1.
1 BREF EXPLICATION DE L'APPROCHE ARDL
La procédure ARDL, qu’on a utilisé pour examiner la relation entre les dépenses publiques et la
croissance économique, est utilisée afin de faire face aux problèmes liés à l'analyse des séries temporelles
comme le problème d’étudier des séries qui ne sont pas intégrées du même ordre. Cette procédure
présente plusieurs avantages. Tout d'abord, la méthodologie de test ARDL est applicable
indépendamment de savoir si les variables explicatives sont stationnaires ou intégrés d'ordre un. Ainsi, il
dépasse le problème de l'ordre d'intégration associée au test de Johansen (1995). Deuxièmement, il a de
bonnes propriétés des petits échantillons par rapport à d'autres techniques. Troisièmement, la méthode
ARDL corrige le problème de la corrélation sérielle et d'endogénéité, par une augmentation appropriée de
l'ordre des variables explicatives. Pour illustrer l'approche d’ARDL, considérons le modèle simple:
y(t) = α + þx(t) + u(t)
La procédure ARDL à long terme implique deux étapes. À la première étape, on teste l'existence d'une
relation de long terme. La présence de la relation à long terme entre les variables est testée en calculant
les F-statistiques pour tester la signification des niveaux décalés des variables sous la forme de correction
d'erreur du modèle ARDL sous-jacent. Le modèle à correction d’erreur du modèle d’ARDL est le suivant:
p p
Dy(t) = αO + Σ ðiDyt–i + Σ yiDxt–i + þ1yt–1 + þ2xt–1 + st
i=1 i=1
Où ð et y représentent la dynamique à court terme du modèle tandis que þ1 et þ2 représentent la relation
de long terme et ε est le terme d'erreur du bruit blanc. Les valeurs actuelles de Dx, de l'équation (3.6) sont
exclues en suivant le modèle de Pesaran et Shin (1998). L'hypothèse nulle du test F est la non-
existence de la relation de cointégration:
H : þ = þ2 = 0
{ O 1
H1: þ1 ≠ þ2 ≠ 0
Les statistiques pertinentes sont les statistiques F pour la signification conjointe de þ1 et þ2, et la
distribution asymptotique de F est non-standard, et calculé indépendamment de l’ordre d’intégration des
variables explicatives. Peseran et al (1996) ont calculé les valeurs critiques appropriées; en conséquence,
il existe deux ensembles de valeurs critiques. Un ensemble en supposant que toutes les variables sont I (0)
et une en supposant que toutes les variables sont I(1).
1. Si la valeur de la F-stat dépasse la borne supérieure, alors on rejette H0 et on conclut à l’existence
d’une relation de long terme entre les variables considérées.
2. Si la valeur de la F-stat est inférieure à la borne inférieure, alors on ne rejette pas H0 et on conclut à
l’absence de relation de long terme entre les variables considérées.
3. Si la valeur de la F-stat est comprise entre les deux bornes, alors on ne peut pas conclure. le résultat
dépend du fait que les variables sont I (0) ou I (1). Une fois que les résultats des tests rejettent
l'hypothèse nulle de la «non-existence de la relation de long terme », alors il est possible de procéder à
la prochaine étape de la procédure ARDL d'estimation, qui est l’estimation des coefficients de long
terme.
Dans la deuxième étape, on détermine les ordres des retards dans le modèle ARDL en utilisant le
critère d'information Schwartz (SIC) et ensuite, le modèle choisi est estimé par la méthode des moindres
carrés ordinaires pour obtenir une estimation de long terme. Cette estimation de long terme, de la
spécification ARDL choisie, donne une estimation des coefficients de la relation de cointégration. Il est
important de noter, cependant, que cette étape n’est viable que si les résultats des tests de F rejettent
l’inexistence d'une relation de long terme entre les variables, donc la variable x peut être
considérée comme la variable qui explique y à long terme. La condition de la solution du modèle à long
terme de y peut être obtenu à partir de la solution de l’équation précédente, lorsque D (y) = D (x) = 0:
yt = µO + 8x(t) + P(t)
Où P(t) sont des séries non corrélées avec des moyennes égales à zéro et des variances-covariances
constants. Les coefficients d’estimations de long terme par l'approche ARDL sont définis par les rapports
suivants:
µO = –α0 et 8 = –þ2
þ1 þ1
2 RÉSULTATS EMPIRIQUES
2.1 TESTS DE RACINE UNITAIRE
Tableau 1. Tests ADF de racine unitaire
En Première différence
niveau
Variables Statistiques du Statistiques du
test Proba. test Proba.
