Unité de Formation et de Recherche en Sciences et

Technologies (UFR/ST)
NIVEAU D’ÉTUDES : LICENCE
MENTION : I NGÉNIERIE S TATISTIQUES -É CONOMIE

RAPPORT DE STAGE

M ODÉLISATION ET PRÉVISION DE LA DESSERTE AÉRIENNE

À L’ AÉROPORT INTERNATIONAL DE O UAGADOUGOU

TRAORE Walid Idriss

Période de stage : 22 juillet au 20 septembre 2024.

Maître de stage : Monsieur OUOBA Dialini
Tuteur universitaire : Docteur Yaya KY
Lieu de stage : ANAC-BF.

 
Année académique 2023 - 2024 

DÉDICACE

À mes très chers parents !

1
 REMERCIEMENTS

Ce rapport est le fruit des efforts conjugués de plusieurs personnes aussi bien physiques que
morales envers lesquels nous ne cesserons d’être reconnaissants. Nous tenons à remercier :
❁ D’abord, l’ensemble des responsables de la filière LIME-LISE ainsi que les
responsables de l’Université Thomas SANKARA en général pour les efforts fournis
concernant notre formation.

❁ Ensuite, l’Agence Nationale de l’Aviation Civile (ANAC) et plus particulièrement

Monsieur OUOBA, chef du Service des Etudes Economiques (SEE) ainsi que Monsieur
VALÉAN, ingénieur statisticien économiste à l’Agence Nationale de l’Aviation
Civile (ANAC) et Docteur YAYA KY, mon tuteur universitaire pour nous avoir
accueillisà bras ouverts et n’avoir ménagé aucun effort pour la finalisation de ce
rapport.
❁ Et enfin, tous mes camarades, sans oublier tous ceux qui ont contribué de près ou de
loin, d’une manière ou d’une autre, à la finalisation de notre travail.

2
 RÉSUMÉ

Le Burkina Faso, pays enclavé d’Afrique de l’Ouest, dépend du transport aérien pour son
désenclavement et ses échanges internationaux. L’Aéroport International de Ouagadougou (AIO)
concentre plus de 98 % des activités aériennes nationales, tant pour les passagers que pour le fret.
Cette étude a analysé la structure du transport aérien à l’AIO, suivi l’évolution des flux de
passagers et de fret, et réalisé des prévisions à l’aide de modèles statistiques robustes. Entre 2021
et 2023, le trafic aérien de passagers à l’AIO a enregistré une croissance moyenne annuelle de
13,61 %, atteignant 648 835 passagers en 2023. Parallèlement, le fret affiche une tendance
générale à la baisse, reflétant des défis structurels dans ce segment.
Les analyses reposent sur des modèles de séries temporelles, notamment
SARIMA, permettant d’intégrer des composantes saisonnières et des tendances à long terme.
Les résultats montrent une augmentation attendue du trafic de passagers et de fret dans les
années à venir. Cependant, la progression du secteur aérien burkinabé nécessite des
investissements importants, notamment dans les infrastructures. Le nouvel aéroport en
construction est perçu comme une
réponse stratégique à ces défis, offrant des opportunités pour améliorer la connectivité
internationale et soutenir le développement économique du pays.
En conclusion, cette étude souligne l’importance du transport aérien comme vecteur clé de
potentiel.
développement au Burkina Faso et l’urgence d’initiatives structurantes pour en optimiser le

3
 LISTE DES ABRÉVIATIONS

ACF Auto-Corellation Fonction

ADF Added Dickey Fuller
AIB Aéroport International de Bobo Dioulasso
AIO Aéroport International de Ouagadougou
ANAC Agence Nationale de l’Aviation Civile
ARIMA Auto Regressive Integrated Mooving Average
CID Cellule Informatique et Documentation
DAAN Délégation aux Activités Aéronautiques Nationales
DAFC Direction de l’Administration, des Finances et de la Comptabilité
DANAS Direction des Aérodromes, de la Navigation Aérienne et de la Sûreté
DEA Direction de l’Exploitation des Aéronefs
DTA Direction du Transport Aérien
IGQSS Inspection Gestion de la Qualité, de la Sécurité et de la sûreté
MAPE Mean Absolute Percentage Error
OACI Organisation de l’Aviation Civile Internationale
PACF Partial Auto-Corellation Fonction
SEE Service des Etudes Economiques

4
 TABLE DES MATIÈRES

DÉDICACE 1

Remerciements 2
Résumé3Liste des abréviations4Introduction1

1 Présentation de la structure d’accueil (Agence Nationale de l’Aviation Civile) 4

Présentation de la structure d’accueil (Agence Nationale de l’Aviation Civile)4
1.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Mission . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Organigramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Le Conseil d’Administration . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 La Direction Générale . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Service accueillant le stagiaire (DTA) . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Travaux réalisés durant le stage . . . . . . . . . . . . . . . . . . . . . 7

2 Définition des concepts revue de littérature 9

2.1 Définition de concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Revue de littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3 analyse descriptive du transport aérien 12

3.1 Choix de l’aéroport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.3 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.1 Évolution mensuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.2 Évolution annuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Logiciels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

5
4 Méthodes statistiques 16
4.1 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Concepts de base des séries temporelles . . . . . . . . . . . . . . . . . . . . . 16
4.2.1 Série temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2.2 Opérateur de décalage L et opérateur de différence ∆ . . . . . . . . . . 17
4.3 Analyse de la stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3.1 Étude de la fonction d’autocorrélation et du corrélogramme . . . . . . 18
4.4 Identification du processus générateur de la série . . . . . . . . . . . . . . . . 19
4.5 Les modèles AR, MA, ARMA, ARIMA et SARIMA . . . . . . . . . . . . . . 21
4.5.1 Le modèle Auto Régressif (AR) . . . . . . . . . . . . . . . . . . . . . 21
4.5.2 Le modèle Moving Average : moyenne mobile (MA) . . . . . . . . . . 21
4.5.3 Le modèle ARMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.4 Le modèle ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.5 Le modèle SARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.6 Méthode de Box et Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.7 Autres statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.7.1 Test de normalité : le test de Kolmogorov-Smirnov . . . . . . . . . . . 22
4.7.2 Test de Kruskal-Wallis . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.7.3 Test d’hétéroscédasticité : le test de White . . . . . . . . . . . . . . . . 23

5 Présentation des résultats 25

5.1 Traitement de la base de données . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Analyse des séries chronologiques . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2.1 La variable pax_dep . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2.2 La variable pax_arr . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.3 La variable fret_dep . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2.4 La variable fret_arr . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.3 Limites de l’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
 LISTE DES TABLEAUX

3.1 Moyennes mensuelles des variables . . . . . . . . . . . . . . . . . . . . . . . 14

5.1 prevision du nombre de passagers à l’arrivée . . . . . . . . . . . . . . . . . . . 27

5.2 Prévisions du nombre de passagers à l’arrivée . . . . . . . . . . . . . . . . . . 29
5.3 Prévisions du fret au départ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.4 Données mensuelles pour les années 2024-2026 . . . . . . . . . . . . . . . . . 32
5.5 Tableau de Synthèse des modèles . . . . . . . . . . . . . . . . . . . . . . . . . 33
5.6 Donnés annuelles du trafic aérien . . . . . . . . . . . . . . . . . . . . . . . . . V
5.7 Caption . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
5.8 Passenger and Freight Data 2012-2014 . . . . . . . . . . . . . . . . . . . . . . VII

7
 TABLE DES FIGURES

1.1 ORGANIGRAMME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3.1 Évolution du nombre total de passagers à l’AIO et l’AIB ......................................... 12

3.2 Évolution comparée du fret à l’Aéroport International de Ouagadougou (AIO)
et l’Aéroport International de Bobo Dioulasso (AIB)................................................ 12
3.3 Représentation graphique du nombre de passagers à l’arrivée et au départ ............... 14
3.4 Évolution fret mensuelle du fret à l’arrivée et au départ ............................................ 14
3.5 Représentation de l’évolution du nombre annuel de passagers .................................. 15
3.6 Représentation de l’évolution annuelle du fret .......................................................... 15

5.1 Évolution du nombre de passagers au départ ............................................................. 26

