ces sociétés. Mais
au terme de 2018 la BVC a témoigné un perte grave soit une baisse de 37,87%,
ceci est dû au théâtre de fortes secousses à la BVC, particulièrement le boycott
qui a affecté directement 2 valeurs cotées mais avec des répercussions
31
 indirectes sur une grande partie du marché. C’est après cette
année extrêmement difficile et un 1er semestre 2019 plutôt en doute auprès des
investisseurs que la Place de Casablanca a repris du poil de la bête pour boucler
une belle année avec une orientation bien positive.
Et bien évidement la Bourse a encaissé de lourds impacts de la crise du
Covid-19 soit une baisse au niveau du volume de transactions de 15%. Tous les
indices sont dans le rouge au 1er semestre. Peu de sociétés ont pu tirer leur
épingle du jeu.

III.3.2 La capitalisation boursière

L’analyse de la capitalisation boursière du marché boursier marocain en

2021 permet de dégager les résultats suivants :

Capitalisation Part dans la capitalisation

Sociétés (Milliard MAD) globale
ITISSALAT AL-MAGHRIB 124,43 18,48%
ATTIJARIWAFA BANK 105,41 15,66%
BCP 55,90 8,30%
LAFARGEHOLCIM MAR 50,61 7,52%
BANK OF AFRICA 35,98 5,34%
CIMENTS DU MAROC 26,85 3,99%
COSUMAR 25,32 3,76%
TAQA MOROCCO 24,17 3,59%
SODEP-Marsa Maroc 20,36 3,02%
AFRIQUIA GAZ 16,36 2,43%
TOTAL 485,43 72,09%
TOTAL DE LA CAPITALISATION
DE LA BVC 673,32 100,00%

Tableau 1 : la capitalisation boursière sur les 10 sociétés cotées à la bourse

Nous notons une concentration claire de la capitalisation boursière sur les

10 sociétés cotées à la bourse, en effet plus de 72% de la capitalisation est
détenue par les dix premiers sociétés dont ITISSALAT AL-MAGHRIB
représente elle seule 18,48% de la capitalisation totale tandis que le reste des
sociétés partagent les 28% restant.

32
 CAPITALISATION BOURISÈRE
700
627 627
583 582 585
600

EN MILLIARDS DE DH
500 453

400

300

200

100

0
2015 2016 2017 2018 2019 2020

Figure 2 : La capitalisation boursière

La capitalisation boursière a connu une baisse pour la période allant de

2015 à 2017 ; ainsi en 2017 elle atteint 627 Milliards de dirhams soit une
augmentation de 38,41% par rapport à 2015.Cette performance est due
principalement à l’augmentation enregistrées par les indices boursiers de la
place durant cette période influencés par la crise mondiale touchant le système
financier internationale . Au terme de l’année 2018 la capitalisation boursière
à enregistrer une baisse de 7,17% avec 582 Milliards de dirhams par rapport à
l’année 2017.Cette contre-performance est principalement attribuable au
Boycott déjà mentionné ,du a la baisse du moral des investisseurs dans le sillage
du démarrage d’un mouvement de boycott de trois produits de grande
consommation (l'eau minérale Sidi Ali, les stations-service Afriquia et le lait
Danone) par les Marocains qui protestaient contre le coût de la vie .Mais la
Bourse de Casablanca terminait l’année de 2020 avec tous ses indicateurs dans
le rouge. Le MASI clôturait sur une baisse annuelle de 7,27% à 11.287
points.La capitalisation de la place au 31 décembre 2020 s’élevait à près de 585
milliards de dirhams, en retrait de près de 6,66% par rapport à la même période
l’an dernier Marquée par la crise économique et sanitaire engendrée par la
Covid-19.

III.3.1 La liquidité

J.M. Keynes peut être considéré comme le précurseur du concept de

liquidité. L'auteur définit pour la première fois ce concept selon lequel un actif
est d'autant plus liquide qu'il est transformable en monnaie à court terme et sans
perte. Cette définition a permis de mettre en évidence les deux aspects de la
liquidité, le facteur temporel exprimé par le terme « à court terme » et le facteur
prix traduit par le terme « sans perte ». Cette définition peut être adaptée aux
33
marchés financiers. La liquidité peut se définir comme la caractéristique d'un
marché où l'investisseur peut effectuer des opérations d'achat ou de vente d'une
quantité importante de titres à un prix et dans un délai raisonnable sans
provoquer de grandes variations des cours. Par ailleurs un titre est liquide s'il
est possible de l'acheter et de le vendre rapidement en supportant des coûts de
transaction modérés, et à un prix raisonnable.
La liquidité du marché est une notion multidimensionnelle. Nous
distinguons généralement trois dimensions dans la liquidité
 La profondeur (depth) : qui correspond au volume de transactions
pouvant être immédiatement exécuté sans décalage du prix à la meilleure
limite.

 La largeur (tightness) : l’écart (ou fourchette) entre cours acheteur et

cours vendeur (bid-ask spread), qui mesure le coût d’un retournement de
position en un bref délai pour un montant standard.

 La résilience (resiliency) : la rapidité avec laquelle les cours

retrouvent leur niveau d’équilibre à la suite d’un choc aléatoire dans le flux des
transactions.

III.3.3.1 Les mesures de la liquidité d’un titre

La liquidité d’un titre, c’est sa faculté de pouvoir être acheté et vendue

facilement. Certes, le volume de transaction ne peut seul mesurer la liquidité
d’un titre, dans la mesure où cet indicateur ne représente que le nombre des
titres échangés multiplié par le cours -dont le niveau varie d’un titre à l’autre
,par conséquent, ce concept doit être représentée par différentes mesures :

III.3.3.1.1 Les mesures liées aux fourchettes des prix

Plus ces mesures ont des petites valeurs, plus le marché est jugé liquide :
 La fourchette absolue (absolute spread, quoted spread):

La fourchette absolue est la différence entre le meilleur prix acheteur et le

meilleur prix vendeur.
34
 𝑠𝑎𝑏𝑠𝑡 = 𝑝𝑡𝐴 − 𝑝𝑡𝐵

 La fourchette relative calculée par le prix moyen :

La fourchette relative est la mesure la plus étudiée. En effet elle est

calculée facilement et elle permet la comparaison entre les différentes actions.

𝑝𝑡𝐴 − 𝑝𝑡𝐵 𝑝𝑡𝐴 − 𝑝𝑡𝐵

𝑆𝑟𝑒𝑙𝑀𝑡 = =2∗ 𝐴
𝑝𝑡𝑀 𝑝𝑡 + 𝑝𝑡𝐵

III.3.3.1.2 Les Ratios de la liquidité boursière

 Ratio de la liquidité 1 :

𝑉𝑡 ∑𝑁
𝑖=1 𝑝𝑖 𝑞𝑖
𝐿𝑅1𝑡 = =
|𝑟𝑡 | |𝑟𝑡 |

|𝑟𝑡 | Représente le rendement entre la période t-1 et t, Ce ratio compare le

changement absolu du prix pour une certaine période. Plus le volume est élevé
plus le mouvement du prix peut être absorbé. Alors plus ce ratio est élevé, plus
la liquidité est élevée. Si le rendement pour un certain intervalle du temps est
égal à zéro, alors le ratio de la liquidité prend zéro.

 Le ratio d’ordre :

|𝑞𝑡𝐴 − 𝑞𝑡𝐵 | |𝑞𝑡𝐴 − 𝑞𝑡𝐵 |

𝑂𝑅𝑡 = =
𝑉𝑡 (𝑝𝑡 𝑞𝑡 )

Il reconnaît les mouvements du marché ou les déséquilibres sur ce dernier,

puisqu’il augmente quand la différence dans le numérateur devient importante.
Par la suite un grand ratio d’ordre implique un marché peu liquide.

 Le taux de rotation

Le taux de rotation est calculé par le rapport entre le volume de

transactions et le volume circulant. Il indique le nombre de fois ou le volume
flottant s’échange. Ce qui nous renseigne sur sa liquidité. Le taux de rotation,
noté Tr, est donné par la relation suivante :

𝑇𝑟 = 𝑉/(𝑆 ∗ 𝑃)

35
 Où :

 P : désigne le prix moyen de la séance t;

 S : indique le flottant du titre étudié ;
 V : représente le volume de transactions pendant une séance t.

III.3.3.1.2 Mesure de la note finale

Cette méthode repose sur l’évaluation de la liquidité selon cinq critères. A

chaque critère est associée une note, que nous pondérerons par la suite afin
d’avoir la note finale. Ces critères sont :
La note de
Ci Le critère La formule chaque titre NCi Pondération
𝑁𝑀𝑇𝐸𝑖
1000 ∗ ∑𝑁
Nombre moyen de titres Total échangé/total séances 𝑖=1 𝑁𝑀𝑇𝐸𝑖
C1 échangés (NMTE) 0.30
Volume total échangé/total
𝑉𝑀𝑖
1000 ∗ ∑𝑁
séances 𝑖=1 𝑉𝑀𝑖
C2 Volume moyen (VM) 0.15
Nombre moyen de 𝑁𝑀𝐶𝑁𝑖
1000 ∗ ∑𝑁 𝑁𝑀𝐶𝑁
contrats négociés Total contrats/total séances 𝑖=1 𝑖
C3 (NMCN) 0.15
Total séances ou la valeur a

Fréquence de cotation été traitée/total séances 1000 ∗ 𝐹𝐶𝑖

C4 (FC) 0.25
Nombre de titres du
𝐶𝐹𝑖
1000 ∗ 𝑁
Capitalisation flottante flottant*dernier cours ∑𝑖=1 𝐶𝐹𝑖
C5 (CF) 0.15
Tableau 2 : Tableau de mesure de la note finale

Ainsi, la note finale du titre « i » s’obtient en appliquant la relation ci-

dessous :
𝑁𝐹𝑖 = 0,3 ∗ 𝑁𝐶1 + 0,15 ∗ 𝑁𝐶2 + 0,15 ∗ 𝑁𝐶3 +0,25 ∗ 𝑁𝐶4 + 0,15 ∗ 𝑁𝐶5
Cette note est d’autant plus grande que la valeur est liquide.

