Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)

ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Impact of renewable and non-renewable energies on economic

growth : Case of a sample of 5 emerging economies
Impact des énergies renouvelables et non renouvelables sur la
croissance économique : Cas d’un échantillon de 5 économies
émergentes
Khadija ELISSAOUI
Université Mohammed 5, Rabat
[Link]@[Link]

ABSTRACT: To assess the relationship between the consumption of renewable energies (RE), non-renewable
energies (RE) and economic growth between 1990 and 2015 in the case of a sample made up of 5 emerging
economies, we use the Co- method panel integration to assess the long-term impact. The overall estimate for a
panel of 5 countries by the two methods FMOLS and DOLS indicate positive and significant results. Indeed, the
1% increase in the consumption of RE and RE leads to an increase of 0.234% and 0.436% in economic growth,
respectively. The two energy sources are therefore a central element of economic growth. On the other hand, the
estimation of the individual coefficients makes it possible to identify the impact according to each country. First,
as an exporting country, the effect of renewable energy consumption (0.882) on Algerian economic growth is
higher than that of RE consumption (0.074). Unlike the Algerian case, in Kenya, the effect of the consumption of
RE is positive and highly significant. In Morocco, our results indicate that the consumption of RE does not
contribute to the growth of real GDP. Thus, Moroccan economic growth is dependent in particular on the
consumption of renewable energies. Indeed, the coefficient corresponding to the CER is positive and highly
significant (0.679). In Turkey, unlike the consumption of RE which plays no role, the elasticity linked to the use
of RE is high and positive. Finally, our results show that the two sources of energy do not explain Egypt's
economic growth. The estimation of the error-corrected model indicates the absence, in the short term, of the
effect of energy consumption (hypothesis of neutrality) and the existence, in the long term, of a unidirectional
causal relationship ranging from from the consumption of renewable energies to economic growth (growth
assumption).
KEYWORDS: Renewable energies; non-renewable energies; economic growth; Panel co-integration.
RÉSUMÉ: Pour évaluer la relation entre la consommation des énergies renouvelables (ER), d’énergies non
renouvelables (ENR) et la croissance économique entre 1990 et 2015 dans le cas d’un échantillon composé de 5
économies émergentes, nous utilisons la méthode de Co-intégration en panel qui permet d’évaluer l’impact à
long terme. L’estimation globale pour un panel de 5 pays par les deux méthodes FMOLS et DOLS indiquent des
résultats positifs et significatifs. En effet, l’augmentation de 1% de la consommation des ER et d’ENR conduit à
une hausse de 0,234% et 0,436% de la croissance économique, respectivement. Les deux sources d’énergies
constituent, donc, un élément central de la croissance économique. En revanche, l’estimation des coefficients
individuels permet d’identifier l’impact selon chaque pays. Tout d’abord, en tant que pays exportateur, l’effet de
la consommation des ENR (0,882) sur la croissance économique algérienne est plus élevé que celui de la
consommation des ER (0,074). Contrairement au cas algérien, au Kenya, l’effet de la consommation des ER est
positif et fortement [Link] Maroc, nos résultats indiquent que la consommation des ER ne contribue pas
à l’accroissement du PIB réel. Ainsi, la croissance économique marocaine est dépendante notamment de la
consommation des ENR. En effet, le coefficient correspondant à la CER est positif et fortement significatif
(0,679). En Turquie, contrairement à la consommation des ER qui ne joue aucun rôle, l’élasticité liée à
l’utilisation des ENR est élevée et [Link], nos résultats montrent que les deux sources de l’énergie
n’expliquent pas la croissance économique égyptienne. L’estimation du modèle à correction d’erreur indique
l’absence, à court terme, d’effet de la consommation d’énergie (hypothèse de neutralité) et l’existence, à long
terme, d’une relation de causalité unidirectionnelle allant de la consommation des énergies renouvelables à la
croissance économique (hypothèse de croissance).
MOTS-CLEFS: Énergies renouvelables; énergies non renouvelables; croissance économique; Co-intégration en
panel.

1
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Introduction
L'explication traditionnelle de la croissance économique repose, essentiellement, sur deux
facteurs de production : le travail et le capital (notamment le modèle de Solow, etc.). Or, à
partir des années 60 jusqu’à aujourd’hui, plusieurs économistes démontrent que l'énergie peut
aussi nuire à la croissance économique (Kraft et Kraft(1978) ; Masih A et Masih R (1996,
1997, 1998) ; Apergis et Payne (2010c, 2010b, 2010a); etc.). Autrement dit, pour tout
processus économique et social, l’énergie joue un rôle fondamental et contribue à
l'augmentation du produit national, c’est-à-dire à la création de l’ensemble des biens et des
services produits annuellement.
D’une manière générale, l’énergie est composée d’énergies épuisables (énergies fossiles
comme le charbon, le pétrole, le gaz naturel…etc.), ou non épuisables appelée aussi
renouvelables composée d’énergie hydraulique, éolienne, géothermique, solaire, et biomasse.
En revanche, l’accès aux énergies, notamment pour les pays en développement, est difficile.
La facture d’approvisionnement et d’importation de l’énergie est coûteuse. Selon la Banque
Mondiale, en 2015, les importations nettes d’énergies, sont estimées à 20,969% de
l’utilisation totale des énergies dans le monde. En outre, tout choc pétrolier bouleverse
l’équilibre économique du pays. Quant aux énergies renouvelables (ER), Omri (2017)note
que « la notion d’ER est souvent confondue avec celle d’énergie propre. Or, même si une
énergie peut être à la fois renouvelable et propre, toutes les ER ne sont pas nécessairement
propres » (p. 15). L’auteur souligne qu’avant les années 1990, elles étaient utilisées
notamment pour alimenter des sites isolés comme les montagnes, les zones insulaires, les
zones désertiques, etc. Aujourd’hui, il semble que l’utilisation des ER présente un intérêt
indéniable comme favoriser la production de l’électricité à grande échelle et réaliser un
développement durable. En effet, les ER favorisent la lutte contre le changement et/ou
réchauffement climatique (protocole de Kyoto) par la réduction des émissions de gaz à effet
de serre (GES) et des impacts négatifs sur l’environnement, etc. Dans un contexte marqué par
la rareté des ressources, la dépendance énergétique, notamment des énergies fossiles, la
croissance de la demande, le poids de la facture de l’énergie particulièrement pour des pays
comme la Chine, les États-Unis et l’Inde, l’instabilité des prix et la dégradation
environnementale, la diversification de source énergétique constitue l’une des priorités pour
assurer l’approvisionnement et préserver l’environnement.
Ainsi, la mise en place d’un nouveau modèle de développement durable porteur des
stratégies visant l’économie d’énergie et le développement des ressources énergétiques
renouvelables est nécessaire. Aujourd’hui, face à la nécessité de préserver l’environnent
contre les émissions à effet de serre (CO2), tous les pays s’efforcent de consommer des
énergies renouvelables. En appliquant le modèle STIRPAT1, Shafiei et Salim (2014)
analysent les déterminants des émissions de C02 dans les pays de l’OCDE entre 1980 et 2011.
Ils constatent que l’utilisation des énergies renouvelables diminue les émissions de CO2,
tandis que la consommation des énergies fossiles les augmente. A cet effet, la plupart des
pays cherchent à adopter de nouveaux instruments, de développer de nouveaux processus et
méthodes pour agencer les nouvelles stratégies nationales ayant pour but d’optimiser un
modèle économique, basé sur l’exploitation efficace des énergies renouvelables.
La présente étude est structurée de la manière suivante. La première section met en exergue
une brève revue de la littérature. La deuxième section décrit la méthodologie utilisée en

1
STIRPAT : Stochastic Impacts by Regression on Population, Affluence and Technology

2
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

présentant les hypothèses, la structure du modèle et ses différentes composantes et les

données. Enfin, la dernière section résume les résultats obtenus pour les pays étudiés.

