Les intrigues de la croissance marocaine

Yassine Derrabi

To cite this version:

Yassine Derrabi. Les intrigues de la croissance marocaine. Economies et finances. Université de Pau
et des Pays de l’Adour, 2023. Français. �NNT : 2023PAUU2150�. �tel-04634845�

HAL Id: tel-04634845

https://theses.hal.science/tel-04634845v1
Submitted on 4 Jul 2024

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 UNIVERSITE) DE PAU ET DES PAYS
DE L’ADOUR

Les intrigues de la croissance marocaine

Thèse de doctorat pour l’obtention du grade de Docteur en Sciences Économiques
Présentée et soutenue publiquement

Yassine DERRABI
À

Pau

Directeur de thèse : Pr. Jamal BOUOIYOUR

Membres du jury :

Pr. Michel Dimou Université de Toulon Rapporteur

Pr. Mihai Mutascu l Université de l'Ouest Timişoara Rapporteur
Pr. Olivier Brossard Sciences Po Toulouse Examinateur
Pr. Mughal Mazhar ESC Pau Business School Examinateur

Le 05 Décembre 2023
ii
 DÉDICACE

À mon grand-père qui n'a pas pu voir mon travail

iii
iv
Remerciements
Je dois l’aboutissement de cette thèse à de nombreuses personnes, qui ont marqué de près ou
de loin mon parcours et que je tiens à remercier sincèrement.

Mes premiers remerciements s’adressent à mon directeur de thèse, Monsieur Jamal Bouoiyour,
pour son implication, sa patience, ses conseils, son précieux soutien ainsi que sa disponibilité
tout au long de ce travail de recherche. Cette thèse a pu se réaliser grâce à ses encouragements,
son encadrement et ses commentaires qui m’ont aidé a alimenté mes réflexions et atteindre mes
objectifs.

Mes chaleureux remerciements vont à Messieurs Michel Dimou et Mihai Mutascu, qui ont tous
deux accepté d’être les rapporteurs de cette thèse, en accordant leurs savoir et leurs temps pour
l’évaluation de ce travail. J’adresse également tous mes remerciements à Messieurs Olivier
Brossard et Mughal Mazhar pour leurs participations à ce jury.

Je tiens à remercier sincèrement mon co-auteur Oussama Zennati pour sa précieuse

collaboration.

Ma reconnaissance va également à tous les membres du laboratoire TREE, notamment les

enseignants-chercheurs et plus précisément Messieurs Patrice Cassagnard et Olivier Perron
pour le transfert et le partage de connaissances et d’expériences, me permettant ainsi de
découvrir et de réaliser plusieurs charges d’enseignement à l’Université de Pau et des Pays de
l’Adour et à l’Université Gustave Eiffel (Paris). Aussi, je tiens à remercier le personnel
administratif de l’école doctoral qui m’a accompagné au cours de ces années de travail.

Un grand merci à tous ceux qui ont marqué mon cursus universitaire et qui ont partagé mon
quotidien. Je pense spécialement à mes collègues dont certains sont devenus des amis très chers
au fil des années. Les premières personnes que je tiens à remercier du fond de mon cœur sont
Khalid, Salma, Mohamed, Maxime et Anass pour leurs présences et soutiens inlassables. Ils ont
été pour moi de véritable pilier dans l’avancement de mon travail de recherche. Mes pensées
vont également à mes collègues et ami(e)s : Ziad, Imane, Morad, Mounir, Jean-Claude, Addi,
Houssem, Nicolas, Billal, Smain, Asmaa, Nassim, Anthony, Yassine, Omar, Jeremy, Farouq
… et à toutes les personnes qui m’ont toujours motivé et encouragé et que je ne pourrais citer
ici. Je n’oublierais jamais les moments de joie et de stress que nous avons passés tous ensemble.

v
Je vous souhaite à toutes et à tous le meilleur.

Mes mots ne seraient en aucun cas à la hauteur de l’amour et l’affection que vous m’avez assuré
tout au long de mes études. Je voudrais exprimer ma gratitude à ma grande famille, que je ne
saurais remercier pour le soutien, les sacrifices, l’implication et les encouragements permanents
qu’ils m’ont apporté. Une pensée particulière à mon défunt grand-père Mohamed, à mon grand-
père Bouchaib et à mes grands-mères pour leurs sagesses, affections inépuisables et leurs
précieux conseils depuis mon jeune âge. À ma mère et mon père qui m’ont soutenue
moralement et émotionnellement jusqu’ici. À mes merveilleux frères et sœurs, qui étaient pour
moi, une vraie source de motivation. Une pensée spéciale à mon oncle et mon idole Mohamed,
à mon oncle Khalid, et à mes tantes Imane, Nora et Meriem pour leurs inestimables soutiens,
conseils et orientations.

À toutes et à tous, un grand merci.

vi
Table des matières :
Remerciements ____________________________________________________________ iii

Table des matières : ________________________________________________________ vi

Liste des figures : __________________________________________________________ ix

Liste des tableaux : ________________________________________________________ xii

Liste des abréviations : ____________________________________________________ xiv

Introduction générale : __________________________________________________ - 16 -

1. La qualité des institutions et la croissance économique : Cas de la Région

MENA _________________________________________________________________ - 25 -

1.1. Introduction : _____________________________________________________ - 25 -

1.2. Brief état de l’art : _________________________________________________ - 28 -

1.3. Méthodologie et modèle économétrique : ______________________________ - 34 -

1.3.1. Cadre d’analyse : _________________________________________________ - 34 -

1.3.2. Méthodologie : ___________________________________________________ - 36 -
1.3.3. Modèle économétrique : __________________________________________ - 38 -

1.4. Résultats et discussion : _____________________________________________ - 40 -

1.4.1. Descriptions des données : ________________________________________ - 40 -

1.4.2. Résultats et discussion : __________________________________________ - 42 -

1.5. Test de robustesse : ________________________________________________ - 49 -

1.6. Conclusion : ______________________________________________________ - 51 -

1.7. Annexe : _________________________________________________________ - 53 -

2. L’efficience du rendement de l’investissement : Cas du Maroc ______________ - 64 -

2.1. Introduction : _____________________________________________________ - 64 -

vii
2.2. Données et méthodologie : __________________________________________ - 68 -

2.2.1. Données et statistiques descriptives : ______________________________ - 68 -

2.2.2. Méthodologie : ___________________________________________________ - 70 -
2.2.2.1. MF-DFA : ___________________________________________________________ - 70 -
2.2.2.2. Robustesse : L’exposant de Hurst par le biais du « Rescaled Range » : __ - 71 -

2.3. Résultats et discussion : _____________________________________________ - 74 -

2.3.1. Multifractalité – Maroc : _________________________________________ - 75 -

2.3.2. Multifractalité – Portugal et Turquie : ____________________________ - 77 -
2.3.3. Source de la multifractalité de l’investissement au Maroc : ________ - 79 -

2.4. L’investissement au Maroc, entre avancées et défi à relever : _____________ - 81 -

2.4.1. L’effort gouvernementale en termes de consolidation et de développement

des investissements : ______________________________________________________ - 81 -
2.4.2. Le secteur informel au Maroc, entrave ou avantage le développement ? -
83 -

2.5. Robustesse : H - Exponent : _________________________________________ - 86 -

2.6. Conclusion : ______________________________________________________ - 89 -

2.7. Annexe : _________________________________________________________ - 90 -

3. La pluviométrie et la croissance économique : Cas du Maroc _______________ - 95 -

3.1. Introduction : _____________________________________________________ - 95 -

3.2. Profil économique et agricole marocain : ______________________________ - 98 -

3.3. Brief État de l’Art : _______________________________________________ - 103 -

3.4. Méthodologie et Données : _________________________________________ - 107 -

3.4.1. Méthodologie : __________________________________________________ - 107 -

3.4.1.1. Le modèle ARDL : __________________________________________________ - 107 -
3.4.1.2. Le modèle NARDL : ________________________________________________ - 110 -

3.4.2. Descriptions des données : _______________________________________ - 112 -

3.4.3. Modèles Empiriques : ___________________________________________ - 114 -

3.5. Résultats et discussion : ____________________________________________ - 117 -

3.5.1. Stationnarité des séries : (Unit root test) _________________________ - 117 -

viii
 3.5.2. Résultat des estimations à long terme et à court terme - ARDL : __ - 118 -
3.5.2.1. Retard optimal et estimation du modèle ARDL : ______________________ - 118 -
3.5.2.2. Test de cointégration aux bornes - ARDL : ___________________________ - 118 -
3.5.2.3. Estimation et discussion (ARDL) : ___________________________________ - 119 -

3.5.3. Résultat des Estimation asymétrique à long terme et à court terme : Non
linéaire ARDL : __________________________________________________________ - 124 -
3.5.3.1. Test de cointégration aux bornes – N-ARDL : ________________________ - 124 -
3.5.3.2. Estimation et discussion (Non Linéaire - ARDL) : _____________________ - 125 -
3.5.3.3. L’asymétrie : Multiplicateur dynamique ______________________________ - 129 -

3.6. Robustesse ARDL et N-ARDL : _____________________________________ - 133 -

3.7. Tests de diagnostic des modèles – ARDL & Non linéaire ARDL : _________ - 136 -

3.8. Conclusion : _____________________________________________________ - 138 -

3.9. Annexe : ________________________________________________________ - 140 -

Conclusion générale : ___________________________________________________ - 148 -

Bibliographie : _________________________________________________________ - 153 -

Résumé : ______________________________________________________________ - 153 -

Abstract : ______________________________________________________________ - 153 -

ix
Liste des figures :
Figure 1 : Croissance du PIB par habitant au niveau mondial (% annuel) _____________ - 18 -
Figure 2 : Taux de chômage au niveau mondial (en % de la population active totale) __ - 19 -
Figure 3 : Croissance du PIB par habitant au niveau régional (% annuel) ______________ - 20 -
Figure 4 : La croissance du PIB, de la VA Agricole et des précipitations (1970-2020) ____ - 23 -
Figure 5 : Le taux de croissance économique et la variable du capital physique ________ - 56 -
Figure 6 : Le taux de croissance économique et la variable du capital humain _________ - 57 -
Figure 7 : Le taux de croissance économique et la variable des politiques structurelles __ - 57 -
Figure 8 : Le taux de croissance économique et la variable de la stabilisation macroéconomique
_______________________________________________________________________ - 58 -
Figure 9 : Le taux brut de scolarisation en secondaire et en primaire ________________ - 58 -
Figure 10 : La Stabilité Gouvernementale, le Profil d’Investissement et la Croissance
Économique _____________________________________________________________ - 59 -
Figure 11 : La Corruption, la Responsabilité Démocratique et la Croissance Économique - 59 -
Figure 12 : Formation brute de capital fixe du Maroc (en millions de DH)_____________ - 68 -
Figure 13 : Symétrie de la FBCF ______________________________________________ - 69 -
Figure 14 : Graphique de Fq(s) en fonction de s en log-log Maroc – Portugal – Turquie : - 74 -
Figure 15 : Analyse multifractale par la méthode MF-DFA – Maroc : _________________ - 75 -
Figure 16 : Analyse multifractale par la méthode MF-DFA – Portugal : _______________ - 77 -
Figure 17 : Analyse multifractale par la méthode MF-DFA – Turquie :________________ - 78 -
Figure 18 : Source de multifractalité : _________________________________________ - 79 -
Figure 19 : Structure de la FBCF en % (2013-2021) _______________________________ - 84 -
Figure 20 : Rescaled range – Hurst Exponent – Morocco: _________________________ - 87 -
Figure 21 : Rescaled range – Hurst Exponent – Portugal: __________________________ - 87 -
Figure 22 : Rescaled range – Hurst Exponent – Turkey: ___________________________ - 87 -
Figure 23 : L’évolution du PIB (Base 1960) _____________________________________ - 90 -
Figure 24 : L’évolution du PIB par habitant (Base 1960) __________________________ - 90 -

x
Figure 25 : La croissance du PIB et de la VA Agricole (1970-2020) ___________________ - 99 -
Figure 26 : Population Urbaine et Rurale (2000-2020) ___________________________ - 100 -
Figure 27 : Emploi au Maroc par Secteur (2000-2020) ___________________________ - 101 -
Figure 28 : Multiplicateur dynamique des précipitations sur la croissance économique - 130 -
Figure 29 : Multiplicateur dynamique de la production des céréales sur la croissance
économique ____________________________________________________________ - 131 -
Figure 30 : Graphe polynomial - Modèle 1 : ___________________________________ - 143 -
Figure 31 : Graphe polynomial - Modèle 2 : ___________________________________ - 143 -
Figure 32 : Test de stabilité CUSUM et CUSUMSQ – Modèle 1 :____________________ - 144 -
Figure 33 : Test de stabilité CUSUM et CUSUMSQ – Modèle 2 :____________________ - 144 -
Figure 34 : Test de stabilité CUSUM et CUSUMSQ – Modèle 1 :____________________ - 145 -
Figure 35 : Test de stabilité CUSUM et CUSUMSQ – Modèle 2 :____________________ - 145 -
Figure 36 : L’indice de confiance des ménages et les précipitations ________________ - 146 -
Figure 37 : Évolution de la dotation en eau (m3/ habitant, entre 1990-2019) _________ - 146 -
Figure 38 : Exportation Agricole et totale au Maroc (2000-2020) __________________ - 147 -

xi
Liste des tableaux :
Tableau 1 : Statistiques descriptives __________________________________________ - 41 -
Tableau 2 : La stabilité gouvernementale et la croissance économique : Régression Bayésienne
Par Quantile (1984 – 2016) _________________________________________________ - 43 -
Tableau 3 : Le profil d’investissement et la croissance économique : Régression Bayésienne
Par Quantile (1984 – 2016) _________________________________________________ - 43 -
Tableau 4 : La Corruption et la croissance économique : Régression Bayésienne Par Quantile
(1984 – 2016) ____________________________________________________________ - 46 -
Tableau 5 : La Responsabilité Démocratique et la croissance économique : Régression
Bayésienne Par Quantile (1984 – 2016) _______________________________________ - 46 -
Tableau 6 : La qualité des institutions et la croissance économique : GMM : __________ - 49 -
Tableau 7 : Corrélations entre les variables : ___________________________________ - 55 -
Tableau 8 : Statistique Descriptive : Taux de croissance de notre panel : _____________ - 60 -
Tableau 9 : Statistique Descriptive : Les indicateurs de la Qualité des Institutions : _____ - 61 -
Tableau 10 : « Quantile slope equality » - Stabilité gouvernementale (IQ) ____________ - 62 -
Tableau 11 : « Quantile slope equality » - Profil d’investissement (IQ) _______________ - 62 -
Tableau 12 : « Quantile slope equality » - Corruption (IQ) _________________________ - 63 -
Tableau 13 : « Quantile slope equality » - Responsabilité démocratique (IQ) __________ - 63 -
Tableau 14 : Statistiques descriptive __________________________________________ - 69 -
Tableau 15 : Valeurs ajoutées par secteur (2000-2020) (en %) _____________________ - 98 -
Tableau 16 : Statistiques descriptives _______________________________________ - 112 -
Tableau 17 : Résultats des tests de racine unitaire (ADF & PP) ____________________ - 117 -
Tableau 18 : Résultats du test de cointégration aux bornes _______________________ - 119 -
Tableau 19 : Résultats des estimations ARDL (court et long terme) :________________ - 121 -
Tableau 20 : Résultats du test de cointégration aux bornes _______________________ - 124 -
Tableau 21 : Résultats des estimations N-ARDL (court et long terme) : ______________ - 126 -
Tableau 22 : Test de symétrie (Wald Test) : ___________________________________ - 129 -
Tableau 23 : Résultats des estimations ARDL & N-ARDL (court et long terme) : _______ - 134 -
Tableau 24 : Résultats des tests de diagnostic des modèles – ARDL : _______________ - 136 -
Tableau 25 : Résultats des tests de diagnostic des modèles – N-ARDL : _____________ - 136 -

xii
Tableau 26 : Critères de sélection de l’ordre des retards VAR : ____________________ - 142 -

xiii
Liste des abréviations

ARDL : Auto Regressive Distributed Lag model

N-ARDL : Non-Linear Autoregressive-Distributed Lag model

BCI : Borne critique inférieure

BCS : Borne critique supérieure

BEI : Banque européenne d’invescssement

BQR : Bayesian quantile regression

BTP : Bâtiment et des travaux publics

CCKP : The Climate Change Knowledge Portal

FBCF : Formation brute du capital fixe

FED : The Federal Reserve

FRED : Federal Reserve Bank of St. Louis

GMM : La méthode des moments généralisés

HCP : Haut-Commissariat au Plan

ICRG : International Country Risk Guide

IDE : Investissements directs étrangers

IQ : Qualité des institutions

IS : Impôt sur les sociétés

LGV : Ligne à grande vitesse

MENA : Afrique du Nord et Moyen-Orient

MCO : La méthode des moindres carrés ordinaire

xiv
MF-DFA : MultiFractal Detrended Fluctuation Analysis

MM : Millimètre de précipitation par mètre carré

MMAD : Million de dirham marocain

OCDE : Organisation de coopération et de développement économiques

OCI : Organisation de la coopération islamique

OICA : Organisation internationale des constructeurs d'automobiles

PRS : Political Risk Services

PAI : Plan d’accélération industrielle

PIB : Produit intérieur brut

PNEI : Pacte nationale d’émergence industrielle

PSA : Peugeot Société Anonyme

SAU : Surface agricole utile

TVA : Taxe sur la valeur ajoutée

UE : Union européenne

WDI : World Development Indicators

xv
Introduction générale :
La croissance économique constitue le cœur du système capitaliste. Il n’est pas étonnant qu’elle
suscite depuis toujours l’intérêt des acteurs économiques (politiciens, syndicats,
entrepreneurs…), mais aussi des économistes et des chercheurs de tout bord.

Depuis plus d’un siècle, la croissance économique a modifié fortement nos sociétés, en
réduisant la pauvreté, en améliorant la qualité de vie, et en favorisant l'innovation
technologique.

Dès lors, la croissance économique a des implications significatives sur le bien-être de la

population, la capacité d'un pays à investir dans des domaines essentiels tels que l'éducation, la
santé et l'infrastructure, la création d’emplois1 et même sur le rayonnement des nations. Il n’est
guère étonnant que les économistes et les chercheurs en sciences sociales ont développé
plusieurs théories visant l’étude des facteurs explicatifs de la croissance économique. Cette
littérature couvre un large éventail de sujets et de thématiques. Cependant, cette dernière a
2
connu son apogée avec les travaux pionniers des économistes Robert M. Solow (1956) et
Trevor W. Swan3 (1956), qui ont donné lieu à la naissance de ce qu’on a communément appelé
le modèle de croissance exogène. Ce modèle met l’accent sur le rôle des facteurs de production

1
En outre, elle est intrinsèquement liée à la compétitivité d'une nation sur la scène mondiale et à sa capacité à
atteindre un niveau de développement durable.
2
Solow (1956): A contribution to the theory of economic growth.
3
Swan (1956): Economic growth and capital accumulation.
(le capital4, le travail5 et la technologie6), et considère le changement technologique comme
étant exogène. Il s’agit d’une représentation simple et abstraite d’une économie complexe7,
considérée comme la caractéristique la plus importante de ce modèle8 (Acemoglu, 2008). Par
conséquent, le modèle de Solow constitue un point de départ pour des modèles plus développés.

Comme réponse aux modèles de croissance exogène, le développement d’une grande partie de
la théorie de la croissance endogène doit son essor à Paul Romer (1986)9. Par l’introduction des
retombées technologiques sur le capital physique, à travers la modélisation du processus de
l’accumulation des connaissances10, où l'hypothèse phare, est que le stock de connaissance
progresse de manière endogène pour l'économie dans son ensemble. Robert Lucas (1988)11
développe un modèle proche de Romer, mais avec les retombées qui se font par le biais du
capital humain12. Ces derniers modèles sont à l’origine du regain d’intérêt des économistes pour
la croissance économique, en montrant comment les investissements dans le capital humain et
la technologie peuvent stimuler la croissance économique. Les travaux de Mankiw, Romer et
Weil (1992)13, en se basant sur le modèle de Solow montrent que l’introduction du capital
humain dans la fonction de production améliore la qualité des estimations de manière forte, ce
qui a donné naissance au modèle de Solow augmenté.

L'importance de la croissance économique réside dans sa capacité à générer des ressources

financières, à stimuler l'innovation et à améliorer la qualité de vie. La recherche d'une
croissance économique soutenue est souvent accompagnée de défis considérables tels que les
la volatilité des variables macroéconomiques, la durabilité environnementale, la stabilité
financière et la gestion des inégalités. Pourtant, cette croissance n'est pas également répartie à
travers le monde, que ce soit pour les pays développés, les pays en développement ou bien ceux
émergents. En effet, de nombreuses régions du monde n’arrivent pas à enclencher un processus

4
L’ensemble des biens de production, tels que les machines, les usines et les infrastructures.
5
La main-d'œuvre disponible pour produire des biens et des services.
6
L’ensemble des connaissances techniques et de production qui sont disponibles.
7
Partagée par de nombreux modèles de croissance.
8
Malgré sa simplicité, le modèle de croissance de Solow est un modèle d'équilibre général dynamique
9
Romer (1986): Increasing returns and long-run growth
10
Dans le sens ou une fois qu'une technologie particulière a été découverte, de nombreuses entreprises peuvent
bénéficier de cette connaissance.
11
Lucas Jr (1988): On the mechanics of economic development
12
Autrement dit, Romer a des externalités de capital physique, mais Lucas a des externalités de capital humain
13
Mankiw et al. (1992): A contribution to the empirics of economic growth

- 17 -
de croissance stable et soutenable.

0
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 2022
-1

-2

-3

-4

Figure 1 : Croissance du PIB par habitant au niveau mondial (% annuel)

L’histoire récente de la croissance économique montre de manière claire ces soubresauts. Ainsi,
la crise financière de 2008 a-t-elle déclenché une récession économique mondiale majeure
(Helleiner, 2011). De nombreuses économies ont connu une contraction de leur PIB (figure 1),
une augmentation du chômage (Nations Unies, Mars, 2012) (figure 2) plus prononcée chez les
jeunes que sur la population globale (Choudhry, et al., 2012) et des problèmes financiers
importants (Erkens, et al., 2012). Les gouvernements et les banques centrales ont mis en place
des mesures de relance économique, notamment des plans de sauvetage bancaire et des
politiques monétaires expansionnistes pour stabiliser les marchés (massivement par la FED, la
BCE, la Banque d'Angleterre et bien d’autres) (Blinder, 2010). Ensuite on a pu assister à une
reprise économique, mais celle-ci a été relativement lente et inégale. Certaines régions, comme
les pays émergents et en développement, ont rebondi plus rapidement que les économies
avancées (Berkmen, et al., 2012), aidées par la demande intérieure et des politiques fiscales et
monétaires favorables (Fratzscher, et al., 2018).

Au moment où l'économie mondiale commençait à se redresser après la crise de 2008, la

pandémie de COVID-19 a frappé courant le dernier trimestre de 2019, provoquant une
contraction économique mondiale sévère (figure 1). D’un côté, les mesures de confinement et
de distanciation sociale ont entraîné des perturbations massives dans de nombreux secteurs
(figure 2), d’un autre côté, les perturbations dans la chaîne d'approvisionnement mondiale
(Jean, 2021), notamment la pénurie de semi-conducteurs ont eu un impact sur la production et

- 18 -
les coûts de nombreuses entreprises, ralentissant la reprise dans certains secteurs. Tandis que
les gouvernements ont mis en place des mesures de relance économique sans précédent pour
essayer de contrer et d’atténuer les effets de la pandémie. La reprise économique a été
accompagnée d'une augmentation de l'inflation dans de nombreuses régions du monde, en partie
due à des facteurs temporaires tels que les perturbations de l'offre (Maital & Barzani, 2020).

7,0

6,8

6,6

6,4

6,2

6,0

5,8

5,6
5,4

5,2

5,0
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 2022

Figure 2 : Taux de chômage au niveau mondial (en % de la population active totale)

La morosité du contexte économique mondial a eu des effets néfastes sur pratiquement tous les
pays. L’accumulation des problèmes économiques et des déficits sociaux (chômage, pauvreté,
inégalités, perte de pouvoir d’achat, etc.) rendent les solutions partielles inopérables.

D’où l’intérêt de s’intéresser à un pays comme le Maroc. Ce dernier fait face depuis toujours à
des chocs exogènes compte tenu de son ouverture et de son intégration dans les différentes
chaînes de production. Le Maroc est un pays qui a été épargné par le mouvement du printemps
arabe survenu en 2011, il jouit d’une certaine stabilité politique selon les Nations Unies
(CNUCED & CCI, 2010), grâce en grande partie à la mise en place d’une nouvelle constitution
accompagnée par des élections législatives. Il s’agissait pour le pouvoir de contenir les effets
négatifs du « printemps-arabe » et de consolider la stabilité politique (Mouline, 2012).

Ce pays se caractérise aussi par une croissance volatile avec des sauts qui sont quelques fois
intrigants. Certes, l’investissement (surtout public) est conséquent, mais la croissance demeure
fragile et très dépendante des conditions climatiques. Nous avons décidé d’étudier l’efficience
de l’investissement, avant de finir par l’analyse de l’effet de la pluviométrie sur la croissance

- 19 -
économique pour ce pays.

Mais avant de nous intéresser au Maroc, nous avons fait le choix d’étudier la problématique de
la croissance économique dans un ensemble régional ; il s’agit de la région Moyen-Orient et de
l'Afrique du Nord (MENA). Nous nous intéressons en particulier à la relation entre la croissance
économique et la qualité des institutions. Certains pays du Golfe, riches en ressources
naturelles, notamment les énergies fossiles, ont affiché une croissance économique solide,
tandis que d'autres ont été confrontés à des défis économiques et politiques (Berument, et al.,
2010).

Lorsqu’on s’intéresse aux différentes régions économiques, on peut faire le constat que la
croissance économique varie considérablement d'une région à l'autre en fonction de plusieurs
facteurs tels que les politiques économiques nationales, les ressources naturelles disponibles,
les niveaux de développement, les investissements, et bien d'autres. Sans oublier l’impact de la
conjoncture économique mondiale qui devient de plus en plus prépondérant, comme on a pu le
constater à la faveur de la crise financière de 2008 ou bien celle liée à la pandémie de la
COVID-19 (figure 3).

0
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 2022
-2

-4

-6

-8

ECS MENA NAC SAS SSF

Figure 3 : Croissance du PIB par habitant au niveau régional14 (% annuel)

14
Nous avons inclus que cinq régions par souci de visibilité des courbes, à savoir : Europe et Asie centrale (ECS),
Afrique du Nord et Moyen-Orient (MENA), Amérique du Nord (NAC), Asie du Sud (SAS) et Afrique
Subsaharienne (SSF). Il manque, bien évidemment, les deux régions suivantes : Asie de l’Est et Pacifique (TEA)
et Amérique latine et Caraïbes (TLA).