Remarque :
La note finale est la mesure adoptée par la BVC, elle quantifie la liquidité
que ce soit des titres ou du marché à travers plusieurs indicateurs, mais les
résultats de cette mesure, ainsi que la valeur des critères lui correspondant sont
inaccessibles. Et ce pour des raisons de confidentialité au sein de la BVC.

36
 III.3.4 L’efficience

III.3.4.1 Définition

L'hypothèse d'efficience des marchés financiers est un concept central de

la théorie financière moderne. Si les marchés sont efficients, cela signifie
qu'aucune stratégie d'investissement ne peut permettre de dégager, pour un
niveau de risque donné, un profit anormal. Pour le dire plus simplement, cela
signifie qu'il est impossible de "battre le marché" sur le long terme.
Pour valider la théorie d’efficience, quelques hypothèses doivent être
vérifiées comme : L’incorporation de l’information, la libre circulation de
l’information, la rationalité des investisseurs et l’atomicité du marché
autrement dit aucun investisseur ne doit pouvoir influencer le marché en
vendant ou en achetant une masse des titres.
Il existe trois types d’efficience :

L’efficience allocative :
On dit qu’un marché fait preuve d’efficience allocative si les prix des
actifs cotés sont le reflet des anticipations des investisseurs. En effet, les
investisseurs sont supposés non seulement connaître les vrais modèles de
détermination des prix, mais aussi capables de faire les meilleures estimations
des valeurs intrinsèques des actions et maximiser leurs gains. D'où la nécessité
d'avoir un stock d'information suffisamment important.

L’efficience opérationnelle :
Le marché est dit efficient dans la mesure où les intermédiaires financiers
mettent en relation de manière satisfaisante les offreurs et les demandeurs de
capitaux et ce, au coût le plus faible tout en retirant une juste rémunération.

L’efficience informationnelle :
Selon ce type, un marché financier est jugé efficient, si et seulement si
l'ensemble des informations disponibles concernant chaque actif financier coté
sur ce marché est immédiatement intégré dans le prix de cet actif (Fama).

Un tel marché incorpore donc instantanément les conséquences des

évènements passés et reflète les anticipations sur le futur puisque tous les
évènements connus ou anticipés sont déjà intégrés dans le cours actuel.
L’efficience est dite « faible » lorsque le prix actuel se fonde uniquement sur
les prix passés.

Le marché est vu comme efficient sous la forme « semi-forte », lorsque

le cours d'un titre incorpore à l'instant même de leur publication toute
l'information publique disponible (annonce des résultats comptables,
publication des rapports d'activité...) et ce, y compris les cours passés.
37
 Le marché est jugé efficient sous sa forme « forte », si les prix courant
d'un actif incorporent non seulement l'information constituée des cours
historiques et l'information publique disponible, mais également l'information
privée.

III.3.4.1 Présentation des tests

Avec l'efficience de forme faible, le but est de vérifier l'imprévisibilité des

cours en fonction des prix historiques. Pour cela, nous allons adopter deux
types de tests: les tests paramétriques et les tests non paramétriques.

Tests paramétriques :

o Test de Dickey Fuller :

Le test de stationnarité de la série a pour but de vérifier la prévisibilité de

cette dernière. En effet, la non stationnarité de la série implique la non
prévisibilité d’où l’efficience du marché.
Il existe dans la littérature, plusieurs tests de racine unitaire de Dickey
Fuller simple (DF) et Dickey Fuller augmenté (ADF), test de Phillips et Perron
(PP), test de Kwiatkowski, Phillips, Schmidt et Shin (KPSS).

o Tests d'autocorrélation :

Ce test statique a pour but de vérifier l'indépendance des variations

successives des cours boursiers. De fait un investisseur ne peut pas utiliser les
informations contenues dans les cours passés pour en tirer du profit dû à
l'indépendance des variations des prix, ce qui prouve l'efficience de forme
faible du marché.

Test non paramétrique :

o Le test de Runs :

Un test mené par Fama (1965) qui confirme le caractère indépendant des
cours. Chaque variation de cours ou "run" est notée soit d'un plus pour une
variation positive, soit d'un moins pour une variation négative. Ainsi,
l’efficience au sens faible de marché correspond à une séquence indépendante
de runs.

Le test non paramétrique des séquences (test des runs) mesure le degré de
dépendances entre les cours des titres ou leurs rentabilités à travers des données
historiques, et ce, sans prendre en considération leur distribution. Le test
38
s’intéresse uniquement aux suites de signes (+/-) des variations
(positives/négatives) des cours ou de la rentabilité.

Un run positif est une séquence de fluctuations des cours positifs précédée
par une fluctuation nulle ou négative et inversement pour un run négatif. Le
test statistique est basé sur l’appréciation probabiliste de la différence entre de
runs espérés aléatoirement et le nombre de runs observés réellement.

Pour affirmer que les cours historiques sont indépendants, il faut justifier
qu’ils ne sont pas corrélés ni positivement ni négativement.

Dans le cas de corrélation positive, on devrait observer de longs runs (de

longues séries de même signe), alors que pour la corrélation négative, on doit
avoir des runs courts c'est-à-dire des changements répétés de signes.

Remarque :
Il est cependant très important de remarquer que la relation entre marche
aléatoire et efficience informationnelle n’est pas une équivalence. L’hypothèse
de marche aléatoire repose sur la théorie de l’efficience. Mais théoriquement,
la définition du marché efficient n’implique pas directement que les cours
doivent suivre une marche aléatoire. Et si les cours ne suivent pas une marche
aléatoire, ceci n’entraîne pas directement qu’il y a absence de l’efficience
informationnelle.

III.3.4.3 Présentation de la base de données

L’indice MASI, représente le principal indice du marché Marocain,

reflétant la situation du marché dans la hausse et dans la baisse. Nous l’avons
donc choisi pour étudier l’efficacité de la bourse de Casablanca. Les données
sur le rendement de cet indice sont disponibles sur le site de la bourse de
Casablanca. Notre base de données contient les observations journalières du
rendement du MASI depuis le 2 janvier 2012 jusqu’au 31 Décembre 2020, nous
aurons 2234 observations.

III.3.4.4 Résultats

*ADF test

Le test de la racine unitaire de Dickey fuller (Voir annexe II, figure 16)
montre que la série du rendement de l’indice MASI est stationnaire, puisque
nous avons trouvé une au niveau du dernier modèle la valeur absolue de la
statistique ρ de 40.14812>1,95 donc on rejet H0 : 𝜙 =0. Par conséquent la série
du rendement du MASI est prévisible. En d’autres termes nous pouvons
anticiper les prix futurs du MASI en utilisant l’historique de ses cours passés.
39
 Donc le premier test de la forme faible de l’efficience informationnelle n’est
pas vérifié.

*Runs test
Runs test
Data:Rendement
Standard Normal = -2.1764 p-value = 0.05952
alternative hypothesis: two.sided

H0 : P1=P2 avec P1 : la probabilité qu’un signe positif succède à un signe

négatif ou inversement. P2 : la probabilité qu’un signe positif succède à un
signe positif ou un signe négatif à un signe négatif. H1 : P1>P2 (autocorrélation
négative), P1<P2 (autocorrélation positive),
Nous avons effectué ce test à l’aide du logiciel R en utilisant nos données
journalières des rendements de l'indice MASI. Celui-ci nous renvoie pour notre
série chronologique le nombre de variations positives et négatives.Les résultats
sont présentés dans le tableau récapitulatif ci-dessus,puisque la p_value est
0.05952>5% ce qui implique que les cours ne sont pas ditribué alétoirement ,
donc les cours sont dépendants, et on peut conclure l'absence de l'efficience

Test d’autocorrélation
Box-Pierce(Ljung-Box) test
Data:Rendement
X-squared = 58.031, df = 1, p-value = 2.576e-14
alternative hypothesis:
two.sided

Il s’agit de vérifier que le niveau d’auto-corrélation de la série des

rendements est négligeable. Pour ce faire nous allons utiliser la statistique de
Ljung-Box. Nous constatons que la p-value est inférieur à 5%, ce qui implique
que les rendements quotidiens sont autocorrélés ce qui implique la dépendance
des rendements d’où l'absence de l’efficience.