ADF ADF
y -12.62522 0.0000 -11.91726 0.0000
LDP -1.158927 0.6801 -9.137331 0.0000
LRF -1.917237 0.6237 -5.930706 0.0001
LDM -2.357663 0.3937 -7.344883 0.0000
LINF -1.825413 0.0652 -10.42148 0.0000
Valeurs critiques asymptotiques
1% -4.2528
5% -3.5484
10% -3.2070
MacKinnon (1996) one-sided p-values.
L'application des tests ADF de racine unitaire sur les séries étudiées conduit à rejeter l’hypothèse de
stationnarité pour toutes les séries sauf le taux de croissance qui est stationnaire en niveau. Les résultats
montrent aussi que les autres séries sont intégrées d’ordre 1 I(1). Donc aucune série n’est intégrée d’ordre
deux I(2) ou plus, ce qui est primordiale pour l'application de l’ARDL.
2.2 L’ESTIMATION D'UN MODÈLE
On s’est basé sur une modélisation ARDL pour expliquer le taux de croissance en termes des valeurs
passées de ce taux, ainsi que les valeurs actuelles et passées des dépenses publiques, des recettes fiscales,
de l’inflation et du degré de monétisation. Eviews 9 offre la possibilité d’effectuer la modélisation ARDL
d’une manière automatique. Pour le choix du nombre des retards, nous avons utilisé le critère
d’information Schwarz (SIC).
Tableau 2. Le modèle ARDL (2, 2, 2, 0, 1)
Variabl Coefficient Std. t-Statistic Prob.
es Error
Y(-1) -0.123418 0.17678 -0.698129 0.4928
3
Y(-2) -0.267999 0.11402 -2.350390 0.0286
3
LDP -73.57644 12.1378 -6.061731 0.0000
6
LDP(-1) 46.83769 16.3010 2.873299 0.0091
2
LDP(-2) -20.24082 15.5554 -1.301202 0.2073
7
LRF 6.780943 6.74575 1.005216 0.3262
9
LRF(-1) 6.801099 8.10857 0.838754 0.4111
0
LRF(-2) -14.15538 5.90944 -2.395383 0.0260
3
LINF -1.343028 0.63406 -2.118120 0.0463
6
LDM -49.29729 11.9089 -4.139535 0.0005
0
LDM(- 39.04415 9.87095 3.955458 0.0007
1) 5
C -25.38007 15.1156 -1.679055 0.1080
9
(R²=0.8727) ; (F-statistic = 13.08 Proba=0.0000)
(SIC=5.002724)
Schwarz Criteria (top 20 models)
4.92
4.88
4.84
4.80
4.76
4.72
ARDL(2, 2, 2, 0, 1)
ARDL(2, 1, 2, 0, 1)
ARDL(3, 2, 2, 0, 1)
ARDL(4, 4, 4, 0, 1)
ARDL(3, 4, 4, 0, 1)
ARDL(3, 1, 2, 0, 1)
ARDL(2, 2, 2, 0, 2)
ARDL(4, 1, 2, 0, 1)
ARDL(2, 2, 2, 1, 1)
ARDL(2, 3, 2, 0, 1)
ARDL(3, 2, 0, 0, 1)
ARDL(2, 2, 3, 0, 1)
ARDL(2, 1, 2, 0, 2)
ARDL(3, 4, 0, 0, 1)
ARDL(2, 1, 3, 0, 1)
ARDL(4, 2, 2, 0, 1)
ARDL(3, 4, 2, 0, 1)
ARDL(2, 1, 2, 1, 1)
ARDL(3, 1, 0, 0, 1)
ARDL(3, 2, 2, 1, 1)
Fig. 1. Le graphique du critère d’information Schwarz (SIC).
Ce graphique présente vingt meilleurs modèles selon le critère d’information Schwarz, le modèle ARDL
(2, 2, 2, 0, 1) correspond à la plus petite valeur de SIC.
Tableau 3. Autocorrélation des résidus.
Autocorrelation Partial Correlation AC PAC Q-
Stat Prob*
1 0.05... 0.05... 0.122... 0.72...
2 0.02... 0.01... 0.137... 0.93...
3 -0.0... -0.0... 0.264... 0.96...
4 -0.1... -0.1... 1.575... 0.81...
5 -0.1... -0.1... 3.051... 0.69...
6 0.07... 0.09... 3.264... 0.77...
7 -0.1... -0.1... 4.237... 0.75...
8 -0.1... -0.1... 5.041... 0.75...
9 0.05... 0.01... 5.166... 0.81...
10 0.03... 0.01... 5.220... 0.87...