1. Rappel théorique
Plusieurs études théoriques et empiriques ont vu le jour au lendemain des crises provoquées
par les chocs pétroliers de 1973 et de 1979 où le recours aux énergies alternatives, se
renouvelant rapidement et permettant de préserver l’environnement, est devenu une nécessité.
Ces dernières années, la transition vers les ER est de plus en plus motivée par d’autres raisons
comme la réalisation d’un développement durable et la « reprise verte » ou l’« économie
verte » (Omri, 2017).
Les travaux ayant analysé la relation entre la consommation des énergies renouvelables et la
croissance économique sont nombreux (Apergis et Payne (2010a, 2010b, 2010c, 2012) ;
Behmane (2012, 2014); Ocal et Aslan(2013) ; Chen et al., (2020) ; Rahman et Velayutham
(2020) ; Maji et al., (2019) ; Vural (2020) ; etc.). Apergis & Payne (2010a)analysent la
relation entre la consommation des énergies et la croissance économique de neuf pays
d'Amérique du Sud entre 1980 et 2005 en utilisant la technique de cointégrationen panel (test
de stationnarité, test de cointégration en panel hétérogène de Pedroni, FMOLS)et le modèle
vectoriel à correction d'erreur. Ils concluent l’existence d’une causalité unidirectionnelle à
court et à long terme allant de la consommation d'énergie à la croissance économique
(hypothèse de croissance). Durant la même année et en utilisant la même démarche
économétrique, Apergis et Payne réalisent deux études examinant la relation entre la
consommation des énergies renouvelables et la croissance économique. La première (2010b)
concerne un panel de vingt pays de l'OCDE entre 1985-2005et la deuxième (2010c) étudie le
cas d’un panel de 13 pays d'Eurasie au cours de la période allant de 1992 à 2007. Dans les
deux études, les auteurs constatent l’existence d’une causalité bidirectionnelle entre la
consommation d'énergie renouvelable (CER) et la croissance économique à court et à long
terme (hypothèse de rétroaction). En outre, Apergis et Payne (2012) utilisent la même
technique d’estimationpour étudier la relation entre la consommation des énergies
renouvelables, la consommation des énergies non renouvelables et la croissance économique
d’un échantillon composé de 80 pays entre 1990 et [Link] concluent l’existence d’une
relation de causalité bidirectionnelle à court et à long terme, entre, d’une part la
consommation des énergies renouvelable, la consommation non renouvelables et la croissance
économique, et d’autre part entre la consommation d'énergie renouvelable et non
renouvelable, indiquant une substituabilité entre les deux sources d'énergie.
À l’aide d’un modèle à effets fixes, Behmane (2012) analyse la relation de causalité à long
terme et à court terme entre la consommation d'énergie renouvelable et la croissance
économique dans les pays de l’Europe de l'Ouest pour la période 1995 – 2010 et constate
qu’il existe une relation bidirectionnelle entre la consommation d'énergie renouvelable et la
croissance économique à long terme et à court terme. En 2014, le même auteur étudie la
même question dans le cas des pays d’Europe du Nord durant la période 1990 – 2010 et
conclut une relation unidirectionnelle (l'énergie est la cause de PIB) entre la consommation
d'énergie renouvelable et la croissance économique. Ocal et Aslan (2013)appliquent les tests
empiriques de l'approche ARDL et des tests de causalité Toda-Yamamamoto au cas de la
Turquie. Les résultats de cette étude confirment l'hypothèse de conservation et suggèrent que
la consommation d'énergie renouvelable a un impact négatif sur la croissance économique.
Les auteurs indiquent qu'il existe une causalité unidirectionnelle allant de la croissance
économique à la consommation d'énergie [Link] et al., (2020) analysent la

3
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

relation entre la consommation des énergies renouvelables et la croissance économique en

utilisant le modèle de seuil« threshold model » appliqué à 103 pays entre 1995 et 2015. Ils
constatent que, particulièrement, dans les pays en développement, cette relation dépend du
montant de l’énergie renouvelable utilisé. Autrement dit, l’effet de la consommation des
énergies renouvelables sur la croissance économique est positif et significatif seulement si les
pays en développement dépassent un seuil de consommation des énergies renouvelables
(ln(REC) > 9.6054).En effet, pour que les pays en développement réalisent une croissance
économique positive grâce à leurs investissements dans les énergies renouvelables, ils doivent
dépasser un certain seuil de consommation d'énergie renouvelable. Cependant, si les pays en
développement utilisent des énergies renouvelables en dessous d'un certain seuil, l'effet de la
consommation d'énergie renouvelable sur la croissance économique est négatif. Les auteurs
constatent que la consommation d'énergie renouvelable affecte négativement et de manière
significative la croissance économique si les pays utilisent des énergies renouvelables en
dessous du seuil (i.e., ln(REC) < 9.6054).
Par ailleurs, Maji et al., (2019) étudient l'impact des énergies renouvelables sur la croissance
économique dans les pays d'Afrique de l'Ouest en utilisant la méthode des moindres carrés
ordinaires dynamiques (DOLS) appliquée à un panel de15 pays d'Afrique de l'Ouest entre
1995 et [Link] résultats indiquent que l'utilisation des énergies renouvelables peut ralentir
la croissance économique en réduisant la productivité lorsque des sources très polluantes
lorsqu'elles sont brûlées, impures, et inefficaces, comme la biomasse ligneuse (wood biomass)
sont utilisées. En revanche, les auteurs recommandent l’utilisation des sources d'énergie
propre comme l'énergie solaire, éolienne et hydroélectrique qui n'ont pas d'effet secondaire
sur la santé humaine et l'environnement et sont moins fréquentes en Afrique de l'Ouest. Plus
récemment, Rahman et Velayutham (2020) examinent la relation entre la consommation des
énergies renouvelables et non renouvelables et la croissance économique de cinq pays du Sud
Asiatique entre 1990 et 2014. Rahman et Velayutham appliquent les tests de Pedroni (1999,
2004) et Kao (1999) pour analyser la cointégration de long terme et le test de causalité sur
données de panel proposé par Dumitrescue-Hurlin (2012). Ces auteurs déterminent la relation
d’équilibre à long terme en utilisant les deux techniques d’estimation FMOLS et DOLS. Ils
concluent un impact positif de la consommation des énergies renouvelables, de la
consommation des énergies non renouvelables et de la formation de capital fixe sur la
croissance économique. Une augmentation de 1% de la consommation des énergies
renouvelables, de la consommation des énergies non renouvelables, et de la formation de
capital implique une hausse de la croissance économique de 0.66%, 0.10% et 0.58%,
respectivement. Ils constatent une relation de causalité unidirectionnelle allant de la
croissance économique à la consommation des énergies renouvelables. Ainsi, l’hypothèse de
conservation est vérifiée pour les pays du Sud asiatique. En outre, Vural (2020)étudie les
effets des énergies renouvelables et des énergies non renouvelables sur la production dans le
cas de six pays d'Afrique subsaharienne entre 1990-2015 en utilisant une simple fonction de
production de capital, de la main-d'œuvre, d'intrants énergétiques renouvelables et non
renouvelables. L'impact des variables sur la production est estimé en utilisant des techniques
d'estimation en panel. Le test de cointégration en panel de Pedroni indique une relation à long
terme entre les variables. Les résultats montrent que les coefficients estimés à long terme des
variables analysées sont positifs et statistiquement significatifs. Selon les résultats, l'élasticité
des énergies renouvelables et non renouvelables sont très proches.