Récapitulation
La première hypothèse du modèle de la marche aléatoire n’est pas
vérifiée. En effet nous avons trouvé que la série des rendements journaliers de
l’indice Masi n’est pas un bruit blanc. De même, la stationnarité (prévisibilité) de
la série est à rejeter (la deuxième hypothèse du modèle de la marche aléatoire), de
plus le test des runs nous confirme également que la série n’est pas distribué
aléatoirement. Nous ne pouvons donc remarquer à travers les tests une absence
d’efficience au sein du marché mais on peut pas trancher sur ceci. Puisque nous
avons vu qu’il n’y a pas une équivalence entre la marche aléatoire et l’efficience
: si les cours ne suivent pas une marche aléatoire, cela n’implique pas que le
marché n’est pas efficient.
40
Chapitre IV : Méthodologie de recherche

41
 IV.1 Le modèle ARDL

Les modèles « AutoRegressive Distributed Lag/ARDL », ou « modèles

autorégressifs à retards échelonnés ou distribués/ARRE » en français, sont des
modèles dynamiques. Ces derniers ont la particularité de prendre en compte la
dynamique temporelle (délai d’ajustement, anticipations, etc.) dans
l’explication d’une variable (série chronologique), améliorant ainsi les
prévisions et efficacité des politiques (décisions, actions, etc.), contrairement
au modèle simple (non dynamique) dont l’explication instantanée (effet
immédiat ou non étalé dans le temps) ne restitue qu’une partie de la variation
de la variable à expliquer. Dans la famille des modèles dynamiques, l’on
distingue trois types de modèles.
Si l’on considère la variable dépendante « 𝑌𝑡 » et la variable indépendante
« 𝑋𝑡 », l’on notera :
 Les modèles autorégressifs (AR) : c’est des modèles dynamiques où
l’on trouve, parmi les variables explicatives ( ), la variable dépendante décalée
(ses valeurs passées). En général, ils se présentent comme suit (forme implicite)
:

𝑌𝑡 = 𝑓(𝑋𝑡 , 𝑌𝑡−𝑝 )
Le terme « autorégressif » traduit la régression d’une variable sur elle-
même, soit sur ses propres valeurs décalées.
 Les modèles à retards échelonnés ou distributed lag (DL) : c’est des
modèles dynamiques qui ont pour variables explicatives : et ses valeurs passées
ou décalées. En général, leur forme est :

𝑌𝑡 = 𝑓(𝑋𝑡 , 𝑋𝑡−𝑞 )
Le terme « retards échelonnés » montre que les effets à court terme de 𝑌𝑡
sur 𝑋𝑡 sont différents de ceux à long terme. D’un point de temps à un autre, les
échelles de réaction de 𝑌𝑡 au changement de 𝑋𝑡 diffèrent.

 Les modèles autorégressifs à retards échelonnés (ARDL) : ces

modèles combinent les caractéristiques de deux précédents ; on y trouve, parmi
les variables explicatives ( 𝑋𝑡 ), la variable dépendante décalée (𝑌𝑡−𝑝 ) et les
valeurs passées de la variable indépendante ( 𝑋𝑡−𝑞 ). Ils ont la forme générale
suivante :

𝑌𝑡 = 𝑓(𝑋𝑡 , 𝑌𝑡−𝑝 , 𝑋𝑡−𝑞 )

42
 Ces modèles dynamiques souffrent généralement de problèmes
d’autocorrélation d’erreurs, avec la présence de la variable endogène décalée
comme explicative (modèles AR et ARDL), et de multi-colinéarité (modèles
DL et ARDL), ce qui complique l’estimation des paramètres par les Moindres
Carrés Ordinaires/MCO. Ici, il tient de recourir aux techniques d’estimation
robuste (méthode SUR, etc.) pour pallier à ces problèmes. Aussi, l’on retiendra
que les variables considérées dans ces modèles se doivent d’être stationnaires
pour éviter des régressions fallacieuses. Sous sa forme (explicite) générale, un
modèle ARDL s’écrit comme suit :
𝑝 𝑞

𝑌𝑡 = 𝜑 + ∑ 𝑎𝑖 𝑌𝑡−𝑖 + ∑ 𝑏𝑗 𝑋𝑡−𝑗 + 𝑒𝑡
𝑖=1 𝑗=1

Avec 𝑒𝑡 ~𝑖. 𝑖. 𝑑(0, 𝜎): terme d’erreur ; « 𝑏0 » traduit l’effet à court terme
de sur Si l’on considère la relation de long terme ou d’équilibre suivante
«𝑌𝑡 = 𝑘 + 𝜙𝑋𝑡 + 𝑢 », l’on peut calculer l’effet à long terme de 𝑋𝑡 sur 𝑌𝑡
(soit «𝜙 ») comme suit :

∑ 𝑏𝑗
𝜙= ⁄
(1 − ∑ 𝑎𝑖 )
Comme pour tout modèle dynamique, l’on se servira des critères
d’information (AIC, SIC et HQ) pour déterminer le décalage optimal (p* ou
q*) ; un décalage optimal est celui dont le modèle estimé offre la valeur
minimale d’un des critères énoncés. Ces critères sont : celui d’Akaike (AIC),
celui de Schwarz (SIC) et celui de Hannan et Quinn (HQ). Leurs valeurs sont
calculées comme suit :
2
𝐴𝐼𝐶(𝑝) = 𝑙𝑜𝑔|𝛴̃ | + 𝑛2 𝑝
𝑇
log(𝑇) 2
𝑆𝐼𝐶(𝑝) = 𝑙𝑜𝑔|𝛴̃ | + 𝑛 𝑝
𝑇
2log(𝑇) 2
𝐻𝑄(𝑝) = 𝑙𝑜𝑔|𝛴̃ | + 𝑛 𝑝
𝑇
Avec 𝛴̃ = matrice des variance-covariance des résidus estimés ; T =
nombre d’observations ; p = décalage ou lag du modèle estimé ; et n = nombre
de régresseurs.
L’on retiendra d’un modèle ARDL que, faisant partie de la famille des
modèles dynamiques, il permet d’estimer les dynamiques de court terme et les
effets de long terme pour des séries cointégrées ou même intégrées à des ordres
différents.

43
 IV.2 Stationnarité des séries temporelles

Une série 𝑋𝑡 pout 𝑡 = 1, . . . , 𝑇 est dite stationnaire de second ordree si:

(i) 𝐸(𝑋𝑡 ) = 𝜇 ∀𝑡 (Constante, ne dépend pas de t)

(ii) 𝑉𝑎𝑟(𝑋𝑡 ) = 𝜎 2 < ∞ ∀𝑡 (Constante, ne dépend pas de t)

(iii) 𝐶𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) = 𝐸 [(𝑋𝑡 − 𝜇) (𝑋𝑡+𝑘 − 𝜇)] = 𝛾𝑘 (Ne dépend

pas

de t)

Comme cas particulier, on prend la série « 𝜀𝑡 » dont 𝐸(𝜀𝑡 ) = 0,

𝑉𝑎𝑟(𝜀𝑡 ) = 𝜎 2 , 𝐶𝑜𝑣(𝑋𝑡 , 𝑋𝑡+𝑘 ) = 0 qui est une série stationnaire. Elle est
appelée dans la littérature "bruit blanc".
Une série stationnaire ne doit pas comporter de tendance.
 Processus TS

Le processus stationnaire autour d'une tendance "Trend Stationary"

s'écrit:
𝑋𝑡 = 𝛼 + 𝛽𝑡 + 𝜀𝑡 avec 𝜀𝑡 est l'erreur du modèle à la date t.
Il est évident que ce processus est non stationnaire car son espérance
dépend du temps. Le processus 𝑋𝑡 peut être stationnarisé en retranchant à Xt
la tendance déterministe estimée 𝛼̂ + 𝛽̂ 𝑡.

 Processus DS

Le processus stationnaire après différentiation "Differency Stationary"

avec dérive (β ≠ 0) s'exprime comme suit:
𝑌𝑡 = 𝑌𝑡−1 + 𝛽𝑡 + 𝜀𝑡
Il représente une non stationnarité de nature stochastique. Par récurrence,
on obtient dans ce cas:
𝑌1 = 𝑌0 + 𝛽 + 𝜀𝑡
𝑌2 = 𝑌1 + 𝛽 + 𝜀2 = 𝑌0 + 2 𝛽 + 𝜀1 + 𝜀2
On déduit que:

𝑌𝑡 = 𝑌0 + 𝛽𝑡 + ∑𝑡𝑖=1 𝜀𝑖 où 𝜀𝑖 ~ 𝑖𝑖𝑑(0, 𝜎𝜀2 ), 𝜀𝑖 est identiquement et

indépendamment distribuée.
Comme cas particulier, on a le processus DS avec dérive qui est non
stationnaire car on a 𝐸(𝑌𝑡 ) = 𝑌0 + 𝛽𝑡 qui dépend du temps t. Plus 𝑡 → ∞
et plus
𝐸(𝑌𝑡 ) → ∞.
Le processus DS sans dérive (𝛽 = 0) s'écrit: 𝑌𝑡 = 𝑌𝑡−1 + 𝜀𝑡
Par récurrence, on obtient dans ce cas:
44
 𝑌1 = 𝑌0 + 𝜀1
𝑌2 = 𝑌1 + 𝜀2 = 𝑌0 + 𝜀1 + 𝜀2
....
𝑌𝑡 = 𝑌0 + ∑𝑡𝑖=1 𝜀𝑖 où 𝜀𝑖 ~ 𝑖𝑖𝑑(0, 𝜎𝜀2 ),
Le processus DS sans dérive est non stationnaire.
Pour stationnariser le processus DS (avec ou sans dérive), il suffit de le
passer en différence première:
𝑌𝑡 − 𝑌𝑡−1 = 𝛽 + 𝜀𝑡 (Cas avec dérive)
𝑌𝑡 − 𝑌𝑡−1 = 𝜀𝑡 (Cas sans dérive)

IV.2.1 Test de Dickey Fuller (DF)

Les tests de Dickey Fuller simple (1979) permettent non seulement

d'illustrer la stationnarité d'une chronique ou de détecter l'existence d'une
tendance, mais aussi de fournir de bonnes manières de stationnariser une série
non stationnaire. On considère trois modèles définis comme suit :
Modèle 1 ∶ 𝑋𝑡 = 𝜌𝑋𝑡−1 + 𝜀𝑡
Modèle 2 ∶ 𝑋𝑡 = 𝜌𝑋𝑡−1 + 𝑐 + 𝜀𝑡
Modèle 3 ∶ 𝑋𝑡 = 𝜌𝑋𝑡−1 + 𝑐 + 𝛽𝑡 + 𝜀𝑡
Avec 𝜀𝑡 i. i. d (0, 𝜎𝜀2 ) On cherche à tester l’hypothèse de racine unitaire
:
H0 : 𝜌 = 1 contre H1: 𝜌 < 1
Le principe fondamental de cette stratégie est de partir d’abord du modèle
le plus général, d’appliquer ensuite le test de racine unitaire en utilisant les
seuils correspondant à ce modèle et de vérifier finalement par un test approprié
que le modèle retenu est le meilleur. Si par contre on trouve que le modèle
proposé n’est pas approprié, les seuils utilisés pour le test de racine unitaire ne
sont pas valables. On risque alors de commettre une erreur de diagnostic quant
à la stationnarité de la série. Il convient dans ce cas, de recommencer le test de
racine unitaire dans un autre modèle, plus contraint.