11 -0.0... -0.1... 5.324... 0.91...
12 -0.0... -0.2... 5.781... 0.92...
13 -0.0... -0.1... 6.057... 0.94...
14 -0.1... -0.1... 7.078... 0.93...
15 0.07... -0.0... 7.417... 0.94...
16 0.12... -0.0... 8.396... 0.93...
*Probabilities may not be valid for this equation specification.
Les résultats de ce test suggèrent fortement qu'il n'y a aucune preuve d'autocorrélation dans les résidus
du modèle, ce qui primordiale pour la poursuite de nos estimations. Car s’il y a une autocorrélation des
erreurs, les estimations des paramètres ne seront pas cohérentes, en raison des valeurs décalées de la
variable dépendante qui apparaissent comme des variables explicatives dans le modèle.
Tableau 4. ARDL Bounds test
Test Valeur K
statistique
F-statistique 6.7319139 4
Tableau 5. Les valeurs critiques bounds
Signification Borne I0 Borne
I1
10% 2.2 3.09
5% 2.56 3.49
2.5% 2.88 3.87
1% 3.29 4.37
Au niveau de ce test, nous faisons référence aux valeurs critiques asymptotiques énoncées par Narayan.
P.K (2005).
Les résultats de la procédure « bounds test » ci-dessus montrent que la statistique de Fisher
(F=6.7319139) est supérieure à la borne supérieure pour les différents seuils de significativité. Donc nous
rejetons l’hypothèse H0 d’absence de relation de long terme et nous concluons à l’existence d’une
relation de long terme entre les différentes variables.
Tableau 6. Le test ARDL de Cointégration et la forme de long terme
Variables Coefficients Std. T- Prob
Error Statistics
D(y(-1)) 0.288366 0.106111 2.717589 0.012
9
D(LDP) -72.458757 8.920552 - 0.000
8.122677 0
D(LDP(-1)) 20.296514 10.52944 1.927596 0.045
5 7
D(LFR) 6.645660 4.981910 1.333958 0.196
5
D(LRF(-1)) 14.265365 4.477866 3.192435 0.004
4
D(LINF) -1.146538 0.442263 - 0.017
2.592435 0
D(LDM) -49.550317 7.610007 - 0.000
6.511205 0
CointEq(-1) -1.42900 0.194268 - 0.000
7.355810 0
CointEq= y - (-33.7638*LDP - 0.412053*LRF - 0.965223*LINF -
7.368848*LDM -18.2404)
On désigne par D la différence première des variables considérées. Le terme CointEq(-1) correspond
au résidu retardé issu de l’équation d’équilibre de long terme . Son coefficient estimé est négatif et
largement significatif, confirmant ainsi l’existence d’un mécanisme à correction d’erreur. Ce coefficient,
qui exprime le degré avec lequel la variable y (taux de croissance) sera rappelée vers la cible de long
terme, est estimé de -1.429 pour notre modèle ARDL, traduisant ainsi un ajustement à la cible de long
terme relativement rapide.
Les résultats de court terme montrent que le taux de croissance dépend positivement de sa valeur
passée et qu’il y a un impact négatif des dépenses publiques sur la croissance économique, mais les
dépenses publiques de l’année t-1 ont un impact positif sur la croissance économique de l’année t. La
variable RF ne semble pas avoir un effet de court terme sur la croissance économique, tandis que la
variable RF retardée d’une année a un impact positif sur la croissance économique.
Tableau 7. Coefficients de long terme
Variabl Coefficients Std. Error T- Prob.
es Statistics
LDP -33.763833 14.681931 - 0.0038
2.299686
LRF -0.412053 -0.169746 - 0.8668
0.169746
LINF -0.965223 -1.990346 - 0.0497
1.990346
LDM -7.368848 -1.602565 - 0.1240
1.602565
C -18.240448 -1.691827 - 0.1055
1.691827
La normalisation par rapport à la variable Y permet de réécrire l’équation de long terme
sous la forme : Y= -33.7638*LDP + 0.412053*LRF + 0.965223*LINF +
7.368848*LDM + 18.2404
Ces résultats montrent qu’il y a une relation négative entre les dépenses publiques et la croissance
économique à long terme.
2.3 TESTS DE ROBUSTESSE
Des tests de diagnostic ont été réalisés pour évaluer la robustesse de notre modèle: Le test du
multiplicateur de Lagrange pour l’autocorrélation des résidus, le test de la forme fonctionnelle de Ramsey
(RESET), le test de JarqueBera pour la normalité des résidus et un test d’homoscédasticité. Ci-dessous les
résultats de quelques tests qui montrent que les résidus présentent toutes les propriétés recherchées.