- 20 -
Le premier chapitre traitera donc la région MENA. Ce bloc de pays est doté d’une
diversification importante tant en termes de cultures ou de ressources naturelles (pour certains
pays, spécialement ceux du Conseil de coopération des États arabes du Golfe, CCG). Mais en
même temps, elle affiche une forte volatilité de son activité économique, notamment, en raison
de conflits récurrents, d'instabilité politique permanente (Tang & Abosedra, 2014) (Nawaz,
2015) (Slesman, et al., 2015) et de volatilité excessive des prix des matières premières
(Andreano, et al., 2013) (Banque Mondiale, 2022). Nous prenons comme point de départ de
notre analyse les travaux pionniers de Solow (1956) et plus précisément de Mankiw et al.
(1992). Dans ce cadre, nous analysons ainsi la relation entre la croissance économique et la
qualité des institutions de 15 pays de la région MENA couvrant une période allant de 1984 à
2016. Ainsi, nous avons introduit quatre variables mesurant la qualité des institutions, à savoir,
la stabilité gouvernementale, le profil d'investissement, la corruption et la responsabilité
démocratique, d’une manière indépendante. Pour ce faire, nous appliquons une régression par
quantile en tenant compte de l’approche bayésienne, faisant partie des modèles de distribution
conditionnelle. Une technique économétrique qui donne la possibilité d’avoir une vue large et
complète de la distribution de la relation entre les différentes variables introduites et la variable
dépendante, c’est-à-dire, les quantiles vont nous permettre d’appréhender la relation étudiée,
dans les différents niveaux de croissance économique pour notre panel de pays. Contrairement
aux estimateurs conventionnels tels que MCO fournissant l'impact d'une variable explicative à
la moyenne conditionnelle de la variable dépendante.

L’analyse empirique par quantile de notre premier chapitre met en évidence l’existence d’une
relation significative entre la qualité des institutions et la croissance économique pour la région
MENA. Les résultats phares suggèrent, d’un côté, que la qualité des institutions joue un rôle
primordial dans la définition des écarts de revenu par habitant entre les pays considérés dans
notre échantillon. Et d’un autre côté, que le rôle joué par les institutions est soumis au niveau
de croissance des économies. Nous montrons aussi qu'une bonne gouvernance est importante
pour la croissance économique des économies de la région MENA, en particulier dans les pays
qui observent une croissance faible.

A la lumière de ces derniers éléments, nous nous intéressons par la suite au cas du Maroc, qui
depuis l’indépendance a vu son économie passer par une longue trajectoire marquée par
l’instauration et la mise en œuvre de plusieurs réformes, dans le but de construire une économie
ouverte et moins vulnérable aux chocs conjoncturels. Or, la performance de l’économie
marocaine, mesurée par la croissance économique et du niveau de vie de la population, reste de

- 21 -
loin insuffisante comparée aux potentialités réelles du pays, spécialement en termes
d’investissement, comparativement à celle des autres pays ayant été au même niveau de
développement que le Maroc dans les années 1960 et 1970 (Abbad, 2017).

Il est à noter que malgré le taux d’investissement remarquablement élevé du Maroc, figurant
parmi les plus élevés au monde avec une moyenne de 34 % du PIB par an depuis le milieu des
années 2000 (Fond Monétaire Internationale, 2017) (World Bank, 2018), les retombées en
termes de croissance économique, création d’emplois et productivité, ont été décevantes
(International Finance Corporation, 2019). C’est l’une des raisons qui nous ont poussés à parler
des intrigues de la croissance économique marocaine.

Nous pensons que ceci est dû à l’inefficience de l’investissement au Maroc. Cette question sera
étudiée dans le chapitre 2, sur la période 1980-2023, avec une fréquence trimestrielle. Dans
l’optique d’avoir une analyse rigoureuse, nous avons jugé opportun d’effectuer une étude
comparative, en incluant d’autres pays ayant eu des niveaux plus ou moins similaires en termes
de croissance économique entre les années 1960 et 1970 et qui ont réalisé un développement
relativement différent, que celui de l’économie du Maroc, en l’occurrence, la Turquie et le
Portugal. A cette fin, nous avons procédé à l’utilisation, à la fois, de l’approche de l’intervalle
rééchelonné « Rescaled Range » et de la procédure de la « MultiFractal Detrended Fluctuation
Analysis » (MF-DFA). Cette dernière, constitue un cadre original pour aborder cette étude, et
assure une flexibilité et une fiabilité dans l’étude des caractéristiques multifractales des séries
temporelles.

Notre analyse permet de dégager les résultats suivants. Dans un premier temps, les résultats de
l’exposant de Hurst montrent un comportement persistant et explosif du rendement de
l’investissement, avec cependant des niveaux relativement différents pour les trois pays étudiés.
Dans un second temps, une forte multifractalité a été observée, c’est-à-dire que l’investissement
est déterminé par plusieurs facteurs. Et finalement, pour ce qui concerne le cas du Maroc, la
source de multifractalité réside dans l’effet de mémoire longue, autrement dit les
investissements effectués entrainent l’apparition d’autres investissements. C’est ainsi qu’on
peut avancer des conclusions saillantes de l’efficience de l’investissement au Maroc, mais qui
reste inférieur à ses semblables. De plus, on peut conclure aussi que le potentiel
d’investissement est loin d’être atteint et que le chemin à parcourir pour ce pays demeure long
pour stimuler la croissance.

- 22 -
Mis à part le rôle prépondérant de l’investissement pour l’économie marocaine, en se basant
sur les données de la banque mondiale le taux de croissance moyen (par habitant) a été contenu
dans une limite de 3 % entre 1970 et 2020, marqué par une évolution en dents de scie,
parallèlement aux performances du secteur agricole (figure 4). Pour cette économie, la
production agricole est tellement importante qu’elle pourrait assurer une croissance annuelle
minimale de 3 % du PIB (particulièrement celle des céréales) (Azzam & Sekkat, 2005). Une
telle situation affecte directement l’agriculture dans les pays en développement en raison d’un
manque en matière d’infrastructures relatives à la stabilité de la production agricole (Mougou,
et al., 2011). Un secteur qui peut contribuer à plus de 30 % dans l’emploi total des pays à bas
revenus (Berthelier & Lipchitz, 2005) et à hauteur de 34 % pour le cas du Maroc, témoignant
du poids considérable de ce secteur dans la croissance économique.

25 600

20
500
15
400
10
300
5
200
0
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
-5 100

-10 0
Valeur ajoutée - Agriculture (% du PIB) Croissance du PIB (%) Précipitations Annuelles (en mm)

Figure 4 : La croissance du PIB, de la VA Agricole et des précipitations (1970-2020)

La finalité du dernier chapitre est d’examiner minutieusement l’effet de la pluviométrie sur la

croissance économique pour le cas du Maroc entre 1966 et 2020. L’idée phare ici est de montrer
que le secteur agricole impacte la croissance économique marocaine dans des proportions qui
vont au-delà de son poids réel sur l’économie. D’où le titre de cette thèse qui fait référence à la
notion d’intrigue.

Nous utilisons deux mesures de la pluviométrie, à savoir, les précipitations et la production

céréalière annuelle. Cette analyse sera conduite en deux temps. Dans le premier, nous étudions
cette relation en employant un modèle dynamique et autorégressif, qui prend la forme d’un
modèle ARDL (Auto Regressive Distributed Lag model) proposé par Pesaran, et al. (2001). Ce

- 23 -
dernier type de modèle suppose d’emblée une relation symétrique entre la variable d’intérêt et
la variable dépendante, alors que cette relation pourrait être asymétrique. Dans le second, et
pour répondre à cette préoccupation, le modèle Non linéaire autorégressif à retards échelonnés
(NARDL : Non-Linear Autoregressive-Distributed Lag) proposé par Shin, et al. (2014), a été
utilisé. Il permet la vérification de l’effet asymétrique de la pluviométrie sur la croissance
économique. L’objectif de ce dernier chapitre est double. D’un côté, nous essayons de dénicher
la meilleure approximation de la pluviométrie entre les deux mesures introduites pour
l’économie marocaine. Et d’un autre, nous tentons d’étudier les effets asymétriques potentiels
de ces deux dernières.

Les résultats issus du modèle ARDL révèlent qu’il existe une relation positive entre les deux
mesures de la pluviométrie et la croissance économique. Parallèlement, à travers le modèle non-
linéaire ARDL, on confirme la robustesse de cette relation. L’analyse linéaire montre que toute
augmentation des précipitations annuelles ou de la production céréalière agit positivement sur
la croissance économique marocaine, que ce soit sur le long terme ou le court terme. En
revanche, lorsqu’il s’agit de l’analyse non linéaire, sur le long terme, seules les baisses (après
la décomposition) des précipitations (mesurées par les deux variables) se traduisent par une
chute de la croissance économique. Et sur le court terme, l’analyse non linéaire suggère que
l’effet significatif se prononce seulement dans le cas de la production céréalière, c’est-à-dire
que toute amélioration de la performance de cette production stimule notre variable dépendante,
et dans le sens inverse, une détérioration de cette performance peut constituer un frein à la
croissance économique.

En dernier lieu, nous achevons notre thèse par une conclusion générale rappelant les objectifs
visés par ce travail, les principaux résultats obtenus, les limites de nos études et quelques
recommandations, qui nous semblent intéressantes.

- 24 -
1.

La qualité des institutions et la croissance

économique : Cas de la Région MENA

1.1. Introduction :
Malgré sa richesse en ressources naturelles, la région du Moyen-Orient et de l'Afrique du Nord
(MENA) souffre d'une croissance économique insatisfaisante en comparaison avec celle
d'autres pays émergents et développement. Depuis plusieurs années, les pays de la région
MENA ont lancé leurs processus de développement, donnant lieu à deux éléments clés qui
caractérisent leurs taux de croissance, à savoir le faible rythme de changements structurels et
les niveaux élevés de corruption. Ces deux éléments peuvent entraver la création d'emplois
hautement productifs et ralentir la croissance économique dans cette région (Hakura, 2004 ;
Hakimi & Hamdi, 2017 ; Sekrafi & Sghaier, 2018). Ce constat est également observé pour les
pays disposant de ressources naturelles abondantes (Mauro, 1995). L'instabilité politique et
sociale, les guerres ainsi que les fortes fluctuations des prix du pétrole qui ont marqué la fin du
siècle dernier, sont des facteurs susceptibles de ralentir le processus de croissance économique
et du développement des pays de la région MENA (Tang & Abosedra, 2014). Cependant, ces
pays souffrent encore de nombreux problèmes15, liés notamment à la non-diversification de leur
économie, et plus particulièrement à leur dépendance envers les énergies fossiles (pétrole, gaz

15
Qui culminent dans des moyens d'existence médiocres, ce qui a été l'une des priorités du récent " printemps
arabe ".

- 25 -
naturel) ou encore à l'agriculture.

Ces débats ont pour origine d’une toute série des mouvements sociaux, notamment des
manifestations, des révolutions, dont le printemps arabe (2010-2012) fut l'exemple
emblématique. Malgré les progrès économiques réalisés dans la région, ce mouvement est venu
nous rappeler que les systèmes mondiaux sont incapables de progresser durablement en
l'absence de véritable démocratie et de distribution équitable des richesses.

Toutefois, en raison de la place accordée à certains autres facteurs déterminants, à savoir le

capital physique et humain et le progrès technologique, le rôle des institutions nationales
(économique et politique) dans la stimulation de la croissance est resté pratiquement limité.

En revanche, depuis les années 1990, les chercheurs, les décideurs politiques et certains acteurs
du développement ont accordé une attention considérable aux questions relatives à la qualité
des institutions ainsi qu'à leurs effets sur la croissance économique. Cela a donné lieu à la
parution d'une littérature défendant l'idée que les politiques structurelles ainsi que le rôle et la
qualité du cadre institutionnel d'un pays sont susceptibles de jouer un rôle déterminant sur la
performance économique de ce dernier (Doucouliagos & Ulubaşoğlu, 2008). Ces politiques
structurelles et institutionnelles, dont dépend la qualité de l'environnement économique, sont
parmi les principales explications des différences des niveaux de croissance entre différents
pays (Acemoglu & Robinson, 2010 ; Abdelbary & Benhin, 2018). Les institutions politiques
sont par conséquent les uns des éléments fondamentaux de la croissance économique. En effet,
elles stimulent le fonctionnement des institutions économiques, dont les répercussions sur la
croissance économique sont directes pour chaque pays (Flachaire, et al., 2014). Le corpus de
littérature, évoluant au fil du temps, conclut que le cadre institutionnel d'un pays joue un rôle
crucial dans la détermination de la performance du développement économique d'un pays.

Par ailleurs, de nombreux travaux soutiennent l'idée que des institutions gouvernementales
dysfonctionnelles entravent considérablement l'investissement, l’entrepreneuriat et l'innovation
et, par conséquent, entravent également le maintien d'un niveau soutenable de croissance
économique. (Aisen & Veiga, 2013 ; Flachaire, et al., 2014 ; Slesman, et al., 2015). De plus,
une majorité d'économistes16 sont d'accord sur le fait que l'efficacité des institutions

16
Ces travaux ont dégagé deux conclusions majeures, dont la première se manifeste par le fait qu’une mauvaise
qualité des institutions affecte négativement le développement économique, or la deuxième, nous résulte que les
institutions de bonnes qualités sont des déterminants positifs et significatifs du développement économique.

- 26 -
gouvernementales favorise la croissance économique (Acemoglu, et al., 2005 ; Acemoglu &
Robinson, 2008 ; Nawaz, 2015). Au vu de ce qui précède, il est possible de considérer que les
institutions peuvent influencer, positivement ou négativement, le processus de développement
économique, tout dépend de la qualité de ces institutions.

En utilisant la régression quantile bayésienne (BQR), cette étude vise à déterminer l'effet ainsi
que le rôle de la qualité institutionnelle sur la croissance économique dans les pays MENA.
Une telle méthode peut fournir des informations précises sur les déterminants de la croissance
économique. Elle apporte également une large description de la structure de dépendance entre
les institutions et la croissance économique en analysant une série complète de quantiles de la
distribution. Cela nous permet d'évaluer le comportement des quantiles extrêmes associés à de
larges niveaux (faibles et forts) de la croissance économique par rapport au quantile central
relatif à la régression de la moyenne dans les moindres carrés (MCO).

Le reste du document est organisé comme suit. La section 2 présente un bref état de l’art.
L'approche économétrique et les données utilisées sont présentées dans la section 3, tandis que
la section 4 présente les résultats et discussions. Et une conclusion dans la section 5.

- 27 -
 1.2. Brief état de l’art :
Une littérature abondante sur le développement économique montre que la région MENA a été
marquée par de graves crises et une volatilité excessive de la croissance. En conséquence, les
travaux empiriques traitant la thématique de la croissance économique et ses différents
déterminants et sources sont étendus sur un vaste champ d’application17.

La croissance économique peut être déterminée par plusieurs facteurs, tels que le capital
physique, le capital humain, ainsi que d'autres facteurs regroupés sous le terme réformes
structurelles. En effet, le capital physique est généralement exprimé en termes de taux
d'investissement. Quant au capital humain, il se décline sous deux formes, la première sous-
forme est mesuré par le niveau d'éducation tandis que la seconde est mesurée par le niveau de
santé. Dans ce contexte, à l'aide d'une analyse transversale, certains auteurs ont analysé l'effet
de certaines variables sur la croissance économique. Ils ont conclu que le capital humain
constituait un facteur important de la croissance économique (Barro, 1991 ; Mankiw, et al.,
1992). De plus, ces dernières années, l'innovation et le développement technologique, sources
de compétitivité et de création de richesses, ont été intégrés à la liste des déterminants clés de
la croissance économique.

Partant du constat que la croissance est un phénomène de long terme, certaines politiques de
réformes structurelles visant la stabilisation des prix (taux d'inflation, déficit budgétaire, etc.),
ou encore la qualité et le rôle des institutions, ont pour objectif d'assurer une croissance
soutenable. Au cours de la dernière décennie, de nombreuses études dans la littérature ont
évalué le rôle des institutions politiques et économiques dans le développement économique.
La littérature suggère que l'impact des diverses institutions peut varier d'un pays à l'autre en
fonction de l'environnement économique local, et de simples corrélations indiquent que la
croissance et la qualité institutionnelle sont étroitement liées (Doucouliagos & Ulubasoglu,
2008 ; pergis & Payne, 2014 ; Nawaz, 2015).

L'un des indicateurs souvent utilisés dans les analyses des effets de la qualité institutionnelle
sur la croissance économique est le profil d'investissement. Il s'agit d'un indicateur permettant

17
Afin d’effectuer une analyse sur les effets de la qualité des institutions sur la croissance économique, nous
jugeons opportun de se diriger vers des travaux qui ont opté pour l’utilisation des méthodes et techniques
économétriques, et qui prennent les modèles de croissance comme point de départ et d’analyse de la croissance
économique.

- 28 -
de mesurer la position du gouvernement à l'égard des investissements étrangers, en tenant
compte de certains éléments tels que le niveau de risque des opérations, la fiscalité, le
rapatriement et le coût de la main-d'œuvre.

Sur la base des données de l'International Country Risk Guide (ICRG) , Slesman et al (2015)
confirment que les institutions sont à l'origine de deux situations dans le cas des pays de la
région MENA. La première est celle du développement lorsque le pays dispose d'une certaine
stabilité politique, en raison de la stabilité gouvernementale et des investissements, et par
conséquent de la prospérité économique. En revanche, dans le cas contraire, il s'agit d'un sous-
développement. Les différentes dimensions de la gouvernance institutionnelle, à savoir les
indicateurs du profil d'investissement, la qualité de la bureaucratie18, les conflits internes et les
conditions socio-économiques, exercent un impact positif et significatif sur les deux
échantillons considérés, tandis que seule la qualité de la bureaucratie a un impact négatif et
significatif sur la croissance économique pour l'échantillon des pays de la région MENA.
(Dalila & Eric, 2016). Selon Nawaz (2015), le rôle du profil d'investissement est très important
dans la détermination de la croissance économique à long terme des économies. En
comparaison avec les pays dotés de bureaucraties moins stables et moins autonomes, l'auteur
suggère que les pays de la région MENA dotés d'une bureaucratie plus stable ont été plus
efficaces dans la stimulation de la croissance économique.

D’une part, certains auteurs ont porté un grand intérêt à l’effet de la corruption sur la croissance
économique. La corruption au sein d'une économie ou d'un système politique peut constituer
une menace pour l'attractivité des investissements étrangers, dans la mesure où elle corrompt
l'environnement économique et financier, réduit l'efficacité du gouvernement et des entreprises
en permettant à quelques individus d'occuper des postes de pouvoir par favoritisme plutôt que
par compétence. En introduisant une instabilité inhérente dans le processus politique, la
corruption peut également être perçue comme une taxe sur les bénéfices, ce qui peut conduire
à une réduction de certaines formes d'investissement.

En divisant le panel en deux groupes en fonction de la situation démocratique, Iqbal & Daly
(2014) constate que la corruption n'a pas d'effet sur la croissance dans le premier groupe des
pays ayant une forte démocratie, alors que pour le second groupe des pays ayant une faible

18
Suggérant que les pays avec une bureaucratie plus stables et autonomes ont été plus efficaces pour stimuler la
croissance économique dans la région MENA que celles moins stables et autonomes.

- 29 -
démocratie, une réduction de la corruption stimule la croissance économique.

En effet, Nawaz (2015) a estimé les effets des institutions sur la croissance économique.
L'estimation empirique montre que la qualité des institutions a un effet positif sur la croissance
en termes de "contrôle de la corruption". Ceci implique que l'amélioration de la qualité des
institutions conduit à une croissance plus rapide. De plus, Dalila & Eric (2016) ont montré que
la croissance du PIB peut s'accroître en raison de la réduction de la corruption 19. En effet, la
présence d'un environnement institutionnel de qualité est susceptible de stimuler la croissance
économique, en raison de l'effet positif et significatif de la justice socio-économique ainsi que
de celui de la protection des droits de propriété (Slesman, et al., 2015).

D'autre part, de nombreuses études ont examiné les effets spécifiques de différentes dimensions
de la matrice institutionnelle sur la croissance, tels que la relation entre la responsabilité
démocratique et la croissance économique. En effet, la question qui se pose ici ne se limite pas
au fait de savoir si les élections étaient libres et équitables, mais elle évalue plutôt la capacité
du gouvernement concerné à être réceptif et à tenir compte des besoins de sa population.
Comme la démocratie tend à allouer les ressources disponibles dans une économie de manière
plus efficace, cela signifie que plus la qualité des institutions démocratiques est élevée, plus son
impact sur la croissance est important.

En étudiant la relation entre le capital humain, la qualité des institutions et la croissance

économique, Dias & Tebaldi (2012) constatent que la qualité des institutions structurelles20, qui
sont très persistantes et primordiales dans la trajectoire de développement historique d'une
économie, affecte la performance économique à long terme. Tandis que la qualité des
institutions politiques mesurée par l'indice politique de la démocratie, à elle seule n'affecte ni
le comportement et la productivité des individus, ni la croissance économique à long terme.
Cependant, en mesurant la qualité des institutions économiques et politiques, par l’indice de la
liberté économique, et par le degré de la démocratie, respectivement, le principal résultat de
Flachaire et al. (2014) indique que la qualité des institutions économiques et politiques peut se

19
Nous pouvons mentionner ici que la relation positive que la majorité des études avaient trouvée doit être
considérée dans le contexte du « contrôle de la corruption » plutôt que « la corruption » en soi comme variable
explicative, qui est par ailleurs, utilisés dans d’autre études qui trouve un impact inverse sur la croissance
économique.
20
Peuvent être représenté par une proportion pondérée de la main-d’œuvre ayant effectués des études dans
l’économie. Ils ont utilisé le ratio de personnes ayant effectués des études supérieures par rapport à celles qui n'ont
pas effectués d'études comme approximation pour les établissements comme proxy des institutions structurelles.

- 30 -
substituer au processus de croissance. À titre d’exemple, les pays avec des institutions
politiques de bonne qualité ont tendance à afficher des taux de croissance élevés et un faible
retour aux améliorations des institutions économiques, or, les pays dont la qualité des
institutions politiques est faible21 ont des taux de croissance moyens ou faibles mais un retour
élevé aux institutions économiques.

De nombreuses études ont relevé la présence d'un effet strictement positif de la responsabilité
démocratique sur la croissance économique. Par exemple, Rachdi et al. (2018) ont observé que
parmi un ensemble d'indicateurs de qualité institutionnelle, seuls les indicateurs "law and order"
et "democratic accountability" ont un effet positif et significatif sur la croissance économique
dans les pays de la région MENA. De ce fait, les institutions dotées d'un certain degré de
démocratie sont en mesure d'attirer plus d'investissements, et par conséquent de stimuler la
croissance économique via l'amélioration de la transparence fiscale. De même, Nawaz (2015)
a montré qu'il existe une relation positive entre la responsabilité démocratique et la croissance
du PIB par habitant, de sorte que les institutions démocratiques favorisent davantage la
croissance économique dans les pays en développement que dans les pays développés. Dans la
même direction, la variable de la démocratie a un effet positif sur la croissance économique,
indiquant en même temps qu'une meilleure qualité des institutions démocratiques est résultante
d’une croissance économique soutenue (Baharumshah, et al., 2016). De même, Nawaz (2015)
a montré qu'il existe une relation positive entre la responsabilité démocratique et la croissance
du PIB par habitant, de sorte que les institutions démocratiques sont plus propices à la
croissance économique dans les pays en développement que dans les pays développés. Dans le
même sens, Baharumshah, et al., (2016) ont montré que la variable démocratie a un effet positif
sur la croissance économique, ceci implique qu'une meilleure qualité institutionnelle
démocratique favorise le maintien d'une croissance économique soutenable.

D’autre part, de nombreuses études suggèrent que l'impact des institutions sur la croissance
économique varie d’un pays à l’autre, en fonction de l'environnement économique. En
analysant la force de la démocratie dans les pays émergent et en développement, Iqbal & Daly
(2014) ont trouvé que la qualité des institutions de gouvernance, qui ne sont pas ouvertement
« économiques » dans leurs orientations, peut néanmoins faire partie intégrante du
développement économique. Dans les économies en transition, la démocratie en elle-même est

21
Les économies où la démocratie est faible, mais leurs gouvernements améliorent les institutions économiques
peuvent atteindre une croissance rapide.

- 31 -
associée à un développement économique plus soutenable, tandis que dans les pays où la
démocratie est plus développée, la baisse de la corruption s'accompagne d'une croissance plus
rapide.

La stabilité gouvernementale est l'une des différentes composantes de la structure

institutionnelle. Plus précisément, elle reflète la qualité des institutions politiques qui assurent
la gestion quotidienne des affaires de l'État, en garantissant l'absence de conflits transfrontaliers,
la stabilité et la responsabilité du gouvernement, l'absence d'expropriation et de pression
extérieure, tout en mesurant la capacité du gouvernement à se maintenir au pouvoir et à mettre
en œuvre les programmes annoncés.

En effet, l'importance de la stabilité gouvernementale a fait l'objet de plusieurs travaux. Slesman

et al (2015), par exemple, ont conclu que de meilleures institutions politiques et économiques
constituent les dimensions les plus importantes de la matrice institutionnelle pour la croissance
économique dans les pays de l'organisation de la coopération islamique (OCI), en particulier,
et dans les pays en développement. D’autre part, Nawaz (2015) a montré que la stabilité du
gouvernement a un effet positif important sur l’amélioration de la croissance économique à tous
les stades de développement, plus précisément, en augmentant le taux de productivité ainsi que
l'accumulation de capital physique et humain. Cela signifie qu'un pays doté d'un gouvernement
plus stable réussit mieux à accélérer la croissance économique, ce qui encourage les
entrepreneurs à investir en toute confiance.

Afin d'évaluer les effets de l'instabilité politique sur la croissance économique, Aisen & Veiga
(2013) ont constaté, à partir d'un échantillon de 169 pays, que des degrés élevés d'instabilité
politique sont associés à des taux de croissance plus faibles. D’ailleurs, ils ont relevé que
l'instabilité politique est particulièrement préjudiciable à cause de ses effets négatifs sur la
croissance par le biais de certains canaux de transmission, la productivité globale des facteurs,
et dans une moindre mesure, en décourageant l'accumulation de capital physique et humain, en
ajoutant que la liberté économique22 et l'homogénéité ethnique sont bénéfiques à la croissance,
alors que la démocratie peut être préjudiciable au processus de croissance, en accentuant la
corruption. En outre, ils ont noté que l'instabilité politique est particulièrement préjudiciable en
raison de ses effets négatifs sur la croissance à travers certains canaux de transmission. Cette

22
Qui se caractérise par des indices plus élevés qui sont associés à des gouvernements plus petits, renforcement
de la structure juridique et de la sécurité des droits de propriété, l'accès à une monnaie saine, une plus grande
liberté d'échange avec les étrangers, et une réglementation plus souple du crédit, du travail et des affaires.

- 32 -
instabilité a des effets sur la productivité totale des facteurs et, dans une moindre mesure, en
décourageant l'accumulation de capital physique et humain, ajoutant que la liberté économique
ainsi que l'homogénéité ethnique sont bénéfiques à la croissance, tandis que la démocratie peut
être préjudiciable au processus de croissance, en accentuant la corruption. Par ailleurs, dans le
contexte de dix-sept pays de la région MENA, Rachdi & Saidi (2015) ont indiqué que la
démocratie exerce un effet négatif et significatif sur le développement économique.