5.2 Nombre de passagers à l’arrivée ................................................................................ 27
5.3 Évolution du fret sortant ............................................................................................ 29
5.4 Évolution du fret à l’arrivée ....................................................................................... 31
5.5 Capture d’écran lors de l’utilisation de Rstudio ......................................................... IV
5.6 Capture d’écran lors de l’utilisation de LATEX ...........................................................V
5.7 PACF des résidus de la Variable pax_arr................................................................... VI
5.8 ACF des résidus fret_dep ........................................................................................... VI
5.9 PACF des résidus de fret_dep ..................................................................................... VI

8
 INTRODUCTION

Le Burkina Faso, un pays enclavé, est situé au cœur de l’Afrique de l’Ouest. Il fait partie des
quatorze (14) États africains sans littoral maritime et est situé à plus de mille (1 000) kilomètre
de la mer, entraînant souvent des coûts très élevés pour le transport de matériels et de mar-
chandises. Des différents moyens de transport, le transport aérien joue un rôle important dans
l’économie du pays. Il favorise le désenclavement et la réalisation des échanges internationaux
par un moyen sûr et ordonné, dans des délais réduits d’un bout à l’autre du monde.
Le transport aérien est assuré par une dizaine de compagnies qui desservent des destinations
domestiques, régionales et internationales. Les principaux aéroports, les aéroports internatio-
naux de Ouagadougou et de Bobo-Dioulasso, relient le Burkina Faso à d’autres destinations
d’Afrique, d’Europe, du Moyen-Orient et d’Amérique.
L’aéroport international de Ouagadougou est le principal point d’entrée aérien du pays.
Il joue un rôle crucial dans le transport aérien de passagers et de fret. Selon les données de
l’Agence Nationale de l’Aviation Civile (ANAC), le trafic aérien de passagers de l’aéroport in-
ternational de Ouagadougou a connu une croissance annuelle moyenne de 13,61%, passant de
441 835 passagers en 2021 à 648 835 passagers en 2023. Quant à celui de Bobo-Dioulasso, le
trafic aérien de passagers a connu une progression moyenne annuelle de 34,64%, passant de 20
676 passagers en 2021 à 50 470 passagers en 2023.
Par ailleurs, selon les données du Ministère des Infrastructures et du Désenclavement, dans
son «Tableau de bord statistique 2022 des infrastructures de transport», 94,8% des routes com-
munautaires 1 sont bitumées mais seulement 38,2% sont en bon état. En outre avec la situation
sécuritaire de plus en plus inquiétante cette dernière décennie, le réseau routier en plus d’être
en mauvais état devient dangereux. Au regard de cette situation, le transport aérien pourrait
constituer une solution à court et même à long terme pour les déplacements internes ainsi que
pour les échanges commerciaux sur les grandes distances.
1. Ce sont les routes qui relient les communes

1
 Au regard de la forte concurrence sur le marché de transport aérien, de l’augmentation des
échanges commerciaux et touristiques et des enjeux politiques de la décennie, il est essentiel de
comprendre et de modéliser les dynamiques de la desserte aérienne du Burkina Faso. D’où la
nécessité de cette étude afin de comprendre les fluctuations du nombre de passagers et des vo-
lumes de fret ainsi que les tendances sur le marché de transport aérien. Par ailleurs, la question
du transport aérien comporte plusieurs composantes dissociables, notamment financière, poli-
tique, économique et nécessite des investissements lourds en infrastructures. Face à ces défis,
la question centrale de cette étude est : Comment modéliser et prévoir efficacement la des-
serte aérienne à l’aéroport international de Ouagadougou afin de garantir une réponse adéquate
aux fluctuations de la demande ? Cette problématique soulève plusieurs enjeux, notamment la
nécessité de développer des outils de prévision adaptés qui tiennent compte des variables éco-
nomiques et des tendances passées.
C’est ainsi que la présente étude se fixe pour objectif principal de réaliser une prévision du
transport aérien de passagers et de fret de l’aéroport international de Ouagadougou.
Cet objectif principal a été scindé en trois (03) objectifs spécifiques, à savoir :
– présenter la structure du transport aérien de l’aéroport international de Ouagadougou ;

– présenter la dynamique de la croissance du transport aérien de passagers et de fret ;

– faire une prévision du trafic aérien de passagers et de fret.

Les objectifs visés par la présente étude reposent sur des hypothèses qu’il convient de men-
tionner :

• Hypothèse 1 :Les séries temporelles de passagers et de fret montrent une

composante saisonnière mensuelle significative;

• Hypothèse 2 : Les séries temporelles de passagers ainsi que de fret à l’arrivée

et au départ sont stationnaires après une transformation de box-cox et une
différenciation saisonnière d’ordre 1;
• Hypothèse 3 : Il existe une corrélation significative entre les résidus de la série
et les observations des périodes passées.

Notre étude s’articulera autour de quatre (4) chapitres :

• le premier chapitre est dédié à la définition des concepts clés de l’étude ainsi qu’à la revue
de littérature ;

• dans le second chapitre, une analyse descriptive du transport aérien est faite ;
• le troisième chapitre sera consacré à l’approche méthodologique ;

• le quatrième chapitre sera consacré à l’interprétation des résultats.

 CHAPITRE 1

PRÉSENTATION DE LA STRUCTURE
D’ACCUEIL (AGENCE NATIONALE DE
L’AVIATION CIVILE)

Dans le cadre de notre stage de fin de cycle, nous avons passé deux(2) mois à l’Agence
Nationale de l’Aviation Civile (ANAC), que nous vous présenterons dans cette partie.

1.1 Historique
L’ANAC-BF est une institution administrative indépendante, dotée de la personnalité juri-
dique, de l’autonomie financière et de gestion. Elle a été créée en 2009 par le décret n°2009-
940/PRES/PM/MEF/MT du 31 décembre 2009. Cependant, elle a subi une mutation ultérieure
suite au décret N°2015-788/PRES-TRANS/PM/MIDT/MEF du 02 juillet 2015, qui a modifié
ses attributions, son organisation et son fonctionnement.

1.2 Mission
La mission de l’Agence Nationale de l’Aviation Civile est de participer à l’élaboration de la
politique nationale en matière d’aviation civile et d’en assurer la mise en œuvre et le suivi. À ce
titre, elle est chargée :
✈ d’exécuter la politique de l’État en matière d’aviation civile ;

✈ de veiller à la promotion de l’aviation civile au Burkina Faso ;

4
 ✈ de négocier les accords internationaux dans le cadre des habilitations et mandats spéciaux
conférés par l’État ;

✈ d’élaborer la réglementation technique de l’aviation civile conformément aux normes de

l’Organisation de l’Aviation Civile Internationale (OACI) ;

✈ d’élaborer et de mettre en œuvre la stratégie en matière d’aviation civile et de transport

aérien en application des orientations prioritaires nationales ;

✈ de contrôler l’application de la réglementation nationale en vigueur et des conventions

internationales signées et ratifiées par le Burkina Faso ;

✈ de superviser la sûreté et la sécurité de l’aviation civile ;

✈ de gérer le portefeuille des droits de trafic ;

✈ de coordonner et de superviser l’ensemble des activités aéronautiques ainsi que le suivi

de l’activité des organisations internationales et régionales intervenant dans le domaine
de l’aviation civile ;

✈ de suivre la gestion du patrimoine foncier de l’État affecté à l’aviation civile ;

✈ de suivre et de gérer les engagements de l’État en matière d’aviation civile.

1.3 Organigramme
Établissement public à caractère administratif, l’Agence Nationale de l’Aviation Civile est
placée sous la tutelle du Ministère de l’Administration Territoriale et de la Mobilité (MATM).
Elle est dirigée par un directeur général et se divise en deux organes :
✈ le Conseil d’Administration ;

✈ la Direction Générale.

1.3.1 Le Conseil d’Administration

Le Conseil d’Administration oriente les activités de l’ANAC. Il est chargé aussi d’approuver
des documents qui lui sont soumis, des documents tels que le budget, les comptes financiers, le
rapport d’activités et bien d’autres. Le Conseil d’Administration est dirigé par un président et
ses membres sont nommés par décret pris en Conseil des Ministres.