4
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

2. Méthodologie
2.1. Les hypothèses fondant la relation entre la consommation des énergies
renouvelables (CER) et la croissance économique (Y)
L’analyse de la relation entre la consommation des énergies renouvelables et la croissance
économique est fondée sur quatre hypothèses (Bhattacharya et al., (2016) ; Apergis & Payne,
2010a, 2010c, 2012) ; Rahman & Mamun (2016) ; Maji et al., (2019) ; etc. ) :
1) L’hypothèse de la croissance : cette hypothèse affirme que la consommation d’énergie
influence la croissance économique à la fois directement et indirectement en compliment des
intrants travail et capital. En effet, toute augmentation de la consommation d’énergie entraîne
une augmentation du PIB réel. Dans ce cas, il existe une relation de causalité
unidirectionnelle allant de la consommation de l’énergie à la croissance économique. Donc,
l’économie est considérablement dépendante de l’énergie. Mais s’il y a un effet négatif cela
peut être expliqué par une consommation excessive d’énergie dans les secteurs improductifs
de l’économie, par une contrainte de capacité ou une offre inefficiente d’énergie.
2) L’hypothèse de conservation : cette hypothèse indique qu’une réduction de la
consommation d’énergie n’a pas d’effets négatifs sur la croissance économique. Cette
hypothèse n’est valable que si une augmentation du PIB entraîne une augmentation de la
consommation d’énergie.
3) L’hypothèse de neutralité : cette hypothèse considère la consommation d’énergie comme
une faible composante de la production globale d’une économie et peut donc avoir un impact
faible ou nul sur le PIB réel. Cette hypothèse est vérifiée en cas d’absence d’une relation
causale entre consommation d’énergie et PIB réel.
4) L’hypothèse de rétroaction (feed-back) : cette hypothèse met l’accent sur la relation
d’interdépendance entre la consommation d’énergie et la croissance économique. Elle est
vérifiée en cas de présence d’une causalité bidirectionnelle entre la consommation d’énergie
et le PIB réel.
2.2. Les principaux modèles analysant la relation CER et Y
D’une manière générale, les travaux portant sur la relation entre l’énergie et le PIB se
subdivisent en deux groupes :
1) Certaines études utilisent la fonction de demande d’énergie avec trois variables :
l'énergie ; le PIB ; le prix de l'énergie (Masih et Masih (1997) ; Asafu-Adjaye (2000),
Fatai et al., (2004) ; Oh & Lee (2004b) ; Liddle et al., (2020) ; Liddle & Sadorsky
(2020); Sadorsky (2011) ; etc.).
2) D’autres utilisent le modèle traditionnel de croissance de Solow fondé sur la fonction
de production en intégrant trois principales variables : le capital(k), le travail (L), et
l’énergie (Stern (1993, 2000); Mahadevan & Asafu-Adjaye (2007) ; Akinlo,
(2008); Apergis & Payne (2010a, 2010b, 2010c, 2012); Esseghir et Haouaoui (2011) ;
Oh & Lee (2004a) ; Chen et al., (2020), Rahman et Velayutham (2020)) ; etc.).
2.3. Présentation du modèle
Pour analyser la relation entre la consommation des énergies renouvelables, la consommation
des énergies non renouvelables et la croissance économique nous utilisons le modèle de
production de type Cobb-Douglas suivant :
= ( 1)

5
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Où, Y est la production ; K et L représentent le capital et le travail utilisés dans le processus de

production ; e est le terme d’erreur qui désigne toutes les autres variables pouvant expliquer la
production. i désigne le pays et t la date. Les études réalisées par Barro (1990), Hamilton
(1983) et Galli (1998) montrent que l’énergie joue un rôle important dans la fonction de
production. Ainsi, nous allons introduire la consommation des énergies renouvelables et la
consommation des énergies non renouvelables comme facteur de production dans l’équation
1.
= (2)
À l’image des études réalisées par Apergis et al. (2010), Bhattacharya et al. (2016) et Rahman
et Velayutham (2020), toutes nos variables sont exprimées en logarithme. Selon Rahman &
Velayutham cette transformation est préferable puisqu’elle permet, d’une part, de réduire la
présence de l’hétéroscédasticité et, d’autre part, avec cette transformation, les coefficients
résultant d’une régression peuvent être interprétés comme des élasticités.
= (3)
Où, lY, lK, lL, lER, lENR représentent le logarithme du produit intérieur brut ($ US constants
de 2010), de la formation brute de capital fixe réel ($ US constants de 2010), de la population
active totale, de la consommation des énergies renouvelables et de la consommation des
énergies non renouvelables. , , représentent les coefficients de nos variables
explicatives. i et t désigne respectivement le pays et la date.
Nos données sont issues de la Banque Mondiale et comprennent un panel de 5 économies
émergentes : Maroc, Algérie, Égypte, Turquie, Kenya. Nous avons choisi la période allant de
1990 à 2015. En outre, à partir de trois variables publiées par la Banque Mondiale (Utilisation
d’énergie (kg d’équivalent pétrole par habitant) ; Consommation d’énergies renouvelables (%
de la consommation totale d’énergie ; population totale))nous utilisons la formule fondée par
Rahman & Velayutham (2020) pour calculer la consommation des énergies renouvelables et
la consommation des énergies non renouvelables :
!"#$"%%&'("# '"'&)* +, é#*./(* *# 0/ +’é23(4&)*#' 5é'.")*
= 6 7 789 7:; <’é; =>7 (?> <’é@A7B9 ; Cé =: C9= ℎ9E7 9; ) × C:CA 9 7:; : 9
!"#$"%%&'("# '"'&)* +*$ é#*./(*$ .*#"34*)&G)*$ *# 0/ +’é23(4&)*#' 5é'.")*
I:;8:JJ9 7:; : 9 < , é; =>7 × Consommation d’énergies renouvelables (% de la consommation totale d’énergie)
= H ^
100

!"#$"%%&'("# '"'&)* +*$ é#*./(*$ #"# .*#"34*)&G)*$ *# 0/ +’é23(4&)*#' 5é'.")*

= I:;8:JJ9 7:; : 9 < , é; =>7 − I:;8:JJ9 7:; : 9 < 8 é; =>7 8 = ;:AB 9E 8

Entre 1990 et 2015, l’analyse de l’évolution moyenne de ces deux variables indique les
caractéristiques suivantes (figure 1 et 2) :
Figure 1. Moyenne par pays
M oyenne par pays
(1000 0000 kg d’ équivalent pétrole)
8000
7000
6000
5000
4000
3000
2000
1000
0
Algér ie Egypte Ke nya Mar oc Turquie

ER ENR

Source : réalisé par notre propre soin à partir des données de la banque mondiale

6
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Figure 2. Évolution moyenne des variables exprimées en logarithme : LY ; LK ; LL ; LER ;

LENR
Mean of LY by PAYS Mean of LK by PAYS
27.5 26
27.10 25.6
27.0
25
26.5
24.3
26.0 24 23.9
25.72
25.55 23.6
25.5
24.94 23
25.0
24.5 22.2
24.14 22
24.0
23.5 21
TUR EGY ALG MAR KYN TUR ALG EGY MAR KYN

Mean of LL by PAYS Mean of LER by PAYS

17.2 24
23.3 23.2
17.0 16.94 23
16.89
22.0
16.8 22
21.4

16.6 21

16.4 16.38 20

16.2 19
16.11 18.4
16.04
16.0 18

15.8 17
TUR EGY KYN MAR ALG TUR KYN EGY MAR ALG

Mean of LENR by PAYS

25.5
25.0 24.91
24.56
24.5
24.14
24.0
23.5
23.06
23.0
22.5
22.0 21.85

21.5
TUR EGY ALG MAR KYN

Source : réalisé par notre propre soin à partir des données de la Banque mondiale
Premièrement, la Turquie consomme massivement l’énergie (tout type confondu) et se classe
en premier rang dans la consommation des énergies renouvelables et non renouvelables.
Ensuite, l’Égypte et l’Algérie se caractérisent par une consommation élevée des énergies non
renouvelables. En revanche, durant la période analysée, la consommation algérienne des
énergies renouvelables (18,4) est la plus faible comparativement aux autres pays de notre
échantillon. À l’inverse, le Kenya consomme faiblement les énergies non renouvelables et
fortement les énergies renouvelables. Enfin, dans notre échantillon, nous constatons que la
consommation marocaine des deux sources de l’énergie (renouvelable et non renouvelable)
est assez faible. En ce qui concerne les autres variables (lY, lK et lL), durant la période
analysée, en moyenne, la Turquie réalise les grandes performances en terme du PIB(27,10),
de la FBCF (25,6) et de la population active totale (16,94).L’Égypte se situe derrière la
Turquie dans l’évolution moyenne du PIB (25,72) et de la population active totale (16,89). Le
Maroc (16,11) et l’Algérie (16,04) se caractérisent par une faible proportion de la population
active.
L’analyse de la corrélation des variables est présentée dans le tableau 1.