D’une manière générale, dans un processus où les institutions politiques définissent

l'environnement propice dans lequel les institutions économiques fonctionnent pour
promouvoir la croissance, de meilleures qualités des institutions politiques et économiques sont
essentielles pour minimiser les conflits, ce qui confirme l'hypothèse de la "hiérarchie des
institutions".

En résumé, le gros du corpus de littérature discuté ci-dessus souligne le poids et le rôle joué par
la qualité des institutions sur la croissance économique. Cependant, à la lumière des conclusions
de ces études, l'ampleur et l'effet (direct et/ou indirect) du lien entre la qualité des institutions
et la croissance économique varient considérablement. Par ailleurs, il convient de noter que ce
lien varie également en fonction de la mesure de la qualité des institutions ainsi que des
méthodes retenues.

- 33 -
 1.3. Méthodologie et modèle économétrique :
L’objectif de ce travail est d‘analyser empiriquement l’effet de la qualité des institutions sur la
croissance économique. Pour ce faire, nous nous basons sur une fonction de production de type
Cobb-Douglas, où le logarithme de la production s’exprime linéairement en fonction des
logarithmes des facteurs ou bien des intensités des facteurs. Nous décrivons dans un premier
temps le cadre d’analyse pour ensuite aborder la méthodologie empirique.

1.3.1. Cadre d’analyse :

On suppose une fonction de production de type Cobb-Douglas, donc la production à l’instant t
est donnée par :

!! = #!" (%! &! )#$" 0<*<1 (1)

Ou Y c’est la production, K le capital, L le travail, A le niveau de technologie. L et A sont

supposés croitre de manière exogène aux taux « n » et « g ». Résultant par la suite la version de
la croissance qui se présente comme suit :

,-[&! ] = ,-%' + 1! + #$" ,-(2) − #$" ,- (- + 1 + 5)

% " " (2)
!

À partir de ce modèle de Solow (1956), plusieurs économistes232425 ont affirmé que le modèle
de Solow ne peut pas expliquer de manière globale les différences des revenus (par habitant)
entre les différents pays et ont souligné l’importance du capital humain au processus de la
croissance, du moment où l’introduction du capital humain peut changer la vue de la nature du
processus de croissance, ainsi que l’analyse des différences entre les pays26. Dans cet ordre
d’idées, Mankiw et al. (1992) ont incorporé le capital humain dans le modèle de croissance
classique, ce qui fait que la production est donnée par :

23
Kendrick (1976) a estimé que plus de la moitié de la totalité du stock du capital des États-Unis en 1969 était le
capital humain.
24
Romer (1987) et Romer (1989) suggère que l’épargne (s) influence d’une manière très importante la croissance
et suppose que cela constitue une externalité positive à partir de l’accumulation du capital.
25
Lucas (1988) affirme que la variation de la croissance démographique ne peut expliquer aucune variation
substantielle des revenus réels sur les prédictions du modèle de Solow.
26
L’introduction du capital humain implique des modifications au niveau de la modélisation théorique, ce qui va
engendrer des résultats empiriques plus riches.

- 34 -
 !! = #!" 6! (%! &! )#$"$( 0<*+ 7<1
( (3)

Où H représente le stock du capital humain, pour obtenir l’équation du revenu par tête qui prend
la forme suivante :

,-[&! ] = ,-%' + 1! + #$"$( ,-(2) ) + #$"$( ,-(2* ) − #$"$( ,- (- + 1 + 5)

% " ( "+( (4)
!

L’équation 4 montre comment le revenu par tête dépend de la croissance démographique,

l’accumulation du capital physique et humain27. Pour mettre en œuvre leur modèle, ils ont limité
leur attention à l’investissement dans le capital humain sous forme d’éducation.

Ensuite, dans le but d’étudier le taux de convergence, le modèle théorique suggère une
régression naturelle de l’équation (5)28 :

ln(y, ) = ;1 − e$-, = ln(y ∗ ) + e$-, ln (y' ) (6)

Finalement, en soustrayant (ln(y0)) des deux côtés, et en substituant pour (y*)29 :

* 7
,-(>! ) − ,-(>' ) = ;1 − ? $/! = ,-(2) ) + ;1 − ? $/! = ,-(2* )
1−*−7 1−*−7
(7)

*+7
− ;1 − ? $/! = ,-(- + 1 + 5) − ;1 − ? $/! =,-(>' )
1−*−7

Pour simplifier, L'équation30 estimée est la suivante :

,-(>! ) − ,-(>' ) = @) ,-(2) ) + @* ,-(2* ) − A,-(- + 1 + 5) − 7,-(>' ) (8)

27
Ils concluent que l’ajout du capital humain au modèle de Solow améliore ses performances, où ce recours élimine
les anomalies inquiétantes, dans le sens de l’obtention des coefficients élevés pour l’investissement et la croissance
démographique, dans un autre sens, l’accumulation du capital humain est corrélé avec l’épargne et la croissance
démographique, et finalement il apparait que le modèle de Solow augmenté fournit une explication presque
complète de ce qui fait que quelque pays sont riches et d’autres pauvres.
28

= λ[ln(y ∗ ) − ln(y, )] λ = (1 − α − β)(n + g + δ)

Approximativement autour de l’état stationnaire, la vitesse de convergence est donnée par :
012(4" )
0,
(5)

Où y représente le revenu réel par habitant, s7 est le taux d’investissement du capital physique, s8 est le taux
29
Ou y* est le revenu par habitant à l’état stationnaire, qui est égal a …

d’investissement du capital humain, g est le taux de progrès technique, n le taux de croissance démographique, et
30

δ le taux de dépréciation du capital. γ7 , γ8 , ϕ et β sont des paramètres. Les indices i et t se rapportent

respectivement au pays et à l’espace temporel.

- 35 -
Nous nous basons sur le modèle de Mankiw et al. (1992), après son augmentation du modèle
de Solow, en décidant d’intégrer l’accumulation du capital humain et physique. Et ensuite on
peut l’augmenter encore plus en introduisant d’autres variables représentant la qualité des
institutions.

1.3.2. Méthodologie :
Après son introduction par Koenker & Basset (1978), la régression par quantile est devenue un
outil important et populaire pour étudier la distribution de la réponse conditionnelle en
régression. Cette méthode se caractérise à la fois par l'analyse de régression de la médiane ainsi
que d'autres quantiles. La régression par quantile permet de résoudre le problème d'optimisation
suivant :

KL-( M N9 (>: − O′: 7)

;
(9)

:<#

Ou !! représente le vecteur de la variable dépendante, "! la matrice des variables indépendantes,

# le vecteur estimé des paramètres et $" la fonction de valeur absolue dont la solution est le % #$
quantile de l'échantillon. En général, le modèle linéaire pour le & #$ quantile (0 < & < 1) est
défini comme une solution de minimisation du processus suivant :

1
KL-( Q M R|>: − O′: 7| + M (1 − R)|>: − O′: 7|T
(10)

-
::># ?@A# ( ::># B@A# (

En faisant varier le paramètre & sur l'intervalle (0,1), nous pouvons générer tous les quantiles
de la régression et, par conséquent, obtenir la distribution conditionnelle de y en fonction de x.
À noter, qu’un cas particulier de (eq.10) facilite l’interprétation du quantile, il s’agit du moment
où & = 1/2, qui donne la médiane conditionnelle comme solution (c'est-à-dire la régression
médiane).

En effectuant une régression par quantile sur un panel, nous pouvons (dans notre étude)
examiner les déterminants de la croissance économique tout au long de la distribution
conditionnelle, en particulier dans les pays ayant les croissances les plus importantes et les
moins importantes.

Courant ces dernières décennies, le nombre d'articles de recherche utilisant la régression par

- 36 -
quantile s’est rapidement amplifié (Martins & Pereira, 2004 ; Melly, 2005 ; Meligkotsidou, et
al., 2009 ; Okada & Samreth, 2012 ; Zhu, et al., 2016 ; Uddin, et al., 2017 ; entre autres). Les
applications de la régression par quantile se sont manifestées dans de nombreux domaines de
recherche, allant de l'écologie à l'économie en passant par d’autres domaines (par exemple :
la médecine). L'un des plus récents domaines de recherche de la régression par quantile porte
sur l'estimation des paramètres du modèle en tenant compte de l’approche bayésienne.

Toutefois, les développements ultérieurs des modèles de régression ont surtout utilisé les
moindres carrés ordinaires (MCO), c’est-à-dire les modèles de moyenne conditionnelle, comme
approche privilégiée. La simplicité du calcul ainsi que l'optimalité lorsque l'écart observé par
rapport à la ligne de régression ont fait des MCO le modèle de référence servant à l’analyse de
régression pendant de nombreuses années. Pourtant, les MCO ne donnent que des informations
partielles sur l'effet des variables sur la variable dépendante, voire parfois fausser les
estimations des coefficients menant à l’impossibilité d'identifier des relations significatives
(Binder & Coad, 2011).

Cependant, la méthode de la régression par quantile représente les modèles de distribution

conditionnelle et permet d'avoir une vision plus complète des relations statistiques entre les
variables stochastiques. Elle permet d'examiner la relation entre un ensemble de variables et les
différentes parties de la distribution de la réponse. Outre la motivation du point de vue "plus
riche", la régression par quantile peut également être motivée du point de vue de la robustesse
à la skewness, à l'hétéroscédasticité et les défauts de spécification (Koenker & Hallock, 2001).

La force réelle et parmi les avantages de la régression par quantile, elle permet d'étudier
l'ensemble de la distribution des réponses et pas seulement la moyenne attendue (comme le fait
le MCO) (Binder & Coad, 2011), ce qui permet d'obtenir une vue plus complète de la
distribution des réponses, l'ensemble de la distribution des réponses peut être analysé en
estimant toute une famille de régression de quantile.

La technique de régression par quantile en partant sur le principe de l’approche bayésienne,

nous permet d’intégrer l’information a priori (non informative). La théorie de Bayes stipule la
relation suivante :

U(R)U(V⁄R)
U(R⁄V) =
∫ U(R) U(V⁄R) YR
(11)

- 37 -
Où & représente les paramètres, et 0 représente les données observées. Ou encore le paradigme
bayésien peut être synthétisé par :

Hypothèses è !(#) La distribution a priori du paramètre.

Données / Hypothèses è !(%/#) La distribution de la densité (X) sachant le paramètre #.

Hypothèses / Données è !(#/%) La distribution a posteriori.

Notre analyse portera sur la réalisation des régressions pour chaque indicateur de la qualité des
institutions tiré de la base de données de l’ICRG. Notre choix s’est focalisé sur quatre
indicateurs seulement, à savoir : la stabilité gouvernementale, le profil d’investissement, la
corruption et la responsabilité démocratique, qui est justifié par la disponibilité des données.

1.3.3. Modèle économétrique :

La théorie de la croissance et son analyse nous mène à estimer une équation dans laquelle on
recherche à analyser la relation entre le taux de croissance par tête sur un ensemble pertinent
de variables économiques, politiques et sociales, en plus de l’introduction de la variable IQ %,'
représentée par quatre indicateurs31 (indépendamment) dans le modèle afin d'évaluer le rôle et
l’effet des institutions sur la croissance économique. Par conséquent, le modèle prendra la
forme suivante :

ln !!,# − ln !!,#()
= 7! + # ln !!,#() + 9) :;<;=!,# + 9* :;>?@ + 9+ :;ABC!,# + 9, :;<;D!,# (12)

+ 9- :;EF=!,# + 9. <G!,# + H!,#

Où y%,' est le produit intérieur brut par habitant (en $ constant de 2010) , y%,'() est le produit
intérieur brut par tête retardé d’une période, afin de capturer une éventuelle convergence
conditionnelle du revenu, Inv%,' représente le taux d’investissement comme proxy du capital
physique, Sec%,' est le taux de scolarisation brut en secondaire considéré comme proxy du capital
humain, Inf%,' représente le taux d’inflation mesuré par l'indice des prix à la consommation
(IPC), inclut comme indicateur de la stabilité macroéconomique (il représente ainsi les
politiques de stabilisation), Ouv%,' présente l’ouverture commerciale figurant parmi les

31
La variable IQ est représenté par plusieurs indicateurs tels que la Stabilité gouvernementale, le Profil
d'investissement, Corruption, et la Responsabilité démocratique.

- 38 -
politiques structurelles, les différents indicateurs de la qualité des institutions sont représenté
par IQ %,' . β, ϑ) , ϑ* , ϑ+ , ϑ, , ϑ- et ϑ. sont des paramètres, les indices « i » et « t » font référence
aux pays et aux périodes, respectivement.

Ces variables ont été fréquemment utilisées dans la littérature sur la croissance économique32
(Mankiw, et al., 1992 ; Barro & Lee, 1996 ; Iqbal & Daly, 2014 ; Nawaz, 2015 ; entre autres).
De plus, nous avons transformé en logarithme l’ensemble de nos variables, à l'exception des
indicateurs de la qualité des institutions.

32
Ce qui représente l’ensemble des variables explicatives habituellement introduites dans les modèles de
croissance.

- 39 -
 1.4. Résultats et discussion :
1.4.1. Descriptions des données :
L’objectif de la présente partie est d'analyser les résultats empiriques de la qualité des
institutions sur la croissance économique des pays du Moyen-Orient et de l'Afrique du Nord
(MENA). Il faut noter que l'économie de la région MENA a été fortement influencée par des
facteurs particuliers, tels que les sources d'énergie, les aléas climatiques, les caractéristiques
démographiques ainsi qu’institutionnelles. Nous optons pour l’utilisation d’un ensemble de
données de 15 pays3334 de la région MENA sur la période 1984-2016.

Les données relatives à l’ensemble de ces variables35, à l'exception de la qualité des institutions,
ont été extraites du « World Development Indicators ». Pour ce qui concerne la qualité des
institutions, nous utilisons quatre indicateurs de l'ensemble de données de l’ICRG36 du groupe
« Political Risk Services » (PRS) indiquant la qualité de la plupart des institutions37. Dans cette
section, nous commençons notre analyse en fournissant quelques statistiques descriptives pour
toutes les variables38.

Les résultats exposés (tableau 1) montrent que le niveau moyen de la croissance est de 0,71 %,
d’où la valeur minimale du taux de croissance économique est enregistrée en Liban de -55 %
en 1989, et de 30,5 % en 1991 pour la valeur maximale par le même pays. On trouve que la
Turquie, le Maroc et la Tunisie occupent les premières places39 en termes de la moyenne des
taux de croissance (sur la période considérée pour notre étude).

33
Algérie, Bahreïn, Égypte, Iran, Jordanie, Maroc, Oman, Tunisie, Turquie, Émirats Arabes Unis (EAU), Arabie
Saoudite (KSA), Koweït, Liban, Qatar, Yémen.
34
Le choix des 15 pays est principalement basé sur la disponibilité des données, ce sont les pays pour lesquels
nous avons pu recueillir les données sur toutes les variables utilisées dans les modèles estimés.
35
Les définitions et sources des variables utilisées dans les modèles sont présentés en annexe.
36
Il faut savoir que, l'ICRG fournit des observations mensuelles pour 140 pays et des observations annuelles pour
26 autres pays, et sont disponibles sur des périodes relativement longues.
37
Dont l’objectif est de soutenir les décisions potentielles des investisseurs nationaux ou étrangers, en
définissant fondamentalement les structures d'incitation des agents économiques à s'engager dans des activités
productives, que ce soit pour l’investissement, l’innovation, l’apprentissage ou bien la modification et
l’amélioration de leurs capacités technologiques, dans un environnement économique et politique relativement
stable et propice à leurs activités.
38
Étude de corrélation est présentée en annexe.
39
Détails des taux de croissance de notre panel est présenté en annexe.

- 40 -
 Tableau 1 : Statistiques descriptives

Moy. Med. Max. Min. Écart-type Skewness Kurtosis Obs.

PIB par tête
14950.46 5922.41 86936.85 679.67 18634.69 1.75 5.13 454
(en $ constant de 2015)
UV W/ − UV W/(0 0.0071 0.013 0.305 -0.555 0.058 -2.54 26.71 451
Formation Brut de Capital
23.42 23.45 44.05 1.52 6.18 0.02 3.76 417
Fixe (en % du PIB)
Taux de scolarisation brut en
76.21 78.61 110.46 28.49 18.96 -0.54 2.36 352
secondaire
Population (en millions) 21.99 9.74 95.68 0.34 24.93 1.15 3.06 492
Ouverture commerciale 82.43 79.59 210.16 14.14 36.82 1.03 4.01 452
Inflation 10.19 4.61 106.26 0.06 15.37 3.18 14.41 385
Stabilité Gouvernementale 8.1474 8 11.500 1.0833 2.1176 -0.39 2.47 487

Profil d'Investissement 7.5508 7.5 11.500 1.0833 2.2729 -0.13 2.55 487

Corruption 2.5471 2.5 4.0000 1.0000 0.7009 0.13 2.74 487

Responsabilité Démocratique 2.8320 2.625 6.0000 0.0000 1.2618 0.14 2.38 487

Les taux moyens du capital physique et du capital humain sont de 23,42 % et 76,21 %, avec un
maximum de 44,05 % et 110,46 % et un minimum de 1,52 % et 28,49 %, respectivement.

A propos des variables reflétant la qualité des institutions, leurs fourchettes sont différentes
d’un indicateur à l’autre (comme montré sur le tableau 1). Par exemple, l'indicateur de la
stabilité gouvernementale varie de 0 à 12, tandis que la corruption varie de 0 à 6. Une faible
valeur indique une mauvaise qualité des institutions et vice versa, c’est-à-dire un score élevé
indique une meilleure qualité.

On constate que la stabilité gouvernementale atteint une moyenne de 8,14 (Min : 1,08 – Max :
11,5), le niveau moyen du profil d'investissement est de 7,55 (Min : 1,08 – Max : 11,5), la valeur
moyenne de la corruption est de 2,54 (Min : 1 – Max : 4), en finissant avec une moyenne de
2,83 pour la responsabilité démocratique (Min : 2,62 – Max : 6).

On constate l’existence des différents types de pays dans notre panel selon la qualité des
institutions, c’est-à-dire, et juste à titre d’exemple, on a des pays qui ont un bon niveau de
stabilité gouvernementale ainsi que d’autres qui ont des gouvernements qui ne peuvent pas
honorer l’application des programmes déjà évoqués au cours de leurs campagnes électorales.

- 41 -
 1.4.2. Résultats et discussion :
Avant d’entamer notre régression bayésienne par quantile, il faut noter que notre variable
dépendante est représentée par le taux de croissance économique, faisant du premier quantile,
les pays ayant de faibles taux de croissance économique et le neuvième quantile représentant
les pays avec des taux de croissance élevés, relativement à notre panel de 15 pays.

La spécificité de cette partie se manifeste dans la réalisation de la régression bayésienne par

quantile pour découvrir comment nos variables d’intérêt (qualité des institutions) et les
déterminants de la croissance économique varient à travers la distribution conditionnelle
complète de la croissance économique. Contrairement aux estimateurs conventionnels tels que
les MCO fournissant l'impact d'une variable explicative à la moyenne conditionnelle de la
variable dépendante, la régression par quantile permet d'obtenir des estimations pour différents
quantiles conditionnels de la variable dépendante.

Les tableaux 2, 3, 4 et 5 indiquent les résultats des estimations quant à l'effet des institutions
sur la croissance économique dans la région MENA. Bien que les analyses aient été effectuées
en tenant compte de toutes les variables explicatives incorporées dans les modèles standards,
nous axerons notre discussion sur les quatre indicateurs de gouvernance. Ainsi, les résultats
obtenus nous permettent de différencier les effets suivant les quantiles de notre variable
dépendante, à savoir la croissance économique.

Les résultats présentés (tableau 2) indiquent que la stabilité gouvernementale a un impact positif
et significatif sur la croissance économique. Ces résultats corroborent les travaux de Aixalá &
Gema (2008), Cartinescu et al. (2009) et Nawaz (2015), où un gouvernement doté d’une
stabilité politique peut être considéré comme un facteur d’encouragement pour les acteurs à
investir en toute confiance, produisant des retombées positives sur la productivité ainsi que
l'accumulation du capital physique et humain, pour pouvoir réaliser une croissance vigoureuse.
Ainsi qu’en soutenant l’hypothèse selon laquelle l'absence d'institutions politiques de qualité
peut gêner et/ou freiner (voire handicaper) la prospérité des institutions économiques (Slesman,
et al., 2015).
 Tableau 2 : La stabilité gouvernementale et la croissance économique : Régression Bayésienne Par Quantile (1984 – 2016)

Quantile LPIBL STB.GOV LINV LSEC LPOP LINF LOPE C

Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob.
0,10 -0,019 0,078 0,005 0,045 0,059 0,109 0,031 0,169 -0,025 0,002 -0,003 0,563 0,014 0,418 -0,272 0,131
0,20 -0,010 0,141 0,004 0,152 0,021 0,320 0,024 0,188 -0,026 0,000 -0,005 0,234 0,008 0,467 -0,142 0,204
0,30 -0,008 0,060 0,003 0,103 -0,001 0,911 0,016 0,210 -0,027 0,000 -0,002 0,604 0,004 0,603 -0,018 0,790
0,40 -0,005 0,265 0,003 0,103 0,005 0,612 0,005 0,747 -0,029 0,000 0,001 0,850 0,008 0,316 -0,023 0,752
0,50 0,002 0,611 0,003 0,040 0,004 0,663 0,000 0,976 -0,030 0,000 0,003 0,361 0,005 0,449 -0,050 0,480
0,60 0,004 0,246 0,003 0,020 0,004 0,675 -0,022 0,038 -0,031 0,000 0,004 0,101 0,008 0,258 0,022 0,694
0,70 0,006 0,109 0,002 0,130 0,008 0,362 -0,023 0,026 -0,029 0,000 0,003 0,295 0,001 0,936 0,046 0,420
0,80 0,008 0,117 0,002 0,410 0,007 0,547 -0,020 0,087 -0,026 0,011 0,003 0,246 0,003 0,823 0,026 0,709
0,90 0,017 0,033 0,001 0,655 0,019 0,227 -0,044 0,053 -0,022 0,413 -0,004 0,473 0,005 0,807 0,037 0,636

Tableau 3 : Le profil d’investissement et la croissance économique : Régression Bayésienne Par Quantile (1984 – 2016)

Quantile LPIBL PRFL.INV LINV LSEC LPOP LINF LOPE C

Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob.

0,10 -0,026 0,037 0,003 0,321 0,068 0,075 0,041 0,080 -0,027 0,004 -0,005 0,375 0,008 0,706 -0,238 0,205
0,20 -0,013 0,007 0,004 0,061 0,003 0,837 0,020 0,195 -0,031 0,000 -0,002 0,629 0,010 0,323 -0,039 0,612
0,30 -0,013 0,003 0,004 0,009 -0,002 0,825 0,018 0,114 -0,028 0,000 0,002 0,636 0,008 0,329 -0,013 0,820
0,40 -0,006 0,161 0,004 0,013 0,003 0,788 0,004 0,788 -0,025 0,000 0,001 0,690 0,004 0,517 0,001 0,981
0,50 -0,001 0,795 0,003 0,081 0,002 0,879 0,000 0,993 -0,031 0,000 0,002 0,442 0,004 0,588 0,000 0,997
0,60 0,003 0,412 0,002 0,212 0,001 0,946 -0,022 0,037 -0,028 0,000 0,002 0,300 0,004 0,598 0,073 0,198
0,70 0,005 0,151 0,001 0,363 0,005 0,532 -0,022 0,033 -0,031 0,000 0,002 0,412 0,000 0,991 0,068 0,241
0,80 0,007 0,152 0,001 0,675 0,009 0,499 -0,020 0,049 -0,027 0,008 0,002 0,410 0,008 0,542 0,019 0,789
0,90 0,016 0,026 -0,001 0,772 0,017 0,283 -0,031 0,114 -0,022 0,341 -0,006 0,304 0,005 0,764 0,012 0,872
Si la stabilité gouvernementale a un effet qui se concentre majoritairement dans la moitié de la
distribution (du taux de croissance), cela peut s’expliquer par le fait que les pays ayant un faible
taux de croissance sont des pays ayant des niveaux de développement économique relativement
soutenus que ceux des autres pays en développement et donc la stabilité gouvernementale ne
joue pas tellement dans le processus de développement économique. Faisant que la stabilité
gouvernementale opère donc comme étant un pivot permettant la convergence des pays dans la
moitié de la distribution.

Dans le but de l’instauration d'un État de droit approprié (en adoptant de bonnes pratiques de
gouvernance et de réglementation), ce qui peut améliorer l'environnement des affaires et assure
la protection des investisseurs. Par ailleurs, une amélioration de la stabilité gouvernementale
contribue à attirer davantage d'investissements étrangers et nationaux, ce qui, à son tour,
contribuera à la croissance économique.

Quant à la seconde mesure de la qualité des institutions, à savoir le profil d’investissement, il

ressort des résultats (tableau 3) un effet positif et significatif sur le deuxième, troisième,
quatrième et cinquième quantile de la croissance économique, rejoignant ainsi les résultats
présentés par Slesman et al. (2015) et Dalila & Eric (2016). Parallèlement à la stabilité
gouvernementale, l’effet est plus significatif dans la première partie des quantiles. Ces résultats,
impliquent que l’amélioration du profil d’investissement stimule la croissance économique
(Nawaz, 2015).

Ce qui peut s’expliquer (la concentration dans la première partie des quantiles) par le fait que
ces pays, dont l’activité économique est reconnue et soutenable, ont atteint des niveaux relatifs
de développement suffisamment élevés leurs permettant ainsi de miser sur leur profil
d’investissement dans le maintien du processus économique (profil d’investissement élevé
menant à une augmentation des IDE, cadre favorable et attractif pour les investisseurs et les
affaires, etc.).

Cependant, l'absence d'un cadre institutionnel approprié dans les économies en développement
pourrait en être l'une des principales raisons, pour ce qui concerne l’absence d’effet sur la
deuxième partie de notre panel (Iqbal et al., 2012). Ainsi, les pays avec des taux de croissance
élevés sont des pays qui misent plus sur le capital humain et le capital physique. La priorité est
donc d’utiliser ces deux formes de capital comme moteur de la croissance économique. Cela
permettra de construire une base économique solide dans l’objectif d’avoir une attractivité de
qualité croissante, générant des préférences (de la part des investisseurs) de s’orienter vers des
pays distingués par une stabilité institutionnelle et politique ainsi qu’une croissance
économique soutenue.

En particulier, par rapport à notre panel, l’impact du profil d'investissement est plus adéquat à
la croissance dans les pays développés que dans les économies en développement.

Les résultats de ces deux premières régressions, reflètent l’importance de la qualité des
institutions dans la détermination du processus de croissance en influençant la structure
d'incitation à l'investissement dans le capital humain et physique ainsi que le progrès et les
innovations technologiques.

Ensuite, il est clair que ces résultats attestent que de bonnes institutions (de qualité) sont
primordiales à la prospérité économique. Tout en gouvernant les affaires courantes de l'État
menant à une certaine stabilité politique, ce qui encourage les investissements en toute
confiance (sans avoir à craindre des imprévus de politique).