1.3.2 La Direction Générale

La Direction Générale constitue l’organe d’exécution des décisions du Conseil d’Adminis-
tration. Elle est placée sous l’autorité d’un Directeur Général, nommé par décret pris en Conseil
des Ministres. Elle est composée de quatre directions :

✈ la Direction de l’Exploitation des Aéronefs (DEA)

✈ la Cellule Informatique et Documentation (CID)

✈ la Direction des Aérodromes, de la Navigation Aérienne et de la Sûreté (DANAS)

✈ la Direction de l’Administration, des Finances et de la Comptabilité (DAFC)

✈ l’Inspection Gestion de la Qualité, de la Sécurité et de la sûreté (IGQSS)

✈ la Direction du Transport Aérien (DTA) : qui est la direction qui nous a accueillis durant
les deux (2) mois de stage.

F IGURE 1.1 – ORGANIGRAMME

1.4 Service accueillant le stagiaire (DTA)
La Direction du Transport Aérien (DTA) est composée de deux services :
– le Service Règlementation du Transport Aérien (SRTA) chargé des affaires juridiques

– le Service des Etudes Economiques (SEE), celui qui nous a accueillis durant ce stage, a
pour mission :

• d’étudier et de soumettre pour approbation les programmes de vols des compagnies

aériennes ;

• d’apprécier les tarifs proposés et évaluer leur impact sur l’évolution du transport
aérien ;

• de collecter et de traiter les données statistiques relatives au transport aérien ;

• d’assurer l’établissement des prévisions de trafic aérien ;

• d’assurer la coordination et le contrôle des activités des compagnies aériennes ;

• de réaliser des études de tarification applicables aux taxes et redevances fixées par
l’ANAC et de surveiller la tarification pratiquée par les différents exploitants du
secteur du transport aérien ;

• d’étudier et de proposer les tarifs des redevances aériennes et domaniales ;

• d’examiner le volet économique des demandes d’agréments de transport aérien, de

travail aérien et de l’assistance en escale ;

• de contribuer aux préparations des accords aériens ;

• de contribuer à l’élaboration des stratégies nationales de négociation d’accords bi-

latéraux et multilatéraux ;

• de mener les études sur la contribution du secteur aérien et son impact dans l’éco-
nomie nationale.

• de réaliser ou faire réaliser les analyses prospectives et les études économiques sur
l’évolution technique et socio-économique de l’aviation civile pour une meilleure
visibilité et maîtrise du secteur ;

• d’élaborer des plans de développement du transport aérien.

1.4.1 Travaux réalisés durant le stage
Durant le stage, nous avons eu l’opportunité de participer à plusieurs activités, qui nous ont
permis d’acquérir de nouvelles compétences et d’approfondir notre compréhension du métier
de statisticien.
D’abord, nous avons effectué une immersion dans chacune des directions au sein l’ANAC.
Ensuite, avec Monsieur OUOBA, chef du Service des Études Économiques, nous avons
contribué à l’élaboration d’une base de données concernant les vols domestiques du premier
semestre de l’année 2024 destinée à l’Institut National de la Statistique et de la Démographie
(INSD).
Enfin, nous avons été impliqué dans le processus d’approbation du programme de vols Hiver
2024-2025 et participé à des réunions connexes.
Ces différentes activités que nous avons menées ont contribué à notre compréhension du
monde professionnel et à avoir une meilleure vision des opérations du SEE, de la DTA et de
l’ensemble des directions de l’ANAC.

CHAPITRE 1. PRÉSENTATION DE LA STRUCTURE D’ACCUEIL (AGENCEPage 8

NATIONALE DE L’AVIATION CIVILE)
 CHAPITRE 2

DÉFINITION DES CONCEPTS REVUE DE

LITTÉRATURE

2.1 Définition de concepts

Avant de commencer, nous jugeons nécessaire de faire une mise à niveau en définissant
quelques termes qui seront employés dans la suite :
– Passager : désigne ici une personne qui utilise les services d’une compagnie aérienne
pour effectuer un déplacement.

– Fret : fait référence à la quantité de marchandises transportée à partir ou vers l’aéroport

de Ouagadougou.

– Aéroport : est un ensemble d’infrastructures destinées au trafic aérien commercial de

passagers ou de fret aérien ainsi qu’à toutes les activités commerciales et administratives
(vente de billets, douane, etc.) qui s’y rattachent.

2.2 Revue de littérature

Une grande variété de modèles a été utilisée dans la prévision du transport aérien. En pre-
mier lieu, nous avons le modèle Auto Regressive Integrated Mooving Average (ARIMA). En
effet, dans leur article "Time series forecasts of international travel demand for australia. Tou-
rism Management", Lim and McAleer (2002) proposent un modèle univarié de Box-Jenkins

9
ARIMA, pour prédire le nombre de touristes en provenance de Hong Kong, Malaisie et Sin-
gapour pour l’Australie. L’étude empirique est réalisée sur les données de 1975 à 1989. Pour
obtenir un bon modèle, les auteurs commencent par analyser puis corriger la stationnarité et les
effets saisonniers. Par la suite, la précision de la prévision est mesurée par la racine de l’erreur
quadratique moyenne (RMSE). Le meilleur modèle de prévision ARIMA est donc celui qui mi-
nimise le RMSE. Une fois ce dernier sélectionné, il est utilisé pour obtenir des prévisions hors
échantillon. Pour ce faire Lim and McAleer (2002) utilisent les données entre 1990 et 1996
et les comparent à celles du meilleur modèle ARIMA de chacun des marchés d’origine. Les
résultats montrent que le modèle de prévision ARIMA des arrivées touristiques de Singapour
pendant la période 1990 - 1996 est bon. Le modèle qu’ils ont proposé dans un premier temps
est un modèle ARIMA simple pour la prévision du flux annuel de passagers aériens à l’aéroport
de Reggio Calabria en Italy. Ensuite, ils ont intégré deux variables supplémentaires que sont le
PIB et les mouvements d’aéronefs pour en faire ainsi un modèle ARIMAX. Il en ressort que le
modèle avec les variables exogènes (ARIMAX) capture mieux les tendances.
L’article des docteurs François Bourguignon et Pierre-Emmanuel Darpeix (2016) explore
la relation entre la croissance économique (mesurée par le PIB) et l’augmentation du trafic aé-
rien. Les auteurs ont analysé des données provenant de plusieurs pays, en se concentrant sur les
économies européennes et émergentes. Ils ont trouvé que l’élasticité du trafic aérien par rapport
au PIB est d’environ 1,3%. Cela signifie qu’une augmentation de 1% du PIB entraîne une aug-
mentation de 1,3% du trafic aérien. Les auteurs soulignent que cette relation est relativement
stable dans le temps et l’espace, ce qui indique une forte corrélation entre le développement
économique et l’augmentation du trafic aérien. Ils discutent également des implications de ces
résultats pour les politiques publiques et les investissements dans les infrastructures de trans-
port aérien. Nous pouvons ainsi affirmer que les variables macroéconomiques telles que le PIB
pourraient constituer des variables pertinentes dans nos prévisions du transport aérien.
De plus, l’Organisation de l’Aviation Civile Internationale (OACI) dans son document Ma-
nual on Air Trafic Forecasting (2006) recense les méthodes de prévision du trafic aérien dans le
but de faciliter la prévision à court et à long terme. Nous y retrouvons les modèles de machine
learning, des techniques de décomposition ainsi que des modèles de séries temporelles avec des
applications concrètes pour le cas de l’Inde, la Tunisie et les Etats-Unis.
Une application du modèle EMD-SARIMA présent dans le manuel de l’Organisation de
l’Aviation Civile Internationale (OACI) a été réalisé en Chine par les Dr Wei Nai et shaoyin
wang ainsi que les Pr Lu Liu et Decun dong. Dans leur article "An EMD–SARIMA-Based
Modeling Approach for Air Traffic Forecasting" (2017), ils ont montré que bien vrai que le
modèle SARIMA arrive à capturer les variations saisonnières dues aux évènements périodiques
(vacances et autres évènements saisonniers) mais la combinaison de la décomposition EMD et
le modèle SARIMA sont bien meilleurs.