7
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Tableau 1. Matrice des coefficients de corrélation des variables

LYit LKit LLit LERit LENRit
LYit 1 0,97 0,67 0,11 0,93
LKit 0,97 1 0,52 -0,06 0,92
LLit 0,67 0,52 1 0,64 0,58
LERit 0,11 -0,06 0,64 1 -0,15
LENRit 0,93 0,92 0,58 -0,15 1

Cette matrice montre que le PIB est fortement corrélé avec l’investissement public (97%), la
consommation des énergies non renouvelables (93%), le facteur travail (67%) et faiblement
corrélé avec la consommation des énergies renouvelables (11%). Ainsi, nous supposons que
la croissance générée par les pays étudiés est fortement générée par la consommation des
énergies non renouvelables que par la consommation des énergies renouvelables.
2.3.1. Test de racine unitaire en panel (test de stationnarité)
Pour déduire le degré d’intégration et les propriétés de stationnarité des variables, le tableau 2
présente plusieurs tests de racine unitaire en panel : Levin et al. (2002) ; Breitung (2000) ; Im
et al. (2003) ; ADF-Fisher ; Fisher-PP ; Hadri (2000).

Tableau 2. Tests de racine unitaire en panel pour un échantillon de 5 pays (1990-2015) : lnY ;
lnK ; lnL
lnY lnK lnL
Constante Constante et Sans constante Constante Constante et Sans constante Constante Constante et Sans constante
trend et trend trend et rend trend et trend

Levin, Lin, 2,74 -1,53156* 6,88 2,52 -3,64*** 4,34 -4,06*** 4,51 0,62
Chu (0,9969) (0,0628) (1,0000) (0,9940) (0,0001) (1,0000) (0,0000) (1,0000) (0,7302)

Breitung 0,34 - - 0,86 - - 22,66**

(1,0000) (0,9999) (0,0121)

Im, 0,22 8,72*** - 0,84 0,83*** - 32,38*** 8,73***

Pesaran, (1,0000) (0,0000) (0,9999) (0,0000) (0,0003) (0,0000)
Shin

Fisher– 5,05*** 12,16 5,02 3,84*** 22,04** 0,06 5,02*** 0,66 0,00
ADF (0,0000) (0,2746) (1,0000) (0,0001) (0,0149) (1,0000) (0,0000) (1,0000) (1,0000)

Fisher-PP 23,66*** 0,00060 -2,12** 21,18** 0,06 -1,63* 4,57 1,12 3,78
(0,0086) (1,0000) (0,0172) (0,0199) (1,0000) (0,05) (0,9181) (0,9997) (0,9999)

Hadri* 12,40 0,51888 - 7,87 1,44 - 8,09 -2,34***

(1,0000) (0,6981) (1,0000) (0,9249) (1,0000) (0,0098)

∆ lnY ∆ lnK ∆ lnL

Constante Constante et Sans constante Constante Constante et Sans constante Constante Constante et Sans constante
trend et trend trend et trend trend et trend

Levin, Lin, -8,39*** -8,25*** -9,07*** -8,59*** -7,93*** -7,68*** 0,37 -1,95** -1,72
Chu (0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,6440) (0,0255) (0,0434)

Breitung 71,55*** 66,99*** 26,92***

(0,0000) (0,0000) (0,0027)

Im, 67,44*** 1,47* 65,84*** -0,08 37,71*** 3,32***

Pesaran, (0,0000) (0,0707) (0,0000) (0,5346) (0,0000) (0,0005)
Shin

Fisher– 0,91*** 107,78*** 35,99*** 0,26 52,67*** 61,72*** 4,78*** 52,85*** 27,23***
ADF (0,0000) (0,0000) (0,0001) (0,3994) (0,0000) (0,0000) (0,0000) (0,0000) (0,0024)

Fisher-PP 105,17*** 14,76*** -9,03*** 54,38*** 61,77*** -6,78*** 38,72*** 31,12*** -3,39***
(0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0006) (0,0003)

Hadri* -1,17*** -5,62*** 6,35*** -2,89*** -3,26*** 3,18***

(0,1202) (0,0000) (0,0000) (0,0019) (0,0006) (0,9993)

*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

8
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Tableau 2 (la suite). Tests de racine unitaire en panel pour un échantillon de 5 pays (1990-
2015) : lnER ; lnENR
lnER lnENR
Constante Constante et trend Sans constante et Constante Constante et trend Sans constante et
rend rend
Levin, Lin, Chu 1,42 2,97 1,25 1,42 2,97 1,25
(0,9219) (0,9985) (0,8942) (0,9219) (0,9985) (0,8942)
Breitung 6,35 6,35
(0,7849) (0,7849)
Im, Pesaran, Shin 6,77 3,95*** 1,42 3,95***
(0,7466) (0,0000) (0,9992) (0,0000)
Fisher–ADF 6,11*** 6,37 1,42 6,11*** 6,37 1,42
(0,0000) (0,7832) (0,9992) (0,0000) (0,7832) (0,9992)
Fisher-PP 6,21 1,53 2,52 6,21 1,53 2,52
(0,7974) (0,9989) (0,9941) (0,7974) (0,9989) (0,9941)
Hadri* 11,31 5,34 11,31 5,34
(1,0000) (1,0000) (1,0000) (1,0000)

∆ lnER ∆ lnENR
Constante Constante et trend Sans constante et Constante Constante et trend Sans constante et
trend trend
Levin, Lin, Chu -8,93*** -8,85*** -8,67*** 8,62*** -8,77*** -6,86***
(0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000)
Breitung 76,94*** 61,36***
(0,0000) (0,0000)
Im, Pesaran, Shin 80,24*** 6,14*** 80,17*** 2,91***
(0,0000) (0,0000) (0,0000) (0,0019)
Fisher–ADF 1,14*** 83,91*** 93,86*** 5,44*** 105,37*** 49,82***
(0,0000) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000)
Fisher-PP 70,00*** 94,44*** -8,64*** 59,72*** 30,11*** -7,46***
(0,0000) (0,0000) (0,0000) (0,0000) (0,0008) (0,0000)
Hadri* -6,02*** -0,84 -3,89*** -5,21***
(0,0000) (0,1998) (0,0001) (0,0000)
*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

Les tests de Dickey-Fuller augmenté (ADF) proposés par Levin et al. (2002) supposent une
homogénéité dans la dynamiquedes coefficients autorégressifs pour toutes les unités du panel.
Selon Apergis et Payne (2012), les tests Fisher-ADF et Fisher-PP ont l’avantage de permettre
autant d'hétérogénéité entre les unités que possible. L’hypothèse nulle des tests proposés par
Levin et al. (2002), Fisher-ADF, et Fisher-PP est l’existence de racine unitaire tandis que
l’hypothèse alternative est l’absence de racine unitaire. En revanche, l’hypothèse nulle des
tests Hadri (2000) est la stationnarité. Le test de racine unitaire en panel est appliqué à notre
base de données pour choisir le modèle optimal et tester la robustesse. Ainsi, le tableau 2
présente les tests de racine unitaire de 1ère génération qui évaluent la spécification homogène
de la racine autorégressive (Levin et Lin Chu, 1992-1993) et la spécification hétérogène de la
racine autorégressive (Im, Pesaran et Shin, 1997, 2002 et 2003). Les tests de (Levin et Lin
Chu) et de (Im, Pesaran et Shin) indiquent que toutes les variables sont stationnaires en 1ère
différence. En effet, toutes les p-values sont inférieures au seuil de 1%.
2.3.2. Les tests de Co-intégration
Une fois que nous nous sommes assurés de la stationnarité des variables et qu’elles sont
toutes intégrées du même ordre 1. Nous passons aux tests de Co-intégration pour tester la
présence de cette caractéristique stochastique tout en utilisant les tests de Pedroni (1999,
2004) et Kao (1999). Les tests de Pedroni et de Kao sont les plus utilisés dans l’analyse de
cointégration en panel. Dans les deux tests, l’hypothèse nulle est identique et suppose
l’absence de cointégration entre les variables considérées. Ces tests testent l’existence de
relations de cointégration intra-individuelles et supposent l’absence de dynamiques
[Link] tests de Co-intégration en panel hétérogène proposés par Pedroni (1999,
2004) et Kao (1999) permettant de déterminer la relation de Co-intégration entre les variables

9
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

et vérifier la robustesse des ré[Link] (1999) et Kao (1999) testent la stationnarité des
résidus de la relation de long terme de façon analogue aux tests d'Engle et Granger (1987).