Les résultats de la troisième et de la quatrième mesure (tableaux 4 et 5) de la qualité des

institutions se distinguent des deux dernières. Les résultats détaillés ne nous informent d’aucun
effet significatif sur la croissance économique.

Un résultat contradictoire et inattendu, surtout pour ce qui concerne notre panel de pays connus
par des niveaux de corruption élevés. Si l’effet de la corruption n’est pas significatif, cela est
peut-être dû à sa mesure. Il s’agit d’un aspect difficile à mesurer et à quantifier (Johnston, 2001)
(Ertimi & Saeh, 2013). Une rareté des données empiriques sur la corruption (Chêne & Hodess,
2007). Essentiellement d’un point de vue statistique, nous avons décidé de vérifier les propriétés
statistiques de la variable en question, ainsi que d’effectuer une régression linéaire entre la
corruption et la croissance économique. On constate tout d’abord que l’écart-type n’est pas
élevé (= 0,7), indiquant que les valeurs ne sont pas tellement étalées pour pouvoir capter un
effet significatif de la variabilité avec la croissance économique. Un résultat confirmé sur la
figure 11 (en annexe), en remarquant que la droite de régression indique une dispersion presque
nulle et plus centrée. Néanmoins, nos résultats, concernant l’absence de l’effet de la corruption
sur la croissance économique, rejoignent ceux trouvés par Kutan et al. (2017) sur la même
région.

- 45 -
 Tableau 4 : La Corruption et la croissance économique : Régression Bayésienne Par Quantile (1984 – 2016)

LPIBL CORR LINV LSEC LPOP LINF LOPE C

Quantile Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob.

0,10 -0,021 0,008 0,001 0,855 0,059 0,036 0,046 0,022 -0,033 0,000 -0,010 0,006 0,013 0,375 -0,256 0,055
0,20 -0,014 0,028 -0,003 0,380 0,026 0,153 0,032 0,064 -0,028 0,000 -0,009 0,001 0,004 0,697 -0,087 0,364
0,30 -0,008 0,070 -0,004 0,314 0,008 0,462 0,011 0,447 -0,029 0,000 -0,004 0,117 0,002 0,786 0,027 0,711
0,40 -0,004 0,318 -0,005 0,242 0,005 0,580 0,000 0,989 -0,029 0,000 -0,001 0,714 0,013 0,072 0,008 0,899
0,50 -0,002 0,720 -0,004 0,323 0,005 0,602 -0,005 0,752 -0,030 0,000 0,000 0,909 0,016 0,036 -0,004 0,954
0,60 0,004 0,341 -0,003 0,500 0,004 0,623 -0,022 0,044 -0,029 0,000 0,001 0,779 0,004 0,619 0,076 0,192
0,70 0,005 0,179 -0,004 0,316 0,005 0,602 -0,015 0,131 -0,032 0,000 0,003 0,184 0,005 0,616 0,045 0,463
0,80 0,007 0,161 0,001 0,910 0,010 0,466 -0,019 0,080 -0,027 0,011 0,002 0,529 0,008 0,508 0,014 0,843
0,90 0,016 0,030 0,002 0,724 0,018 0,255 -0,040 0,035 -0,023 0,368 -0,005 0,369 0,005 0,814 0,038 0,613

Tableau 5 : La Responsabilité Démocratique et la croissance économique : Régression Bayésienne Par Quantile (1984 – 2016)

LPIBL DEMOC LINV LSEC LPOP LINF LOPE C

Quantile
Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob.

0,10 -0,019 0,019 0,003 0,295 0,050 0,093 0,040 0,043 -0,028 0,000 -0,011 0,003 0,010 0,544 -0,212 0,084
0,20 -0,014 0,018 0,002 0,608 0,021 0,259 0,039 0,016 -0,029 0,000 -0,009 0,002 0,003 0,789 -0,109 0,253
0,30 -0,009 0,045 0,001 0,746 -0,002 0,888 0,017 0,243 -0,030 0,000 -0,004 0,097 0,005 0,502 0,010 0,879
0,40 -0,005 0,253 0,001 0,840 0,004 0,668 0,005 0,745 -0,030 0,000 -0,002 0,559 0,011 0,151 -0,008 0,909
0,50 0,000 0,971 0,003 0,292 0,000 0,979 -0,004 0,801 -0,031 0,000 0,000 0,878 0,009 0,223 0,005 0,944
0,60 0,004 0,373 0,001 0,511 0,001 0,904 -0,023 0,032 -0,029 0,000 0,001 0,787 0,006 0,521 0,078 0,196
0,70 0,006 0,135 0,003 0,198 0,005 0,631 -0,023 0,029 -0,032 0,000 0,000 0,940 -0,002 0,860 0,087 0,177
0,80 0,007 0,116 0,004 0,138 -0,002 0,901 -0,017 0,077 -0,032 0,000 0,001 0,674 0,012 0,316 0,021 0,758
0,90 0,016 0,037 0,001 0,779 0,017 0,263 -0,033 0,054 -0,022 0,312 -0,006 0,310 0,003 0,837 0,021 0,771
En dernier ressort, nous présentons les résultats découlant de la relation entre la responsabilité
démocratique et la croissance économique. Ce résultat peut être aligné avec ceux obtenus par
Dias & Tebaldi (2012) en n’indiquant aucun effet significatif sur la croissance économique. Un
résultat pouvant signaler que la relation entre la démocratie et la croissance est plutôt plus
ressentie via des canaux de transmission que directement, à titre d’exemple, en passant par la
stimulation de l’accumulation des capitaux physiques et/ou humains (Aisen & Veiga, 2013 ;
Rachdi, et al., 2018) en assurant une amélioration de la transparence politique et budgétaire. Un
point pouvant représenter un moteur de la croissance par la suite. Donc on peut supposer que
l’effet de la démocratie est indirect.

En général, les différentes estimations discutées ci-dessous confirment celles trouvées par
Fayissa & Nsiah (2013), Asongu & Kodila-Tedika (2015) et Nawaz (2015). Il ressort de nos
résultats que la qualité des institutions contribue aux écarts de revenus par habitant entre les
pays de notre échantillon.

Ensuite, et en considérant les variables exogènes ajoutées à notre modèle de croissance, nous
aboutissons à une preuve du processus de rattrapage qui a eu lieu dans les pays des trois
premiers quantiles (à faibles taux de croissance), en ayant un coefficient négatif du PIB par tête
retardé et significatif au moins à 5 % dans toutes les spécifications, confirmant l’hypothèse
d’une convergence conditionnelle, des conclusions en ligne avec les travaux de Borensztein et
al. (1998), Barro (2001) et Apergis & Payne (2014).

Tout d’abord, le capital physique a un effet positif sur la croissance économique et il est
statistiquement significatif (au moins à 5 %), ces résultats sont corroborés par les constatations
de De Gregorio (1992), Nonneman & Vanhoudt (1996), Borensztein et al. (1998), Barro (2001),
Apergis & Payne (2014) et Nawaz (2015), et surtout avec les analyses d’Abu-Qarn & Abu-
Bader (2007) sur la même région. Ensuite, pareillement que Benhabib & Spiegel (1994), Chen
& Feng (2000), Bouoiyour & Bennaghmouch (2002), Abu-Qarn & Abu-Bader (2007) et
Bouoiyour & Hanchane (2008), on trouve que le capital humain joue un rôle positif sur la
croissance économique, et il est statistiquement significatif pour les deux premiers quantiles,
dans la plupart des spécifications (à l’exception de la première), ceci est en ligne avec les
travaux de Mankiw et al. (1992) et De Gregorio (1992).

En ce qui concerne la croissance démographique, on arrive à un constat nous renseignant que

notre échantillon des pays de la région MENA ne profite pas assez de leur croissance
démographique, en jouant un rôle négatif dans la croissance économique dans la majorité des
pays de notre panel. Pour les pays en voie de développement, c’est-à-dire avec des ressources
financières limitées, une hausse de la croissance démographique est plus synonyme de
l’obligation d’une création et d’installations de plusieurs types d’infrastructures (écoles,
hôpitaux, routes, etc.) nécessaires pour subvenir aux besoins accrus d’une telle nation, que
d’une augmentation des dépenses des ménages et une génération d’un rendement élevé pour le
gouvernement (exemple des recettes fiscales). Par ailleurs, cela peut être expliqué par le fait
que si une croissance démographique coïncide avec de faibles taux de croissance, de faibles
progrès technologiques et un faible degré de capacité d’investissement, il en résultera un
ralentissement du taux de développement, une diminution du revenu par habitant à mesure que
la population augmente. Nos résultats concordent avec les analyses de Todaro (1995) et Todaro
(1997) pour les pays en voie de développement (ou à faible revenu).

Globalement, ces résultats40 semblent concordants avec la théorie économique et confirment

nos principaux points de départs et nos attentes, à l’exception des deux indicateurs de la qualité
des institutions, où on trouve que leurs effets ne sont pas statistiquement significatifs. Nos
résultats confirment le constat suggérant que l'impact des diverses institutions peut varier d'un
pays à l'autre en fonction de l'environnement économique national (Mauro, 1995 ; Acemoglu
& Robinson, 2010 ; Iqbal & Daly, 2014).

40
Les résultats des tests du « quantile slope equality » afin de valider l’utilisation de la regression par quantile
seront présentées en annexe.
- 48 -
 1.5. Test de robustesse :
Dans notre étude traitant l’effet de la qualité des institutions sur la croissance économique, la
potentielle présence d’endogénéité peut nous mener à des estimations biaisées. Ce qui peut
conduire à des interprétations et des conclusions incorrectes. Les sources possibles de ce biais
peuvent découler des variables omises, des erreurs de mesure ou de la simultanéité. Ainsi, pour
tenir compte du biais d’endogénéité et avoir des estimations plus fiables, nous optons à
l’utilisation d’un modèle de panel dynamique de la méthode des moments généralisés (GMM).

Tableau 6 : La qualité des institutions et la croissance économique : GMM :

Variable Dépendante : ln Growth

Variable d'intérêt (QI) Stb Gov Prfl Inv Corr Democ
(1) (2) (3) (4)
-0.0453 0.0007 0.0175 0.0164
Variable dépendante retardée (t-1)
(0.070) (0.072) (0.125) (0.122)
0.003** 0.002** -0.002 0.002
Variable QI41
(0.001) (0.001) (0.003) (0.002)
0.0001 -0.001 -0.0006 -0.001
LPIBl
(0.003) (0.003) (0.003) (0.003)
0.019** 0.017* 0.018** 0.015*
LInv
(0.009) (0.009) (0.009) (0.009)
-0.006 -0.003 -0.003 -0.001
LSec
(0.010) (0.010) (0.010) (0.010)
-0.031*** -0.033*** -0.033*** 0.033***
LPop
(0.005) (0.005) (0.005) (0.005)
-0.0009 -0.002 -0.003 -0.004*
LInf
(0.002) (0.002) (0.002) (0.002)
0.009 0.007 0.009 0.007
LOpe
(0.007) (0.001) (0.007) (0.007)
-0.066 -0.031 -0.030 -0.029
Constant
(0.050) (0.049) (0.050) (0.049)
Test (p-values)
AR (1) (p-value) 0.000*** 0.000*** 0.000*** 0.000***
AR (2) (p-value) 0.186 0.214 0.188 0.183
Hansen test (p-value) 0.846 0.811 1.0 0.949
Notes : Les valeurs entre parenthèses représentent les écarts-types des estimations.
*, ** et *** indiquent les niveaux de signification de 10%, 5% et 1%, respectivement.

41
Dans chaque régression, la variable IQ est représenté par quatre indicateurs (indépendamment), à savoir, la
stabilité gouvernementale, le profil d'investissement, la corruption et la responsabilité démocratique.
- 49 -
En effet, la technique d’estimation du GMM en différence a été proposée par Arellano & Bond
(1991), et ensuite, le GMM en système a été développé par Arellano & Bover (1995) et Blundell
& Bond (1998). Ces derniers42 utilisent des décalages de la variable dépendante comme
instruments internes pour contrôler cette relation endogène.

Le tableau 6 représente les résultats de la relation entre la qualité des institutions et la croissance
économique en s’appuyant sur l’estimateur GMM en système. Tout d’abord, deux tests sont
employés pour valider l’estimation empirique. D’un côté, le test d'autocorrélation des résidus
d'Arellano-Bond (AR (2)) permet d’accepter l'hypothèse d'absence de corrélation en série de
second ordre pour la totalité des régressions effectuées. Et d’un autre côté, via le test de sur-
identification de Hansen, on rejette l’hypothèse nulle de non-validation des instruments,
autrement dit l'ensemble des instruments internes utilisés remplit la condition d'exogénéité
requise pour obtenir des estimations cohérentes dans les modèles estimés. Et ensuite, dans la
quête permanente de la robustesse, nous observons l’existence de l’effet significatif de la
stabilité gouvernementale et du profil d’investissement sur la croissance économique dans les
pays de la région MENA, et non pas des autres variables (corruption et responsabilité
démocratique) ce qui confirme les principaux résultats de notre étude.

42
Elles sont utilisées généralement quand on ne dispose pas d’instruments externes.
- 50 -
 1.6. Conclusion :
Dans ce travail nous avons étudié l’effet de la qualité des institutions sur la croissance
économique des pays de la région MENA au cours de la période 1984-2016. Dans cet ordre
d’idée, nous nous somme axés sur les travaux pionnier de Solow (1956) et de Mankiw et al.
(1992). Nous avons utilisé la méthode de la régression par quantile pour estimer les paramètres
du modèle dans un cadre bayésien (Bayesian Quantile Regression).

Ce type de régression apporte une description complète de la structure de dépendance entre les
institutions et la croissance en étudiant une série de quantiles de la distribution des niveaux.
Cela nous permet d'évaluer le comportement des quantiles extrêmes associés à de larges
niveaux de croissance économique par rapport à la régression de la moyenne dans les moindres
carrés (MCO).

La région MENA étant une région économiquement diversifiée, elle comprend des pays ayant
un patrimoine commun, des niveaux de développement économique distincts, des ressources
naturelles différentes et des systèmes politiques fondamentalement hétérogènes.

Il est bien connu que la région MENA est secouée par un degré élevé d'instabilité politique, une
plus grande fragmentation des systèmes politiques et moins de liberté économique que les
autres régions du monde (Makdisi, et al., 2006). Depuis le début de l'année 2011, elle a été le
théâtre de nombreux soulèvements à la recherche de systèmes plus démocratiques qui devront
conduire à plus de stabilité politique à long terme. Cela pourrait débarrasser la région des
conséquences négatives de l'incertitude liée à l'instabilité politique et accélérer la croissance de
la région.

Les conclusions tirées de cette étude suggèrent qu'une bonne gouvernance est importante pour
la croissance économique des économies de la région MENA, en particulier dans les pays qui
se situent au bas de l'échelle de la distribution des revenus. Il ressort de nos résultats que la
qualité des institutions contribue aux écarts de revenus par habitant entre les pays les plus riches
et les plus pauvres de la région MENA. De plus, nos analyses indiquent que le rôle des
institutions dans la croissance économique est tributaire du type et du niveau de croissance des
revenus des pays considérés.

Dans le même sens, des institutions politiques et économiques de qualité sont essentielles pour
minimiser les conflits, ce qui confirme l'hypothèse de la "hiérarchie des institutions". Menant à
- 51 -
un processus où les institutions politiques définissent l'environnement propice dans lequel les
institutions économiques peuvent stimuler la croissance.

Pour inverser la tendance de croissance économique anémique et persistante dans la région, les
décideurs politiques devront mettre l'accent sur l’amélioration de la stabilité gouvernementale,
ainsi que le profil d’investissement, agissant à leur tour en tant que support et levier de la
croissance économique. Dans l’optique de sécuriser les investissements locaux et étrangers,
afin de réaliser une certaine prospérité et une attractivité pour pouvoir stimuler d’autant plus la
croissance économique.

- 52 -
 1.7. Annexe :
Annexe 1.1 : Description et sources des données :

Variables Description Source Abr.

PIB par habitant Le PIB par habitant est le produit intérieur brut divisé par la population en milieu World Development Yt
(en $ constant de 2015) d'année. Le PIB est la somme de la valeur ajoutée brute de tous les producteurs Indicators (WDI)
résidents d'une économie plus toutes taxes sur les produits et moins les subventions
non incluses dans la valeur des produits.
Elle est calculée sans effectuer de déductions pour la dépréciation des biens fabriqués
ou la perte de valeur ou la dégradation des ressources naturelles.

Croissance Économique ln y' − ln y'() Calcul des auteurs Growth

Capital Physique (Investissement : Comprend les améliorations des terres, les usines, la machinerie et les achats World Development CP
Formation brute de capital fixe en d'équipement, la construction de routes, de chemins de fer, etc. y compris les écoles, Indicators (WDI)
% du PIB) les bureaux, les hôpitaux, les unités résidentielles privées et les édifices commerciaux et
industriels.
Capital Humain (Taux brut Correspond au total des inscriptions dans l'éducation secondaire, indépendamment de World Development CH
d'inscription en secondaire) l'âge, exprimé en pourcentage de la population en âge de suivre une éducation Indicators (WDI)
secondaire officielle.
Ce taux peut dépasser 100 % en raison d'inclusions d'étudiants (de tous les âges) à la
suite d'une scolarisation précoce, tardive et de redoublements.
Population (Total) La population totale est basée sur la définition de facto de la population, qui compte World Development Pop
tous les résidents indépendamment de leur statut légal ou de leur citoyenneté. Les Indicators (WDI)
valeurs indiquées sont des estimations à mi-année.
Ouverture Commerciale Correspond est la somme des exportations et importations de biens et services mesurée World Development Ouv
(Commerce en % du PIB) en tant que pourcentage du produit intérieur brut. Indicators (WDI)
Inflation (Indice des prix à la Reflète les variations du coût d'un panier de biens et services acheté par le World Development Inf
consommation (% annuel)) consommateur moyen. Le contenu de ce panier peut être fixe où être modifié à Indicators (WDI)
intervalles réguliers notamment chaque année.

Stabilité Gouvernementale Mesure de la capacité du gouvernement à rester au pouvoir et à mener à bien son ou International Country Stb.Gov
(maximum 12 points) ses programmes déclarés, en fonction de facteurs tels que le type de gouvernance, la Risk Guide (ICRG)
cohésion du gouvernement et des partis au pouvoir, l'approche d'une élection et la
maîtrise de la législature. Il est évaluer via trois sous-composantes : Unité
gouvernementale, Force législative et le Soutien populaire.

Profil d'investissement (maximum Mesure l'attitude du gouvernement à l'égard des investissements étrangers, International Country Prfl.Inv
12 points) déterminée par quatre éléments : le risque pour les opérations, la fiscalité, le Risk Guide (ICRG)
rapatriement des bénéfices et le coût de la main-d'œuvre.
Corruption Mesure de la corruption au sein du système politique qui constitue une menace pour les International Country Corr
(maximum 6 points) investissements étrangers en faussant l'environnement économique et financier, en Risk Guide (ICRG)
réduisant l'efficacité du gouvernement et des entreprises, en permettant à des
personnes d'accéder à des postes de pouvoir par le biais du favoritisme plutôt que par
leurs compétences et en introduisant une instabilité inhérente dans le processus
politique.
Responsabilité démocratique Une mesure non seulement de la tenue d'élections libres et équitables, mais aussi de la International Country Democ
(maximum 6 points) réactivité du gouvernement face à son peuple. Moins il est réceptif, plus il a de chances Risk Guide (ICRG)
de tomber. Même les gouvernements élus démocratiquement peuvent se laisser
convaincre qu'ils savent ce qui est le mieux pour le peuple, malgré les indications claires
du contraire de la part du peuple.

- 54 -
Annexe 1.2 : Étude de corrélation :

En analysant les corrélations entre les différentes variables (tableau 7), on remarque l’existence
d’une corrélation positive entre le capital physique, plusieurs indicateurs de la qualité des
institutions et le taux de croissance économique, et une corrélation négative entre les variables
représentant le PIB retardé d’une période, le capital humain (le taux brut de scolarisation dans
l'enseignement secondaire) ainsi que des politiques structurelles avec le taux de croissance
économique.

Tableau 7 : Corrélations entre les variables :

lgrowth linv lsec lpop Louv linf Stb.Gov Prfl.inv Corr Democ
1.000
lgrowth
(----)
0.1372 1.000
linv
(0.029) (----)
-0.0358 -0.0492 1.000
lsec
(0.571) (0.436) (----)
-0.3816 -0.0781 0.1466 1.000
lpop
(0.000) (0.216) (0.019) (----)
-0.0591 -0.0420 0.3861 0.4419 1.000
Louv
(0.349) (0.506) (0.000) (0.000) (----)
-0.0738 0.0183 -0.2379 -0.1372 -0.5090 1.000
linf
(0.243) (0.771) (0.000) (0.029) (0.000) (----)
0.2128 -0.0615 0.1839 -0.1323 0.1276 -0.4001 1.000
stb.gov
(0.000) (0.330) (0.003) (0.035) (0.042) (0.000) (----)
0.1040 0.0016 0.3453 0.0827 0.3770 -0.4642 0.6249 1.000
invprfl
(0.099) (0.979) (0.000) (0.190) (0.000) (0.000) (0.000) (----)
-0.0543 0.1630 -0.1622 0.1117 0.0674 0.0351 -0.1050 -0.1347 1.000
corr
(0.389) (0.000) (0.009) (0.076) (0.286) (0.579) (0.096) (0.032) (----)
0.0796 0.1762 -0.0274 -0.0482 -0.0392 0.2774 -0.1309 -0.0701 0.0446 1.000
democ
(0.207) (0.005) (0.664) (0.446) (0.535) (0.000) (0.037) (0.267) (0.480) (----)

() : Indique la probabilité

Pour la variable reflétant la politique de stabilisation macroéconomique (taux d’inflation), elle

est négativement corrélée avec certaines variables, à savoir le taux de croissance économique,
le capital humain, l’ouverture commerciale, la croissance démographique ainsi que la totalité
des indicateurs de la qualité des institutions (sauf la corruption et la responsabilité
démocratique).

A travers l’analyse de corrélation, il nous est apparent que la totalité des indicateurs mesurant
la qualité des institutions (à l’exception de l’indicateur indiquant la responsabilité
démocratique) sont tellement corrélés, ce qui implique que leur intégration dans le même
modèle causera un problème de multi-colinéarité, ce qui pourra conduire à des résultats biaisés.
Concernant la figure 9, il est apparent que la variable du taux brut de scolarisation en primaire
est très corrélée avec celle relative au secondaire. En les intégrant dans le même modèle, ceci
impliquera un problème de multi-colinéarité, ce qui pourra conduire à des résultats biaisés.

Une analyse considérée comme préliminaire, bien évidemment, et insuffisante pour conclure.
Opter à l’utilisation de simples corrélations entre les différentes variables peut nous émettre des
résultats exorbitants voir biaisés dans une large mesure, ainsi que ça ne permet pas d’avoir une
information sur la causalité, seul un modèle plus complet et spécifié permettrait d’affirmer ou
d’infirmer ces premiers résultats.

0,4 0,4

0,3 0,3

0,2 0,2

0,1 0,1

0,0 0,0
0 5 10 0 5 10
-0,1 -0,1

-0,2 -0,2

-0,3 -0,3

-0,4 -0,4

-0,5 -0,5

-0,6 -0,6
STB GOV PRFL INV
Figure 10 : La Stabilité Gouvernementale, le Profil d’Investissement et la Croissance
Économique

0,4 0,4

0,3 0,3

0,2 0,2

0,1 0,1

0,0 0,0
0 1 2 3 4 0 2 4 6
-0,1 -0,1

-0,2 -0,2

-0,3 -0,3

-0,4 -0,4

-0,5 -0,5

-0,6 -0,6
Corruption RES DEMOC
Figure 11 : La Corruption, la Responsabilité Démocratique et la Croissance
Économique

- 59 -
 Annexe 1.3 :

Tableau 8 : Statistique Descriptive : Taux de croissance de notre panel :

1984 - 2016 Turquie Maroc Tunisie Égypte Oman Algeria Bahreïn Liban Qatar Iran Jordanie KSA Koweït Yémen EAU

Moyenne du
taux de 0,0295 0,0259 0,0222 0,0212 0,0090 0,0073 0,0070 0,0061 0,0055 0,0052 0,0018 0,0013 -0,0077 -0,0138 -0,0232
croissance

Écart-type 0,0434 0,0375 0,0244 0,0163 0,0411 0,0249 0,0339 0,1353 0,0404 0,0576 0,0481 0,0618 0,0608 0,0831 0,0657

La plus faible -0,0764 -0,0709 -0,0399 -0,0123 -0,0735 -0,0432 -0,0783 -0,5555 -0,0585 -0,1426 -0,1873 -0,1579 -0,1343 -0,3551 -0,2187

La plus forte 0,0905 0,1023 0,0550 0,0515 0,1044 0,0569 0,0963 0,3054 0,0786 0,1014 0,1155 0,1072 0,1480 0,0471 0,1107
 Annexe 1.4 :

Tableau 9 : Statistique Descriptive : Les indicateurs de la Qualité des Institutions :

Pays Stabilité Gouvernementale Profil d'Investissement Corruption Responsabilité Démocratique

Moy. Med. Écart-type Min Max Moy. Med. Écart-type Min Max Moy. Med. Écart-type Min Max Moy. Med. Écart-type Min Max
Algérie 8,08 8,58 1,65 4,25 10,50 7,14 7,50 1,42 3,67 9,17 2,51 2,00 0,95 1,50 4,00 3,14 3,50 0,98 1,75 5,00
Bahreïn 7,87 8,00 2,08 5,00 11,21 8,60 9,00 2,51 4,92 11,50 2,84 3,00 0,64 2,00 4,00 2,63 2,00 1,34 0,00 4,50
Égypte 8,19 8,42 1,88 3,92 11,00 6,35 6,50 1,74 2,33 10,00 2,13 2,00 0,64 1,50 4,00 2,78 2,00 1,08 1,50 5,00
Iran 7,10 7,08 1,63 4,08 10,33 5,42 5,00 0,86 3,33 7,50 2,65 2,83 0,93 1,50 4,00 3,20 3,00 0,84 1,58 4,50
Jordanie 8,48 8,08 1,77 4,83 10,92 7,74 8,88 2,61 1,25 10,00 3,18 3,00 0,45 2,50 4,00 3,40 4,00 0,83 1,83 4,50
Maroc 8,64 8,17 1,44 6,67 11,00 7,61 8,83 1,93 3,00 9,50 2,75 3,00 0,40 2,00 3,00 3,35 3,00 1,24 2,00 5,00
Oman 9,22 9,50 1,83 6,00 11,00 9,09 9,33 2,30 4,08 11,50 2,79 3,00 0,25 2,50 3,00 1,77 2,00 0,79 1,00 3,00
Tunisie 8,39 8,00 2,49 4,17 11,00 7,21 7,17 1,64 4,00 10,00 2,67 3,00 0,42 2,00 3,00 2,55 2,00 0,87 1,00 4,50
Turquie 7,58 7,71 1,68 3,67 10,08 6,73 7,25 1,40 4,00 9,75 2,64 2,50 0,58 2,00 4,00 4,37 4,25 1,00 2,00 6,00
EAU 8,80 10,00 2,30 4,00 11,00 8,84 7,67 2,23 6,00 11,50 2,61 2,17 0,68 2,00 4,00 2,14 2,00 0,25 1,58 2,50
KSA 8,61 9,08 1,52 5,92 10,92 8,78 9,25 2,10 5,33 11,00 2,27 2,00 0,42 2,00 3,33 1,06 1,00 0,82 0,00 2,00
Kuwait 7,50 7,17 1,91 4,25 10,42 8,35 8,33 2,38 1,83 11,50 2,74 3,00 0,39 2,00 3,00 2,70 3,00 0,86 1,00 4,00
Liban 6,44 6,33 2,62 1,08 11,00 6,19 7,00 2,59 1,08 9,50 1,77 1,50 0,92 1,00 4,00 3,89 5,00 1,48 1,00 5,00
Qatar 9,18 10,50 2,59 4,25 11,50 8,46 10,00 2,05 4,17 10,00 2,33 2,00 0,55 2,00 4,00 1,89 2,00 0,30 1,00 2,00
Yémen 8,22 9,00 2,35 3,17 11,00 6,66 7,83 1,64 3,42 9,17 2,29 2,00 0,66 1,00 3,00 3,71 3,83 0,55 2,50 5,00

Nos indicateurs représentant la qualité des institutions reflètent le niveau de la stabilité politique, cependant la fourchette de notation de chaque
indicateur est différente l’une de l’autre : par exemple, l'indicateur de la stabilité gouvernementale varie de 0 à 12, tandis que la corruption varie de
0 à 6. Une faible valeur indique une mauvaise qualité des institutions et vice versa, c’est-à-dire un score élevé indique une meilleure qualité.
Annexe 1.5 : Résultats du « Quantile slope equality test » :

A la suite des régressions bayésiennes par quantile, nous avons appliqué le test du « quantile
slope equality » afin de valider l’utilisation de la régression par quantile. Les tableaux 10, 11,
12 et 13 montrent les résultats du test « quantile slope equality » pour une régression médiane
de la croissance économique pour notre panel.