CHAPITRE 2. DÉFINITION DES CONCEPTS REVUE DE LITTÉRATUREPage 10

 Dans leur article intitulé ’Forecasting the number of airlines passengers using Holt-Winte’s
exponential smoothing method an extreme machine Learning (EML) method’ Rochdi Wasono,
Yulia Fitri, M. Al Haris font une comparaison entre la méthode de Holt-Winter et la méthode
EML. Leur étude a porté sur les données de l’aéroport Ahmad Yani International Airport de
janvier 2012 à décembre 2022. Il en ressort que les deux modèles sont bons pour cette prévision.
Cependant, la méthode de Holt-Winter a une MAPE légèrement supérieure à celle de la méthode
EML.

CHAPITRE 2. DÉFINITION DES CONCEPTS REVUE DE LITTÉRATUREPage 11

 CHAPITRE 3

ANALYSE DESCRIPTIVE DU
TRANSPORT AÉRIEN

3.1 Choix de l’aéroport

L’aéroport international de Ouagadougou constitue le principal point d’entrée aérien du
pays. Il reçoit plus de 98% du trafic non seulement de passagers, mais aussi de fret sur le
plan national, régional et international.

F IGURE 3.1 – Évolution du nombre total de passagers à l’AIO et l’AIB

F IGURE 3.2 – Évolution comparée du fret à l’Aéroport International de Ouagadougou (AIO) et

l’Aéroport International de Bobo Dioulasso (AIB)

12
 La différence est flagrante mais ce n’est pas la raison pour laquelle nous avons choisi cet
aéroport. Notre choix s’est basé tout simplement sur la disponibilité des données.

3.2 Présentation des données

Les données dont nous disposons pour notre étude sont les données mensuelles et annuelles
sur les passagers de l’aéroport international de Ouagadougou. Elles ont été collectées par la
Délégation aux Activités Aéronautiques Nationales (DAAN) sur la période de Janvier 2012 à
Juin 2024 pour les donnés mensuelles et de 2003 à 2023 pour les donnés annuelles. La DAAN
collecte les données au près des compagnies et les reverse à l’ANAC qui est l’autorité de régu-
larisation de l’aviation civile au Burkina Faso.
Notre base de données mensuelles est composée de quatre variables :
– la variable pax_arr : il s’agit du nombre de passagers à l’arrivée à l’aéroport international
de Ouagadougou. Sa plus grande valeur est de 30 276 en juillet 2023 et la plus petite de
115 passagers observés en mars 2020.

– la variable fret_arr : elle désigne la quantité mensuelle en kilogramme de marchandises

arrivant à l’aéroport. En moyenne, nous avons 554 306,313 kilogrammes de marchan-
dises arrivant par mois, avec un minimum de 87 362 kilogrammes en janvier 2022 et un
maximum de 1 053 933 kilogrammes en juin 2019.

– la variable pax_dep : fait référence au nombre de passagers quittant l’aéroport chaque

mois. En moyenne, nous avons 18 729 passagers par mois quittant Ouagadougou, avec
un maximum de 32 294 passagers en juillet 2019 et un minimum de 357 passagers en
avril 2020.

– la variable fret_dep : elle désigne la quantité mensuelle de marchandises quittant l’aéro-

port. En moyenne, nous avons 173 954 kilogrammes de marchandises expédiées par mois
quittant Ouagadougou, avec un maximum de 931 552 kilogrammes en mai 2013 et un
minimum de 32 119 kilogrammes en septembre 2015.

CHAPITRE 3. ANALYSE DESCRIPTIVE DU TRANSPORT AÉRIEN Page 13

3.3 Statistiques descriptives

3.3.1 Évolution mensuelle

F IGURE 3.3 – Représentation graphique du nombre de passagers à l’arrivée et au départ

Nous pouvons constater une évolution semblable du nombre de passagers à l’arrivée et au

départ avec une légère dominance du nombre de passagers au départ.

F IGURE 3.4 – Évolution fret mensuelle du fret à l’arrivée et au départ

Le fret est fortement dominé par le fret entrant.

MOYENNE pax_arr fret_arr pax_dep fret_dep

janvier 16 924 506257,8 19 097 233084,2
frevrier 16 663 555763,3 17 394 284835,8
mars 15 480 545137,6 18 971 259609,6
avril 14 091 565839,9 15 345 255323,7
mai 14 977 595395,3 15 979 293796,8
juin 16 502 577556,4 17 428 136481,3
juillet 20 584 564624,5 20 941 94811,25
aout 19 417 501723,1 21 644 81271,58
septembre 18 772 480572,4 20 410 75576,58
octobre 19 364 586262,6 18 361 95977,42
novembre 18 431 595859,9 18 175 121932,1
decembre 20 856 540802 18 365 181148,3
TABLE 3.1 – Moyennes mensuelles des variables

3.3.2 Évolution annuelle

L’évolution annuelle nous permettra d’avoir une vision un peu plus large de l’évolution.

CHAPITRE 3. ANALYSE DESCRIPTIVE DU TRANSPORT AÉRIEN Page 14

 F IGURE 3.5 – Représentation de l’évolution du nombre annuel de passagers

Nous constatons une grande similitude au niveau de l’allure des trois courbes. Cependant,
le transit reste quand même nettement plus bas que les passagers embarqués et débarqués. Nous
constatons aussi une tendance à la hausse avec une baisse significative en 2020 qui correspond
à la pandémie de covid mentionnée ci-dessus.

F IGURE 3.6 – Représentation de l’évolution annuelle du fret

Nous pouvons remarquer sur la figure une tendance à la hausse du fret au départ marquée
par une même baisse significative liée à la pandémie de covid observée ci-dessus. Cependant,
le fret au départ a une tendance stationnaire et même à la baisse et a moins été affectée par la
pandémie. Dans l’ensemble, nous observons que le fret sortant est largement inférieur au fret
entrant.

3.4 Logiciels
Quatre logiciels ont été utilisés dans notre étude.
❶ LATEX utilisé pour la rédaction du rapport.

❷ R utilisé pour la modélisation grâce aux packages pacman, forcast.

❷ Excel : utilisé pour les représentations de l’évolution de chaque variable.

❸ Eviews utilisé pour la stationnarité et le test de Dickey et Fuller Augmenté.

CHAPITRE 3. ANALYSE DESCRIPTIVE DU TRANSPORT AÉRIEN Page 15

 CHAPITRE 4

MÉTHODES STATISTIQUES

4.1 Statistiques descriptives

Les statistiques descriptives jouent un rôle essentiel dans la compréhension et la synthèse
des données dans une étude. Elles permettent de se familiariser avec les données par des for-
mules bien définies. Nous allons donc dans cette section, présenter les indicateurs de tendance
centrale tels que les moyenne, les écart-types et les variances.

4.2 Concepts de base des séries temporelles

4.2.1 Série temporelle

Une série temporelle ou chronologique est une suite d’observations indexées pas le temps
notée yt avec t = 1, ..., T .
Une série chronologique peut être continue si les observations sont mesurées à chaque instant
de temps ou à temps discret si les observations sont mesurées à des points discrets de temps.
De plus, les séries temporelles sont modélisées selon les trois composantes :
1) la tendance : est une fonction représentant le mouvement à long terme de la série étudiée.

2) la saisonnalité : est une fonction périodique de période.

3) le résidu : noté εt , est la variable aléatoire à effet de faible intensité et à courte durée.
Il existe aussi des schémas où la décomposition d’une série temporelle repose :

16
le schéma additif : la variable yt s’écrit sous la forme

yt = zt + st + εt ,t = 1...T

le schéma multiplicatif : la variable yt s’écrit sous la forme

yt = zt st + εt ,t = 1...T

le schéma mixte la variable yt s’écrit sous la forme

yt = zt (1 + st )(1 + εt ),t = 1...T

où zt est la tendance (déterministe) du modèle qui exprime un mouvement à moyen terme de la

série, st la saisonnalité (déterministe) qui exprime un phénomène qui se reproduit de manière
analogue sur chaque intervalle de temps successif et εt les composantes ("erreur du modèle")
aléatoires indépendantes et identiquement distribuées (iid).
Ces schémas sont du modèle déterministe 1

4.2.2 Opérateur de décalage L et opérateur de différence ∆

❂ L’opérateur de retard (Lag operator) noté L permet de décaler ou de retarder la puissance
dans le temps lorsqu’il est placé derrière un processus stochastique 2 .