Tableau 3. Tests de Co-intégration en panel pour un échantillon de 5 pays (1990-2015) : (lY,

lK, lL, lER, lENR)
Test Pedroni (Engle-Granger based)
Hypothèse alternative : Common AR coefs. (within-dimension)
Weigthted
Test Statistique Probabilité Statistique Probabilité
Panel v- 0,582 0,2801 0,161 0,4361
Statistic
Panel rho- -0,324 0,3731 -0,478 0,3162
Statistic
Panel PP- -3,055*** 0,0011 -3,228*** 0,0006
Statistic
Panel ADF- -3,338*** 0,0004 -3,566*** 0,0002
Statistic
Hypothèse alternative : individual AR coefs. (between-dimension)
Statistique Probabilité
Group rho- 0,873
Statistic 0,8087
Group PP- -2,329***
Statistic 0,0099
Group ADF- -3,249***
Statistic 0,0006
*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

Le tableau 3 présente les résultats des sept tests statistiques de Co-intégration en

panelhétérogène proposés par Pedroni (1999, 2004)pour tester l’hypothèse nulle. Ces tests
déterminent l’existence de la relation d’équilibre à long terme par la formule suivante :
=a +c +d +d +d +d +e (4)

Où, LK, LL, LER, LENR, et Y sont supposées être intégrées à l’ordre 1. Où i =1, …N pour
chaque pays appartenant au panel et t = 1, …T indique la période analysée. L’hypothèse nulle
(désigne l’absence de cointégration g = 1 ∀ , g 8 le terme autorégressif des résidus)est
testée par le test de racine unitaire des résidus. La structure des résidus estimés est la
suivante :
e = C e i + j (5)
D’une manière générale les tests de Pedroni (1999, 2004) sont divisés en 2 groupes
statistiques (quatre sont basés sur la dimension within (intra) et trois sur la dimension between
(inter) :
1) un groupe intra individuel Within : basé sur 4 sous test v-Statistic Panel ; Rho-
Statistic Panel; PP-Statistic Panel ; ADF-Statistic Pane.L’objectif est de tester la
relation de Co-intégration des variables pour chaque individu (pays).
2) un groupe inter-individuel (Between : entre les individus) : Le Between est basé sur 3
sous test : rho-Statistic Group ; PP-Statistic Group ; ADF-Statistic Group. Il s’agit
de vérifier si les paramètres de Co-intégration sont les mêmes pour chaque individu.
Autrement dit, cette dimension vérifie si les vecteurs de Co-intégration sont
homogènes ou hétérogènes.
Les résultats des tests de Pedroni montrent que certains sous tests (Panel PP-Statistic, Panel
ADF-Statistic, Group PP-Statistic et Group ADF-Statistic) sont significatifs (P-value<1%).

10
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Ainsi, nous rejetons l’hypothèse nulle d’absence de Co-intégration entre les variables lnY,
lnK, lnL, lnER et lnEF. Il existe, donc, une relation d’équilibre stable de long terme et de Co-
intégration intra-individuel et inter-individuel entre les variables.
Tableau 4. Test de Co-intégration de Kao

Test Kao Statistique Probabilité

ADF -3.955 0.0000***
*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

Le tableau 4 présente les résultats du test de Co-intégration en panel proposé par Kao. À la
différence des tests de Pedroni, ceux de Kao sont de type ADF de stationnarité des résidus de
la relation de cointégration et considèrent le cas où les vecteurs de cointégration sont supposés
homogènes entre les individus. Le tableau 5 montre que les probabilités associées au test de
Kao sont inférieures au seuil de 1% ce qui indique la présence de la Co-intégration entre les
variables.
Ainsi, suite aux résultats d’estimation des tests de Pedroni et Kao, la condition de Co-
intégration des variables est vérifiée. Par conséquent, nous pouvons utiliser les méthodes
FMOLS et DOLS.
3. Analyse des résultats
3.1. Estimation des modèles de Co-intégration de long terme : FMOLS et DOLS
Après avoir confirmé la présence de Co-intégration des variables explicatives nous utilisons la
méthode des moindres carrés modifiés (FMOLS) et la méthode des moindres carrés
dynamiques (DOLS) développées par Pedroni (2001, 2004) et Kao et Chiang (2000). Ces
méthodes indiquent l’effet de long terme des variables indépendantes. Selon plusieurs
travaux(Sadorsky (2011), Hu et al., (2018) et Yao et al., (2019) ; etc.), FMOLS est une
méthode non-paramétrique qui corrige l’autocorrélation et l’hétéroscédasticité en éliminant la
corrélation entre les variables explicatives et le terme d’erreur, tandis que DOLS est une
méthode paramétrique qui élimine l’autocorrélation entre les variables explicatives et les
termes d’erreur en ajoutant des termes de retard sur les variables explicatives. En plus de
FMOLS, Rahman & Velayutham (2020)adoptent DOLS comme méthode additionnelle
permettant de vérifier la robustesse des résultats. La FMOLS, adaptée aux panels hétérogènes
Co-intégrés, détermine la relation d’équilibre à long terme (Pedroni, 2000). Yao et al. (2019)
considèrent que les paramètres estimés par la méthode OLS peuvent être erronés et
privilégient d’utiliser les méthodes de Co intégration en panel FMOLS et DOLS. En effet, ces
deux méthodes sont adaptées aux distributions asymptotiquement biaisées et peuvent éviter
les problèmes d’endogéniété, de corrélation sérielle et simultanéité((Phillips & Hansen,
1990) ; (Pedroni, 2001, 2004) ; (Kao & Chiang (2000) ; Sadorsky (2011) ; (Hu et al.,
(2018) ;Engle et al. (2020) ; Kasman & Duman (2015) ; Ozcan (2013)). Selon Haggar (2012),
FMOLS est la technique la plus appropriée à appliquer dans le cas de présence des panels Co-
intégrés hétérogènes.
Le tableau 5 présente les résultats d’estimation des paramètres à long terme de l’équation 2 en
utilisant les méthodes FMOLS et DOLS.

11
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Tableau 5. Coefficients de Co-intégration en panel pour un échantillon de 5 pays (1990-2015)

(Variable dépendante = lnYit)
FMLOS
LKit LLit LERit LENRit R2 R2 Ajusté
Panel 0,118*** 0,414*** 0,234*** 0,436*** 0,63 0,62
Grouped (5,230) (6,378) (8,115) (9,767)
[0,0000] [0,0000] [0,0000] [0,0000]
DOLS
LKit LLit LERit LENRit R2 R2 Ajusté
Panel 0,152*** 0,586*** 0,197*** 0,325*** 0,71 0,32
Grouped (4,082) (4,964) (3,795) (4,336)
[0,0002] [0,0000] [0,0004] [0,0001]
Source : Nos estimations sur Eviews
*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.
Le tableau 5 montre que pour chaque variable, la différence entre les approches DOLS et
FMOLS n'est pas très différente en termes de signe et de signification [Link]
coefficients sont positifs et statistiquement significatifs au seuil de 1% pour la formation de
capital fixe réelle, la population active totale, la consommation des énergies renouvelables, et
la consommation des énergies non renouvelables, respectivement. Puisque toutes les variables
sont exprimées en logarithme, les paramètres estimés du modèle peuvent être interprétés
comme des élasticités. Les résultats FMOLS indiquent que l’accroissement de 1% de la
formation brute de capital fixe réel, de la population active totale, de la consommation des
énergies renouvelables, de la consommation des énergies non renouvelables, conduit à une
hausse de 0,118%, de 0,414%, 0,234%, et de 0,436% du PIB réel, respectivement. On
constate que l’élasticité correspondante à la consommation des énergies non renouvelables est
presque le double de la consommation des énergies renouvelables. Ce qui implique la
prédominance de l’utilisation des énergies non renouvelables dans notre échantillon.
Autrement dit, la croissance économique des cinq pays analysés est fortement influencée par
la consommation des énergies fossiles que par la consommation des énergies renouvelables.
Par ailleurs, le tableau6 représente les coefficients individuels correspondant à la méthode
FMOLS.
Tableau 6. Résultats des estimations FMOLS et DOLS de chaque pays (coefficients individuels).
FMLOS individuel
Pays LKit LLit LERit LENRit R2 R2 Ajusté
-0,020 0,208 0,074*** 0,882*** 0,98 0,98
Algérie
(-0,359) (1,494) (3,100) (11,605)
[0,7232] [0,1506] [0,0056] [0,0000]