Tableau 10 : « Quantile slope equality » - Stabilité gouvernementale (IQ)

Specification: LZ C LPIBL LINV LPOP LSEC LINF LOPE GOV
Test statistic compares all coefficients
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Wald Test 21.92371 14 0.0802
Restriction Detail: b(tau_h) - b(tau_k) = 0
Quantiles Variable Restr. Value Std. Error Prob.
0.25, 0.5 LPIBL -0.009641 0.004627 0.0372
LINV 0.001641 0.012478 0.8954
LPOP 0.003448 0.004923 0.4837
LSEC 0.014905 0.014938 0.3184
LINF -0.004543 0.002919 0.1197
LOPE 0.007306 0.009007 0.4173
GOV 0.002028 0.001671 0.2251
0.5, 0.75 LPIBL -0.004020 0.003906 0.3033
LINV 0.000436 0.009447 0.9632
LPOP 0.002829 0.005230 0.5885
LSEC 0.018064 0.013380 0.1770
LINF 0.000151 0.002515 0.9522
LOPE 0.005722 0.008106 0.4802
GOV 0.001621 0.001434 0.2583

Tableau 11 : « Quantile slope equality » - Profil d’investissement (IQ)

Specification: LZ C LPIBL LINV LPOP LSEC LINF LOPE INV
Test statistic compares all coefficients
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Wald Test 27.55082 14 0.0163
Restriction Detail: b(tau_h) - b(tau_k) = 0
Quantiles Variable Restr. Value Std. Error Prob.
0.25, 0.5 LPIBL -0.011198 0.004193 0.0076
LINV -0.008958 0.009643 0.3529
LPOP 0.001372 0.004763 0.7733
LSEC 0.014096 0.012988 0.2778
LINF -0.001564 0.003483 0.6534
LOPE 0.005510 0.007265 0.4482
INV 0.001643 0.001525 0.2814
0.5, 0.75 LPIBL -0.007135 0.004100 0.0818
LINV -0.004433 0.009350 0.6354
LPOP 0.001312 0.005416 0.8085
LSEC 0.018848 0.012866 0.1429
LINF -0.000862 0.002496 0.7299
LOPE 0.003630 0.008192 0.6577
INV 0.001759 0.001419 0.2151
 Tableau 12 : « Quantile slope equality » - Corruption (IQ)
Specification: LZ C LPIBL LINV LPOP LSEC LINF LOPE CORR
Test statistic compares all coefficients
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Wald Test 23.60235 14 0.0511
Restriction Detail: b(tau_h) - b(tau_k) = 0
Quantiles Variable Restr. Value Std. Error Prob.
0.25, 0.5 LPIBL -0.006829 0.004779 0.1531
LINV 0.008311 0.012129 0.4932
LPOP -0.000679 0.004774 0.8869
LSEC 0.030272 0.014645 0.0387
LINF -0.006848 0.002748 0.0127
LOPE -0.014269 0.007370 0.0529
CORR 0.001554 0.003731 0.6771
0.5, 0.75 LPIBL -0.008533 0.004257 0.0450
LINV -0.002855 0.008927 0.7492
LPOP 0.002561 0.005397 0.6352
LSEC 0.018150 0.012452 0.1450
LINF -0.001614 0.002655 0.5432
LOPE 0.015036 0.008446 0.0750
CORR -0.001405 0.003498 0.6880

Tableau 13 : « Quantile slope equality » - Responsabilité démocratique (IQ)

Specification: LZ C LPIBL LINV LPOP LSEC LINF LOPE DEMOC
Test statistic compares all coefficients
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Wald Test 23.02004 14 0.0599
Restriction Detail: b(tau_h) - b(tau_k) = 0
Quantiles Variable Restr. Value Std. Error Prob.
0.25, 0.5 LPIBL -0.011331 0.004864 0.0198
LINV 0.003196 0.010889 0.7691
LPOP 0.002050 0.004660 0.6600
LSEC 0.035959 0.014585 0.0137
LINF -0.007130 0.002959 0.0160
LOPE -0.012183 0.007876 0.1219
DEMOC -0.000296 0.002773 0.9150
0.5, 0.75 LPIBL -0.005781 0.004089 0.1574
LINV -0.005458 0.008714 0.5311
LPOP 0.000739 0.005019 0.8830
LSEC 0.017216 0.013471 0.2013
LINF -0.000566 0.002839 0.8419
LOPE 0.008590 0.008059 0.2865
DEMOC 0.000296 0.002320 0.8985

Pour les quatre régressions (ce sont les mêmes modèles estimés dans la section précédente).
Les valeurs statistiques de khi-deux sont de 21,92, 27,55, 23,60 et 23,02, et sont statistiquement
significatives à 10 % (sauf pour la deuxième régression qui est significative à 5 % au niveau du
test conventionnel). À partir de ces statistiques, et pour la totalité des régressions effectuées, on
peut conclure que les coefficients sont différents selon les quantiles et que les quantiles
conditionnels ne sont pas identiques.

- 63 -
2.

L’efficience du rendement de
l’investissement : Cas du Maroc

2.1. Introduction :
Parmi les multitudes des caractéristiques fondamentales distinguant les disparités entre les pays
développés et ceux en développement, l’investissement et l’accumulation du capital physique
constituent l’un des principaux facteurs déterminant le niveau de la croissance économique par
le biais de la productivité.

L'investissement peut avoir plusieurs effets d’externalités sur le développement et la croissance

économique, d’une manière directe, en consolidant des infrastructures publiques résultant une
augmentation du rendement des entreprises. Ce déterminant affecte l'économie en deux temps.
À court terme, l’investissement fait partie des principales composantes des dépenses d’une
économie, d’où son augmentation qui stimule directement et/ou indirectement l’activité
économique. À long terme, l'investissement (spécialement, le public) crée fondamentalement
du capital public, générant ainsi des effets de débordement notamment sur la productivité du
secteur privé. Par ailleurs, il permet d’une façon indirecte d’améliorer de manière colossale
(considérable) l’attractivité d’une économie vis-à-vis des multinationales et des firmes
étrangères.

La littérature s’est fortement penchée à examiner l’importance de l’investissement et le rôle que

- 64 -
joue ce dernier en tant que levier (pivot) de la croissance économique. Les conclusions tirées
par les différents travaux qui portent sur les répercussions de l'investissement sur la croissance
économique sont partagées (Khan & Kumar, 1997 ; Tanzi & Davoodi, 1998 ; Yamano &
Ohkawara, 2000 ; Boswort & Collins, 2003 ; Ahuja & Nabar, 2012 ; Okoh & Ebi, 2013 ;
Gutiérrez & Philippon, 2016, entre autres). En outre, la question de l’investissement détient un
intérêt primordial pour les décideurs politiques et économiques, de par sa possibilité et sa
contribution à l’optimisation de la création d’une richesse nationale ainsi que la bonne
allocation des ressources.

La Chine constitue un bon exemple pour illustrer le rôle de l’investissement dans le processus
de développement économique. Sa croissance économique a été largement alimentée par
l'industrialisation des zones rurales, et d’autant plus, par le transfert sectoriel de la main-d'œuvre
(une offre presque illimitée de main-d'œuvre bon marché) effectué de l'agriculture familiale
vers les milieux urbains et des villages destinés à une production industrielle (Jun, 2003). Pour
le cas des pays de la région MENA, le capital est moins efficace, la malédiction des ressources
naturelles est plus prononcée, l'ouverture est moins propice à la croissance, les chocs externes
négatifs ont un impact plus important et la volatilité de la production est plus défavorable à la
croissance (Makdissi, et al., 2000). En Amérique latine, et selon Straub (2008), un
investissement efficient contribue à l’amélioration des infrastructures, permettant ainsi une
amélioration directe et/ou indirecte de la productivité du capital physique et humain et donc de
la croissance. De plus, O'toole & Tarp (2014) trouvent que l’investissement privé par les
entreprises (exportateurs ou importateurs directs) sont gagnantes en termes d’efficience de
l’investissement. En revanche, les petites et anciennes entreprises ont des niveaux d'efficience
inférieurs à ceux de leurs concurrentes, sur le même type de pays. Ainsi que l'investissement
public dans les infrastructures facilite l'investissement privé, favorise également la croissance
économique et l'efficacité de l’investissement à long terme (Odedokun, 1997).

Le Maroc représente un terrain fertile pour notre recherche. En effet, malgré son taux
d’investissement total43 (public et privé) s’élevant à 33,5 % du PIB en 2018 au lieu de 32,6 %
en 2017 (34,42 % du PIB en 200844), considéré par la banque mondiale45 comme l’un des plus

43
Avec une contribution par l’épargne nationale brute de 82,3% contre 89,1% en 2017.
44
Données des comptes nationaux de la Banque mondiale et fichiers de données des comptes nationaux de l'OCDE.
45
Créer des marchés au Maroc - une deuxième génération de reformes : stimuler la croissance du secteur privé, la
création d’emplois et l’amélioration des compétences. Banque Mondiale, Juin 2019.
- 65 -
élevés au monde et dans la région MENA, mais menant à une croissance économique volatile
et rythmé par les aléas climatiques (Partow & Malouche, 2019). Une mauvaise allocation,
représentée par une faible participation du secteur public à hauteur de 5,4 % du PIB pour
satisfaire les besoins accrus en termes d’infrastructures46. En ce qui concerne le marché
d’emploi, une grande partie des diplômés marocains ne parvient pas à trouver un emploi
équivalent à leur formation, une réalité caractérisée par un manque d’adéquation entre l’offre
de formation et le marché de travail, soulignée par un taux de chômage de 79 % de la population
des personnes âgées entre 15 et 34 ans, dont 33,5 % font partie des diplômés du niveau supérieur
et un sous-emploi de 9,8 % de la population active en 201747. L’économie marocaine marque
4,19 % de taux de croissance annuel moyen au cours des deux dernières décennies, et en
parallèle la Turquie48, atteint des taux de croissance similaires ou supérieurs (avec un taux de
croissance annuel moyen de 5,1 %), tout en sachant qu’il dispose d’un taux d’investissement
inférieur à celui du royaume, égalant 29,99 % du PIB (pour la même période).

L’objectif de ce travail est d’examiner le rendement de l’investissement dans le cas marocain,

nous permettant ainsi d’effectuer une analyse comparative. Nous avons considéré un ensemble
de pays qui ont été similaires au Maroc dans les années 1960 et 1970 en termes de croissance
économique49 et qui ont connu un sentier de croissance différent en particulier la Turquie et le
Portugal. Cette étude est considérée comme la première à évaluer l’efficacité (les propriétés
multifractales) de l’investissement en général, plus précisément pour le cas du Maroc, en
utilisant la « MultiFractal Detrended Fluctuation Analysis » (MF-DFA) proposée par
Kantelhardt et al. (2002) procurant un moyen flexible et efficient de tester les propriétés
multifractales (mémoire longue) d'une série statique (Mensi, et al., 2017 ; Bouoiyour, et al.,
2018). Également, nous avons vérifié si la série de la FBCF a un comportement persistant et/ou
anti-persistant en utilisant les composantes à court ou à long terme du processus MF-DFA.

Les résultats de notre étude démontrent l’existence d’une forte multifractalité avec une
persistance de l’effet de mémoire dans les rendements trimestriels de l’investissement. La
principale source de cette multifractalité réside dans l’effet de mémoire à long terme actant dans

46
Diagnostic du secteur privé. Banque Mondiale. 2019.
47
Enquête nationale de l’emploi, 2016-2017. Haut-Commissariat au Plan (HCP).
48
Un pays ayant eu approximativement le même niveau de croissance que le Maroc au cours des années 1960 et
1970.
49
Nous présentons dans l’annexe l’évolution du PIB des trois pays en prenant comme base l’année 1960
(figure 23 et 24).
- 66 -
la détermination des propriétés multi-échelles. Avec de telles caractéristiques multifractales, on
peut conclure que l’investissement au Maroc est efficace.

La suite de notre étude sera partagée en trois parties. La première introduira les données utilisées
et la méthodologie suivie. Les résultats et discussions seront présentés dans la seconde. La
troisième partie est consacrée à la conclusion et fournit quelques recommandations politiques.

- 67 -
 2.2. Données et méthodologie :
2.2.1. Données et statistiques descriptives :
Nous utilisons des données trimestrielles sur le niveau de l’investissement mesuré par la
formation brute du capital fixe (FBCF) de l’économie marocaine (1980Q1-2023Q1), en
s’appuyant sur les bases de données de la comptabilité nationale marocaine et des enquêtes
statistiques réalisées par le Haut-Commissariat au Plan. Ainsi que nous utilisons leurs
homologues pour ce qui concerne la Turquie (1998Q1-2023Q2) et le Portugal (1995Q1-
2023Q2), obtenus de la Banque de la Réserve fédérale de Saint-Louis (FRED)5051, dont la
source est l’OCDE. Les données sont exprimées en unités monétaires nationales. Le choix de
la période est motivé par la disponibilité des données.

100000
90000
80000
70000
60000
50000
40000
30000
20000
10000
0
:1

:2

:3

:4

:1

:2

:3

:4

:1

:2

:3

:4

:1

:2

:3

:4

:1

:2
80

82

84

86

89

91

93

95

98

00

02

04

07

09

11

13

16

18
19

19

19

19

19

19

19

19

19

20

20

20

20

20

20

20

20

20

Source : Calcul de l’auteur (HCP -2018).

Figure 12 : Formation brute de capital fixe du Maroc (en millions de DH)

50
Organization for Economic Co-operation and Development, Gross Fixed Capital Formation in Turkey
[TURGFCFQDSMEI], retrieved from FRED, Federal Reserve Bank of St. Louis;
51
Organization for Economic Co-operation and Development, Gross Fixed Capital Formation in Portugal
[PRTGFCFQDSMEI], retrieved from FRED, Federal Reserve Bank of St. Louis;
- 68 -
 Tableau 14 : Statistiques descriptive

Tests for Normality Joint

Std. Adj Prob >
Variable Obs Mean Median Min Max Pr (Skewness) Pr (Kurtosis)
Dev. chi2(2) chi2
FBCF 156 48756 43912 17676 23527 93511 0.0014 0.0167 13.33 0.0013

Le tableau 14 présente les statistiques descriptives de notre série. La FBCF suit une distribution
leptokurtique dont la queue de distribution est étalée vers la gauche, ensuite, en utilisant notre
base de données, nous allons tester si la variable de la FBCF est normalement distribuée, où on
applique le « Skewness and kurtosis test for normality ». En se basant sur le Kurtosis et le
skewness (prob > chi2 : 0,0013), nous pouvons rejeter l'hypothèse que la série « FBCF » est
normalement distribuée. La kurtosis pour la variable de la FBCF est de 2,32 (avec une p-value
de 0,01) montrée dans le tableau ci-dessus indiquant qu'elle est significativement différente de
la kurtosis d'une distribution normale au niveau de significativité de 5 %. Toutefois, sur la base
des deux (Skewness et Kurtosis), nous pouvons rejeter l'hypothèse que la distribution de la
FBCF est normale.

FBCF
10000 20000 30000 40000 50000
Distance above median
0

0 5000 10000 15000 20000

Distance below median

Figure 13 : Symétrie de la FBCF

Le graphe ci-dessus présente les valeurs de l’investissement les plus fortes et les plus faibles
dans notre échantillon. La valeur la plus forte est de 93511 MMAD tandis que la plus faible est
de 23527 MMAD et elle est de 43912 MMAD en ce qui concerne la valeur médiane, de sorte
que la valeur la plus forte équivaut à 49599 MMAD de plus que la médiane et la valeur la moins
forte vaut 20385 MMAD de moins que la médiane. On peut dire maintenant que la distribution
- 69 -
des valeurs de l’investissement n'est pas symétrique.

2.2.2. Méthodologie :
2.2.2.1. MF-DFA 52 :
La MF-DFA53 est devenue une technique largement utilisée pour la détermination des
propriétés d’échelle des fractales et pour la détection de l’effet de mémoire longue dans un
environnement bruyant et des séries chronologiques non-stationnaires. Éviter la détection de
fausses corrélations qui sont des artéfacts de la non-stationnarité dans les séries chronologiques
constitue la principale raison motivant le choix de cette méthode.

On peut distinguer deux types de multifractalités :

1- Une multifractalité due à une fonction de densité de large probabilité pour les valeurs
de la série temporelle. Dans ce cas, la multifractalité ne peut pas disparaître avec la
permutation et le mixage de la série.
2- Une multifractalité due à différentes corrélations de la mémoire longue de faibles et de
fortes fluctuations. Dans ce cas, la probabilité de la fonction de densité des valeurs peut-
être une distribution régulière avec des moments finis (à titre exemple : la distribution
gaussienne). La série mixée correspondante va présenter une échelle qui n’est pas
multifractale car toutes les corrélations de longue période sont détruites à travers la
procédure de mixage. Et si les deux types de multifractalité sont présents, la série mixée
va présenter une faible multifractalité que celle présente dans la série originale.

Généralement, on trouve deux sources expliquant la multifractalité :

- Une multifractalité due à l’effet de mémoire longue, c’est-à-dire la dépendance des
rentabilités à long terme.
- Une multifractalité due aux larges queues de distribution, autrement dit à la
Leptokurticité de ces queues.
Et en principe, la combinaison des deux sources « source hybride » est également possible.

La manière de mesurer l’importance de l’une ou de l’autre source est faite en créant deux types

52
Nous présentons dans l’annexe la procédure de la MF-DFA étape par étape.
53
Nous présentons dans l’annexe la procédure de la MF-DFA étape par étape.
- 70 -
de séries :

1) Une série « Shuffled » à partir de permutations aléatoires en vue d’affaiblir l’effet d’une
mémoire longue.
2) Une série « Surrogate » dans laquelle on veut faire affaiblir la distribution leptokurtique
pouvant caractériser la série.
La procédure du « Shuffling » consiste à permuter aléatoirement la série originale sur la
longueur N de la série. En répétant cette procédure plusieurs fois. La procédure du « Shuffling »
se présente comme suit :

i) Générer des paires (@, X) de nombres aléatoires (avec @, X ≤ Z) où N représente

la longueur totale de la série pour laquelle on veut appliquer le « Shuffling ».
ii) Permuter les entrées @ et X.
iii) Répéter les deux premières étapes pour 20 N fois (cette étape assure que l’ordre de
la série est permuté de manière totale).

La procédure « Surrogating » de la série originale nous permet de montrer la contribution des

larges queues dans la multifractalité. On peut ainsi trouver, la méthode « Statically Transformed
Autoregressive Process and Surrogate Data test for non linearity » (STAP) (Benbachir &
Alaoui, 2011)54.

2.2.2.2. Robustesse : L’exposant de Hurst 55 par le biais

du « Rescaled Range » :
Un certain nombre de techniques/méthodes ont été adoptées par divers chercheurs pour
l'estimation de l'exposant de Hurst pour une série chronologique. Parmi toutes ces méthodes,
l'analyse de l’intervalle rééchelonné "Rescaled Range56" (R/S) (Tatli, 2015 ; Chandrasekaran,
et al., 2019 ; Karmakar, et al., 2019) popularisée par Mandelbrot & Wallis (1969) et basée sur
les résultats hydrologiques antérieurs de Hurst, est l'une des méthodes les plus couramment

54
Les algorithmes AAFT (amplitude adjusted Fourier transform) et STAP (Statically Transformed Autogressive
Progress) permettent également de conserver exactement la même distribution et répondent à la problématique de
surrogate.
55
Nous présentons dans l’annexe la procédure de l'estimation de l'exposant de Hurst étape par étape.
56
L'intervalle rééchelonné est une mesure statistique de la variabilité d'une série chronologique. Son but est de
fournir une évaluation de la manière dont la variabilité apparente d'une série change avec la durée de la période
considérée.
- 71 -
utilisées par les chercheurs dans divers domaines traitant les séries chronologiques complexes.
Que nous avons utilisé dans le but de vérifier la robustesse de nos résultats.

Les études concernant l'exposant Hurst ont été initialement développées en hydrologie par
Hurst (1951) et Hurst et al. (1965) pour la question pratique de la détermination de la taille
optimale des barrages pour les conditions de pluie volatiles et de sécheresse du Nil qui avaient
été observées sur une longue période de temps. En se basant sur les travaux de Rao &
Bhattacharya (1999)57, il en ressort que la méthode de l'intervalle rééchelonné (R/S) était plus
robuste que le modèle du bruit gaussien fractionnaire5859, puisque la pente du diagramme
log (R/S) par rapport au log (n) est calculée directement à partir des données, faisant que l'étape
intermédiaire du calcul de la périodicité (présente dans les étapes du modèle du bruit gaussien
fractionnaire60) n'entre pas dans la méthodologie. Faisant que la méthode d'estimation de
l'exposant de Hurst en tant que pente de la courbe log (R/S) en fonction du log (n) n'est pas
seulement directe mais aussi robuste par rapport à la méthode utilisant la relation
« ℎ = 0,5 + ] »61.

Pour estimer l'exposant de Hurst, il faut d'abord estimer la dépendance de l'intervalle

rééchelonné sur la période n d'observation. Une série temporelle de longueur N complète est
divisée en un certain nombre de séries temporelles plus courtes de longueur n = N, N/2, N/4,
... ; l'intervalle rééchelonné est ensuite calculé pour chaque valeur de n.

En général, l'exposant de Hurst est utilisé comme mesure de la capacité de mémoire à long
terme des séries chronologiques. Il se réfère aux autocorrélations des séries temporelles, et à la
fréquence à laquelle celles-ci diminue à chaque fois que le décalage entre les paires de valeurs

57
En appliquant les deux méthodes pour estimer l’exposant de Hurst sur une série chronologique
hydrométéorologique dans un objectif de comparaison.
58
En fait, la première méthode du modèle du bruit gaussien fractionnaire, se représente par l'algorithme de
Kashyap & Eom (1988), qui estime le paramètre « d » sur la base d'une méthode des moindres carrés généralisée
dans le cadre du système de fréquences, résultent une variabilité maximale de H de 20% pour le débit mensuel
moyen de la rivière Wabash à West Lafayette.
59
Pareillement, pour les débits mensuels moyens, les débits mensuels maximums et la haute température
mensuelle, la variabilité moyenne de H, selon la nature de la périodicité utilisé pour estimer « d », est de 15,02%,
en appliquant une deuxième méthode du modèle du bruit gaussien fractionnaire, utilisant l'algorithme de Geweke
& Porter-Hudak (1983), qui estime le paramètre « d » comme étant la pente de la régression du logarithme de la
périodicité.

les estimations à travers le modèle du bruit gaussien fractionnaire (ℎ = 0,5 + Y ?\ ℎ = 0,5 + Y]) varient
60
La différence la plus notable dans les estimations de l'exposant de Hurst selon les deux méthodes est le fait que

considérablement selon la nature de la périodicité utilisé.

61
Voir aussi Rao & Bhattacharya (1997) pour d’autres résultats supplémentaires.
- 72 -
augmente. Compte tenu de ce qui précède, la méthode de l’intervalle rééchelonné est adoptée
dans le présent document.

- 73 -
Les résultats obtenus de l’exposant de Hurst de l’ordre « q », à travers la figure
(B : q-order Hurst exponent), montrent qu'il existe des preuves de multifractalité, tout d’abord,
puisque « Hq » varie en fonction des changements de « q ». Lorsque « q » varie de -5 à 5, la
valeur de « Hq » diminue de 2,02 à 1,52. Donc « Hq » présente une tendance à la baisse à
chaque fois que « q » augmente, ce qui signifie que les petits segments peuvent distinguer les
périodes qui ont une volatilité élevée de celles qui sont moins importantes. De plus, H(q) est
supérieur à 0,5 pour toutes les valeurs de « q », ainsi que « Hq » n'est pas une constante,
indiquant la multifractalité dans la série temporelle. Ce dernier constat ainsi que la détection du
« cross-over point » nous informe de l’existence d’une mémoire à longue durée d’un choc qui
diminue progressivement, c’est-à-dire que la série mémorise le choc pour longtemps. On peut
conclure que le processus est persistant.

L’exposant de Rényi montré dans la figure (C : q-order Mass exponent) montre que la fonction
est presque linéaire pour les moments négatifs, mais présente des non-linéarités significatives
pour les moments positifs62. Cela signifie que la structure temporelle des fluctuations les plus
importantes joue un rôle important dans la multifractalité.

L’amplitude du spectre fractal présenté sur la figure (D : Multifractal spectrum) ressemble à un

grand arc6364 en forme de parabole inversée (en atteignant un pic et s'étire du min au max) qui
contraste ceux des séries temporelles monofractale avec les petits arcs. Dans notre cas, la
largeur de spectre de 0,775 révèle qu'il y a une forte multifractalité dans les rendements
trimestriels de l’investissement. L’ample largeur du spectre témoigne d’une distribution inégale
de la série de l’investissement et synonyme d’une forte multifractalité de notre variable.

Nos résultats montrent que l’investissement a des propriétés multifractales et non faiblement
efficient à court et à long terme. Ceci est également robuste en cas de petites et grandes
fluctuations.