L(Yt ) = Yt−1
L2 (Yt ) = L[L(Yt )] = L(Yt−1 ) = Yt−2
L p (Yt ) = Yt−p

❂ L’opérateur de différence noté ∆ permet de calculer la différence entre un processus sto-

chastique et sa valeur précédente.

∆Yt = Yt −Yt−1
∆(k)Yt = ∆(∆(k−1)Yt )

1. C’est un modèle qui relève de la statistique descriptive, faisant intervenir le calcul des probabilités et s’écri-
vant sous la forme yt = f (t, εt )
2. est une variable indicée dans le temps Yt

CHAPITRE 4. MÉTHODES STATISTIQUES Page 17

4.3 Analyse de la stationnarité
La stationnarité traduit le fait que les propriétés statistiques d’une série temporelle ne change
pas dans le temps. En d’autres termes elle vise à savoir si la série temporelle comporte une
tendance ou une saisonnarité.
Il y a deux types de stationnarité : la stationnarité stricte et la stationnarité faible.
Une série temporelle yt est dite faiblement stationnaire ou stationnaire de second ordre si et
seulement si :
❁ E(yt ) = E(yt−s ) = µ. C’est-à-dire que l’espérance inconditionnelle est constante et indé-
pendante du temps.

❁ E(yt − µ)2 = E(yt−s − µ)2 = V (yt ) = σy2 . C’est-à-dire que la variance inconditionnelle
est invariable dans le temps.

❁ E[(yt − µ)(yt−s − µ)] = E[(yt− j − µ)(yt−s− j − µ)] = Cov(yt , yt−s )γs . C’est-à-dire que la
covariance entre la date t et la date t − s ne dépend que de l’écart de temps (le retard s)
entre les deux dates (t − t + s).
Une série est strictement stationnaire dans la mesure où elle est faiblement stationnaire et
s’ajoute la propriété de la constante de la distribution de probabilité c’est-à-dire (xt1 , ..., xtk )
et (xt1+h , ..., xtk+h ) sont les mêmes pour tout entier positif k et ∀(t1 , ...,tk ) ∈ T k , h ∈ Z .

4.3.1 Étude de la fonction d’autocorrélation et du corrélogramme

Le coefficient qui mesure la corrélation entre deux composantes de dates différentes est le
coefficient d’autocorrélation. La Fonction d’AutoCorrélation (FAC), notée ρs , est la fonction
qui mesure la corrélation entre la série temporelle et elle-même. Sa formule est :

Cov(yt , yt−s )
∀t : ρyt yt−s = p
V (yt )V (yt−s )

La représentation graphique de la FAC est le corrélogramme.

L’étude du corrélogramme nous permet d’analyser la stationnarité d’une série.
Elle permet d’émettre les hypothèses suivantes :

H : la série est stationnaire.
0
H : la série est non stationnaire.
1

Règle de décision
Si toutes les p − value sont inférieures au seuil α, alors on rejette H0 donc la série est non

CHAPITRE 4. MÉTHODES STATISTIQUES Page 18

stationnaire. Sinon on rejette H1 et la série est stationnaire.
Nous avions aussi l’autocorrélation partielle qui mesure la corrélation entre deux observa-
tions directes de la série sans tenir compte de l’effet des autres observations.
L’étude de la FAC et du corrélogramme permet de savoir si la série est stationnaire ou non
stationnaire.
Nous avons les séries stationnaires :
◆ à mémoire

◆ identiquement et indépendamment distribuée (i.i.d) ou Bruit Blanc ("White Noise") noté

εt ∼ BB(0, σε2 ) vérifiant les propriétés suivantes : E(εt ) = 0, Var(εt ) = σy2 et Cov(εt , εs ) =
0, si t ̸= s.

◆ normalement et indépendamment distribuée (n.i.d) ou Bruit Blanc gaussien

Et les séries non-stationnaires qui sont des séries dont au moins l’une des trois conditions de
stationnarité ne sont pas respectées. Nous avons :
◆ le processus TS (Trend stationary) est une série qui suit en général une tendance déter-
ministe. Il s’écrit sous la forme yt = ft + εt ou ft est une fonction polynômiale du temps.
Il est non-stationnaire car son espérance vaut ft ̸= 0. Nous pouvons la rendre stationnaire
en supprimant la tendance déterministe.

◆ le processus DS (Differency stationary) est une série qui est affectée d’une racine unitaire,
c’est-à-dire, une partie de la non-stationnarité de la série est due par ses propres valeurs
passées. Il est non-stationnaire à cause de sa variance qui est dépendante du temps. Cette
non-stationnarité est aléatoire ou stochastique. Nous pouvons la rendre stationnaire par
l’utilisation d’un filtre aux différences : (1 − D)d yt = β + εt .

4.4 Identification du processus générateur de la série

Les tests de racine unitaire ou "Unit Root Test" sont des tests qui permettent de détecter
non seulement l’existence de non stationnarité mais aussi le type de non-stationnarité. Ses tests
qui permettent l’identification du processus générateur de la série non-stationnaire. Nous avons
entre autres les tests de Dickey-Fuller (1979), les tests de Dickey et Fuller Augmentés, les
tests de Phillips et Perron (1988) et le test KPSS (1992).

❈ Les tests de Dickey-Fuller permettent non seulement la mise en évidence du caractère

CHAPITRE 4. MÉTHODES STATISTIQUES Page 19

 stationnaire mais aussi de déterminer la tendance déterministe ou stochastique.

yt = φ1 yt−1 + εt Modèle autorégressif d’ordre 1. (4.1)

yt = φ1 yt−1 + β + εt Modèle autorégressif avec constante. (4.2)
yt = φ1 yt−1 + βt + c + εt Modèle autorégressif avec tendance. (4.3)

Cela pose les hypothèses suivantes :


H : φ = 1
0 1

1̸ 1
H : φ =
1

Règle de décision : si φ1 = 1, H0 est acceptée et le processus est non stationnaire. Sinon

φ1 ̸= 1, H1 est acceptée et le processus est stationnaire.

❈ Les tests de Dickey et Fuller Augmentés permettent non seulement la mise en évidence
du caractère stationnaire mais aussi de déterminer la tendance déterministe ou stochas-
tique tout en tenant compte que εt n’est pas forcément un bruit blanc.
p
∆yt = φ yt−1 − ∑ ρ j δ yt− j+1 + εt Modèle sans constante ni tendance. (4.4)
j=2
p
∆yt = φ yt−1 − ∑ ρ j δ yt− j+1 + c + εt Modèle avec constante. (4.5)
j=2
p
∆yt = φ yt−1 − ∑ ρ j δ yt− j+1 + c + bt εt Modèle avec constante et tendance. (4.6)
j=2

avec εt ∼ i.i.d.
Avec les résultats obtenus, nous pouvons détecter la nature du processus générateur. En
effet :
✦ Si la tendance est significative et nous avons absence de racines unitaires alors nous
sommes en présence d’un processus TS (Trend Stationary).
✦ Si la constante est significative et nous avons présence de racines unitaires, alors
nous sommes en présence d’un processus DS (Differency Stationary) avec dérive.
✦ Si la constante et la tendance ne sont pas significatives et nous avons présence de
racines unitaires, alors nous sommes en présence d’un processus DS (Differency
Stationary) sans dérive.

CHAPITRE 4. MÉTHODES STATISTIQUES Page 20

4.5 Les modèles AR, MA, ARMA, ARIMA et SARIMA

4.5.1 Le modèle Auto Régressif (AR)

Les premiers processus autorégressifs ont été introduits par George Udny Yule dans [Yul27].
Un processus autorégressif est un processus où l’on écrit une observation au temps t comme une
combinaison linéaire des observations passées plus un certain bruit [Link] formule est :
p
Yt = φ1Yt−1 + φ2Yt−2 + ... + φ pYt−p + εt = ∑ φkYt−k + εt
k=1

où εt ∼ BB(0, σε2 ) un bruit blanc.