IV.2.1 Test de Dickey-Fuller Augmenté (ADF)

Afin de déduire la distribution de leurs statistiques, Dickey et Fuller ont
recours à l’hypothèse de non autocorrélation du terme de l’erreur (𝜀𝑡 ) dans les
trois modèles. Mais cette hypothèse risque dans la plupart des cas de ne pas être
vraie. Si elle ne tient pas, les valeurs tabulées par Dickey et Fuller ne seront
plus correctes. Des retards dans la variable endogène 𝑋𝑡 sont alors rajoutés pour
tenir compte d’un terme d’erreur autocorrélé. Une fois qu’il n’y a plus
d’autocorrélation dans les résidus, on effectue le test de Dickey et Fuller simple.

Ainsi, pour un choix de p retards, correspondant à une autocorrélation

d’ordre p + 1 des innovations dans une représentation AR (1), les trois modèles
45
utilisés pour développer le test DFA sont les suivants :
𝑝
Modèle1: 𝛥𝑋𝑡 = 𝜙𝑋𝑡−1 + ∑𝑖=1 𝜙𝑖 𝛥𝑋𝑡−𝑖 + 𝜀𝑡
𝑝
Modèle2: 𝛥𝑋𝑡 = 𝜙𝑋𝑡−1 + ∑𝑖=1 𝜙𝑖 𝛥𝑋𝑡−𝑖 + 𝑐 + 𝜀𝑡
𝑝
Modèle3: 𝛥𝑋𝑡 = 𝜙𝑋𝑡−1 + ∑𝑖=1 𝜙𝑖 𝛥𝑋𝑡−𝑖 + 𝑐 + 𝛽𝑡 + 𝜀𝑡
Le test se déroule de manière similaire aux tests DF simples, seules les
tables statistiques diffèrent. Pour trouver le nombre de retard p, plusieurs
approches peuvent être envisagées, parmi celles-ci on peut citer les critères
d'Akaike ou de Schwartz ou encore, en partant d'une valeur suffisamment
importante de "p". Le déroulement de la stratégie de test est reporté sur
l’organigramme suivant:

Figure 3 : Les étapes du test de Dickey-Fuller

46
IV.3 L’approche de test aux bornes ou test de cointégration de
Pesaran

La cointégration entre séries suppose l’existence d’une ou plusieurs

relations d’équilibre à long terme entre elles, lesquelles relations pouvant être
combinées avec les dynamiques de court terme de ces séries dans un modèle
(vecteur) à correction d’erreurs qui prend la forme suivante :
𝑝

𝛥𝑌𝑡 = 𝐴𝑌𝑡−1 + ∑ 𝐵𝑖 𝛥𝑌𝑡−𝑖 + 𝑈𝑡

𝑖=1
Avec : 𝛥𝑌𝑡 = vecteur de variables stationnaires sous études (dont on
explique la dynamique) ; 𝐵𝑖 = matrice dont les éléments sont des paramètres
associés à 𝛥𝑌𝑡−𝑖 , 𝐴 = matrice de même dimension que 𝛥𝑌𝑡 (où (𝑟(𝐴) =
𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛 ) ; 𝛥 = opérateur de différence 1ère
.

Pour tester l’existence ou non de la cointégration entre séries, la littérature

économétrique fournit plusieurs tests ou approches dont le test de Engel et
Granger (1987), ceux de Johansen (1988, 1991) et Johansen et Juselius (1990),
et celui de Pesaran et al. (1996), Pesaran et Shin (1995) et Pesaran et al. (2001).
Le test de cointégration de Engle et Granger (1991) n’aide à vérifier la
cointégration qu’entre deux séries intégrées(1) de même ordre (soit ordre
d’intégration = 1), il est donc adapté au cas bivarié et s’avère ainsi moins
efficace pour des cas multivariés (Pesaran et al., 1987). Le test de cointégration
de Johansen (1988, 1991) permet de vérifier plutôt la cointégration sur plus de
deux séries, il a été conçu pour des cas multivariés. Toutefois, bien que le test
de Johansen(2) – fondé sur une modélisation vectorielle autorégressive à
correction d’erreur (VECM) – constitue un remède aux limites du test de Engle
et Granger pour le cas multivarié, il exige aussi que toutes les séries ou variables
soient intégrées de même ordre, ce qui n’est pas toujours le cas en pratique.

Alors, lorsqu’on dispose de plusieurs variables intégrées d’ordres

différents (I(0), I(1)), l’on peut recourir au test de cointégration de Pesaran et
al. (2001) appelé « test de cointégration aux bornes » ou « bounds test to
cointegration », developpé au départ par Pesaran et Shin (1999). Si l’on recourt
au test de cointégration de Pesaran pour vérifier l’existence d’une ou plusieurs
relations de cointégration entre les variables dans un modèle ARDL, l’on dira
que l’on recourt à l’approche « ARDL approach to cointegrating » ou que l’on
applique le test de cointégration par les retards échelonnés.

Le modèle qui sert de base au test de cointégration par les retards

échelonnés (test de Pesaran et al. (2001)) est la spécification ARDL cointégrée
suivante (elle prend la forme d’un modèle à correction d’erreur ou un VECM),
47
lorsqu’on étudie la dynamique entre deux séries « 𝑌𝑡 𝑒𝑡 𝑋𝑡 ».

𝑝 𝑞−1

𝛥𝑌𝑡 = 𝜆1 𝑌𝑡−1 + 𝜆2 𝑋𝑡−1 + ∑ 𝑎𝑖 𝛥𝑌𝑡−𝑖 + ∑ 𝑏𝑗 𝛥𝑋𝑡−𝑗 + 𝜋0 + 𝜋𝑡 + 𝑒𝑡

𝑖=1 𝑗=0
Cette relation peut s’écrire aussi comme suit :
𝑝 𝑞−1

𝛥𝑌𝑡 = 𝜋0 + 𝜋𝑡 + ∑ 𝑎𝑖 𝛥𝑌𝑡−𝑖 + ∑ 𝑏𝑗 𝛥𝑋𝑡−𝑗 + 𝜽𝒖𝒕−𝟏 + 𝑒𝑡

𝑖=1 𝑗=0

Où «𝜽» est le terme de correction d’erreur, coefficient d’ajustement ou

force de rappel. Se basant sur la relation précédente, après estimation, l’on va
conclure à l’existence d’une relation de cointégration entre si et seulement si
0 < |𝜃̂| < 1; 𝜃̂ < 1et rejet «𝐻0 : 𝜃 = 0 » ( 𝜃̂ est statistiquement significatif).
Il y a deux étapes à suivre pour appliquer le test de cointégration de
Pesaran, à savoir :
(i) La détermination du décalage optimal avant tout (AIC, SIC)

(ii) Le recourt au test de Fisher pour vérifier les hypothèses :

𝐻0 : 𝜆1 = 𝜆2 = 0: Existence d’une relation de cointégration

𝐻0 : 𝜆1 ≠ 𝜆2 ≠ 0: Absence d’une relation de cointégration

La procédure du test est telle que l’on devra comparer les valeurs de Fisher
obtenues aux valeurs critiques (bornes) simulées pour plusieurs cas et différents
seuils par Pesaran et al. L’on notera des valeurs critiques que la borne
supérieure (2ème ensemble) reprend les valeurs pour lesquelles les variables
sont intégrées d’ordre 1 I(1) et la borne inférieure (1er ensemble) concernent
les variables I(0). Ainsi :
Si Fisher calculé>borne supérieur: Cointégration existe
Si Fisher calculé<borne inférieur: Cointégration n’existe pas
Si borne inférieur <Fisher calculé<borne supérieur: Pas de conclusion

IV.4 Test de Granger de causalité

Granger propose une procédure séquentielle pour tester la causalité entre

séries, laquelle procédure oblige de procéder avant tout par une série des tests
préliminaires de cointégration, soit l’analyse de la stationnarité des séries. Le
test de causalité au sens de Granger s’applique ainsi sur des séries
stationnaires (stationnarisées). Si ces séries stationnaires sont en plus
cointégrées, un vecteur à correction d’erreur/VECM (ou modèle à correction
d’erreur/MCE) servira de modèle de base pour tester la causalité entre ces
48
séries (Engle et Granger, 1987 ; Johansen (1988)), si non un VAR en
différences premières sera utilisé pour des séries I(1).
Pour illustrer, considérons le modèle (3a) ci-dessous pour tester la
causalité entre deux séries « 𝐻𝑡 et 𝑀𝑡 » au sens de Granger :
𝑝 𝑝
1 1
𝐻𝑡 = 𝑎01 + ∑ 𝑎1𝑖 𝛥𝐻𝑡−𝑖 + ∑ 𝑎2𝑖 𝛥𝑀𝑡−𝑖 + 𝜃1 𝐸𝑡−1 + 𝑢1𝑡
𝑖=1 𝑖=1
𝑝 𝑝
2 2
𝑀𝑡 = 𝑎02 + ∑ 𝑎1𝑖 𝛥𝑀𝑡−𝑖 + ∑ 𝑎2𝑖 𝛥𝐻𝑡−𝑖 + 𝜃2 𝐸𝑡−1 + 𝑢2𝑡
𝑖=1 𝑖=1
Avec : 𝜃𝑖 coefficient de correction d’erreur ou paramètre d’ajustement à
l’équilibre.
Les tests de causalité au sens de Granger consisteront à vérifier les
hypothèses nulles de non causalité suivantes (ces tests sont basés sur la
statistique de Fisher):
 Test de causalité de Granger à court terme :
1
𝐻0 : 𝑎2𝑖 = 0 (𝐹𝑐 < 𝐹𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝑀𝑡 ne cause pas 𝐻𝑡 à court
terme
2
𝐻0 : 𝑎2𝑖 = 0 (𝐹𝑐 < 𝐹𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝐻𝑡 ne cause pas 𝑀𝑡 à court
terme
 Test de causalité de Granger à long terme :