62
^(_) suit une trajectoire ascendante par rapport aux valeurs prises par q.
63
La largeur du spectre fractal, qui montre la distinction entre la probabilité maximale et la probabilité minimale,
ce qui veut dire que plus la valeur de ∆α est grande, plus la distribution des séries temporelles est inégale, et donc
plus la multifractalité est forte, par contre, les corrélations à long terme et à court terme conduisent à une largeur
du spectre relativement étroite (risque moindre) ou vice versa.
64
∆α = αmax - αmn : quantifie conventionnellement le degré de multifractalité qui est la largeur du spectre de
singularité.
- 76 -
dépend de l’ordre de (q), ainsi que l’exposant de Hurst est supérieur à 0,5, que ce soit pour la
série « Shuffled » ou bien « Surrogate ». En ce qui concerne la contribution la plus dominante,
on remarque que l’effet de la mémoire longue (série Surrogate) est plus important que celle de
la distribution leptokurtique (série Shuffled).

Dans notre cas, l’exposant de Rényi atteste du degré de la linéarité des trois types de séries. En
se basant sur la deuxième figure (q-order Mass Exponent), on peut constater que la série
« Surrogate » présente la non-linéarité la plus forte, par contre en ce qui concerne la série
originale et celle « Shuffled », elles représentent la non-linéarités les moins fortes.

Finalement, le spectre de singularité des trois séries : Originale, Surrogate, Shuffled

(Multifractal Spectrum), on distingue que la multifractalité de la série originale est la plus
importante avec une largeur atteignant une valeur de 0,902, et dans l’autre côté, la série
« Shuffled » représente la largeur la moins importante avec une valeur de 0,291. D’une manière
plus précise, la largeur du spectre de la série « Surrogate » est égale à 0,874.

En s’appuyant sur les résultats de cette dernière figure, nous confirmant la contribution de la
dépendance de corrélation à long terme et le phénomène de leptokurticité en même temps à la
détermination des propriétés multifractales du niveau d’investissement au Maroc. D’une
manière plus précise, les largeurs des spectres de singularité annoncent que l’effet de mémoire
à long terme est le plus dominant dans la détermination des propriétés multi-échelles de
l’investissement que l’effet de leptokurticité.

Nos résultats permettent d’illustrer l’orientation de l’investissement au Maroc engendrant ainsi

un questionnement sur la nature de la dynamique d’investissement dans le pays (El Mesbahi,
2017). Ce qui veut dire qu’il y’a mieux à faire et qu’il existe encore du potentiel à exploiter par
les décideurs pour encourager d’autant plus l’investissement au Maroc, en réorientant
l’arbitrage sur les volumes et les cellules prioritaires.

- 80 -
 2.4. L’investissement au Maroc, entre avancées et
défi à relever :
Courant ces vingt dernières années, des efforts louables ont été exécutés à travers la mise en
place de certains programmes65 (plusieurs secteurs), et la réalisation des investissements de
grande envergure dans le but de promouvoir l’attractivité66 du territoire et stimuler, par la suite,
la croissance.

De nouveaux plans stratégiques67 ont vu le jour, en visant des secteurs clés (industriel, agricole,
service) pour améliorer l’efficacité des interventions publiques, offrant par la suite une
meilleure visibilité afin d’attirer des investissements potentiels (consolider l’attractivité du
pays) et mieux intégrer le Maroc dans l’économie mondiale.

2.4.1. L’effort gouvernementale en termes de

consolidation et de développement des
investissements :
En commençant par un vaste chantier visant l’extension et le développement des infrastructures
et des services du transport. Sur le plan routier, et parallèlement aux programmes structurant
des autoroutes, on peut constater une croissance du taux d’accessibilité de la population rurale
(54 % en 2005 à 79 % en 2016) grâce au Programme National des Routes Rurales (1995-2005
et 2005-2016). Le réseau ferroviaire a connu à son tour une campagne de modernisation et de
renforcement, avec l’implantation de la première ligne à grande vitesse (LGV). Portant à la
hausse les flux de personnes (13 millions en 2000 à 35 millions en 2018) et des biens (19,1
millions en 2000 à 27 millions en 2018).

En plus de la stratégie Portuaire Nationale à l'horizon 2030 (mise en place en 2011), portant
globalement sur la construction de nouveaux ports (Dakhla Atlantique, Kénitra Atlantique et

65
Pacte nationale d’émergence industrielle (PNEI – 2005, actualisé en 2009), plan d’accélération industrielle (PAI-
2014).
66
Tout en bénéficiant de la situation géographique, la qualité, la livraison à temps et la compétitivité-coût,
représentant des facteurs clés de l’attractivité.
67
Le Plan Maroc Vert, le Plan Émergence, le Plan Azur, la stratégie énergétique nationale, la Stratégie Maroc
Numeric, le Plan Halieutis, le Plan d’accélération industrielle 2014-2020.
- 81 -
Nador Med West) avec une intégration dans leur environnement ainsi qu’une extension des
principaux ports existants. Le Maroc dispose déjà du port de Tanger Med, permettant de le
connecter à 120 ports internationaux (dont 40 africains), et hisser les échanges avec le reste du
monde. À travers ces différents investissements, cette économie vise à occuper le sommet des
hubs portuaires au niveau de la méditerranée.

Concrétisé par le Plan d’Accélération Industrielle, il ne faut pas oublier le poids notable du
secteur industriel dans le PIB (flottant à environ entre 16 % et 17 % entre 2000 et 2019). On
trouve que le moteur est représenté par l’industrie automobile (désormais la première source
d'exportation avec 28,4 % du total en 2019) avec deux principaux projets. Grace notamment à
l’inauguration du projet de groupe Renault (Usine Renault-Nissan Tanger en 2012) avec une
fabrication a 100 % des voitures low-cost (Dacia) commercialisées par la suite au Maroc ou
bien destinées (principalement) vers l’Afrique, l’Europe et la région MENA, et ensuite celui du
groupe Peugeot (Usine Stellantis de Kénitra - fin 2018).

La mise en œuvre des programmes et les implantations de groupes étrangers68 de renom tout au
long des dernières décennies, ont contribué à hisser le volume de production69 d’environ
42 066 unités en 2010 (31 314 en 2000) (OICA- manufacturer data) à 403 007 unités en 2021,
des progrès plaçant le Maroc comme premier hub de construction sur le continent, et 24éme en
termes de production au niveau mondial selon l’organisation internationale des constructeurs
d'automobiles (OICA).

Parmi les secteurs émergents, on peut citer celui de l’aéronautique. En moins de 15 ans, le
Maroc compte désormais 142 unités industrielles en 2020 (contre 2 unités en 2005), grâce à la
disposition de plusieurs plateformes industrielles70 (opérationnelles) par le Maroc (dont la plus
importante est celle la zone franche71 Midparc, s’étendant sur 63 Ha), au soutien financier
(subventions, primes aux premiers investissements dans les métiers innovateurs, etc.), à l’offre

68
RENAULT, SNOP, GMD, BAMESA, DELPHI, YAZAKI, SEWS, SAINT-GOBAIN et plus récemment PSA
Peugeot Citroën.
69
À l’horizon 2023, la capacité de production totale du Maroc est estimée à 700 000 unités par an.
70
Situées à Casablanca (Midparc), à Rabat (Technopolis), à Tanger (Tanger Free Zone – TFZ et Tanger
Automotive City – TAC), à Kénitra (Atlantic Free Zone – AFZ) et à Oujda (Technopole d’Oujda).
71
Espace déterminé du territoire dédié aux activités d’exportation à vocation industrielle et aux activités de service
liées.
- 82 -
de formation72 et de foncier locatif73 (à des prix attractifs) et aux incitations fiscales
(l’exonération du droit et de la TVA à l’importation des biens d’équipement, etc.). Permettant
au Maroc de devenir le premier exportateur de produits aéronautiques sur le continent en 2018,
et peut être considéré comme le 5ème pays (6ème) en termes d’attractivité pour les investissements
à court terme (à long terme) des sous-traitants du domaine.

2.4.2. Le secteur informel au Maroc, entrave ou

avantage le développement ?
Ce n’est pas le fruit du hasard si le Maroc a développé avec succès des pôles industriels et que
plusieurs firmes internationales font aujourd’hui confiance au Maroc. En vingt ans, cette
économie a mis en place une véritable stratégie dont le but est l'établissement et la construction
d’un profil producteur compétitif et de qualité.

L'accumulation de capital est encore largement dominée par le secteur de la construction et des
travaux publics, malgré une évolution récente vers l'industrie (figure 19). Par branche, les
investissements sont peu diversifiés et sont plutôt concentrés dans le BTP et les industries
mécaniques et électriques. En comparaison, l’agriculture et les services bénéficient d’un niveau
d’investissement modeste.

Malgré que cela reflète les efforts du gouvernement pour améliorer les infrastructures. Pourtant,
cela ne se voit pas dans la croissance globale de l'économie. Où on trouve que parmi les
caractéristiques de l’investissement au Maroc, la faible participation de l’investissement privé
à la formation de capital, contrairement à une montée de la part des entreprises publiques et sa
faible diversification. Dans le cas du Maroc, le considérable poids qu’occupe le secteur informel
dans le fonctionnement de cette économie peut entraver le développement des investissements
privés.

72
Destiner à la qualification des profils cibles, sous forme d’aides directes (6000 euros/personne maximum).
73
97 ha sont réservés aux écosystèmes du secteur (63 à Nouacer, 19,5 à Tanger et le reste sur d’autres régions du
territoire).
- 83 -
 Agriculture Industrie Bâtiment et travaux publics (BTP) Services

60,00

50,00

40,00

30,00

20,00

10,00

0,00
2013 2014 2015 2016 2017 2018 2019 2020 2021

Source : Les comptes nationaux Base 2014 (2014-2019), Situation de l’économie nationale en 2021 (Rapport complet)

Figure 19 : Structure de la FBCF en % (2013-2021)

Toutefois, on peut dénombrer plusieurs sources déterminantes du développement du secteur
informel et faisant de ce dernier le principal fournisseur d’emploi d’une partie de la population
rejetée par le secteur formel (Alami, 2014). Tout d’abord, l’insuffisance de l’économie urbaine
pour absorber l’exode rural et contenir la dynamique démographique d’un pays (Loayza, 2018),
les barrières à l’entrée sur le secteur formel sous forme des démarches administratives (parfois
jugées contraignantes), la fiscalité et les diverses réglementations du marché de travail (Dabla-
Norris, et al., 2018 ; Ulyssea, 2018), le chômage et la pauvreté. Selon De Soto (1994), le
développement du secteur informel, n’est qu’un synonyme de la pression et de la rigidité d’un
État et constitue une alternative perpétuelle en termes d’emploi et de revenu pour les pays en
développement (Charmes, 2001). Comme résultat, ces différents facteurs encouragent à opérer
dans l’ombre, afin d’échapper aux obstacles cités ainsi que pour réduire leurs coûts (réels et
d’opportunité).

Au niveau mondial, l’économie souterraine est étroitement liée et peut avoir des externalités
néfastes sur la croissance économique. Ne serait-ce qu’en alimentant une concurrence déloyale
en termes de contributions (impôts et cotisations sociales), un fait qui se répercutera
négativement sur le déroulement de l’activité des sociétés formelles ou sur leur capacité de
développement (Perry, et al., 2007). Ou bien en ralentissant l’accumulation du capital humain,
puisque l’emploi de ce secteur favorise la main d’œuvre moins qualifiée (Docquier, et al.,
2017).
- 84 -
À ce stade, il faut bien analyser les bienfaits et les méfaits de ce secteur sur l’économie
marocaine. Même si la mesure de l’économie souterraine est difficile, car ses acteurs tentent de
demeurer indétectables, plusieurs chercheurs se sont penchés sur le sujet. Selon le Haut-
Commissariat au Plan (2014), ce secteur contribue à hauteur de 11 % à la création de richesse
et représente environ 36,3 % de l’emploi (hors agriculture). D’autres estimations en sortent des
contributions en moyenne de 34,01 % entre 1991 et 2015 (Medina & Schneider, 2018),
d’environ 21 % en 2014 (Berger, 2018), et en moyenne de 42 %, 34 % et 29 % du PIB entre
1988-1998, 1998-2008 et 2008-2018, respectivement (Lahlou, et al., 2020).

D’un côté, le secteur informel a enregistré une contribution de 12,2 % à la production nationale
en 2013 (Haut-Commissariat au Plan, 2014), mais crée en même temps un manque à gagner
budgétaire estimer à presque 34 milliards (hors agriculture) en 2014 (entre IS, TVA, droit de
douane et les cotisations sociales). D’un autre, ce secteur représente un amortisseur social
permettant d’absorber une partie de la main-d’œuvre qui n’ont point d’options (particulièrement
défavorisées74), et une source de revenus limités, mais offrant une chance de survie et un
potentiel échappatoire contre le chômage (ou l’inactivité) pour cette partie de la population.
Autrement dit, ce secteur abrite et représente un réservoir de main d’œuvre au service des
entreprises du secteur formel.

En résumé, les effets du secteur informel sur l’investissement ou sur la croissance économique
restent mitigés entre avantages et inconvénients, et joue un rôle important sur le plan
économique et social, sous forme de création de richesses et d’emplois. C’est vrai que le poids
de cette économie souterraine a baissé entre 1988 et 2018 grâce aux différents programmes
exécutés (Plan Émergence, Plan Rawaj, Imtiaz, Moussanada, Moukawalati, BAJI75, etc.), mais
ça nécessite encore des efforts structurels supplémentaires et significatifs de la part du
gouvernement sur plusieurs aspects : la politique fiscale, le système judiciaire, faciliter l’accès
au financement bancaire, sans oublier la réglementation du marché de travail, pour atteindre
l’objectif de pouvoir intégrer cette population dans l’économie formelle.

74
En 2014, presque 25%, 31% et 29% (24%, 35% et 31%) des patrons (des travailleurs) du secteur ont aucun
niveau d’instruction, primaire et secondaire, respectivement.
75
Barnamej Al Aoulaouiyat Al Ijtimaia : un programme permettant l’accès aux services sociaux des population
défavorisée dans le but d’avoir un emploi et des revenus.
- 85 -
 2.5. Robustesse : H - Exponent :
La réalisation d’une analyse comparative du comportement de l’investissement au Maroc par
rapport à d’autres pays se fonde sur la base que ces économies ont eu des niveaux de croissance
plus ou moins similaires à celui du Maroc entre les décennies 1960 et 1970, mais on se focalise
surtout au cas de la Turquie, et du Portugal.

L'estimation de l'exposant de Hurst représente un indicateur de la mémoire à long terme et donc

de la persistance d'une tendance ou d'un schéma dominant dans une série temporelle donnée
(Rao & Bhattacharya, 1999 ; Carbone, et al., 2004 ; Rangarajan & Sant, 2004 ; Tatli, 2015 ;
Karmakar, et al., 2019 ; Chandrasekaran, et al., 2019). Une valeur supérieure à 0,5 de l'exposant
de Hurst indique une bonne persistance76 de la série chronologique, tandis qu'une valeur
inférieure à 0,5 indique une anti-persistance. Un exposant de Hurst de 0,5 indique un
comportement de mouvement brownien.

Après la réalisation des différentes étapes nécessaires pour exécuter le « rescaled range »,
l'exposant de Hurst est estimé en ajustant la loi de puissance aux données. Cela peut être fait en
traçant le Log[b (;) / A (;)] en fonction de Log n, et en ajustant une ligne droite ; pour obtenir
la pente de la ligne qui nous résulte l’exposant de Hurst « d », et que nous présentions77 par la
suite, à travers les figures 20, 21 et 22.

À travers ces figures, nous constatons que l'exposant global de Hurst est largement supérieur à
0,5 pour la totalité des pays étudiés, ainsi qu’il est très proche de la valeur limite (1), pour la
Turquie (0,9972), le Portugal (0,9652) et le Maroc (0,9133), respectivement. Nous pouvons
ainsi confirmer que le comportement de l’investissement est persistant et explosif (puisque sa
valeur se rapproche de la valeur maximum (0,1)) dans le cas des trois pays, c’est-à-dire que les
investissements effectués entraînent l’apparition d’autres investissements. En revanche, le
comportement de l’investissement est relativement plus important dans le cas de la Turquie et
le Portugal (respectivement), dans le sens qu’il existe plus d’appels d’investissement à travers
la réalisation de certains projets attractifs.

76
Le terme "persistance" peut également être considéré comme un critère mesurant la prévisibilité (Tatli, 2015).
77
Les différents calculs effectués seront présentés dans l’annexe.
- 86 -
 1,2

1
y = 0,9133x - 0,3236
R² = 0,9985
0,8
log{R/S}

0,6

0,4

0,2

0
0,4 0,6 0,8 1
log{t} 1,2 1,4 1,6

Figure 20 : Rescaled range – Hurst Exponent – Morocco:

1,2

1
y = 0,9652x - 0,3434
R² = 0,9992
0,8
log{R/S}

0,6

0,4

0,2

0
0,4 0,6 0,8 1
log{t} 1,2 1,4 1,6

Figure 21 : Rescaled range – Hurst Exponent – Portugal:

1,4
y = 0,9972x - 0,3645
1,2
R² = 0,9993
1
0,8
log{R/S}

0,6
0,4
0,2
0
0,4 0,6 0,8 1
log{t} 1,2 1,4 1,6

Figure 22 : Rescaled range – Hurst Exponent – Turkey:

- 87 -
Nos résultats montrent qu’il existe une stratégie d’investissement de la part des décideurs de
l’économie marocaine, encourageant et stimulant le comportement des investisseurs par le biais
de la création et du développement des infrastructures, donnant lieu à la création d’une
complémentarité entre les investissements effectués (autoroutes et transport ferroviaire qui
s’étendent sur la majorité du territoire marocain, port, aéroport, aide aux agriculteurs,
développement de l’enseignement, etc.) et potentiels (transport des biens et des personnes,
développement de la pêche, mise en place des usines alimentaires et industrielles, création des
centres off-shore, etc.), entraînant par la suite un effet de boule de neige des comportements des
investisseurs. Rendant l’économie marocaine de plus en plus attractive.

- 88 -
 2.6. Conclusion :
Dans ce chapitre, nous avons analysé l’efficacité (les propriétés multifractales) de
l’investissement au Maroc, en se basant sur l’approche de l’intervalle rééchelonné et la
procédure de la MF-DFA. Cette méthode assure une fiabilité dans la caractérisation
multifractale des séries temporelles (stationnaires et/ou non-stationnaires). Tout d’abord,
l’analyse du spectre multifractale nous a révélé l’existence d’une forte multifractalité dans les
rendements trimestriels de l’investissement. Ensuite, l’analyse de l’exposant de Hurst nous
indique la présence d’une persistance de l’effet de mémoire. D’un côté, l’exposant de Rényi
montre la non-linéarité de la série, et que la structure temporelle constitue la source de la
multifractalité. D’un autre côté, dans le but de définir la source de multifractalité, en générant
la série « Shuffled » et celle « Surrogate », les largeurs des spectres de singularité nous
confirment l’importance de l’effet de mémoire à long terme dans la détermination des propriétés
multi-échelles. Avec de tels caractéristiques multifractales, on peut conclure que
l’investissement au Maroc est efficace.

D’un point, l’investissement a souvent été considéré comme un moyen important pour
promouvoir la modernisation des nouveaux entrants dans l’Union Européenne. Des actions qui
ont dû stimuler l’investissement au Portugal (qui a rejoint l’UE en 1986), par le biais de
plusieurs institutions, à titre d’exemple, on trouve la banque européenne d’investissement (BEI)
créée en 1958, et qui a pour objectif de renforcer le potentiel de l’Europe en matière d’emploi
et de croissance, offrant au Portugal un avantage comparatif par rapport à ses semblables en
matière de croissance économique.

De façon générale, l’allocation des ressources est sûrement attribuable à l’efficacité,

relativement moins importante que ses semblables, de l’investissement au Maroc. Une situation
qui se répercute sur plusieurs aspects du tissu économique et social.

Avec une telle force en ce qui concerne l’investissement, cette économie a le potentiel
d’appliquer une meilleure allocation des ressources dont elle dispose, accompagnée par une
stratégie d’investissement public visant une amélioration du modèle de développement, surtout
par le biais de l’effet des retombées pour subvenir aux besoins de la population et du marché
du travail marocain, dans l’objectif ultime d’améliorer l’attractivité de l’économie marocaine
et d’avoir des retombées sur la majorité du tissu économique du Maroc.

- 89 -
 2.7. Annexe :

Annexe 2.1 : Croissance du PIB et du PIB/Habitant :

14000

12000

10000

8000

6000

4000

2000

0
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
2022
Maroc Turquie Portugal

Figure 23 : L’évolution du PIB (Base 1960)

8000

7000

6000

5000

4000

3000

2000

1000

0
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020
2022

Maroc Turquie Portugal

Figure 24 : L’évolution du PIB par habitant (Base 1960)

- 90 -
Annexe 2.2 : Méthodologie (Complément) : L’exposant de Hurst par
le biais du « Rescaled Range » :

Pour une série chronologique de longueur (partielle) "n", ! = !! , !" , !# , … , !$ , l'intervalle rééchelonné
est calculé comme suit :

1. Calculer la moyenne :

1
% = ) !%
$

(
%&!

2. Créer une série ajustée à la moyenne :

*' = !' − % ,-./ 0 = 1,2, … , (

3. Calculer la série d'écarts cumulés 2 :

2' = ) *% ,-./ 0 = 1,2, … , (

'

%&!

4. Calculer le « Range » (fourchette) 3 :

3(() = max(2! , 2" , 2# , … , 2$ ) − min (2! , 2" , 2# , … , 2$ )

5. Calculer l'écart type ; :

1
;(() = < )(!% − %)"
$

(
%&!

6. Calculer l'intervalle rééchelonné 3(()/;(() et faire la moyenne sur toutes les séries
chronologiques de longueur partielle (, comme suit :

fait en traçant Log[3 (() / ; (()] en fonction de Log n, et en ajustant une ligne droite ; la pente de la
Et finalement, l'exposant de Hurst est estimé en ajustant la loi de puissance aux données. Cela peut être

ligne donne l’exposant de Hurst « C ».

- 91 -
Annexe 2.3 : Méthodologie (Complément) : MF-DFA :

La procédure généralisée du MF-DFA consiste en cinq étapes, dont les trois premières étapes sont
identiques à la procédure du DFA conventionnelle.

è On suppose que xk une série de longueur N. le support est défini comme l’ensemble des indices
k avec des valeurs non-nulles de xk.
Étape 1 :
On détermine le « profile » de la série xk :
%

!(#) = &[(( −< ( >] , # = 1, … , 1

(1)

La soustraction de la moyenne < ( > n’est pas indispensable puisqu’elle va être éliminée
(&!

systématiquement au niveau de la troisième étape au « detrending ». À partir de la définition ci-haut, on

aura !(1) = 0.

Étape 2 :
On procède à la scission du « profil » !(#) en 1) = #34( ) segments sans chevauchement et d’une
*
)

longueur 5. Puisqu’en générale S et N ne sont pas des nombres incommensurables, une petite partie à la
fin de la série du profil peut rester. Afin d’incorporer cette partie restante de la série, la même procédure
doit être répétée des segments sera de 21) .

Étape 3 :
L’objectif de cette étape est de faire le « detrend » du profile » !(#), pour cette raison, on doit tout
d’abord calculer la tendance locale pour chacun des 21) segments en utilisant la méthode d’ajustement
des moindres carrés et par la suite déterminer la variance pour chaque segment 7 = 1,2, … , 1) ;

1
)
" (7,
9 5) = &:;<(7 − 1)5 + #> − ?+$ (#)@
"
5
(2)
%&!

Et pour le segment 7 = 1) , 1, … , 21) ;

1
)
" (7,
9 5) = &:;<(1 − (7 − 1) )5 + #> − ?+$ (#)@ (3)
"
5
%&!

Ou ?+$ (#) est le polynôme d’ajustement du segment 7 d’un ordre 3 fixé durant toute la procédure, d’où
son appellation « The MF-DFA ».

Des polynômes de faible ordre sont généralement suffisants pour éliminer toute tendance linéaire ou

- 92 -
non-linéaire de la série !(#).

Étape 4 :
On procède avec la moyenne de l’ensemble des segments pour obtenir la fonction de fluctuation d’ordre
C comme suit :

1
"*! ,

9, (5) = D &[9 " (7, 5)]" E

,

21)
(4)
-&!
Où la variable d'indice C peut prendre n'importe quelle valeur réelle sauf zéro. Dans le cas où C = 2 ,
on est bien dans la procédure standard du DFA.

On s’intéresse à la manière avec laquelle ces fonctions de fluctuation C dépendent à l’échelle du temps
5 pour différentes valeurs de C, d’où on doit répéter l’étape 2 jusqu’à 4 pour plusieurs échelles
temporelles.

La valeur de ℎ(0), qui ne peut pas être directement déterminée avec la procédure utilisant la moyenne
définie à l’équation (4) du fait de la divergence des exposants. De ce fait, on doit employer une procédure
logarithmique pour résulter la moyenne.

1
"*!

9. (5) = exp D & ln[9 " (7, 5)]E ~ 5 /(.)

(5)

41)
-&!
Étape 5 :
Dans cette étape, on détermine le comportement d’échelle des fonctions de fluctuation en analysant le
graphe NOP − NOP de 9, (5) 75 5 pour différentes valeurs de C.

On a aussi :

9, (5) ~ 5 /(,) (6)

Ou ℎ(C) représente l’exposant de « Hurst » généralisé. Lorsque ℎ(C) est constant pour tout C, la série
est considérée monofractale. Sinon, elle est multifractale.

Pour les échelles de grande valeur, 5 > 1/4 , 9, (5) devient statistiquement non fiable, car le nombre de
segments 1) devient très petit surtout lorsqu’on veut faire la moyenne à l’étape 4. Pour cela, on exclut
généralement les échelles 5 > 1/4 de la procédure d’ajustement pour déterminer ℎ(C). En outre, les
déviations systématiques du comportement d’échelle dans l’équation (5), qui peuvent être corrigées,
apparaissent pour des très faibles valeurs des échelles 5 ≈ 10.

En générale, l’exposant ℎ(C) dans l’équation (5) peut être lié à C pour les séries stationnaires, ℎ(2) est
- 93 -
identique au fameux exposant de « Hurst ».

En ce qui concerne l’exposant de singularité a et le spectre multifractale correspondant

S(T) peuvent être évaluées en utilisant le spectre de l’exposant de « Hurst » généralisé comme suit :

T = UU 2 (C) (7)
Ou bien :

Vℎ(C)
T = ℎ(C) +
VC
La fonction du spectre est définie comme suit :

S(T) = CT − UU(C)
S(T) = C[T − ℎ(C)] + 1
L’exposant de « Hurst » généralisé ℎ(C) obtenu de la procédure MF-DFA est lié à l’exposant « Rényi » :
(8)

(C) = Cℎ(C) − 1 (9)

Le spectre de l’exposant « Rényi » est également utilisé pour distinguer les signaux multifractales de
ceux monofractale, il donne aussi la calibration de l’exposant général.

Pour les séries monofractale, le ℎ(C) devient indépendant de C puisque la relation d’échelle des
variances 9 " (7, 5) est identique pour l’ensemble des segments 7, et la procédure de moyenne (eq 4)
nous donne la même relation d’échelle pour toutes les valeurs de C.