On la note AR(p).

4.5.2 Le modèle Moving Average : moyenne mobile (MA)

C’est Eugen Slutzky qui, en 1927, dans son article [Slu27], a introduit pour la première fois
les processus à moyenne mobile. La définition suivante présente ce processus. Sa formule est
q
Yt = c + εt + θ1 εt−1 + θ2 εt−2 + ... + θq εt−q = c + εt + ∑ θk εt−k + εt
k=1

où εt ∼ BB(0, σε2 ) un bruit blanc.

On la note MA(q).

4.5.3 Le modèle ARMA

Le modèle Yt est dit autorégressif moyenne mobile ("Auto-Regressive Moving Average")
noté ARMA(p,q)
p q
Yt = ∑ φkYt−k + εt = Yt = ∑ θk εt−k + εt
k=1 k=1

4.5.4 Le modèle ARIMA

Le modèle Yt est dit autorégressif moyenne mobile intégré ("Auto-Regressive Integrated
Moving Average") noté ARIMA(p,d,q) si ∆d Yt est un ARMA(p,q).

4.5.5 Le modèle SARIMA

Le modèle Yt est dit autorégressif moyenne mobile intégré avec une composante saisonnière
("Seasonal Auto-Regressive Integrated Moving Average") noté SARIMA(p,d,q)(P,D,Q)s si∆d Yt

CHAPITRE 4. MÉTHODES STATISTIQUES Page 21

est un ARMA(p,q). Il permet de prendre en plus en compte la saisonnalité. Elle est éliminée par
différenciation :

(1 − L)d Φ p (L)(1 − Ls )D ΦP (LS )Xt = Θq (L)ΘQ (LS )εt ∀t ∈ Z

avec s la période du processus SARIMA.

4.6 Méthode de Box et Jenkins

1) Identification : est la phase la plus importante et complexe car elle consiste à déterminer
le modèles parmi les modèles de la famille ARIMA. L’étude dus corrélogrammes simple
et partiel nous permet de trouver les paramètres p et q pour le modèle ARMA et p, d et q
pour le modèle ARIMA
① Désaisonnalisation : il convient de retirer préalablement tout mouvement saisonnier
affecté à la série avant tout traitement statistique.

② Stationnarité : les tests de Dickey et Fuller Augmentés permettent de détecter la

stationnarité ou la non-stationnarité.

2) Estimation des paramètres : dans le cas d’un modèle AR(p), la méthode des moindres
carrés est utilisée pour l’estimation. Dans le cas d’un modèle MA(q), une procédure de
type balayage est utilisée : (1 − θ1 D − θ2 D2 )yt = (1 − θ1 D − θ2 D2 )εt

3) Tests d’adéquation du modèle et prévision : les coefficients du modèle doivent être

significativement différent de 0 (application du test de Student) et les résidus doivent
obéir à un bruit blanc et à l’homoscédasticité

4.7 Autres statistiques

4.7.1 Test de normalité : le test de Kolmogorov-Smirnov

Le test de Kolmogorov-Smirnov permet de tester l’ajustement des données x à la loi nor-
male. Ce test détermine si les observations d’un échantillon peuvent raisonnablement provenir
d’une distribution théorique donnée. On mesure l’écart maximum qui existe entre la fonction
de répartition observée et la fonction de répartition théorique. Sous l’hypothèse H0 , cet écart est
faible et la répartition des observations s’intègre bien dans une distribution donnée. C’est cette
distance D qui est testée :

CHAPITRE 4. MÉTHODES STATISTIQUES Page 22

 – Si Dmax < Dα , H0 est tolérée : la distribution empirique semble correspondre à une distri-
bution normale.

– Si Dmax > Dα , H0 est rejetée : la distribution empirique ne provient pas d’une distribution
normale.
avec
Dn = bornesuprieure|Sn (X) − F(X)|.

Dn : est une variable aléatoire, F(X) : est une fonction de distribution continue et Sn (X) : les
fréquences cumulées de l’échantillon.

4.7.2 Test de Kruskal-Wallis

On dispose des mesures des valeurs de X dans k échantillons indépendants E1 , . . . , Ek , de
tailles respectives n1 , . . . , nk . On souhaite comparer les k moyennes expérimentales, c’est-à-dire
tester l’hypothèse nulle (H0 ) : << µ1 = = µk >>.
Comme ci-dessus, on trie les valeurs obtenues dans la réunion des k échantillons par ordre
croissant, puis on associe à chaque valeur son rang dans la liste si elle n’apparaît qu’une fois,
la moyenne des rangs de ses apparitions si elle apparaît plusieurs fois (par exemple, une valeur
apparaissant aux 8e et 9e positions sera associée les deux fois à 8,5). Pour chaque échantillon
Ei , on calcule la somme ri des rangs des valeurs qui en sont issues. On pose :
!
k
12 ri2
h=
n(n + 1) ∑ − 3(n + 1)
i=1 ni

, où n = ∑ki=1 ni est l’effectif global. On note H la variable aléatoire associée.

– Si n1 , . . . , nk sont assez grands (> 5 en général), sous (H0 ), H suit approximativement la
loi du χ 2 à k1 degrés de liberté. On lit χα2 dans la table du χ 2 tel que P(H ≥ χα2 ) = α et
on rejette (H0 ) au risque d’erreur α si H ≥ χα2 .

– Dans le cas où on dispose de 3 échantillons de petite taille ( 5), on lit dans les tables du
test de Kruskal et Wallis, le nombre hα tel que, sous (H0 ), P(H ≥ hα ) = α. On rejette
(H0 ) au risque d’erreur α si h ≥ hα .

4.7.3 Test d’hétéroscédasticité : le test de White

Ce test est très général et a l’avantage de pouvoir être mené même lorsqu’on ne connait
pas la variable (ou les variables) à l’origine de l’hétéroscédasticité. L’hypothèse nulle testée est

CHAPITRE 4. MÉTHODES STATISTIQUES Page 23

l’absence d’hétéroscédasticité, l’hypothèse alternative, sa présence. Le test se présente donc de
la façon suivante :

H : V (ε ) = σ 2 ∀t = 1, . . . , n
0 t
H : Non H
1 0

CHAPITRE 4. MÉTHODES STATISTIQUES Page 24

 CHAPITRE 5

PRÉSENTATION DES RÉSULTATS

Avant de commencer l’étude des séries chronologique, il est essentiel traiter les valeurs
manquantes ainsi que les valeurs extrêmes.

5.1 Traitement de la base de données

Les valeurs manquantes : Une valeur manquante a été observée dans notre base de donnée. Il
s’agit du mois de décembre de l’année 2015. Nous allons procéder par imputation de moyenne
centrée. Autrement dit, nous allons y placer la moyenne des mois de décembre de 2014 et 2016.

5.2 Analyse des séries chronologiques

Dans cette section, nous allons étudier les séries chronologiques du nombre de passagers
ainsi que la quantité de fret aussi bien à l’arrivée qu’au départ puis faire des prévisions sur ces
quatre séries.

5.2.1 La variable pax_dep

Visualisation

25
 F IGURE 5.1 – Évolution du nombre de passagers au départ

Choix du modèle

– La saisonalité : pour étudier la saisonalité de la série nous utilisons le test de Kruskal-

Wallis présenté au chapitre précédant. Ici, on a p-value = 3.214e-07 < 0,05 ce qui implique
que la série est affectée d’une saisonalité.

– Stationnarité : pour étudier la stationnarité, nous avons utilisé le test de Dickey Fuller
Augmenté. Les résultats complets sont en annexe. Ce premier test donne une p-value =
0.09868, nous ne rejetons donc pas l’hypothèse nulle selon laquelle notre série n’est pas
stationnaire.