0,193 1,334 0,063 -0,116 0,99 0,99

Égypte
(4,356)*** (9,640)*** (1,419) (-1,230)
[0,0003] [0,0000] [0,1713] [0,2327]

0,126*** -0,520** 0,997*** 0,306*** 0,99 0,98

Kenya
(4,064) (-2,816) (7,813) (4,648)
[0,0006] [0,0107] [0,0000] [0,0002]

0,054 0,432** 0,046 0,679*** 0,98 0,98

Maroc
(0,590) (2,156) (0,797) (3,499)
[0,5614] [0,0434] [0,4348] [0,0023]

0,237*** 0,619*** -0,009 0,430*** 0,99 0,99

Turquie
(8,648) (5,278) (-0,172) (7,594)
[0,0000] [0,0000] [0,8649] [0,0000]

Source : Nos estimations sur Eviews

*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

12
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Le tableau 6 indique que la consommation des deux sources de l’énergie (renouvelable et non
renouvelable) a un effet positif et significatif en Algérie et au Kenya. Cependant, en Algérie,
le coefficient de la consommation de l’énergie non renouvelable est plus fort (0,882) que celui
de la consommation des énergies non renouvelables (0,074). A l’inverse, au Kenya, l’impact
de la consommation des énergies renouvelables sur la croissance économique est très élevé
comparativement à la consommation des énergies non renouvelables. En effet, au Kenya une
augmentation de 1% de la consommation des énergies renouvelables génère un accroissement
de 0,997% du PIB réel contre 0,074% en Algérie. Au Maroc, une hausse de 1% de la
consommation des énergies non renouvelables conduit à une augmentation de 0,679% du PIB
réel. En revanche, l’effet de la consommation des énergies renouvelables n’est pas
significatif. Enfin, en Turquie et en Égypte, nos résultats indiquent que la consommation des
deux sources de l’énergie (renouvelable et non renouvelable) ne joue aucun rôle sur la
croissance économique.
3.2. Le modèle vectoriel à correction d'erreur (VECM)
Les coefficients obtenus à partir des méthodes FMOLS et DOLS déterminent la relation de
Co-intégration à long terme et ne permettent pas de savoir le sens de causalité entre les
variables. C’est ainsi que nous allons utiliser le modèle à correction d’erreur qui permet de
déduire les dynamiques causales (Pesaran et al., 1999)2. Dans notre étude, nous avons choisi
d’appliquer le modèle VECM parce que toutes les variables sont intégrées (stationnaires) en
1erordre.
Le modèle vectoriel à correction d'erreur (VECM) prend la formule suivante :
o o

∆l = m +n ∆l i + n c ∆q i + rs i +j
p p

z représente le terme de correction d’erreur (ECT) et désigne les résidus de l’estimation en

moindre carré ordinaire liée à la régression de Co-intégration de long terme :
l = m+ q +e

ECT est défini par la formule suivante :

s i = It i = l i − m − q i

ϕ désigne le coefficient de ECT et permet de mesurer le rythme d’ajustement de la variable

dépendante suite aux variations de la variable indépendante pour atteindre l’équilibre de long
terme. Dans notre modèle, ECT décrit l'ajustement instantané du produit intérieur brut∆l sur
les variations précédentes du PIB, de la FBCF, de la population active totale, de la
consommation des énergies renouvelables, et de la consommation des énergies non
renouvelables (termes ∑op c ∆q i ).

Ainsi, l’estimation du modèle VECM avec un retard égal à 1 indique l’équation suivante :

2
Maurel (1989) note que « le développement de la théorie de la Co-intégration a permis de donner un fondement
statistique supplémentaire à ce type de modèles dynamiques en formalisant la notion de relation de long terme
ou d'équilibre, sous-jacente aux modèles à correction d'erreur, et en proposant des procédures de tests de
l'existence de telles relations de long terme » (p. 103).

13
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

∆ = I ( 1) × ( i − 0.703887921519 × i − 0.437090628433 × i
− 0.0649518538777 × i − 0.1849395074 × i + 0,038663
× i + 4.33053980536 ) + I(2) × ∆ i + I(3) × ∆ i + I(4)
× ∆ i + I(5) × ∆ i + I(6) × ∆ i + I(7)

L’équation de Co-intégration prend la formule suivante (modèle de long terme) :

It i = 1.0000 {|} i − 0,703888 i − 0,437091 i − 0,064952 i

− 0,184940 i + 4,330540

Tableau 7. Tests de causalité en panel

Retard = 1
Causalité Causalité de court terme Causalité de long
terme
Variables ∆ ∆ ∆ ∆ ∆ ECT
∆ ------- 0,067** 0,421** 0,000 0,046 -0,045***
(0.0434) (0.023) (0,9912) (0.4469) (0,0012)
∆ 0,249 ------- 1,319 -0,036 0,395 0,041
(0,5063) (0,0347) (0,5997) (0,054) (0,3664)
∆ 0,059 -0,018 ------- 0,016 0,101 0,005
(0,4178) (0,4209) (0,2302) (0,0120)** (0,5454)
∆ 0,446 -0,109 -0,007 ------- -0,282 0,097
0,3711 (0,4691) (0,9932) (0,3142) (0,1183)
∆ -0,060 0,065 0,668** -0,022 ------- -0,028
(0,7558) (0,2648) (0,0494) (0,8376) (0,2382)
Source : Nos estimations sur Eviews
*** significativité au seuil de 1%, ** significativité au seuil de 5%, *significativité au seuil de 10%.

Le coefficient correspondant au terme d’erreur est négatif (C(1) = -0,045) et significatif (p-
value = 0,0012). Ce résultat, signifie, qu’à long terme, il existe un effet significatif des
variables explicatives. Autrement dit, à long terme, il existe une causalité unidirectionnelle
allant de la formation brute de capital fixe réelle, de la population active totale, de la
consommation des énergies renouvelables, de la consommation des énergies non
renouvelables vers la croissance économique. En revanche, le test Wald indique l’absence
d’effet à court terme de la consommation des ER et d’ENR sur la croissance économique.
Ainsi, nos résultats confirment l’hypothèse de neutralité à court terme et l’hypothèse de
croissance à long terme.
Conclusion
Dans cette étude nous avons tenté d’analyser la relation entre la consommation des énergies
renouvelables et la croissance économique dans le cas d’un échantillon composé de cinq pays
(Algérie, Égypte, Kenya, Turquie, Maroc). L’étude porte sur la période allant de 1990 à 2015.
A l’aide d’un modèle de production de type Cobb-Douglas nous avons appliqué la méthode
de cointégration en panel pour tester la relation entre le PIB réel, la formation brute de capital
fixe réel, la population active totale, la consommation des énergies renouvelables et
d’énergies non-renouvelables. Après avoir vérifié la stationnarité des variables au premier
ordre nous avons utilisé les tests de cointégration en panel de Pedroni. Ces tests indiquent