𝐻0 : 𝜃1 = 0 (𝑡𝑐 < 𝑡𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝑀𝑡 ne cause pas 𝐻𝑡 à long

terme
𝐻0 : 𝜃2 = 0 (𝑡𝑐 < 𝑡𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝐻𝑡 ne cause pas 𝑀𝑡 à long
terme

 Test fort de causalité de Granger (à court et long terme) :

1
𝐻0 : 𝑎2𝑖 = 𝜃1 = 0 (𝐹𝑐 < 𝐹𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝑀𝑡 ne cause pas
2
𝐻𝑡 . 𝐻0 : 𝑎2𝑖 = 𝜃2 = 0 (𝐹𝑐 < 𝐹𝑡 ; 𝑝 − 𝑣𝑎𝑙𝑢𝑒 𝐹 > 5%): 𝐻𝑡 ne cause pas 𝑀𝑡 .

Fc = Ficher calculé ; Ft = Ficher tabulé ; t c = t − student calculé ;

t t = t − student tabulé

IV.5 Test de Jarque-Bera

Le test de normalité de Jarque-Bera est également fondé sur les

coefficients d'asymétrie et d'aplatissement. Il évalue les écarts simultanés de
ces coefficients avec les valeurs de référence de la loi normale. Il ne devient
réellement intéressant que lorsque les effectifs sont élevés. Prenons les
49
coefficients d'asymétrie et d'aplatissement de Pearson
(𝛽1 = µ3 / 𝜎3 𝑒𝑡 𝛽2 = µ4 / 𝜎4 ), la seule différence avec ceux de Fisher
est que le second coefficient n'est pas normalisé, c.-à-d. 𝛽2 = 3, pour la loi
normale. On propose les estimateurs :
1
∑(𝑥𝑖 − 𝑥̅ )3
𝑏1 = 𝑛
1
( ∑(𝑥𝑖 − 𝑥̅ )2 )3/2
𝑛
1
∑(𝑥𝑖 − 𝑥̅ )4
𝑏2 = 𝑛
1
( ∑(𝑥𝑖 − 𝑥̅ )2 )2
𝑛
La loi conjointe de ces estimateurs est normale bivariée, on écrit :
𝑏1 0 6 0
√𝑛 ( ) ~𝑁 [( ) , ( )]
𝑏2 3 0 24

La matrice de variance covariance présentée ici est une expression

simplifée valable pour les grandes valeurs de n. Il est possible de produire des
expressions plus précises, affichées par les logiciels de statistique. Nous notons
également que la covariance de 𝑏1 et 𝑏2 est nulle.
La forme quadratique associée permet de produire la statistique de Jarque-
Bera T qui s'écrit :
𝑏12 (𝑏2 − 3)2
𝑇 = 𝑛( + )
6 24
Elle est distribuée asymptotiquement selon une loi du 𝒳 2 à 2 degrés de
liberté.
La statistique T prend des valeurs d'autant plus élevées que l'écart entre la
distribution empirique et la loi normale est manifeste. La région critique pour
un risque 𝛼 du test est définie par
2
𝑅𝐶: 𝑇 > 𝒳𝛼−1

IV.6 Test de Ljung-Box

Le test de Ljung-Box permet de déterminer si la série est un bruit blanc.

𝐻0 : : 𝜑1 = 𝜑2 = ⋯ = 𝜑𝑛
̃ 𝑘2
𝜑
La statistique est donnée par : Q = n ∗ (n + 2) ∗ ∑ℎ𝑘=1
𝑛−𝑘

Avec n est le nombre d’observations et 𝜑̃𝑘2 est le carré de l’autocorrélation

empirique d’ordre k.
On rejette l’hypothèse nulle de bruit blanc si la statistique Q est supérieure
à la valeur critique tabulée.
Cette statistique suit asymptotiquement la loi du khi-deux à h degrés de
liberté.
50
 IV.7 Test de Breusch-Pagan

Le test de Breusch- Pagan proposent de procéder par :

On commence par récupérer les résidus 𝑒̂ ,on calcul ensuite 𝑒̂𝑖2 ,et on calcul
leur moyenne :
1
𝜎̃ 2 = ∑ 𝑒̂𝑖2
𝑛

Comme 𝜎𝑖2 n’est pas observable ,Breusch et Pagan proposent de la

remplacer par 𝑒̂𝑖2 dans l’équation :
𝜎𝑖2 =𝛼1 + 𝛼2 𝑍𝑖2 + ⋯ + 𝛼𝑝 𝑍𝑖𝑝 + 𝑣𝑖 = 𝛼1 + 𝑍𝑖′ 𝛼 + 𝑣𝑖
On écrit alors le modèle suivant :
𝑒̂𝑖2 =𝛼1 + 𝛼2 𝑍𝑖2 + ⋯ + 𝛼𝑝 𝑍𝑖𝑝 + 𝑣𝑖 = 𝛼1 + 𝑍𝑖′ 𝛼 + 𝑣𝑖
Tester 𝐻0 : 𝑣𝑎𝑟(𝑒𝑖 ) = 𝜎 2 ∀𝑖 (l’absence de l'hétéroscedasticité) revient à
tester
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑝 = 0
Et la statistique de Breusch- Pagan sous 𝐻0 est donnée par

𝑆𝐶𝐸𝑒̂2
𝐵𝑃 = ̃4
𝑖
~𝒳 2 (𝑝 − 1)
2𝜎

51


Chapitre V : Evaluation de l’impact du

développement de la BVC sur l’économie
marocaine

52
 V.1 Spécification du modèle et choix des variables :

Dans notre étude, nous cherchons à capturer l’effet du développement de

la bourse des valeurs de Casablanca sur la croissance économique.
Pour cela et à la lumière des données disponibles, nous allons choisir
nos variables de la façon suivante :

 La variable dépendante : Pour la variable dépendante, nous avions

plusieurs options, notamment le PIB ou le PIB par habitant mais
suite à certaines raisons relatives à la stationnarité des séries, nous
avons choisi finalement comme variable dépendante le PIB (au prix
courant).
 Les variables indépendantes : Les variables indépendantes dans notre
cas sont celles qui décrivent le développement de l’activité de la
BVC. Notre choix de ces variables s’est fixé à la fin sur la
capitalisation boursière (CAP) et le taux de rotation (TURN_OVER).
Ces deux variables sont généralement les plus utilisées dans des
études d’impact similaires.
 Les variables de contrôle : Ces variables sont essentielles pour
améliorer les résultats. Selon certaines études liant le développement
du marché boursier à la croissance économique, nous avons choisi
comme variables de contrôle les variables, la formation brute de
capital fixe (FBCF), la dépense publique (DP) et le taux d’ouverture
de l’économie (TO).

Donc notre modèle aura la forme fonctionnelle linéaire suivante :

𝑃𝐼𝐵 = 𝑓(𝐶𝐴𝑃, 𝑇𝑈𝑅𝑁_𝑂𝑉𝐸𝑅, 𝐹𝐵𝐶𝐹, 𝐷𝑃, 𝑇𝑂)

On note également que l’estimation de ce modèle sera faite à l’aide du

logiciel EVIEWS.

V.2 Les données : nature & source :

V.2.1 Nature & source des données

Les données qui font l’objet de notre étude sont trimestrielles et tirées
principalement des bases de données du site web de la Bourse des
Valeurs de Casablanca (BVC) ou du Haut-Commissariat au Plan
(HCP). Ces données trimestrielles couvrent la période allant de 2007
53
à 2019 et la raison pour cet arrêt à la fin de l’année 2019 est l’effet
 probable de COVID-19 sur les données des années 2020 et 2021 ce
qui peut biaiser les résultats.

Le tableau suivant donne plus de renseignements sur les variables utilisés

dans l’étude :

Variable Description

PIB Le produit intérieur brut au prix courant exprimé en 1011 Dhs

La capitalisation boursière globale de la BVC à la fin de chaque trimestre

CAP en 1011 Dhs, elle mesure le volume d’investissement au sein de la BVC à
un moment donné.

Le taux de rotation exprimé comme le rapport du volume de transactions

TURN_OVER sur la capitalisation boursière flottante. C’est une mesure de la liquidité du
marché boursier.

La formation brute de capital fixe exprimée en 1011 Dhs. C’est une

FBCF
« proxy » variable de l’investissement.

DP La dépense publique exprimée en 1011 Dhs.