– Détermination des paramètres du modèle : la série étant affectée d’une saisonalité et

n’étant pas stationnaire, le modèle approprié serait un modèle SARIMA.
Pour déterminer les paramètres optimaux, nous choisissons le modèle qui minimise le
critère d’information d’Akaike. Ce modele correspond à SARIMA(2,0,1)(2,0,0)[12]

Validation du modèle

– Validation du modèle :
— Test d’homoscédasticité : dans cette section, nous avons utilisé le test de white.
On a p-value = 0.054 on accepte donc l’hypothèse nulle à savoir les résidus sont
homoscédastiques.
— Test de normalité des résidus : nous avons utilisé ici le test de Kolmogorov-
Smirnov dans le cas de la loi normale. La p-value est de 0.1307 donc on accepte
l’hypothèse nulle : les résidus sont normalement distribués.

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 26

 — Test d’auto-corréla on : pour l’auto-corréla on des résidus, nous avons u lisé le test de Durbin
watson. On a p-value = 0.3494 donc les résidus ne sont pas autocorrélés. Nous Pouvions aussi
procéder à l’observa on de l’Auto-Corella on Fonc on (ACF) et le Par al Auto-Corella on
Fonc on (PACF) (tous deux fournis en annexe) des résidus où nous apercevons clairement qu’il
n’y a quasiment aucun pic significa f, donc nous en concluons que les résidus ne sont pas auto-
corrélés.

Les hypothèses sur les résidus ayant ainsi été vérifiés, nous validons le modèle et passons à la prévision.
Nous faisons une prévision sur les deux prochaines années.

Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2024 22499.70 22344.09 20796.85 19969.18 19177.03 19396.88
2025 19502.02 19997.56 19975.82 19218.61 20126.28 20326.56 20855.80 20690.15 19912.32 19477.37 19021.46 19039.74
2026 19171.05 19628.66 19492.15 19076.30 19190.13 19709.71

TABLE 5.1 – prevision du nombre de passagers à l’arrivée

5.2.2 La variable pax_arr

Commençons par visualiser la série Visualisa on

FIGURE 5.2 – Nombre de passagers à l’arrivée

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 27

 Choix du modèle

— La saisonalité : pour étudier la saisonalité de la série nous utilisons le test de Kruskal-

Wallis présenté au chapitre précédant. Ici, on a p-value = 4.79e-06 ce qui implique
que la série est affectée d’une saisonalité.
— Stationnarité : pour étudier la stationnarité, nous avons utilisé le test de Dickey Fuller
Augmenté. Les résultats complets sont en annexe. Ce premier test donne une p-value
= 0.1329, nous ne rejetons donc pas l’hypothèse nulle selon laquelle notre série n’est
pas stationnaire.
— Détermination des paramètres du modèle : la série étant affectée d’une saisonalité et
n’étant pas stationnaire, le modèle approprié serait un modèle SARIMA.

Pour déterminer les paramètres optimaux, nous choisissons le modèle qui minimise le
critère d’information d’Akaike. Ce modèle correspond à SARIMA(2,0,0)(1,0,0)[12]

Validation du modèle

– Validation du modèle :
— Test d’homoscédasticité : dans cette section, nous avons utilisé le test de white.
On a p-value = 0.054 on accepte donc l’hypothèse nulle à savoir les résidus sont
homoscédastiques.
— Test de normalité des résidus : nous avons utilisé ici le test de Kolmogorov-
Smirnov dans le cas de la loi normale. La p-value est de 0.3084 donc on accepte
l’hypothèse nulle : les résidus sont normalement distribués.
— Test d’auto-corrélation : pour l’auto-corrélation des résidus, nous avons utilisé le
test de Durbin watson. On a p-value = 0.386 donc les résidus ne sont pas auto-
corrélés. Nous Pouvions aussi procéder à l’observation de l’Auto-Corellation Fonc-
tion (ACF) et le PACF (tous deux fournis en annexe) des résidus où nous apercevons
clairement qu’il n’y a quasiment aucun pic significatif, donc nous en concluons que
les résidus ne sont pas auto-corrélés.

Les hypothèses sur les résidus ayant ainsi été vérifiés, nous validons le modèle et passons
à la prévision. Nous faisons une prévision sur les deux prochaines années.

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 28

 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2024 22537.98 19703.54 18699.91 17997.33 17835.31 20161.98
2025 16853.18 16942.81 17092.85 16190.36 14532.78 18054.55 19984.60 18593.66 18121.32 17796.18 17734.00 18897.98
2026 17280.98 17334.70 17416.19 16985.18 16195.62 17904.10

TABLE 5.2 – Prévisions du nombre de passagers à l’arrivée

5.2.3 La variable fret_dep

Commençons par visualiser la série Visualisa on

FIGURE 5.3 – Évolu on du fret sortant

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 29

Choix du modèle
— La saisonalité : pour étudier la saisonalité de la série nous utilisons le test de
Kruskal- Wallis présenté au chapitre précédant. Ici, on a p-value = 7.76e-07 ce qui
impliqueque la série est affectée d’une saisonalité.

— Stationnarité : pour étudier la stationnarité, nous avons utilisé le test de Dickey Fuller
Augmenté. Les résultats complets sont en annexe. Ce premier test donne une p-value
= 0.667, nous ne rejetons donc pas l’hypothèse nulle selon laquelle notre série n’est
pas stationnaire à un seuil .
— Détermination des paramètres du modèle : la série étant affectée d’une saisonalite et
n’étant pas stationnaire, le modèle approprié serait un modèle SARIMA.

Pour déterminer les paramètres optimaux, nous choisissons le modèle qui minimise le
critère d’information d’Akaike. Ce modèle correspond à SARIMA(0,1,2)(1,0,0)[12]

Validation du modèle

– Validation du modèle :
— Test d’homoscédasticité : dans cette section, nous avons utilisé le test de white.
On a p-value = 0.1922, on accepte donc l’hypothèse nulle à savoir les résidus sont
homoscédastiques.
— Test de normalité des résidus : nous avons utilisé ici le test de Kolmogorov-
Smirnov dans le cas de la loi normale. La p-value = 0.5228 donc on accepte l’hypo-
thèse nulle : les résidus sont normalement distribués.
— Test d’auto-corrélation : pour l’auto-corrélation des résidus, nous avons utilisé le
test de Durbin watson. On a p-value = 0.4998 donc les résidus ne sont pas auto-
corrélés. Nous Pouvions aussi procéder à l’observation de l’Auto-Corellation Fonc-
tion (ACF) et le PACF (tous deux fournis en annexe) des résidus où nous apercevons
clairement qu’il n’y a quasiment aucun pic significatif, donc nous en concluons que
les résidus ne sont pas auto-corrélés.

Les hypothèses sur les résidus ayant ainsi été vérifiés, nous validons le modèle et passons
à la prévision. Nous faisons une prévision sur les deux prochaines années.

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 30

 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2024 741980.2 658181.4 697510.2 822000.6 696336.2 728836.1
2025 755011.6 798951.2 708101.3 696923.9 668869.5 652563.6 733299.2 700611.6 716162.7 763069.0 715704.0 728281.0
2026 738237.0 754625.1 720285.5 715933.7 704876.6 698357.9

TABLE 5.3 – Prévisions du fret au départ

5.2.4 La variable fret_arr

Commençons par visualiser la série

Visualisa on

FIGURE 5.4 – Évolu on du fret à l’arrivée

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 31

 Choix du modèle

— La saisonalité : pour étudier la saisonalité de la série nous utilisons le test de Kruskal-

Wallis présenté au chapitre précédant. Ici, on a p-value = 0.7685 ce qui implique que
la série n’est pas affectée d’une saisonalité.
— Stationnarité : pour étudier la stationnarité, nous avons utilisé le test de Dickey Fuller
Augmenté. Les résultats complets sont en annexe. Ce premier test donne une p-value
= 0.7984, nous ne rejetons donc pas l’hypothèse nulle selon laquelle notre série n’est
pas stationnaire.
— Détermination des paramètres du modèle : la série étant affectée d’une saisonalité et
n’étant pas stationnaire, le modèle approprié serait un modèle ARIMA.