14
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

l’existence d’une relation d’équilibre à long terme entre les variables. En outre, l’estimation
globale pour un panel de 5 pays par les deux méthodes FMOLS et DOLS indiquent des
résultats positifs et significatifs. En effet, l’augmentation de 1% de la consommation des ER
et d’ENR conduit à une hausse de 0,234%, et 0,436% de la croissance économique,
respectivement. Les deux sources d’énergies constituent, donc, un élément central de la
croissance économique. En revanche, il convient de souligner que l’élasticité correspondante
à la consommation des ENR est plus importante. Par ailleurs, l’estimation individuelle permet
d’identifier l’impact selon chaque pays. En Algérie, l’effet de la consommation des
ENR(0,882) sur la croissance économique est plus élevé que celui de la consommation des
ER (0,074). En tant que pays exportateur de pétrole, la croissance économique algérienne est
fortement générée par la consommation des énergies fossiles que par les [Link] Algérie, un
programme de développement des énergies renouvelables et d’efficacité énergétique
(PENREE) a été adopté en 2012 visant de porter la puissance installée d’origine renouvelable
à 22 000 MW d’ici [Link], les réalisations se font toujours attendre et l'Agence
internationale de l'énergie (AIE) indique que les statistiques sont à zéro pour l'éolien et le
solaire.
Contrairement au cas algérien, au Kenya, l’effet de la consommation des ER est positif et
fortement significatif. En 2016, avec 5,1 % de la production mondiale, le Kenya est le 8ème
producteur d'électricité géothermique. Les énergies renouvelables, en particulier la
géothermie, assurent 80 % de la production d'électricité.
En 2018, le Maroc est classé 2èmeproducteur d'électricité éolienne d'Afrique derrière l'Afrique
du sud grâce à l’amélioration des indicateurs comme la production éolienne (a atteint 3,8
TWh) et la puissance installée des installations solaires (a plus que triplé à 711 MW) et
éoliennes (une augmentation de 36% pour atteindre 1 220 MW).Cependant, nos résultats
indiquent que la consommation des ER ne contribue pas à l’accroissement du PIB réel. Ainsi,
la croissance économique marocaine est dépendante notamment de la consommation des
ENR. En effet, le coefficient correspondant à la CER est positif et fortement significatif
(0,679). Le pétrole et le gaz restent au cœur des systèmes énergétiques de l’économie
marocaine. Le Maroc est un pays importateur du pétrole et dépend de l’étranger pour assurer
ces besoins énergétiques. En Turquie, contrairement à la consommation des ER qui ne joue
aucun rôle, l’élasticité liée à l’utilisation des ENR est élevée et positive. En 2016, la
consommation finale d'énergie en Turquie est assurée par 20,1 % de l’'électricité issue de 66,8
% des énergies fossiles et de 33,2 % des énergies renouvelables. En Égypte3, les énergies
renouvelables constituent un axe majeur de la politique énergétique. Toutefois, nos résultats
montrent que les deux sources de l’énergie n’expliquent pas la croissance économique
égyptienne.
Ces résultats méritent une recherche approfondie. En effet, l’insuffisance des données
disponibles ne permet pas d’étudier l’impact effectif de la consommation des ER et d’ENR
sur la croissance économique. Tout d’abord, l’indisponibilité des données sur les deux
variables qui constituent le socle de notre présente étude à savoir la consommation des ER et
d’ENR. En effet, la Banque Mondiale publie des données sur l’utilisation d’énergie (kg
d’équivalent pétrole par habitant) et la consommation d’énergies renouvelables (% de la
consommation totale d’énergie ; population totale). A partir de ces variables, nous avons
calculé, à l’image de l’étude réalisée par Rahman & Velayutham (2020), la consommation des
ER et d’ENR pour chaque pays de notre échantillon. Ensuite, il serait intéressant d’introduire

3
ZEIDANE Karim Le 360 : «L'Égypte va réaliser le plus grand complexe solaire d'Afrique à Benban», Média
digital marocain, 30 octobre 2017.

15
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

des variables importantes comme le poids de la facture énergétique dans la balance

commerciale, la consommation excessive d’énergie dans les activités improductives de
l’économie, les évolutions sectorielles dans les pays considérés, le poids des ER et des ENR
dans le PIB de chaque pays, le coût lié à l’investissement dans le secteur énergétique (ER et
ENR), la source et la nature des énergies renouvelables consommées(éolienne, solaire et
hydraulique, biomasse ligneuse, etc.), les limites structurelles des pays en termes de
formation de la main-d’œuvre, le potentiel de recherche-développement et la capacité
d’innovation et/ou de financement, etc.
Par ailleurs, puisque les deux méthodes FMOLS et DOLS ne permettent pas d’analyser le
sens de causalité entre les variables, l’estimation du modèle à correction d’erreur indique
l’absence, à court terme, d’effet de la consommation d’ER et d’ENR et l’existence, à long
terme, d’une relation de causalité unidirectionnelle allant de la consommation des énergies
renouvelables à la croissance économique. Ainsi, nos résultats confirment l’hypothèse de
neutralité à court terme et l’hypothèse de croissance à long terme. Autrement, plus les pays
utilisent des ER, plus, à long terme, cette utilisation induira une augmentation du PIB réel. En
effet, conscients des effets positifs de consommation des énergies renouvelables sur la
protection de l’environnement, les pays analysés font de la politique correspondante aux
énergies renouvelables un axe majeur du développement économique et social. Premièrement
en Algérie, récemment, le gouvernement a adopté un nouveau programme, dont les coûts sont
élevés, pour épargner les réserves en gaz et assurer la production de l’électricité par 27% des
énergies renouvelables d'ici à [Link] investit massivement dans le développement des
énergies renouvelables. Quant au cas marocain, l'objectif du plan vert et de l’Office National
de l’Électricité (ONE) est de développer des énergies éolienne, solaire et hydraulique. Le
gouvernement marocain opte de porter la part des énergies renouvelables à 42% de sa
capacité énergétique totale installée à l’horizon 2020 et à 52% en [Link] niveau mondiale,
la Turquie est classée 12ème pour sa puissance installée en éoliennes et au 13ème pour la
puissance de ses centrales solaires. Enfin, en Égypte, le gouvernement vise d’aller vers un
mix énergétique pour combler une demande d’électricité dépassant actuellement 20% de la
capacité de production du pays et de porter la part des énergies renouvelables à 20% de la
production énergétique du pays à l’horizon 2020 et à 42% d’ici 2035.
Néanmoins, à l’exception du Kenya, la consommation des énergies renouvelables dans les
pays analysés reste faible. Récemment, l’étude réalisée par Chen et al., (2020) indique que
pour bénéficier des retombées positives liées à l’investissement dans énergies renouvelables,
les pays doivent dépasser un certain seuil de l’utilisation de celle-ci. En outre, Maji et al.,
(2019) soulignent que l’effet positif et signification de la consommation des énergies
renouvelable dépend de la source et de la nature des énergies renouvelables consommées.
Bibliographie
Akinlo, A. E. (2008). Energy consumption and economic growth: Evidence from 11 Sub-
Sahara African countries. Energy Economics, 30(5), 2391–2400.
[Link]
Apergis, N., & Payne, J. E. (2010a). Energy consumption and growth in South America:
Evidence from a panel error correction model. Energy Economics, 32(6), 1421–1426.
[Link]
Apergis, N., & Payne, J. E. (2010b). Renewable energy consumption and economic growth:
Evidence from a panel of OECD countries. Energy Policy, 38(1), 656–660.
[Link]
Apergis, N., & Payne, J. E. (2010c). Renewable energy consumption and growth in Eurasia.

16
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

32(6), 1392–1397. [Link]

Apergis, N., & Payne, J. E. (2012). Renewable and non-renewable energy consumption-
growth nexus: Evidence from a panel error correction model. Energy Economics, 34(3),
733–738. [Link]
Asafu-Adjaye, J. (2000). The relationship between energy consumption, energy prices and
economic growth: Time series evidence from Asian developing countries. Energy
Economics, 22(6), 615–625. [Link]
Barro, R. J. (1990). Government Spending in a Simple Model of Endogeneous Growth.
Journal of Political Economy, 98(5, Part 2), S103–S125. [Link]
Behmane, M. (2012). La Consommation D’Energie Renouvelable Et La Croissance
Economique Dans L’Europe De L’Ouest. La Consommation D’Energie Renouvelable Et
La Croissance Economique Dans L’Europe De L’Ouest, 35, 160–171.
Behmane, M. (2014). La Consommation D’Energie Renouvelable Et Le Pib Dans L’Europe
Du Nord. 38(2000), 154–166.
Bhattacharya, M., Paramati, S. R., Ozturk, I., & Bhattacharya, S. (2016). The effect of
renewable energy consumption on economic growth: Evidence from top 38 countries.
Applied Energy, 162, 733–741. [Link]
Breitung, J. (n.d.). The local power of some unit root tests for panel data. In Advances in
Econometrics (pp. 161–177). Emerald (MCB UP ). [Link]
9053(00)15006-6
Chen, C., Pinar, M., & Stengos, T. (2020). Renewable energy consumption and economic
growth nexus: Evidence from a threshold model. Energy Policy, 139(August 2019),
111295. [Link]
Engle, R. F., & Granger, C. W. J. (1987). Co-Integration and Error Correction :
Representation , Estimation , and Testing Published by : The Econometric Society Stable
URL : [Link] REFERENCES Linked references are
available on JSTOR for this article : You may need to. Econometrica, 55(2), 251–276.
Esseghir, A., & Haouaoui, L. (2011). Croissance économique , consommation d ’ énergie et
développement durable : l ’ exemple de la région méditerranéenne. 1–17.
Fatai, K., Oxley, L., & Scrimgeour, F. (2004). Causal relationship between energy
consumption and GDP in NZ, AUS, IND, Indonesia and the Philippines & Thailand. In
Mathematics and Computers in Simulation (MACOMPS) (Vol. 6, pp. 431–445).
[Link]
-[Link]
Galli, R. (1998). The Relationship Between Energy Intensity and Income Levels: Forecasting
Long Term Energy Demand in Asian Emerging Countries. 19(4).
[Link]
Hadri, K. (2000). Testing for stationarity in heterogeneous panel data Author ( s ): Kaddour
Hadri Published by : Wiley on behalf of the Royal Economic Society Stable URL :
[Link] Testing for stationarity in heterogeneous panel
data. The Econometrics Journal, 3(2), 148–161.
Hamilton, J. D. (1983). Oil and the Macroeconomy since World War II Author ( s ): James D
. Hamilton Source : Journal of Political Economy , Vol . 91 , No . 2 ( Apr ., 1983 ), pp .
228-248 Published by : The University of Chicago Press Stable URL :
[Link] The Universtiy of Chicago Press, 91(2), 228–248.
Hamit-Haggar, M. (2012). Greenhouse gas emissions, energy consumption and economic
growth: A panel cointegration analysis from Canadian industrial sector perspective.
Energy Economics, 34(1), 358–364. [Link]