Taux d’ouverture de l’économie en pourcentage du PIB :

TO ((importation + exportation) / 2) / PIB

Il mesure le degré d’insertion d’un pays dans l’économie mondiale

Tableau 3 : Description des variables

54
 V.2.2 Caractéristiques descriptives :
CAP DP FBCF PIB TURN_OVER TO
Mean 5.268047 0.426377 0.681168 2.252759 0.034844 0.405687
Median 5.284698 0.441034 0.689762 2.253396 0.027629 0.409668
Maximum 6.793388 0.575603 0.817438 2.893116 0.175657 0.460219
Minimum 1.248284 0.282202 0.503600 1.601910 0.009110 0.323475
Std. Dev. 0.866675 0.085872 0.082618 0.382983 0.029190 0.029854
Skewness -1.747361 -0.208376 -0.221135 0.062541 3.193346 -0.648297
Kurtosis 10.03375 1.850391 2.347470 1.885172 14.81732 3.227661
Jarque-Bera 133.6546 3.239779 1.346363 2.726720 390.9508 3.754805
Probability 0.000000 0.197921 0.510083 0.255800 0.000000 0.152987
Sum 273.9385 22.17160 35.42073 117.1435 1.811888 21.09570
Sum Sq. Dev. 38.30737 0.376070 0.348113 7.480491 0.043454 0.045453
Observations 52 52 52 52 52 52
Tableau 4 : Stat. Descriptive

On remarque du tableau ci-haut que la capitalisation boursière est la

plus volatile parmi toutes les variables, cela peut être causé soit par la
volatilité des cours ou par plusieurs événements que la BVC a encouru
pendant la période 2007-2019 comme : les crises financières,
l’introduction en bourse de nouvelles entreprises, l’émission de nouveaux
titres...etc. De l’autre côté, les autres variables sont relativement peu
volatiles.

On note également que les variables sous-étude sont normalement

distribuées (Prob. Jarque-Bera > 5%) sauf pour la capitalisation boursière
(CAP) et le taux de rotation (TURN_OVER).

55
 V.2.2 Evolution graphique des variables :

Figure 4 : Evolution des variables

D’après ce graphique, on peut d’abord avoir une idée sur la

stationnarité des séries des variables. En effet, on voit que les variables
DP, FBCF, TURN_OVER et TO ne présentent ni une saisonnalité ni une
tendance évidente donc on peut supposer en avance que ces variables sont
stationnaires. Par contre, le PIB présente une évolution croissante stable
au cours des années, qui est un signe évident d’une tendance donc
clairement la variable PIB ne serait pas stationnaires mais a une grande
chance d’être d’ordre I(1). Pour la variable CAP, on ne peut pas conclure
une supposition sur son ordre d’intégration car à part le pique positif
qu’elle présente pendant l’année 2007 et qui est due probablement à
l’introduction de nombreuses entreprises à la bourse pendant cette année,
on voit, qu’en moyenne, elle a une stabilité dans le temps, autrement dit
elle n’a pas de tendance dans la période 2008-2019, mais elle peut avoir
une saisonnalité.

Dans la prochaine partie, on essaiera de confirmer le statut de chaque

série en termes de stationnarité.

56
 V.3 Etude de la stationnarité :

Si la moyenne ou la variance d’une série varie dans le temps, on dit

que cette série est non stationnaire. Cette non stationnarité, que ce soit
stochastique ou déterministe, peut conduire dans plusieurs cas à des
régressions fallacieuses au cas où elle n’est pas traitée (stationarisation). De
nombreux tests sont alors conçus pour aider à la vérification du caractère
stationnaire ou non des séries, parmi lesquels on cite : test de Augmented
Dickey-Fuller (ADF), test de Philippe-Perron (PP), test de Andrews et
Zivot (AZ), test Ng-Perron, KPSS, Ouliaris-Park-Perron, Eliott-
Rothenberg-Stock…etc. Dans notre étude on va utiliser le test ADF car il
est facile à appliquer et très couramment utilisé. (Pour les détails de la
procédure de ce test voir le chapitre 4).

Les résultats du test ADF sur chacune de nos séries sont :

a) Pour le PIB :
PRODUIT INTERIEUR BRUT (PIB)
Niveau Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

3.37 3.45 3.36 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

X X X X
Modèle 1
T-statistique de Φ T-tabulé de Φ

X X
1er différenciation Modèle 3
T-statistique de Φ T-tabulé de T-statistique de β T-tabulé de β
Φ

7.56 3.45 -0.31 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

7.63 2.89 5.6 2.54

Tableau 5 : ADF test pour PIB
57
 D’après le tableau de Niveau du PIB, on remarque que la statistique
calculée de β est supérieure à sa statistique tabulée. On conclut alors que le
PIB n’est pas stationnaire et pour vérifier son degré d’intégration on passe
par la suite à l’application du ADF sur sa première différence. Le modèle 2
du test ADF appliqué sur la 1ére différence du PIB montre que les
hypothèses « Φ = 0 » et « c = 0 » sont rejetées, on conclut alors que la 1ére
différence du PIB est stationnaire.

D’où, la série PIB n’est pas stationnaire et est d’ordre d’intégration

I(1).

b) Pour la capitalisation boursière :

CAPITALISATION (CAP)
Niveau Modèle 3
T-statistique de T-tabulé de Φ T-statistique de T-tabulé de β
Φ β

5.7 3.45 -0.45 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de T-tabulé de c
c

5.94 2.89 6.1 2.54

Tableau 6 : ADF test pour la capitalisation boursière

Pour le modèle 2 du test ADF appliqué sur la CAP en niveau, on

remarque que les hypothèses « Φ = 0 » et « c = 0 » sont rejetées, donc on
conclut que la série CAP est stationnaire ou d’ordre I(0).

c) Pour le taux de rotation :

TAUX DE ROTATION (TURN_OVER)
Niveau Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

3.8 3.45 -1.51 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

9.66 2.89 7.42 2.54

Tableau 7 : ADF test pour le taux de rotation

58
 Le modèle 2 du test ADF appliqué sur le TURN_OVER en niveau,
montre que les hypothèses « Φ = 0 » et « c = 0 » sont rejetées, donc on
conclut que la série TURN_OVER est stationnaire ou d’ordre I(0)

d) Pour la dépense publique :

DEPENSES PUBLIQUES (DP)
Niveau Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

1.46 3.45 1.35 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

0.90 2.89 2.56 2.54

Modèle 1
T-statistique de Φ T-tabulé de Φ

X X
1er différenciation Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

8.47 3.45 -0.71 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

8.48 2.89 6.51 2.54

Tableau 8 : ADF test pour la dépense publique

On remarque que le modèle 2 du test ADF appliqué sur DP en niveau

affirme la non stationnarité de cette série dès que l’hypothèse « Φ = 0 » est
acceptée alors que l’hypothèse « c = 0 » est rejetée.

Pour déterminer l’ordre d’intégration de DP, on passe à la vérification

de la stationnarité de la 1ére différence de DP. D’après le tableau, on
constate que le modèle 2 affirme la stationnarité de la 1ére différence de DP
car les hypothèses « Φ = 0 » et « c = 0 » sont rejetées.

Donc la série DP est non stationnaire et d’ordre d’intégration I(1).

59
 e) Pour la formation brute de capital fixe :
FORMATION BRUTE DU CAPITAL FIXE (FBCF)
Niveau Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

4.36 3.45 3.98 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

X X X X
Modèle 1
T-statistique de Φ T-tabulé de Φ

X X
1er différenciation Modèle 3
T-statistique de T-tabulé de Φ T-statistique de β T-tabulé de β
Φ

5.55 3.45 -0.68 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

5.56 2.89 2.46 2.54

Modèle 1
T-statistique de Φ T-tabulé de Φ

8.75 1.95
Tableau 9 : ADF test pour la formation brute de capital fixe

Le modèle 1 du test ADF appliqué à la FBCF en niveau montre que

les hypothèses « Φ = 0 » et « β = 0 » sont rejetées, donc la série FBCF est
non stationnaire.

L’application du test ADF sur la 1ére différence de la FBCF montre

que l’hypothèse « Φ = 0 » du modèle 1 est rejetée, donc la 1ére différence
de la série FBCF est stationnaire.

D’où, la série FBCF est d’ordre d’intégration I(1).

60
 f) Pour le taux d’ouverture de l’économie :
TAUX D'OUVERTURE DE L'ECONOMIE (TO)
Niveau Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

2.58 3.45 1.12 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

2.32 2.89 2.35 2.54

Modèle 1
T-statistique de Φ T-tabulé de Φ

0.34 1.95
1er différenciation Modèle 3
T-statistique de Φ T-tabulé de Φ T-statistique de β T-tabulé de β

5.57 3.45 0.05 2.79

Modèle 2
T-statistique de Φ T-tabulé de Φ T-statistique de c T-tabulé de c

5.63 2.89 0.36 2.54

Modèle 1
T-statistique de Φ T-tabulé de Φ

5.67 1.95
Tableau 10 : ADF test pour le taux d’ouverture de l’économie

On constate, d’après le tableau de l’ADF appliqué sur le TO en niveau,

que l’hypothèse « Φ = 0 » du modèle 3 est acceptée, donc la série TO n’est
pas stationnaire.

On applique par la suite le test ADF sur sa 1ére différence, le modèle

3 de ce test conclut que l’hypothèse « Φ = 0 » est rejetée, donc la 1ére
différence de TO est stationnaire.

D’où, la série TO est non stationnaire et d’ordre I(1).

61
 Conclusion :

Finalement, on donne un tableau récapitulatif de tous ces résultats

Variable Ordre d’intégration

PIB I(1)
CAP I(0)
TURN_OVER I(0)
DP I(1)
FBCF I(1)
TO I(1)
Tableau 11 : tableau récapitulatif des résultats de ADF test

Nous remarquons que les ordres d’intégration de nos séries varient

entre 0 et 1, pour cela nous choisissons le modèle Autorégressif à Retards
Echelonnées (ARDL) comme méthode d’analyse dont un autre avantage est
de donner la possibilité de traiter simultanément la dynamique de long-
terme et les ajustements de court-terme. (Pour plus de détails sur ce modèle
voir le chapitre 4).

V.4 Estimation du modèle par la méthode ARDL :

La cointégration est un concept qui a été introduit pour la première fois

en 1987 par Engle et Granger et il désigne la situation où deux ou plusieurs
séries chronologiques non stationnaires sont liées de telle sorte qu’elles ne
peuvent pas dévier les unes des autres sur le long terme.
Dans le cadre de notre étude, nous allons adopter le test de
cointégration de Pesaran et al. (2001) dit aussi test de cointégration aux
bornes. Pour appliquer ce test, on devra passer par deux étapes principales :
 Estimer préalablement le modèle ARDL avec les décalages
optimaux.
 Recourir au test de Fisher pour tester la cointégration.