Pour déterminer les paramètres optimaux, nous choisissons le modèle qui minimise le
critère d’information d’Akaike. Ce modèle correspond à ARIMA(0,1,1)

Validation du modèle

– Validation du modèle :
— Test d’homoscédasticité : dans cette section, nous avons utilisé le test de white.
On a p-value = 0.7834 on accepte donc l’hypothèse nulle à savoir les résidus sont
homoscédastiques.
— Test de normalité des résidus : nous avons utilisé ici le test de Kolmogorov-
Smirnov dans le cas de la loi normale. La p-value = 0.4471 donc on accepte l’hypo-
thèse nulle : les résidus sont normalement distribués.
— Test d’auto-corrélation : pour l’auto-corrélation des résidus, nous avons utilisé le
test de Durbin watson. On a p-value = 0.2094 donc les résidus ne sont pas auto-
corrélés. Nous Pouvions aussi procéder à l’observation de l’Auto-Corellation Fonc-
tion (ACF) et le PACF (tous deux fournis en annexe) des résidus où nous apercevons
clairement qu’il n’y a quasiment aucun pic significatif, donc nous en concluons que
les résidus ne sont pas auto-corrélés.

Les hypothèses sur les résidus ayant ainsi été vérifiés, nous validons le modèle et passons
à la prévision. Nous faisons une prévision sur les deux prochaines années.

Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2024 670728.9 605997.9 630399.0 641477.6 616778.8 663825.3
2025 660982.6 710262.4 631164.3 607127.4 628838.4 613135.1 628557.2 667055.9 655571.5 652008.1 668767.9 645102.2
2026 649246.5 626517.6 671200.2 688196.6 677984.7 690079.2

TABLE 5.4 – Données mensuelles pour les années 2024-2026

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 32

Variables pax_dep pax_arr fret_dep fret_arr
Test de p-value = p-value = 4.79e-06 p-value = 7.76e-07 p-value = 0.7685
Kruskal-Wallis 0.0002917
Test ADF p-value = 0.09868 p-value = 0.1329 p-value = 0.667 p-value = 0.7984
Choix des SARIMA SARIMA SARIMA ARIMA
paramètres du (2,0,1)(2,0,0)[12] (2,0,0)(1,0,0)[12] (0,1,2)(1,0,0)[12] (0,1,1)
modèle
Test p-value = 0.054 p-value = 0.7834 p-value = 0.1922 p-value = 0.7834
d’homoscédasticité
de White
Test de normalité de p-value = 0.1307 p-value = 0.3084 p-value = 0.5228 p-value = 0.4471
Kolmogorov-
Smirnov
Test p-value = 0.3494 p-value = 0.386 p-value = 0.4998 p-value = 0.2094
d’autocorrélation de
Durbin-Watson

TABLE 5.5 – Tableau de Synthèse des modèles

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 33

5.3 Limites de l’étude
Notre étude, bien qu’elle soit pertinente avec des modèles convergents, présente des li-
mites flagrantes :
— le manque de données ne nous permet pas d’ajouter des variables exogènes ;
— les imputations que nous avons eu à réaliser pourraient impacter la pertinence de
nos résultats.

CHAPITRE 5. PRÉSENTATION DES RÉSULTATS Page 34

 CONCLUSION ET
RECOMMANDATIONS

L’analyse du transport aérien à l’aéroport international de Ouagadougou révèle des dyna-

miques complexes. La croissance significative du trafic de passagers et de fret observée
ces dernières années souligne l’importance croissante de ce moyen de transport dans le
développement économique du Burkina Faso.
Les résultats de cette étude confirment les hypothèses initiales : l’aéroport international
de Ouagadougou domine effectivement le transport aérien de passagers et de fret dans
le pays. Les flux de trafic à l’entrée de l’aéroport sont plus importants qu’à la sortie. De
plus, les projections indiquent une augmentation continue du nombre de passagers et des
volumes de fret dans les années à venir.
Cependant, cette croissance pose également des défis importants. La nécessité de mo-
derniser et d’étendre les infrastructures aéroportuaires est cruciale pour répondre à la
demande croissante et garantir la sécurité et l’efficacité des opérations. En outre, le déve-
loppement de stratégies de prévision robuste, tenant compte des variables économiques
et des tendances passées, est essentiel pour une planification efficace.
En conclusion, le transport aérien à l’aéroport international de Ouagadougou joue un rôle
vital dans le développement économique du Burkina Faso. Pour maximiser les bénéfices
de cette croissance, il est impératif de continuer à investir dans les infrastructures, d’amé-
liorer les capacités de prévision et de gestion, et de renforcer la sécurité des opérations.
Ces efforts permettront de garantir que l’aéroport puisse répondre adéquatement aux fluc-
tuations de la demande et soutenir le développement économique du pays à long terme.

35
 SITOGRAPHIE

[1] Wikipedia : [Link] [Accessed 8 Oct. 2024].

[2] Openclassroom :[Link]

et-model exercises/2435

[3] INSD : [Link]

[4] Google Scholar : [Link]

II
 BIBLIOGRAPHIE

[5] MINISTÈRE DES INFRASTRUCTURES ET DU DÉSENCLAVEMENT,

TABLEAU DE BORD STATISTIQUE 2021 DES INFRASTRUCTURES DE TRANS-
PORT, 2021.

[6] Régis Bourbonnais et al. Econométrie. Dunod Paris, 2015.

[7] TRADING ECONOMICS. IHPC-BF. 2024.
[8] Wei Nai, Lu Liu, Shaoyin Wang, and Decun Dong. An emd–sarima-based
modeling approach for air traffic forecasting. Algorithms, 10(4) :139, 2017.

[9] Lim, C. & McAleer, Time series forecasts of international travel demand for
Australia. Tourism Management, 2002

[10]Bourguignon, F. & Darpeix, P.-E. (2016). Analyse de la relation entre croissance

économique et augmentation du trafic aérien.

[11]Organisation de l’Aviation Civile Internationale (OACI) (2006). Manual on Air

Traffic Forecasting.

[12]Wei Nai, Shaoyin Wang, Lu Liu, & Decun Dong (2017). An EMD–SARIMA-
Based Modeling Approach for Air Traffic Forecasting.

[13]Rochdi Wasono, Yulia Fitri, & M. Al Haris (2022). Forecasting the number of
airline passengers using Holt-Winter’s exponential smoothing method and Extreme
Machine Learning (EML) method.

[14]George Udny Yule (1927). Introduction des processus autorégressifs dans

[Yul27].

[15]Eugen Slutzky (1927). Introduction des processus à moyenne mobile dans son
article [Slu27].

III
[16]Phillips, P. & Perron, P. (1988). Tests pour détecter la stationnarité.

[17]Kwiatkowski, D., Phillips, P.C.B., Schmidt, P., & Shin, Y. (1992).

Développement du test KPSS

IV
 ANNEXES

F IGURE 5.5 – Capture d’écran lors de l’utilisation de Rstudio

F IGURE 5.6 – Capture d’écran lors de l’utilisation de LATEX

V
Années Embarqués Débarqués En transit fretE fretD
2003 113 553 104 496 10 760 2 404 2 200
2004 123 862 119 888 13 812 1 955 4 556
2005 133 273 130 559 12 535 1 285 2 820
2006 140 756 138 467 18 888 1 491 3 000
2007 159 851 155 859 21 444 1 965 4 718
2008 169 459 165 134 26 550 2 321 3 857
2009 176 130 172 572 27 963 3 014 4 317
2010 187 437 187 395 40 043 3 116 3 317
2011 183 885 191 560 60 731 1 402 5 201
2012 223 872 218 458 76 852 2 265 5 145
2013 231 563 229 624 92 067 3 053 5 129
2014 232 512 219 281 75 731 2 387 5 634
2015 215 784 197 067 81 339 2 144 6 588
2016 222 818 221 948 88 884 2 741 7 329
2017 245 458 234 528 70 393 2 097 7 500
2018 230 618 242 283 90 129 1 779 7 659
2019 254 072 273 142 92 156 1 354 4 175
2020 69 347 71 348 25 735 1 304 5 326
2021 110 823 102 800 45 599 1 179 4 865
2022 95 886 84 738 59 668 999 2 470
2023 243 458 231 251 130 708 2 229 7 666

TABLE 5.6 – Donnés annuelles du trafic aérien

p-value 0.01574

TABLE 5.7 – Caption

F IGURE 5.7 – PACF des résidus de la Variable paxa rr

F IGURE 5.8 – ACF des résidus fretd ep

F IGURE 5.9 – PACF des résidus de fretd ep