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
94 96 98 00 02 04 06 08 10 12 14
CUSUM of Squares 5% Significance
Fig. 2. Test de robustesse « CUSUM of Square »
2 100 120
0.8 50
80
0
1
-50 40
0.4
-100
0
0 -150
0.0 -40
-1 -
0.4
-2 -
0.8
80 -80
-3 -40
0 10
40 -120
5 - - -80
94 96 98 1.2 94 96 98 20 94 96 98 94 96 98 00
00 02 04 00 02 04 0 00 02 04 02 04 06 08
0 06 08 10 06 08 10 06 08 10 10 12 14
12 14 12 14 12 14
Recursive C(4) Estimates
± 2 S.E.
-5 Recursive C(1) Estimates
± 2 S.E.
Recursive C(2) Estimates
± 2 S.E.
Recursive C(3) Estimates
± 2 S.E.
100
40
-10 60 75
20 40 50
-15 94 96 98 00
94 96 98 94 96 98 94 96 98 02 04 06 08
20 25
00 02 04 00 02 04 00 02 04 10 12 14
0
06 08 10 06 08 10 06 08 10
0 12 14 0
12 14 12 14 Recursive C(8) Estimates
± 2 S.E.
Recursive C(5) Estimates
± 2 S.E.
-20 Recursive C(6) Estimates
± 2 S.E.
-20 Recursive C(7) Estimates
± 2 S.E.
-25
-40 -50
-40
-60
94 96 98 00
-60 02 04 06 08
94 96 98 94 96 98 94 96 98 10 12 14
00 02 04 00 02 04 00 02 04
06 08 10 06 08 10 06 08 10 1,0
12 14 12 14 12 14 00
16
0 750
0
12 500
0
-40 250
80
0
-80 40
-
0 250
-
-40 -
12
500
0
-80
-
- 12
16 0
0
Recursive C(9) Estimates Recursive C(10) Estimates Recursive C(11) Estimates Recursive C(12) Estimates
± 2 S.E. ± 2 S.E. ± 2 S.E. ± 2 S.E.
Fig. 3. Test de robustesse « Recursive »
3 CONCLUSION
Les résultats des estimations des relations de long terme obtenus, dans le cadre de la spécification
utilisé, conduisent à conclure qu’il y a un impact négatif des dépenses publiques sur la croissance
économique. Les résultats de court terme montrent qu’il y a un impact négatif des dépenses publiques sur
la croissance économique, mais les dépenses publiques de l’année t-1 ont un impact positif sur la
croissance économique de l’année t.
Ces résultats peuvent être expliqués par le caractère improductif des dépenses publiques marocain et
une structure caractérisée par l’alourdissement de la charge de la dette, de la compensation et du poids de
la masse salariale à cause des pressions structurelles et conjoncturelle. La mise en œuvre du programme
d’ajustement structurel, qui a eu comme effet une baisse radicale des dépenses publiques et
principalement celles d’investissement, n’a pas été en faveur de la croissance économique. Les réductions
des dépenses publiques, ont surtout porté sur les dépenses destinées à l'investissement, alors
que les dépenses de fonctionnement sont constamment considérées comme incompressibles 1. Ce résultat
s’explique aussi par le gaspillage et la mauvaise gouvernance des dépenses publiques qui évince
l'investissement privés, une composante essentielle de la dépense privée qui, en chutant, entravaient le
processus de croissance à long terme de l'économie marocaine.
Ce travail s’est intéressé à la modélisation de la relation entre les dépenses publiques et la croissance
économique. Nous avons appliqué la méthode d’estimation ARDL pour modéliser la dynamique de long
terme et de court terme de l’impact du montant total des dépenses publiques sur le taux de croissance au
Maroc.
Les résultats des estimations des relations de long terme obtenus, dans le cadre de la spécification
utilisé, conduisent à conclure qu’il y a un impact négatif des dépenses publiques sur la croissance
économique. Ces résultats s’expliquent essentiellement par le caractère improductif des dépenses
publiques et une structure caractérisée par l’alourdissement de la charge de la dette, de la compensation et
du poids de la masse salariale.
La politique budgétaire marocaine ne devrait pas être considérée comme un simple exercice comptable
où les dépenses sont ajustées aux recettes. Mais elle devrait œuvrer sur la rationalisation des dépenses
publiques, l’encouragement des dépenses productives, la lutte contre le gaspillage des dépenses et une
optimisation des recettes fiscales. En fait, il faut conduire une politique budgétaire efficiente qui prend en
considération l’impact de la structure des dépenses publiques sur la croissance économique.