- 94 -
3.

La pluviométrie et la croissance économique :

Cas du Maroc78

3.1. Introduction :
L'eau, en tant que nécessaire à la vie, est au cœur de toutes les formes d'activités économiques.
Les décideurs politiques sont de plus en plus préoccupés par les effets économiques du
changement climatique (Brown, et al., 2011), représentés généralement par deux variables
climatiques, à savoir la température et les précipitations.

Dans les régions de l’Afrique du Nord et du Maghreb, le changement climatique a de graves

répercussions sur le secteur agricole, en raison des scénarios de sécheresse récurrente. Par la
suite, ces dernières affectent les économies des pays en question, et peuvent mener à de graves
complications sociales dues à la pénurie d'eau et à la demande intensive de cette ressource pour
l'agriculture.

Parallèlement, les aléas climatiques ne se traduisent pas seulement par des modifications
matérielles sur la planète, mais aussi par des conséquences considérables sur le progrès
économique et le niveau de vie, par le biais de la variabilité des précipitations, ainsi que les
niveaux de température.

78
Ce chapitre a été coécrit avec Oussama Zennati.
- 95 -
L'agriculture représente un secteur clé et remplit en même temps le rôle du moteur de la
croissance économique marocaine depuis son indépendance (1956), avec une contribution
importante à la croissance économique chiffrée à 18,6 % en 2021, en passant de 7,3 % en 2008
à 17,3 % en 2018 (BankAlMaghrib, 2022). Un secteur qui reste néanmoins lié aux aléas
climatiques en grande partie.

En 2018, en termes d’emploi, ce secteur assure 34 % dans l’emploi total au niveau du royaume,
et 68 % en milieu rural, qui dépendent directement ou indirectement de l'agriculture pour
subvenir à leurs besoins (Louali, 2019).

Du moment que le secteur agricole de l’économie marocaine est fortement lié aux aléas
climatiques, des efforts louables ont été déployés pour contenir l’influence négative de la filière
céréalière sur la croissance agricole. De ce fait, l’impact de la variation de la production
céréalière durant les années de forte sécheresse sur la valeur ajoutée agricole a connu une forte
réduction. En effet, en 1995 (année de sécheresse), la baisse de 81 % de la production céréalière
a induit une chute importante de la valeur ajoutée en agriculture (VAA) de 41 %, alors qu’en
2016 (année comparable à celle de 1995), la baisse de 71 % de la production céréalière n’a
engendré qu’une légère baisse de 13,7 % de la VAA.

La littérature existante a également suggéré que les hausses de température affectaient

négativement la croissance économique (Dell, et al., 2012 ; Lanzafame, 2014 ; Sequeira, et al.,
2018), tandis que les précipitations pouvaient avoir des effets positifs (Brown, et al., 2013 ;
Abidoye & Odusola, 2015) et négatifs sur la croissance économique (PIB) (Dell, et al., 2012 ;
Tebaldi et Beaudin 2016). Néanmoins, l'accent est davantage mis sur la température.

Or, les précipitations sont liées à la croissance économique et ont généralement des effets
bénéfiques sur les zones sèches et pauvres dépendant principalement ou bien en grande partie
de l'agriculture pluviale.

Cependant, l'agriculture est le secteur le plus affecté directement par la variabilité des
conditions climatiques dans les pays en développement (Mougou, et al., 2011). Ajoutant que
d’un point de vue, le changement climatique a été identifié comme l'un des défis les plus
redoutables auxquels le monde est confronté actuellement, et particulièrement préoccupant en
Afrique, en raison de son exposition géographique, de ses faibles revenus, de sa plus grande
dépendance à l'égard des secteurs sensibles au climat et de sa faible capacitée d'adaptation aux

- 96 -
changements climatiques (Mackay, 2008). D’un autre point de vue, les ressources nécessaires
pour contrer l'impact du réchauffement réduiraient les investissements dans les infrastructures
économiques et physiques, le capital humain et la recherche et développement, résultant une
baisse de la croissance (Pindyck, 2011 ; Ali, 2012).

Dans les modèles de croissance traditionnels qui attribuent la croissance à long terme soit à un
changement technologique exogène (Solow, 1956 ; Koopmans, 1963), soit à l'épargne, au
capital humain, à la recherche et au développement ((Lucas, 1988 ; Romer, 1990 ; Jones, 1995),
le climat est peut-être considéré comme faisant partie des conditions initiales des économies
qui n'ont que des effets de niveau sur le revenu.

Deux points justifient la prise en compte spécifique des conditions climatiques telles que la
variabilité des précipitations dans les modèles de croissance. Premièrement, les pays en
développement dont l'économie dépend des précipitations peuvent en connaître des variations
irrégulières, y compris des événements extrêmes (sécheresse et inondation). De tels scénarios
ont la capacité de déterminer la croissance à long terme de l'économie. Deuxièmement, si le
changement climatique est imminent, il aura plus qu'un effet d’un choc ponctuel sur les
économies, car ce changement est un processus, traduit par des répercussions à long terme.

Pour notre étude on se concentre sur l’effet de la pluviométrie sur la croissance économique
marocaine. Or, même si l’économie marocaine s’efforce de se diversifier, sa croissance
économique reste structurellement dépendante et rythmée par les performances du secteur
agricole (Jean- Harbouze, et al., 2019).

Les résultats trouvés suggèrent qu’une augmentation (ou une baisse) des précipitations au cours
d'une année contribuera réellement et d’une façon positive (négative) à la croissance
économique par le biais d’un accroissement (affaiblissement) du rendement des cultures au
cours d'une année donnée.

La suite de notre étude sera partagée en quatre parties. En commençant par introduire le profil
économique et agricole du Maroc, suivie par un brief état de l’art. Pour ensuite présenter les
données utilisées et la méthodologie suivie. Et finalement, les résultats et discussions seront
présentés avant de conclure le travail.

- 97 -
 3.2. Profil économique et agricole marocain :
L’économie marocaine s’est caractérisée par une évolution en dents de scie (figure 25),
marquant une volatilité fréquente qui suit les variations de la production agricole, déterminée à
son tour par les aléas climatiques. En se basant sur des données relatives à l’évolution du PIB
(entre 1970 et 2020), le taux de croissance moyen a été contenu dans une limite de 4,7 %,
marqué par une évolution volatile, rythmé par les variations du PIB agricole (la production
agricole)79. Une volatilité qui peut être considérée comme structurelle, bloquant le bon
fonctionnement du processus d’accumulation de la richesse visant à alimenter la croissance et
garantir sa sérénité. En 2009, juste après la crise financière mondiale, le Maroc a marqué 4,2 %
de croissance, résultat d’une année agricole record, avec une croissance de 30 % du PIB
agricole, alors que celui non agricole n’était que de 0,8 %.

Tableau 15 : Valeurs ajoutées par secteur (2000-2020) (en %)

Moyenne Moyenne
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2009 - 2015 -
2014 2020
Croissance
4,2 3,8 5,2 3,0 4,5 2,7 4,5 1,1 4,2 3,1 2,6 -6,3 3,9 1,6
économique
Croissance Secteur
des
primaire 23,9 1,1 6,7 -7,8 17,8 -2,3 11,5 -12,5 13,1 2,4 -4,6 -7,0 6,6 0,9
valeurs
ajoutées Secteur
-6,6 10,2 6,3 0,8 0,6 3,5 1,8 0,6 3,6 3,0 3,6 -3,8 2,5 0,5
par secondaire
secteur Secteur
3,7 2,9 6,2 6,3 1,9 2,3 1,7 2,9 2,8 3,1 4,0 -7,1 3,9 1,5
d'activité tertiaire
Source : WDI, Ministère de l'Économie et des Finances (Maroc)

La croissance de la valeur ajoutée du secteur agricole et de la pêche a baissé en moyenne de

6,6 % sur la période 2009-2014, pour atteindre 0,9 % sur la période 2015-2020. Pour la
première période, et grâce à une campagne agricole record en 2009, la croissance moyenne
annuelle du secteur agricole est supérieure à celle du PIB qui n’a augmenté que de 3,9 %.
Faisant de lui le propulseur de la croissance économique, le secteur agricole est de loin le
premier contributeur à la croissance sur cette période. Alors que dans la deuxième période, de
4,5 % en 2015, la croissance était descendue à 1,1 % en 2016, provoquée par un manque de
pluie (une intense sécheresse), une chute importante pour une économie qui n’a pas connu une

79
Rendement du capital physique, HCP, 2016.
- 98 -
croissance inférieure à 2,5 % depuis. Les effets du même phénomène (traduit par une campagne
agricole sèche) combinés à la crise sanitaire due à la pandémie de la COVID-19, ont joué un
rôle important dans les faibles performances de cette économie en 2019 et en 2020.

En outre, le Maroc est largement dépendant de la production agricole. Cette dernière est l'un
des principaux moteurs de l'économie marocaine avec une contribution importante au produit
intérieur brut variant d’environ 11 à 18 % (selon les années) et un taux d'emploi élevé
(Lionboui, et al., 2016). Ainsi que sa stabilité socio-économique est très sensible au changement
climatique, tout en soulignant que la plupart des activités agricoles occupent des terres non
irriguées (autrement dit, pluviales) (Schilling, et al., 2012).

25

20

15

10

0
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
-5

-10

Valeur ajoutée - Agriculture (% du PIB) Croissance du PIB (%)

Source : WDI (2020)

Figure 25 : La croissance du PIB et de la VA Agricole (1970-2020)

A l’issue de la (figure 25), on remarque que depuis les années 70, la croissance marocaine est
très liée à celle du secteur agricole : les fortes variations de la valeur ajoutée du secteur agricole
témoignent de la dépendance de ce secteur aux conditions climatiques, et notamment à la
pluviométrie, se répercutent par la suite sur la croissance économique marocaine.

Signalant une économie faiblement intégrée (Haut-Commissariat au Plan, la Banque mondiale,

2017)80, puisque le secteur agricole ne permet pas de stimuler la croissance économique en
termes de retombées. Au Maroc, la stabilité de la production agricole, en particulier des

80
Haut-Commissariat au Plan, la Banque mondiale. Le marché du travail au Maroc : Défis et Opportunités.
Novembre, 2017.
- 99 -
céréales81 qui dépendent des pluies, est considérée comme l'élément le plus important pour
assurer une croissance annuelle minimale du PIB de 3 % (Azzam & Sekkat, 2005).

Cependant, dans le contexte actuel des changements climatiques et étant donné la sensibilité de
cette ressource aux aléas climatiques, de son côté, le Maroc est fortement confronté à la rareté
de l'eau (Schilling, et al., 2012).

En 2020, le Maroc compte 36,91 millions d’habitants, dont 13,4 millions en zone rurale, avec
un taux de croissance démographique de 1,25 % par an. Le poids de la population rurale
continue à décroître, passant d’approximativement 42 % en 2010, à 36 % en 2020 (figure 26),
une situation témoignant de l'émigration rurale, ainsi que de l’urbanisation des zones rurales.

25000 50
45
20000 40
35
15000 30
25
10000 20
15
5000 10
5
0 0
2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020
Population Rurale Population Urbaine % Population Rurale

Source : HCP, WDI (2020)

Figure 26 : Population Urbaine et Rurale (2000-2020)

Selon les données HCP, en 2020, il y avait 10,6 millions d’actifs au Maroc, dont 8,3 millions
d’hommes, près de 1,4 million de chômeurs et 23,9 millions d’inactifs. Le taux d’emploi des
femmes est estimé à 20 %.

Et parallèlement, d’après les données de la banque mondiale, il faut noter que le secteur agricole
demeure un secteur majeur en termes d’emplois, même si son poids a diminué au fil des années,

81
A titre d’exemple, la récolte de céréales est si cruciale qu'en 1996, un amendement constitutionnel a été adopté
pour modifier la période de l'année fiscale de juin-juillet à décembre-janvier afin de permettre aux créanciers de
prendre en compte les résultats de la récolte.
- 100 -
les emplois agricoles représentent près de 34 % en 2019, contre 41 % des emplois marocains
en 2010 (figure 27). Les exploitants agricoles, pêcheurs, forestiers, chasseurs et travailleurs
assimilés représentaient 12,4 % des emplois en 2020 et les ouvriers et manœuvres agricoles et
de la pêche (y compris les ouvriers qualifiés) 18,4 % (Haut-Commissariat au Plan, 2020).

120

100

80

60

40

20

0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

Emplois dans l’agriculture (% du total des emplois) Emplois dans l’industrie (% du total des emplois)
Emplois dans les services (% du total des emplois)

Source : HCP (2020)

Figure 27 : Emploi au Maroc par Secteur (2000-2020)

En milieu rural, le secteur agricole représente 68 % des emplois en 2020, contre 74,5 % en
201582, 75,2 % en 201083 et 80,9 % en 2000, ce qui place ce secteur au centre des enjeux
économiques et sociaux au niveau rural. Les secteurs de l’industrie et des services
représentaient respectivement 14,1 % et 17,9 % des emplois ruraux. Les exploitants agricoles,
pêcheurs, forestiers, chasseurs et travailleurs assimilés représentaient 27,7 % des emplois
ruraux en 2020 et les ouvriers et manœuvres agricoles et de la pêche (y compris les ouvriers
qualifiés) 39,7 % (Haut-Commissariat au Plan, 2020).

En 2018, les terres agricoles représentaient près de 68 % du territoire national, équivalent de

plus de 30 millions d’hectares (ha) (WDI, 2020). Toutefois, les forêts s’étendent sur 12,8 % du
territoire, soit 5,7 millions ha et les terres arables (cultivables) ne couvrent ainsi que 7,4 millions
d’ha (soit 16,8 % de la superficie totale du pays). Environ 1,2 million d’ha, soit 15 % de cette
surface sont irrigables, le reste est constitué de terres bour84, avec 55 % de la surface agricole

82
HCP, Activité, emploi et chômage, Premiers résultats, 2015.
83
HCP, Activité, emploi et chômage, Premiers résultats, 2010.
84
Représentent les zones d’agriculture pluviale par opposition aux zones irriguées.
- 101 -
utile (SAU) de bour défavorable85 et 27 % en bour favorable86.

Le bour favorable et les surfaces irriguées, représentent le tiers de la SAU et 64 % du total

irrigué du pays, ont un potentiel de productivité relativement élevé, grâce à leurs dispositions
de certains atouts en matière de services et d’infrastructures socio-économiques.

Pour ce qui concerne, le bour défavorable, centralisant les 2/3 de la SAU et 36 % du total irrigué
du pays. Ces zones riment avec une irrigation de type traditionnel alimentée surtout par des
eaux de surface, de faible disponibilité des ressources en eau et en sol, une dotation insuffisante
en infrastructure de base et technique (routes, eau, électricité, etc.), et une faible couverture sur
les domaines sociale, sanitaire et d’éducation (un niveau élevé d’analphabétisme et de
pauvreté).

En 2017, 81 % des surfaces agricoles ont bénéficié de l’irrigation pluviale, 9 % de la grande

Hydraulique (GH), 6 % de l’irrigation privée et 4 % de la petite et moyenne hydraulique (PMH)
(Louali, 2019).

Pour résumer, la croissance marocaine est très liée à celle du secteur agricole : les fortes
variations de la valeur ajoutée du secteur agricole, témoignant de la dépendance de ce dernier
aux conditions climatiques, et notamment à la pluviométrie, se répercutent sur la croissance du
PIB (sur les deux périodes présentées dans notre tableau 15). Une sécheresse se traduit en
général par une baisse de la production notamment des céréales, avec pour conséquence une
baisse de la valeur ajoutée agricole et une moindre croissance, et vice-versa, une bonne récolte
se traduit par une stimulation de la croissance économique. Cela signifie que la consommation
des ménages de la zone rurale du pays sera gravement affectée lorsque la production agricole
est plus faible en raison du manque de précipitations.

85
Où la SAU est située en zone de montagne et semi-aride.
86
Où la SAU des plaines et collines à pluviométrie supérieure à 400 mm
- 102 -
 3.3. Brief État de l’Art :
L’agriculture joue un rôle essentiel dans le fonctionnement de l’économie de chaque pays. Que
ce soit pour subvenir aux besoins de sa population, ou bien dans le sens où la production
agricole est en interaction avec toutes les industries de ce pays. Dans un sens plus large, la
stabilité sociale et politique de certains pays dépend d’une régularité solide des performances
agricoles.

Depuis des années, les chercheurs se sont demandé si et comment les conditions climatiques,
telles que la température, les précipitations et les tempêtes violentes, influençaient les
performances économiques.

La plupart de la littérature existante s'est concentrée sur l'impact du changement climatique sur
la croissance économique en considérant la température et les précipitations comme des
variables climatiques. D’un côté, des discussions sur le sujet se sont concentrées sur la hausse
potentielle des températures moyennes de la planète (Henseler & Schmacher, 2019). Et d’un
autre côté, bien qu'il s’agît d'une nouvelle approche, la littérature macroéconomique explorant
les effets des précipitations ou de la disponibilité de l'eau sur la croissance économique a
commencé à évoluer il y a environ deux décennies. Or, certaines études ont souligné que la
variabilité des précipitations a une influence plus forte sur la croissance économique que la
température (Brown, et al., 2013).

Les précipitations (selon les niveaux) peuvent avoir un effet positif (Brown, et al., 2013 ;
Lanzafame, 2014) ou négatif (Dell, et al., 2012 ; Brown, et al., 2013) sur la croissance
économique.

Sur un panel comprenant 136 pays, Dell et al. (2012) trouvent que les températures élevées
peuvent réduire les taux de croissance, et pas seulement le niveau de production. Plus
précisément, en réduisant la production agricole, la production industrielle et la stabilité
politique. Ainsi, qu’un manque de précipitations affecte négativement la croissance
économique des pays pauvres.

À travers l’utilisation d’un indice de précipitation faisant la différence entre les fortes valeurs
(inondations) et les faibles valeurs (les sécheresses) de précipitations par Brown et al. (2013),
concernant 133 pays, ils constatent qu'une augmentation de 1 % de la sécheresse (absence ou

- 103 -
manque de précipitations) entraîne une réduction de 2,8 % de la croissance économique par an,
ainsi qu’une augmentation de 1 % des inondations (des précipitations accrues) entraîne une
réduction de 1,8 % de la croissance économique au cours de la même période.

En Afrique, on peut faire référence aux changements notables des précipitations, qui sont
généralement en baisse depuis leur pic relatif en 1960, et étant donné l'importance de
l'agriculture pour les pays africains et la dépendance de ce secteur à la pluviométrie, cette baisse
a pu avoir des conséquences potentiellement graves sur la croissance économique (Nicholson,
1994 ; Collier & Gunning, 1999). En incluant une variable du nombre d'années de sécheresse
dans une régression de la croissance entre pays africains, O’Connell & Ndulu (2000) constatent
que cette variable a un effet négatif significatif sur les taux de croissance.

En outre, ce déclin a eu un impact négatif sur l'approvisionnement en énergie, étant donné que
l'Afrique est beaucoup plus dépendante que d'autres pays en développement de
l'hydroélectricité pour la production d'électricité (Magadza, 1996).

Les sécheresses peuvent provoquer une importante croissance négative à long terme dans les
pays riches et pauvres (Berlemann & Wenzel, 2018). De même, Richardson (2007) a fourni des
preuves suggérant que des précipitations irrégulières et imprévisibles ainsi qu'une mauvaise
gestion gouvernementale flagrante ont créé des difficultés économiques au Zimbabwe.
Résultant que le manque de pluie peut s’avérer économiquement préjudiciable.

L'impact des précipitations sur l'activité économique globale est surtout ressenti dans les pays
en développement, pareillement, pour les zones arides et pauvres qui dépendent principalement
de l'agriculture pluviale (Sangkhaphan & Shu, 2020). La production agricole, déterminée par
les aléas climatiques, s'avère être une voie clé pour une bonne croissance, surtout pour les pays
ayant une agriculture pluviale (Dell, et al., 2012).

Parallèlement, pour ce qui concerne les économies en développement de l'Afrique, Barrios et

al. (2010) ont trouvé un effet significatif de la pluviométrie pour les pays africains, dans le sens
que la baisse générale des précipitations observée en Afrique a eu des effets négatifs sur ses
taux de croissance et peut expliquer en partie l'énigme des performances relativement faibles
de l'Afrique. En plus, certaines simulations simples suggèrent que l'impact direct du scénario
d'absence de baisse des précipitations aurait permis de réduire d'environ 15 à 40 % l'écart actuel
du PIB par habitant de l'Afrique par rapport au reste des pays en développement.

- 104 -
En étudiant l'impact des chocs pluviométriques sur la productivité agricole du Nigeria avec
l’utilisation d’un modèle à effets fixes, et comme attendu par Amare et al. (2018), un choc
pluviométrique négatif affecte fortement la productivité agricole, en réduisant la production
agricole du Nigeria. Pour le même pays, l’analyse économétrique d’Ayinde et al. (2011) révèle
que le changement de température génère un effet négatif alors que la variation des
précipitations exerce un effet positif sur la productivité agricole.

Au Sénégal, la majorité des terres cultivables sont dominées par les cultures pluviales. En
analysant les effets de la pluviométrie sur le PIB Agricole (entre 1980 et 2015), Sow et al.
(2020) repèrent que la variation des précipitations a un effet significatif sur la performance
économique du secteur agricole. En ajoutant, que toute baisse de la pluviométrie se répercute
négativement sur la production et sur le secteur agricole. Or, de bons niveaux de pluviométrie,
s’accompagnent par un accroissement de la production agricole, et en ayant un effet positif sur
le PIB Agricole par la suite.

Dans le même objectif, Sangkhaphan & Shu (2020) ont examiné l’effet des précipitations sur
la croissance économique de la Thaïlande, où les précipitations ont eu un effet bénéfique pour
le secteur agricole dans les régions les plus pauvres de la Thaïlande. En outre, la recherche a
révélé que l'agriculture était le secteur le plus vulnérable aux précipitations, suivi par le secteur
des services.

Pour le cas de l’Éthiopie, une économie fortement dépendante de l'agriculture pluviale, Dercon
& Christiaensen (2011) démontrent que la variabilité des précipitations affecte les décisions des
agriculteurs concernant l'utilisation d'intrants externes visant a amélioré la productivité et
augmente le risque de perte de récolte, ayant par la suite un effet négatif sur la production
agricole en Éthiopie. Or, Ali (2012), en utilisant une analyse de cointégration, trouve un effet
négatif sur la croissance, dans le sens où les changements dans la magnitude et la variabilité
des précipitations ont des effets de ralentissement à long terme sur le niveau de la production.

En outre, Abidoye & Odusola (2015) ont examiné l'impact de la variabilité des précipitations
sur la croissance économique dans les pays africains, en utilisant des données annuelles pour
34 pays de 1961 à 2009 et ont constaté que les précipitations avaient un impact positif sur la
croissance économique des pays pauvres et des zones arides dépendant de l'agriculture pluviale,
ainsi qu'une augmentation de 1 % des précipitations entraînait une augmentation de 6,6 % de la
croissance économique. Lanzafame (2014) a également déterminé que les effets des
- 105 -
précipitations en leur globalité influençaient positivement la croissance économique en
Afrique.

En étudiant le rôle et la contribution du secteur agricole dans le PIB du Pakistan (1975-2012),

un pays considéré comme étant essentiellement un pays agricole, Anwer et al. (2015) ont pu
trouver que l'industrie, le commerce et l'agriculture ont une relation positive et significative
avec le taux de croissance du PIB. Or, en analysant la relation entre les émissions de dioxyde
de carbone (CO2), le produit intérieur brut, les terres consacrées aux cultures céréalières et la
valeur ajoutée agricole, Ali et al. (2019) trouvent que les variations du changement climatique
(cas extrême : inondation, sécheresse) pourraient avoir des conséquences négatives sur la
production agricole et la croissance industrielle, la réduction de la pauvreté et la création
d'emplois.

Pour le cas de l’Arabie Saoudite, Islam et al. (2021) trouvent que les niveaux élevés des facteurs
environnementaux (les précipitations et les émissions de CO2 par habitant) ne sont pas propices
à la croissance économique. D’un côté, la dépendance de la croissance économique au secteur
agricole en Arabie saoudite est très faible par rapport à sa dépendance aux ressources
pétrolières. Et d’un autre côté, les fortes pluies (menant à des inondations) peuvent déclencher
une série d’annulations logistiques (empêcher ou retarder les transports), vu que les
infrastructures pour faire face à de telles conditions en Arabie saoudite ne sont pas efficaces,
résultant une baisse de l'activité économique.

Dans l’objectif d’identifier la direction de la causalité entre la valeur ajoutée agricole par
travailleur et le produit intérieur brut par habitant, et à travers l’application du test de causalité
de Granger pour 85 pays, Tiffin & Irz (2006) concluent que la valeur ajoutée agricole est la
variable causale dans les pays en développement (relation unidirectionnelle), alors que le sens
et la causalité dans les pays développés n'est pas claire.

Après l’analyse de ces différents travaux, nous avons conclu que la croissance agricole est d'une
grande importance pour la croissance de certaines économies, plus précisément celles appuyées
sur l’agriculture pluviale. De même, l'efficacité et le progrès des techniques employés, le
développement du capital humain dans le secteur agricole font partie des facteurs déterminants
du secteur agricole, résultant que la croissance économique et la production agricole sont
étroitement liées (Mundlak, 2005).

- 106 -
 3.4. Méthodologie et Données :
3.4.1. Méthodologie :
Pour analyser l’effet de la pluviométrie sur la croissance économique au Maroc, nous allons
procéder en deux étapes. Dans un premier temps, pour mesurer l’effet de court et de long terme
de la pluviométrie sur la croissance économique au Maroc, nous allons estimer un modèle
autorégressif à retards échelonnés (ARDL : Auto Regressive Distributed Lag model) proposé
par Pesaran et al. (2001). Et dans un second temps, pour vérifier l’effet asymétrique de la
pluviométrie, nous allons estimer un modèle Non linéaire autorégressif à retards échelonnés
(NARDL : Non-Linear Autoregressive-Distributed Lag) proposé par Shin et al. (2014).

3.4.1.1. Le modèle ARDL :

L’ARDL fait partie des modèles dynamiques et autorégressifs, permettant de capter les effets
temporels dans l’explication d’une variable. Ce type de modèle nous permet d’estimer, d’un
côté, la relation à court terme, et d’un autre côté les effets de long terme, même si les variables
ont des ordres d'intégration différents (I (0), I (1) ou I (0) et I (1))87. Ce modèle permet,
également, de vérifier la cointégration entre les variables en s’appuyant sur l’approche de test
aux bornes de (ARDL Bound Test) (Pesaran, et al., 2001).

Les modèles ARDL disposent d’un ensemble d’atouts. Outre le fait qu’ils permettent de
combiner des variables intégrées à des ordres différents. Tel est notre cas, les résultats des
modèles ARDL sont efficaces en cas de petits échantillons (Frimpong & Oteng-Abayie, 2006).
Par ailleurs, les modèles ARDL sont simples à estimer, contrairement aux autres techniques de
cointégration existantes. En outre, les estimations des coefficients à court et à long terme
obtenus par le modèle ARDL sont cohérentes, indépendamment du fait que les régresseurs
soient exogènes ou endogènes (Pesaran & Shin, 1999). Ce modèle permet aux variables
indépendantes et dépendantes d’entrer dans le modèle avec des décalages différents (Pesaran,
et al., 2001).