62
 V.4.1 Estimation du modèle ARDL avec décalage
optimal :
Pour estimer le modèle ARDL optimal, nous allons nous servir du
critère d’information de Schwarz (SIC) car il donne des résultats
statistiquement significatifs avec les moins des paramètres.
Nous présentons d’abord le graphe des top 20 modèles ARDL avec
leurs valeurs de SIC respectives :

Schwarz Criteria (top 20 models)

-4.20

-4.22

-4.24

-4.26

-4.28

-4.30

-4.32

-4.34
ARDL(1, 0, 0, 3, 0, 1)
ARDL(1, 0, 0, 2, 0, 1)
ARDL(1, 0, 0, 4, 0, 1)
ARDL(1, 0, 1, 2, 0, 1)
ARDL(1, 0, 1, 3, 0, 1)
ARDL(1, 0, 0, 3, 0, 2)
ARDL(1, 0, 0, 3, 1, 1)
ARDL(1, 1, 0, 3, 0, 1)
ARDL(1, 1, 0, 2, 0, 1)
ARDL(2, 0, 0, 3, 0, 1)
ARDL(1, 0, 0, 2, 1, 1)
ARDL(1, 0, 0, 1, 0, 1)
ARDL(2, 0, 0, 2, 0, 1)
ARDL(1, 0, 0, 2, 0, 2)
ARDL(1, 0, 0, 1, 0, 0)
ARDL(1, 0, 0, 2, 0, 0)
ARDL(1, 0, 0, 3, 0, 0)
ARDL(1, 0, 1, 1, 0, 0)
ARDL(1, 0, 1, 2, 0, 0)
ARDL(1, 2, 1, 3, 0, 0)

Figure 5 : Modèle optimal par SIC

63
 On voit bien que le modèle ARDL optimal selon le SIC est le modèle
ARDL(1,0,0,3,0,1) avec (1,0,0,3,0,1) est le vecteur des décalages optimaux
des variables dans l’ordre suivant : (PIB, CAP, TURN_OVER, DP, FBCF,
TO).
Par la suite, nous donnons les résultats de l’estimation du modèle
ARDL optimal retenu :

Figure 6 : Le modèle ARDL

64
 V.4.2 Validation du modèle
On procède après à la validation de ce modèle :

Test statistique l'hyp. Null/alternative du Résultat graphique Interprétation

test
Test • H0 : 𝜌 = 0 Les erreurs ne La probabilité de R² est de 52% et largement
d’autocorrélation sont pas autocorrélées supérieure à 5% alors on accepte l’hypothèse nulle
• H1 : ɛ𝑡 = 𝜌 ɛ𝑡−1 + 𝑣𝑡 selon laquelle les résidus ne sont pas autocorrélées
Les erreurs sont
autocorrélées.

Test de normalité •H0 : ɛ𝑡 ~ 𝑁 (0, 𝜎²) La probabilité associée à la statistique de Jarque-

des erreurs (Jarque • H1 : les erreurs ne suivent Berra est 57%. L’hypothèse de normalité des
Bera) pas une loi normale erreurs est donc acceptée. On peut conclure alors
que les erreurs suivent une loi normale.

Test • H0 : 𝑉( ɛ𝑡 ) = 𝛼0 et La probabilité du test Breusch Pagan Godfrey égale

d’hétéroscédasticité 𝛼1 = 𝛼2 = 0 homoscédasticité a 29% supérieure à 5%, donc les erreurs sont
(Breusch- des erreurs homoscédastiques.
PaganGodfrey) • H1 :
𝑉(ɛ𝑡 ) = 𝛼0 + 𝛼1 𝑌𝑡1 + 𝛼2 𝑌𝑡1
hétéroscédasticité des
erreurs

Test de bonté du • H0 : le modèle est bon On remarque que la probabilité associée à la

modèle • H1 : le modèle n’est pas statistique de Fisher est de 0,0527 supérieure à 5%
bon donc le modèle est bon et stable.

Tableau 12 : Validation du modèle

 V.4.3 Test de cointégration aux bornes :

Comme il est bien indiqué dans la partie du test de cointégration aux

bornes dans le chapitre 4 de cette mémoire, une fois le modèle ARDL
optimal est bien estimé on passe au calcul de la statistique de Fisher du
test et on la compare aux valeurs critiques (ou bornes) de la façon
suivantes :
 Si Fisher > borne supérieure : la cointégration existe.
 Si Fisher < borne inférieure : la cointégration n’existe pas.
 Si borne inférieure < Fisher < borne supérieure : Pas de
conclusion.

Dans notre cas, nous présentons ici un tableau récapitulatif des

résultats de ce test :

Variables PIB, CAP, TURN_OVER, DP,

FBCF, TO
F-stat calculée 3.89
Seuil critique Borne inf Borne sup
1% 3.955 5.583
5% 2.9 4.218
10% 2.435 3.6
Tableau 13 : Résultat du test de coentégration

On remarque d’après le tableau que la statistique de Fisher calculée

(3.89) estsituée entre les bornes du seuil 5%, donc à un seuil de 5% on ne
peut pas conclure quant à la cointégration de nos séries. Par contre, on
remarque que notre statistique est supérieure à la borne supérieure du seuil
10%, ce qui confirme qu’on peut accepter l’hypothèse de la cointégration
des séries à 10%. Donc à 10% les séries sous études sont bien cointégrées.
Cela nous donnera alors la possibilité d’observer les effets de long terme
sur le PIB des autres variables. Mais avant tout, essayons d’abord
d’étudier la corrélation et les causalités entre les séries.

66
 V.4.4 Corrélation et causalité entre les séries :

V.4.4.1 Corrélation entre les séries :

PIB CAP TURN_OVER DP FBCF TO

PIB 1
CAP 0,249 1
TURN_OVER -0,487 -0,371 1
DP 0,982 0,138 -0,484 1
FBCF 0,953 0,258 -0,509 0,946 1
TO 0,457 0,377 -0,173 0,422 0,541 1
Tableau 14 : Corrélation entre les variables

D’après la première colonne de la table, on remarque qu’il n’y a pas

une forte association entre le PIB et nos variables d’intérêt (CAP et
TURN_OVER) vu que la valeur absolue des coefficients de corrélation
entre le PIB et ces variables ne dépasse pas le 50%. D’un autre côté, on voit
qu’il y a une corrélation négative entre le PIB et le TURN_OVER ce qui
veut dire qu’une hausse à la liquidité du marché boursier affecte
négativement le PIB. De plus, il y a une forte corrélation entre le PIB et les
deux variables de contrôle : DP et FBCF, mais aussi entre ces deux
variables ce qui indique le risque d’une multicolinéarité probable. Par
contre, les corrélations entre la CAP et le TURN_OVER et entre ces deux
variables et les variables de contrôle semblent faibles.

V.4.4.2 Causalité entre les variables :

Pour tester la causalité entre les séries sous études, la littérature offre
plusieurs tests à employer dont le plus célèbre est le test de causalité de
Granger. Ce test traditionnel et relativement simple aurait fait un très bon
choix dans notre étude pour tester la causalité entre les séries sous études,
mais son contre-effet est qu’il devient inefficace dans certains cas comme
l’absence de cointégration entre séries ou les séries sont de différents
ordres d’intégration ce qui est le cas pour nous. Pour cela, on change la
méthode de test et on recourt au test de causalité au sens de Toda-
Yamamoto (1995) qui est basé sur une statistique « W » de Wald dont la
distribution suit une loi khi-deux. L’hypothèse nulle de ce test stipule
l’absence de causalité entre variables. 67
 Similaire au test de cointégration aux bornes, on a d’abord besoin
d’estimer le modèle VAR optimal avant de faire le test de Toda-Yamamoto.
Dans le tableau suivant on calcule les différents critères pour des différents
modèles VAR afin de déterminer celui qui est optimal :

Lag LogL LR FPE AIC SC HQ

0 455.20 NA 3.00e-16 -18.72 -18.48 -18.63
1 681.79 387.09 1.08e-19 -26.66 -25.02* -26.04*
2 711.74 43.68 1.49e-19 -26.41 -23.37 -25.26
3 741.75 36.26 2.32e-19 -26.16 -21.71 -24.48
4 808.50 63.97* 9.64e-20* -27.44* -21.59 -25.23
Tableau 15 : Les modèles VAR

On voit que selon le critère de Schwarz le modèle VAR optimal est celui
qui a un décalage de 1. On présente par la suite les résultats du test de causalité
de Toda-Yamamoto obtenus :

k dmax Variables explicatives

4 1 PIB CAP TURN_OVER DP FBCF TO
Variables PIB X 9.79* 8.13* 9.03* 0.13 0.00
dépendantes (0.00) (0.00) (0.00) (0.71) (0.99)
CAP 10.77* X 36.81* 3.08 4.01* 0.34
(0.00) (0.00) (0.07) (0.04) (0.55)
TURN_OVER 0.15 0.01 X 0.11 1.99 1.70
(0.69) (0.91) (0.73) (0.15) (0.19)
DP 18.86* 9.84* 12.01* X 0.00 1.99
(0.00) (0.00) (0.00) (0.97) (0.15)
FBCF 1.04 0.72 3.00 3.11 X 10.93*
(0.30) (0.39) (0.08) (0.07) (0.00)
TO 0.21 1.33 7.78E-05 0.40 3.63 X
(0.64) (0.24) (0.99) (0.52) (0.05)
Tableau 16 : Résultat du test de causalité de Toda-Yamamoto