17
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Hu, H., Xie, N., Fang, D., & Zhang, X. (2018). The role of renewable energy consumption
and commercial services trade in carbon dioxide reduction: Evidence from 25
developing countries. Applied Energy, 211(August 2017), 1229–1244.
[Link]
Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in heterogeneous panels.
Journal of Econometrics, 115(1), 53–74. [Link]
Kao, C. (1999). Spurious regression and residual-based tests for cointegration in panel data.
Journal of Econometrics, 90(1), 1–44. [Link]
Kao, C., & Chiang, M. H. (2000). On the estimation and inference of a cointegrated
regression in panel data. In Advances in Econometrics (Vol. 15).
[Link]
Kasman, A., & Duman, Y. S. (2015). CO2 emissions, economic growth, energy consumption,
trade and urbanization in new EU member and candidate countries: A panel data
analysis. Economic Modelling, 44, 97–103.
[Link]
KRAFT, J., & KRAFT, A. (1978). On the Relationship Between Energy On the Relationship
Between Energy and GNP. The Journal of Energy and Development, 3(2), 401–403.
Levin, A., Lin, C.-F., & James Chu, C.-S. (2002). Unit root tests in panel data: asymptotic and
finite-sample properties. Journal of Econometrics, 108(1), 1–24.
[Link]
Liddle, B., & Sadorsky, P. (2020). How much do asymmetric changes in income and energy
prices affect energy demand? Journal of Economic Asymmetries, 21(February 2019),
e00141. [Link]
Liddle, B., Smyth, R., & Zhang, X. (2020). Time-varying income and price elasticities for
energy demand: Evidence from a middle-income panel. Energy Economics, 86, 104681.
[Link]
Mahadevan, R., & Asafu-Adjaye, J. (2007). Energy consumption, economic growth and
prices: A reassessment using panel VECM for developed and developing countries.
Energy Policy, 35(4), 2481–2490.
[Link]
Maji, I. K., Sulaiman, C., & Abdul-Rahim, A. S. (2019). Renewable energy consumption and
economic growth nexus: A fresh evidence from West Africa. Energy Reports, 5, 384–
392. [Link]
Masih, A. M. M., & Masih, R. (1996). Energy consumption, real income and temporal
causality: Results from a multi-country study based on cointegration and error-correction
modelling techniques. Energy Economics, 18(3), 165–183. [Link]
9883(96)00009-6
Masih, A. M. M., & Masih, R. (1997). On the temporal causal relationship between energy
consumption, real income, and prices: Some new evidence from Asian-energy dependent
NICs based on a multivariate cointegration/vector error-correction approach. Journal of
Policy Modeling, 19(4), 417–440. [Link]
Masih, A. M. M., & Masih, R. (1998). A multivariate cointegrated modelling approach in
testing temporal causality between energy consumption, real income and prices -with an
application to two Asian LDCs. Applied Economics, 30(10), 1287–1298.
[Link]
Maurel, F. (1989). Modèles à correction d ’ erreur : l ’ apport de la théorie de la co-
intégration. 105–125.
Ocal, O., & Aslan, A. (2013). Renewable energy consumption-economic growth nexus in

18
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

Turkey. Renewable and Sustainable Energy Reviews, 28, 494–499.

[Link]
Oh, W., & Lee, K. (2004a). Causal relationship between energy consumption and GDP
revisited: The case of Korea 1970-1999. Energy Economics, 26(1), 51–59.
[Link]
Oh, W., & Lee, K. (2004b). Energy consumption and economic growth in Korea: Testing the
causality relation. Journal of Policy Modeling, 26(8–9), 973–981.
[Link]
Omri, A. (2017). en Tunisie : Risques , enjeux et stratégies à adopter To cite this version :
Thèse de doctorat Amna Omri Analyse de la transition vers les énergies renouvelables
en Tunisie : Risques , enjeux et stratégies à adopter.
Ozcan, B. (2013). The nexus between carbon emissions, energy consumption and economic
growth in Middle East countries: A panel data analysis. Energy Policy, 62, 1138–1147.
[Link]
Pedroni, P. (1999). Critical Values for Cointegration Tests in Heterogeneous Panels with
Multiple Regressors. Oxford Bulletin of Economics and Statistics, 61(s1), 653–670.
[Link]
Pedroni, P. (2001). Purchasing power parity tests in cointegrated panels. Review of Economics
and Statistics, 83(4), 727–731. [Link]
Pedroni, P. (2004). PANEL COINTEGRATION: ASYMPTOTIC AND FINITE SAMPLE
PROPERTIES OF POOLED TIME SERIES TESTS WITH AN APPLICATION TO
THE PPP HYPOTHESIS. Econometric Theory, 20(03).
[Link]
Pesaran, M. H., Pesaran, M. H., Shin, Y., & Smith, R. P. (1999). Pooled Mean Group
Estimation of Dynamic Heterogeneous Panels. Journal of the American Statistical
Association, 94(446), 621–634. [Link]
Phillips, P. C. B., & Hansen, B. E. (1990). Statistical Inference in Instrumental Variables
Regression with I(1) Processes. The Review of Economic Studies, 57(1), 99.
[Link]
Rahman, M. M., & Mamun, S. A. K. (2016). Energy use, international trade and economic
growth nexus in Australia: New evidence from an extended growth model. Renewable
and Sustainable Energy Reviews, 64, 806–816.
[Link]
Rahman, M. M., & Velayutham, E. (2020). Renewable and non-renewable energy
consumption-economic growth nexus: New evidence from South Asia. Renewable
Energy, 147, 399–408. [Link]
Sadorsky, P. (2011). Trade and energy consumption in the Middle East. Energy Economics,
33(5), 739–749. [Link]
Shafiei, S., & Salim, R. A. (2014). Non-renewable and renewable energy consumption and
CO2 emissions in OECD countries: A comparative analysis. Energy Policy, 66, 547–
556. [Link]
Stern, D. I. (1993). Energy and economic growth in the USA. A multivariate approach.
Energy Economics, 15(2), 137–150. [Link]
Stern, D. I. (2000). A multivariate cointegration analysis of the role of energy in the US
macroeconomy. Energy Economics, 22(2), 267–283.
[Link]
Vural, G. (2020). Renewable and non-renewable energy-growth nexus: A panel data
application for the selected Sub-Saharan African countries. Resources Policy, 65

19
 Journal d’Economie, de Management, d’Environnement et de Droit (JEMED)
ISSN 2605-6461 Vol 4. N° 2, Mai 2021

(December 2019), 101568. [Link]

Yao, S., Zhang, S., & Zhang, X. (2019). Renewable energy, carbon emission and economic
growth: A revised environmental Kuznets Curve perspective. Journal of Cleaner
Production, 5, 1338–1352. [Link]

20