Ce tableau présente le calcul de la statistique Khi-deux en dessous de

laquelle, on trouve la p-value correspondante. k signifie le lag optimal du 68
modèle VAR, dmax est l’ordre d’intégration maximal des séries et * correspond
au p-value significative à 5%.
On résume les résultats de ce tableau dans le schéma suivant qui présente
les liens de causalités trouvés entre variables :
TO

FBCF

CAP

PIB

DP TURN_OVER

Figure 7 : Schéma des différents liens de causalités entre les variables

D’après le graphe précédent, on déduit les causalités au sens de Toda-Yamamoto

suivantes :
 Des causalités bidirectionnelles :
o Entre le PIB et la capitalisation boursière (CAP) : on remarque que ces deux
séries ont un impact mutuel l’une sur l’autre.
o Entre le PIB et la dépense publique (DP)
 Des causalités unidirectionnelles :
o La dynamique de la capitalisation boursière (CAP) est causée par la liquidité
de la BVC (TURN_OVER) et les investissements (FBCF) dont la dynamique est
causée par l’ouverture économique (TO).
o A part l’impact du PIB, la dynamique de la dépense publique (DP) est causée
aussi par la liquidité de la BVC (TURN_OVER) et la capitalisation boursière (CAP).
En dernier, on remarque que les variables qui ont une influence directe
sur le PIB sont la CAP, DP et le TURN_OVER pour les autres variables
(FBCF et TO) elles n’influencent pas directement le PIB et elles doivent
passer par la CAP pour expliquer indirectement le PIB. Egalement, pour
certaines variables, on remarque qu’elles influencent le PIB depuis plusieurs
69
canaux, comme le TURN_OVER qui a, en plus d’un impact direct, d’autres
impacts indirects à travers la CAP et la DP.

V.4.5 Coefficients de court terme et dynamique de

long terme:

V.4.5.1 Coefficients de court terme (CT) :

On donne d’abord le tableau de des estimations des coefficients de court
terme :

Figure 8 : Les coefficients de court terme

D’après ce tableau, on constate que le coefficient d’ajustement ou la force

de rappel (CointEq(-1)) est statistiquement significatif, négatif et compris entre
0 et 1 en valeur absolue ce qui nous garantit un mécanisme de correction
d’erreur et donc l’existence d’une relation de long terme entre les séries
(cointégration).
On remarque également que :
Sur le court terme, la capitalisation boursière n’a pas d’effet significatif
sur le PIB, par contre la capitalisation d’un an avant a un effet statistiquement
significatif et négatif mais reste faible : pour chaque augmentation de la
capitalisation de l’an dernier d’une unité on constate une diminution du PIB de
-0.038. Pour le taux de rotation, on voit qu’il a un effet significatif et positif sur
le PIB sur le court terme, pour chaque augmentation du taux de rotation de 1, 70
la variable PIB reçoit une augmentation de 0.73, mais cet effet positif s’inverse
dans le temps, autrement dit les taux de rotation d’il y a un trimestre et deux
trimestres diminuent le PIB s’ils augmentent. Une façon d’interpréter ces
résultats, c’est de supposer qu’en moyenne après chaque période
d’augmentation de la liquidité de la BVC, ce qui entraine une augmentation de
la capitalisation boursière et du taux de rotation, on constate sa diminution ce
qui cause une diminution des investissements et donc une diminution du PIB.
Pour les variables de contrôle, on voit d’abord que l’effet instantané de la
dépense publique sur le PIB est non significatif. Par contre, après un ou deux
trimestres on constate un effet significativement négatif sur le PIB qui diminue
avec le temps : le coefficient de D(DP(-1)), qui est égale à -1.70, est inférieur
au coefficient de D(DP(-2)), qui est égale à -0.79. On remarque aussi que les
investissements des entreprises (FBCF) ont un effet négatif et significatif sur le
PIB sur le court terme ce qui intuitif car on n’attend pas à ce que ces
investissements ont une influence instantanée sur la production mais plutôt
qu’il diminue la production pour une certaine période et l’augmente après, et
c’est ce qu’on voit dans les résultats car après deux à trois trimestre on
commence à voir un effet significativement positif de ces investissements sur
le PIB.

V.4.5.2 Coefficients de long terme (LT) :

On présente ici le tableau des estimations des coefficients de long terme :

Figure 9 : Les coefficients de long terme

On remarque d’abord que contrairement aux résultats de court terme, le

coefficient de long terme de la CAP est statistiquement significatif et positif et
indique que pour tout dirham ajouté en capitalisation boursière cela génère 0.11
dirham de PIB. Pour le taux de rotation, on constate que son coefficient reste
significativement positif sur le long terme et qu’il a un grand effet sur le PIB,
cela peut être considéré comme un résultat intuitif dès que l’augmentation du
taux de rotation signifie un accroissement en liquidité des titres en bourse ce
71
qui signifie à son tour plus de confiance chez les investisseurs et donc plus
d’investissement et plus de production.
Pour les variables de contrôle, on constate que sur le long terme le
coefficient de la dépense publique est significativement positif de d’une façon

que pour chaque dirham ajouté à la dépense publique, on constatera une

augmentation du PIB de 5.98 dirham. Pour la FBCF, on remarque que malgré
sa présence dans la dynamique de court terme du PIB, il n’a pas d’effet
significatif sur le long terme. Pour le TO, on voit qu’il a un effet
significativement négatif sur le PIB sur le long terme, cela peut être dû à une
forte dépendance de l’économie marocaine sur les produits extérieurs ce qui a
la tendance de rendre négative la corrélation entre le PIB et le TO

72
 C onclusion

Le marché boursier est l’un des mécanismes importants pour les

entreprises car il constitue une ressource non négligeable pour eux d’avoir
plus d’investissement en échange avec des titres de participation, autrement
dit, des parts sociales de ces entreprises. Dépendamment du pays et de
l’efficacité de son marché boursier, ce dernier peut exercer aussi une
influence significative sur la croissance économique grâce à un pouvoir
important d’allocation d’épargne qui engendre des accroissements dans la
production du pays. Et cela nous a amené à poser la question : Est-ce que
le marché boursier marocain exerce une telle influence sur l’économie ?
L’objectif principal de cette étude a été donc d’essayer de répondre à cette
question en plus de faire une évaluation de cet impact et de le comparer
avec d’autres facteurs importants.
Pour arriver à notre objectif, nous avons utilisé le modèle ARDL qui
s’est avéré adéquat pour les séries qui ont des ordres d’intégrations
différents mais ne dépassant pas 1. A l’aide de ce modèle, on a essayé
d’évaluer l’influence sur la croissance économique (PIB : variable
dépendante) de certaines variables caractéristiques de la bourse de
Casablanca, pour le choix de ces variables on a opté pour la capitalisation
boursière qui est égale à la valeur globale des titres et le taux de rotation
comme mesure de la liquidité de la bourse. Ce choix de variables de la BVC
a été motivé par le fait qu’elles mesurent parfaitement son mécanisme :
L’émission et l’achat des titres. En plus, on a aussi tenu compte d’autres
variables de contrôle, couramment utilisées dans la littérature empirique,
dont l’influence améliore le résultat : la dépense publique, la formation
73
brute de capital fixe et le taux d’ouverture de l’économie.
 Les résultats de cette évaluation ont indiqué qu’effectivement sur le
long terme on constate une influence positive de la bourse de Casablanca
sur la croissance économique, étant donné que les coefficients de la
capitalisation boursière et du taux de rotation sont tous les deux
significativement positifs. De plus, on remarque que parmi les variables de
la bourse le taux de rotation le plus d’impact, ce qui intuitif car l’achat et
l’échange de titres est le stimulant principal de l’investissement dans le
marché boursier plutôt que la disponibilité des titres à échanger. On voit
également que sur le long terme les investissements sur le marché boursier
sont plus importants pour l’économie sur le long terme que les
investissements des entreprises et les échanges étrangers.
Finalement et à titre de recommandation, on voit que la BVC exerce
une influence importante sur notre économie d’abord par le volume
d’investissements disponible (capitalisation boursière) mais surtout à
travers sa liquidité : pour chaque échange de 1% de la capitalisation
boursière, cela peut engendrer en moyenne jusqu’à 5.24 milliards de
dirhams en PIB. Pour de tels résultats, il est totalement recommandé de
trouver des moyens, d’un côté, pour encourager les gens à investir plus dans
la bourse et, d’un autre, pour pousser la capitalisation de bourse à travers
l’émission de plus de titres par les entreprises.

74
 
B ibliographie
http://www.univbejaia.dz/jspui/bitstream/123456789/2060/1/Introduction%20en%20bourse%20
et%20son%20impact%20sur%20la%20performance%20financi%C3%A8re%20de%20l%E2%80%99
entreprise.pdf
 https://hal.archives-ouvertes.fr/cel-01766214/document
 https://www.championnat-bourse.ma/sites/default/files/fiche_structure_acteurs.pdf
 https://mpra.ub.uni-muenchen.de/98294/1/MPRA_paper_98294.pdf
 https://www.ammc.ma/sites/default/files/RPI_T1_2020.pdf
 https://www.ammc.ma/sites/default/files/RPI_T1_2020.pdf
 https://www.agenceecofin.com/bourses/1502-44840-la-bourse-de-casablanca-debute-lannee-
2017-en-force-avec-un-volume-des-echanges-proche-de-781-millions
 https://www.challenge.ma/comment-la-bourse-de-casablanca-a-rattrape-ses-pertes-de-50-
milliards-de-dh-de-2018-128326/
 https://www.agenceecofin.com/bourses/0301-62967-la-capitalisation-de-la-bourse-de-
casablanca-a-fondu-de-5-21-milliards-de-dollars-en-2018
 http://leboursier.ma/Bourse-Le-rebond-en-2021-depend-du-succes-de-la-campagne-de-
vaccination-9059.html

75

View publication stats