Les modèles ARDL88, combinent les caractéristiques des modèles autorégressifs (AR) et des

87
Tout en sachant que la modélisation en ARDL ne peut être envisageable pour des séries intégrées a plus que la

On considère, >! la variable dépendante et O! la variable indépendante.

première différence.
88

- 107 -
modèles à retards échelonnés (DL, Distributed lag), ou la variable dépendante décalée (!#(1 )
est présente parmi les variables explicatives, ainsi que les valeurs présentes et passées de(s) la
variable(s) indépendante(s) ("# , "#(! ), d’où la forme générale du ARDL (n,m) est exprimée
comme suit :

2() 4() (1)

Δ!# = 7 + #!#() + f"#() + g h! Δ!#(! + g &! Δ"#(! + H#
!3) !35

Où Δ est l’opérateur de différence première, 7, #, f, h! et &! sont des paramètres, n et m

représentent le nombre de retard optimal et H# ~jj](0, $) : terme d’erreur.

Théoriquement, l’absence d’une relation de cointégration entre x et y est confirmée, lorsque

# = f = 0. Pour vérifier l’existence (ou non) d’une relation à long terme entre deux variables,
il faut comparer la valeur du test de Fisher (Fpss) calculée et obtenue à partir de l'équation
précédente, à ceux représentant les limites des valeurs critiques de (Pesaran, et al., 2001). Plus
précisément, les auteurs procurent deux ensembles différents de valeurs critiques
asymptotiques : une valeur critique de limite inférieure et une supérieure (formant des bornes).
Si la statistique F est supérieure à la borne supérieure, l'hypothèse nulle d'absence de
cointégration est rejetée.

Une fois la relation de cointégration est vérifiée (assurée), le modèle ARDL conditionnel à long
terme peut être estimé, comme suit :

2() 4() (2)

!# = 7 + g #! !#(! + g f! "#(! + H#
!3) !35

Par la suite, en estimant un modèle a correction d’erreurs (associé à l’estimation sur le long
terme), on peut obtenir les paramètres dynamiques à court terme :

2() 4() (3)

Δ!# = 7 + g h! Δ!#(! + g &! Δ"#(! + klmn#() + H#
!3) !35

Où h) et h* sont les coefficients dynamiques à court terme, k est le paramètre de vitesse

d'ajustement et ECM représente le terme de correction d'erreur, dérivé de la relation d'équilibre
estimée de l'équation (1).

- 108 -
L’estimation d’un modèle ARDL se réalise en plusieurs étapes. Dans un premier temps, nous
étudions la stationnarité des séries. Cette étape veille à vérifier que les séries sont intégrées à
l’ordre zéro et un (I (0) et I (1)). Il convient de noter que le modèle ARDL n’est pas compatible
lorsque les séries sont intégrées à des ordres supérieurs à un. Cette vérification est réalisée par
deux tests. Le premier est relatif au test de racine unitaire Augmented Dickey-Fuller (ADF)
proposé par Dickey & Fuller (1981). Le deuxième est le test P-P proposé par Phillips & Perron
(1988).

Une fois l’exigence sur la stationnarité est vérifiée, nous passons, dans un deuxième temps, à
mesurer le décalage optimal. Dans ce travail, nous nous basons sur le critère Akaike Information
Criterion (AIC) pour calculer le décalage optimal de notre modèle empirique.

Afin de vérifier l’existence des relations de long terme entre la variable dépendante, les
variables d’intérêt et les variables explicatives, nous exécutons, ensuite, le test de cointégration
(ARDL Bound test of cointegration). Ce test revient à comparer la valeur du test F calculé avec
les valeurs critiques (bornes) proposées par Pesaran et al. (2001). Lorsque la valeur du test F
calculé est inférieure à la borne critique inférieure (BCI), les variables ne sont pas cointégrées.
En revanche, lorsque la valeur du test F calculé dépasse la borne critique supérieure (BCS), on
conclut que les variables sont cointégrées et qu’une relation à long terme entre ces variables
existe. Par ailleurs, le test est non concluant lorsque le test F calculé se situe entre la BCS et la
BCI.

L’existence de la cointégration entre les variables du modèle, nous pousse à exécuter, dans un
quatrième temps, le « error correction model » (ECM) pour estimer les coefficients de court
terme et la vitesse d’ajustement.

En fin, plusieurs tests sont mobilisés pour vérifier la validité des résultats obtenus. La serial
corrélation est contrôlée par le test de Breusch-Godfrey Serial Corrélation LM Test.
L’Hétéroscédasticité est vérifiée par le test de Breusch-Pagan-Godfrey et ARCH. La normalité
des résidus est testée par le test Jarque-Bera.

Alors que la stabilité est vérifiée par trois tests. D’abord, les tests CUSUM et CUSUM of
squares proposés par Brown et al. (1975), ensuite, le test Ramsey RESET.

- 109 -
 3.4.1.2. Le modèle NARDL :

Bien que le Modèle ARDL dispose d’un ensemble d’atouts, il présente certaines limites. En
effet, le modèle ARDL suppose que la relation entre la variable d’intérêt et la variable
dépendante est symétrique. Alors qu’en réalité, la relation pourrait être asymétrique.

D’autant plus qu’une grande partie des études antérieures ont supposé l'existence d'un impact
symétrique des variables climatiques sur la croissance économique. Autrement dit, la réaction
de la croissance économique aux fluctuations des variables climatiques (une augmentation ou
une diminution) est supposée être la même. Le document actuel évite une telle hypothèse en
étudiant l'impact asymétrique potentiel.

Pour contourner cette limite, Shin et al. (2014) ont développé l'approche non linéaire ARDL
pour étudier les effets asymétriques potentiels à la fois à long et à court terme. Ce modèle est,
essentiellement, basé sur l'approche ARDL linéaire développée par Pesaran et al. (2001). Les
auteurs suggèrent de décomposer la variable explicative "# en des sommes partielles, comme
suit :

"# = "5 + "#6 + "#( (4)

Où "#6 et "#( sont les processus des sommes partielles de variations positifs et négatifs de(s) la
variable(s) exogène(s), obtenues de la manière suivante :

"#6 = ∑#73) Δ"76 = ∑#73) pq" (Δ"7 , 0) (Variations positives) (5)

"#( = ∑#73) Δ"7( = ∑#73) pj; (Δ"7 , 0) (Variations négatives) (6)

Avec cette décomposition, "#6 (ou "#( ) prend en compte les augmentations (ou les diminutions)
des variables climatiques ou économiques.

Afin de capter les asymétries potentielles des variations de la pluviométrie, nous introduisons
la décomposition de la variable d’intérêt (4) dans l’équation (1). A cet effet, nous obtenons le
modèle NARDL (n, m) comme suit :

- 110 -
 $3! 53!

ΔX' = T + YX'3! + Z 4 ('3! + Z 3 ('3! + & [% ΔX'3% + & (\%4 Δ('3% + \%3 Δ('3% ) + ]'
4 3 4 3
(7)
%&! %&.

8C 8D
f 6 et f ( sont les paramètres asymétrique (distributed-lag), − et − représentent les
9 9

paramètres asymétriques de long terme pour notre variable d’intérêt.

A l’image du modèle ARDL, le modèle NARDL suit les mêmes étapes. Dont, la première
consiste à vérifier la stationnarité (l’ordre d’intégration)89 de nos séries chronologiques. Dans
un second temps, nous utilisons le « ARDL Bound test of cointegration » pour vérifier la
cointégration entre les variables. Ce test nous permettra de vérifier l’existence des relations de
long terme entre la variable dépendante d’une part, et les variables explicatives de l’autre.

Par la suite, nous réalisons le modèle non linéaire ARDL en estimant l’équation (7). Ceci, nous
permettra d’estimer les effets de long et de court terme des chocs positifs et négatifs de notre
variable d’intérêt.

En fin, plusieurs tests sont mobilisés pour tester la validité des résultats obtenus. La serial
corrélation est contrôlée par le test de Breusch-Godfrey Serial Corrélation LM Test.
L’Hétéroscédasticité est vérifiée par le test de Breusch-Pagan-Godfrey et ARCH. La normalité
des résidus est testée par Jarque-Bera test.

Alors que la stabilité est vérifiée par trois tests. D’abord, les tests CUSUM et CUSUM of
squares proposés par Brown et al. (1975), ensuite, le Ramsey RESET test.

Afin d’estimer les effets asymétriques, à court et long terme, de la pluviométrie sur la croissance
économique au Maroc, nous utilisons le test de Wald standard, ainsi que le multiplicateur
dynamique, dans l’objectif de confirmer les effets cumulés des chocs positifs et négatifs de nos
deux variables d’intérêt sur la croissance économique.

89
Vérifier qu’aucune des variables n’est intégrée d’ordre I (2).
- 111 -
 3.4.2. Descriptions des données :
L’objectif de la présente étude est d’analyser empiriquement l’effet de la pluviométrie sur la
croissance économique du Maroc, pour la période 1966-2020.

Les données utilisées sont tirées de la Banque Mondiale « World Development Indicators », les
seules exceptions concernent les données de la production annuelle des céréales, qui
proviennent de la base de données de l’Organisation des Nations unies pour l’alimentation et
l’agriculture (The FAOSTAT Macro Indicators database) et les précipitations annuelles qui sont
extraites du portail de ressources sur le changement climatique (The Climate Change
Knowledge Portal (CCKP)) de la Banque Mondiale. Les définitions et sources des variables
utilisées dans les modèles sont présentées en annexe.

Tableau 16 : Statistiques descriptives

Moy. Médiane Max. Min. Std. Dev Skewness Kurtosis Obs.

PIB par Tête (en $ constant de
1731.24 1559.23 3044.90 727.62 685.26 0.48 2.00 55
2015)
PIB Agricole (en % du PIB) 15.06 13.60 22.42 10.68 3.35 0.80 2.31 55
Précipitation (en mm) 306.25 301.82 522.42 177.85 72.21 0.55 3.24 55
Production de Céréale (en
5666144 5167140 11687926 1783230 2575167 0.56 2.26 55
tonnes)
Formation Brut de Capital
1.36E+10 9.26E+09 3.18E+10 1.66E+09 9.94E+09 0.67 1.95 55
Fixe (en $ constant de 2015)
Taux de scolarisation brut en
42.30 37.72 82.45 11.25 21.32 0.40 2.14 50
secondaire
Population (en millions) 25.65 26.15 36.91 14.59 66.60 -0.05 1.79 55
Ouverture commerciale 58.79 54.64 87.97 36.67 15.12 0.51 2.13 55
Inflation 4.20 2.79 17.55 -1.01 4.03 1.17 3.90 55

Les statistiques descriptives des variables sont présentées dans le tableau 16. Comme nous
pouvons le voir, l’aspect le plus important de l’agriculture se reflète également dans la valeur
ajoutée créée avoisinant les 15 % du PIB (moyennement sur la période étudiée)90, le niveau de
précipitation moyen est de 306 mm/an, pour une production céréalière de 5,6 millions de
tonnes/an, entre 1966 et 2020. Le secteur agricole au Maroc a montré une certaine résilience,
malgré l’impact des aléas climatiques grâce aux programmes mis en œuvre dans le cadre du

90
Ce qui peut être considéré comme le fruit récolté grâce à l’appui massif de l’État dans le cadre du Plan Maroc
Vert, le secteur a montré une certaine résilience, malgré l’impact des aléas climatiques.
- 112 -
Plan Maroc Vert (Sadiki, 2017).

Dans notre modèle, la croissance économique marocaine Growth est mesurée par
l’accroissement annuel du PIB par tête (entre l’année t et l’année t-1). Concernant notre variable
d’intérêt, on utilise deux mesures de la pluviométrie, la première Pre est les précipitations
annuelles et la seconde PrCer représente la production annuelle des céréales. L’ensemble des
variables explicatives regroupe : la variable CP la formation brute de capital fixe en % du PIB
est utilisée comme proxy du capital physique. Le capital humain CH est mesuré par le taux brut
d'inscription en secondaire. L’ouverture commerciale Ouv est estimée par le taux du commerce
en pourcentage du PIB. Le taux d’Inflation (Indice des prix à la consommation (% annuel)) Inf
reflète les politiques de stabilisation. Et finalement, la deuxième variable liée aux politiques de
stabilisation, nous utilisons la population pop.

- 113 -
 3.4.3. Modèles Empiriques :
Le modèle utilisé pour estimer l’impact de la pluviométrie sur la croissance économique au
Maroc s’inscrit dans la continuité du travail pionnier de Mankiw et al. (1992). Pour expliquer
ce lien, nous proposons deux modèles. Dans le premier modèle, nous utilisons les précipitations
annuelles comme variable d’intérêt (équation 8, modèle 1). Dans le deuxième modèle, nous
utilisons comme variable d’intérêt la production annuelle des céréales (équation 9, modèle 2).
Il convient de noter que les deux variables91 employées comme proxy de la pluviométrie sont :
>rB (les précipitations annuelles) et >rmBr (la production annuelle des céréales).

L’intérêt d’étudier l’effet des précipitations sur la croissance est largement prononcé dans la
littérature empirique ((Barrios, et al., 2010 ; Dell, et al., 2012 ; Brown, et al., 2013 ; Abidoye &
Odusola, 2015 ; entre autres). Mais au-delà de nos estimations, la mesure des précipitations à
l'échelle du pays désigne une moyenne annuelle sur le territoire total, ce qui peut être considéré
comme une limite pour produire des explications plus approfondies. Puisque nous ne disposons
point de plus d’informations en termes de la répartition temporelle des pluies (pouvant
déterminer la conduite d’une bonne récolte, si et seulement si ça coïncide avec la meilleure
période « au début, au milieu et à la fin de la saison agricole » pour en tirer profit) ou bien pour
ce qui concerne la répartition de la survenance des pluies sur le territoire marocain.

Dans cet ordre d’idées, et afin de bien cerner le rôle crucial de cette variable climatique, nous
avons jugé opportun d’ajouter la production céréalière comme proxy supplémentaire de la
pluviométrie. Vu la part de cette culture dans l’agriculture marocaine, une culture qui occupe
59 % des surfaces agricoles utilisées au Maroc en 2018 (Louali, 2019). Ce proxy représente une
variable qui peut refléter la production réelle tirer essentiellement de la pluie survenue pendant
une année donnée.

91
Avec l’utilisation d’une troisième variable pour ce qui concerne l’étude de robustesse. Il s’agit du `ab%1c
présente la performance du secteur agricole,
- 114 -
 En partant de l’équation (1) pour estimer le modèle ARDL linéaire, les spécifications de nos
modèles peuvent être données comme suit :

+#"

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67B9C!#" + A% 67EB!#" + A& 67EF!#" + A' 67B:G!#" + A( 67HIJ!#" + A) 67K7L!#" + M N* O6789:;<ℎ!#*
*,"
-#" /#" 0#" 1#" 2#" 3#" (8)
+ M P* O 67B9C!#* + M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#* + M T* O 67HIJ!#* + M U* O 67K7L!#* + V!
*,. *,. *,. *,. *,. *,.

+#"

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67B9EC9!#" + A% 67EB!#" + A& 67EF!#" + A' 67B:G!#" + A( 67HIJ!#" + A) 67K7L!#" + M N* O6789:;<ℎ!#*
*,"
-#" /#" 0#" 1#" 2#" 3#" (9)
+ M P* O 67B9EC9!#* + M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#* + M T* O 67HIJ!#* + M U* O 67K7L!#* + V!
*,. *,. *,. *,. *,. *,.

Conformément à ce qui a été mentionné dans la section (3.4.1.2), les spécifications de nos
modèles Non linéaire ARDL sont données comme suit :

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67B9C!#"

4
+ A% 67B9C!#"
#
+ A& 67EB!#" + A' 67EF!#" + A( 67B:G!#" + A) 67HIJ!#" + A5 67K7L!#"
+#" -#" -#" /#" 0#" 1#"

+ M N* O6789:;<ℎ!#* + M P* O 67B9C!#*
4
+ M W* O 67B9C!#*
#
+ M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#*
*," *,. *,. *,. *,. *,.
(10)
2#" 3#"

+ M T* O 67HIJ!#* + M U* O 67K7L!#* + V!
*,. *,.

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67B9EC9!#"

4
+ A% 67B9EC9!#"
#
+ A& 67EB!#" + A' 67EF!#" + A( 67B:G!#" + A) 67HIJ!#" + A5 67K7L!#"
+#" -#" -#" /#" 0#" 1#"

+ M N* O6789:;<ℎ!#* + M P* O 67B9EC9!#*
4
+ M W* O 67B9EC9!#*
#
+ M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#*
*," *,. *,. *,. *,. *,.
(11)
2#" 3#"

+ M T* O 67HIJ!#* + M U* O 67K7L!#* + V!
*,. *,.

Pour rappel ; sr?tuℎ# représente la croissance économique marocaine (v;w@# − v;w@#() ),

m> est la variable du capital physique indiquant l’investissement, md représente le taux de
scolarisation brut en secondaire comme proxy du capital humain, >?@ est la population totale,
EF= désigne l’ouverture commerciale, <;D indique le taux d’inflation, ><xyzr présente la
performance du secteur agricole, >rB (les précipitations annuelles) et >rmBr (la production ,
annuelle des céréales) les deux variables représentant la pluviométrie (Barro & Lee, 1996 ;

- 115 -
Iqbal & Daly, 2014 ; Nawaz, 2015)92. #) , #* , #+ , #, , #- , #. , #: , #; , h! , &! , {! , 9! , |! , }! , $! Bu k!
sont les paramètres des variables93.

De plus, il est à noter que nous avons transformé en logarithme l’ensemble de nos variables
(Srinivasan, et al., 2012). Et à partir du moment que la spécification de nos modèles de
croissance est sous une forme logarithmique linéaire, les coefficients de nos variables peuvent
être interprétés comme une élasticité par rapport à la croissance économique.

92
Ce qui représente l’ensemble des variables de explicatives habituellement introduites dans les modèles de

α est la constante, et ε, le terme d'erreur.

croissance.
93

- 116 -
 3.5. Résultats et discussion :
3.5.1. Stationnarité des séries : (Unit root test)
Avant d’effectuer nos estimations, il est nécessaire de vérifier la stationnarité de nos variables.
Nous commençons par estimer les propriétés de stationnarité de nos séries, en appliquant le test
ADF proposé par Dickey & Fuller (1979) et le test P-P proposé par Phillips & Perron (1988).

Dans l'analyse des séries temporelles, les variables doivent être stationnaires afin d'éviter une
régression fallacieuse. En d’autres termes, les résultats des régressions peuvent donner une
analyse erronée, dans les cas extrêmes, ces variables peuvent ne pas être liées du tout.

Tableau 17 : Résultats des tests de racine unitaire (ADF & PP)

ADF Test Level First Diff.

I (X)
t-Statistic p-Value t-Statistic p-Value
Ln Growth -10.046*** 0.000 I (0)
Ln CP -1.988 0.290 -6.316*** 0.000 I (1)
Ln CH -2.517 0.117 -3.066** 0.036 I (1)
Ln Pop -3.801*** 0.005 I (0)
Ln Inf -3.420** 0.014 I (0)
Ln Ouv -1.417 0.567 -7.523*** 0.000 I (1)
Ln Pre -6.180*** 0.000 I (0)
Ln PrCer -7.586*** 0.000 I (0)
Ln PIBAgr -1.941 0.311 -12.552*** 0.000 I (1)
Phillips-Perron test Level First Diff.
I (X)
t-Statistic p-Value t-Statistic p-Value
Ln Growth -9.791*** 0.000 I (0)
Ln CP -2.345 0.162 -6.924*** 0.000 I (1)
Ln CH -2.109 0.241 -3.091** 0.033 I (1)
Ln Pop -6.117*** 0.000 I (0)
Ln Inf -12.557*** 0.000 I (0)
Ln Ouv -1.226 0.656 -8.045*** 0.000 I (1)
Ln Pre -6.226*** 0.000 I (0)
Ln PrCer -7.608*** 0.000 I (0)
Ln PIBAgr -2.394 0.148 -14.722*** 0.000 I (1)
- ADF et PP sont les tests de Dickey-Fuller augmenté et de Philips-Perron.
- La longueur optimale du décalage est déterminée par le critère bayésien de Schwarz (SBC).
- *, ** et *** indiquent le rejet de l'hypothèse nulle de non-stationnarité aux niveaux de signification de 10%, 5% et 1%,
respectivement.
- I (X) : l'ordre d'intégration

- 117 -
En appliquant les tests d’ADF et PP pour la racine unitaire, nos résultats montrent que les
variables sont intégrées dans différents ordres (I (0) et I (1)). On note que les séries du capital
physique, capital humain, l’ouverture commerciale et le PIB agricole sont intégrées d’ordre 1
(stationnaire après la première différence), alors que les autres séries de nos variables restent
stationnaires à niveau (sans différenciation) (tableau 17).

Après l’analyse des tests de racine unitaire, l'étape suivante consiste à déterminer les longueurs
de décalage optimale de nos modèles, en utilisant le critère d'information d'Akaike (AIC)
(Akaike, 1974) ou le critère d'information de Schwarz (SC) (Schwarz, 1978). Une étape
primordiale avant d’effectuer le test de cointégration aux bornes.

3.5.2. Résultat des estimations à long terme et à

court terme - ARDL :
3.5.2.1. Retard optimal et estimation du modèle ARDL :

En raison de l'intégration des séries à des ordres différents, rend inefficace le test de
cointégration de Engle et Granger (cas multivarié) et celui de Johansen, et renvoie à l’utilisation
du test de cointégration aux bornes (Pesaran, et al., 2001), afin de déterminer les relations à
court et à long terme entre les variables.

Par conséquent, pour déterminer le nombre de retards pour les variables, il faut employer le
critère de sélection des retards du vecteur autorégressif (VAR). Les résultats des critères
d'information (LR, FPE, AIC, SC et HQ) indiquent que la valeur optimale à prendre en compte
est de quatre retards pour nos deux modèles (annexe94).

Pour nos estimations, nous nous sommes basés sur le critère d’information d’Akaike (AIC) et
de Schwarz (SC) pour choisir le modèle ARDL optimal à estimer. Selon Pesaran et al. (2001),
afin de réaliser le test de cointégration, le modèle ARDL doit être estimé au préalable.

3.5.2.2. Test de cointégration aux bornes - ARDL :

Après avoir effectué l’estimation de nos modèles optimaux, dorénavant, on peut réaliser le test

94
Les figures polynomiales (figure 30 et 31) présentés en annexe montrent que toutes les racines sont à l'intérieur
du cercle confirmant le retard maximal de 4 périodes, et attestant de la stabilité des deux modèles.
- 118 -
de cointégration aux bornes pour vérifier la cointégration entre les séries. Où on va comparer
la statistique obtenue (F de Fisher) avec les valeurs critiques (formant des bornes).

Les résultats obtenus du test confirment l’existence d’une relation de cointégration entre les
séries étudiées95, donnant la possibilité d’estimer les effets à long terme des variables
indépendantes sur la variable dépendante (tableau 18).

Tableau 18 : Résultats du test de cointégration aux bornes

Modèle Longueur du Retard F-statistic k

Modèle 1 (2, 1, 0, 3, 3, 3, 2) 15.508935 6
Modèle 2 (2, 3, 2, 1, 3, 3, 1) 4.255860 6
Valeurs Critique des Bornes
Seuil de Significativité Borne I (0) Borne I (1)
10% 1.99 2.94
5% 2.27 3.28
2.5% 2.55 3.61
1% 2.88 3.99
- H0 : Aucune relation
- Accepter Si : F-Statistic < borne inférieure (I (0))
- Rejeter Si : F-Statistic > borne supérieure (I (1))
- k : # (Nombre) de variables non déterministes dans la relation de long terme.

A travers les résultats du test de cointégration aux bornes, nous avons confirmé la relation de
cointégration à long terme entre la croissance économique et les différentes variables
introduites dans nos modèles. Nous présentons par la suite, les estimations à long terme et à
court terme de nos modèles (Modèle 1 : Eq.8, Modèle 2 : Eq.9).

3.5.2.3. Estimation et discussion (ARDL) :

A court terme, les coefficients du terme de correction d'erreur, quel que soit le modèle étudié,
ont des signes négatifs et statistiquement très significatifs au niveau de 1 %. Ces résultats ont
confirmé la présence d'une convergence à long terme entre les variables de nos deux modèles.

Comme le montre le tableau 19, sur le court terme, on trouve que les précipitations annuelles
ainsi que la production céréalière ont un impact positif et statistiquement significatif sur la

95
La valeur de F-stat est supérieur à celle de la borne supérieure au seuil de 1 %, pour les trois modèles.
- 119 -
croissance économique du Maroc. Où une augmentation de 1 % résulte un accroissement de la
croissance économique à hauteur de 3,3 % et de 4,4 %, respectivement. Et sur le long terme, on
peut noter les répercussions positives et significatives de nos variables d’intérêt sur la
croissance économique au Maroc. Les résultats indiquent qu'une variation positive de 1 % des
précipitations et de la production annuelle des céréales augmente la croissance économique de
2,8 % et 1,9 %, respectivement.

L’impact positif des précipitations sur la croissance économique confirme la dominance de

l’agriculture pluviale qui dépend fortement des précipitations pour une bonne compagne
agricole. D’autant plus pour la production des céréales qui est à son tour gourmande en
utilisation des ressources hydriques et dépendent des pluies dans une large mesure (comme cité
dans la section 2). Nos résultats concordent bel et bien ceux obtenus dans des études similaires
sur d’autres échantillons, Ali (2012) et Ayinde et al. (2011), montrant que les précipitations ont
des effets positifs sur la croissance économique, autant que pour le cas de la production
céréalière (Dell, et al., 2012 ; Sangkhaphan & Shu, 2020). Ainsi que l’existence d’une relation
de cointégration à long terme entre les variables.

En accord avec Fleisher et al. (2010), le capital humain agit de façon positive sur la croissance
économique dans le sens ou le travail qualifié, nécessitant par ailleurs, de la main-d’œuvre
qualifiée (les travailleurs qui ont plus que l'enseignement primaire) contribue directement à la
production, par le biais de l’absorption des nouvelles technologies, résultant par la suite des
répercussions supérieures de leur production marginale (par rapport à la main-d’œuvre non
qualifiée, les travailleurs n'ayant pas plus d'instructions que l'élémentaire) sur la croissance
économique.

Pour ce qui concerne le capital physique, sur le long terme, on trouve une influence positive et
significative (au moins à 5 %) sur la croissance économique. Et sur le court terme, le capital
physique stimule significativement la croissance de cette économie (modèle 2). Nos résultats
corroborent les constatations de De Gregorio (1992), Nonneman & Vanhoudt (1996),
Borensztein et al. (1998), Barro (2001) et Apergis & Payne (2014), dans le sens ou le capital
physique joue un rôle de moteur pour la croissance économique.

- 120 -
 Tableau 19 : Résultats des estimations ARDL (court et long terme) :

Estimation à long terme Variable Dépendante : ln Growth

Modèle 1 Modèle 2
Variable d'intérêt ( X¨ ) Ln Pre Ln PrCer
Variables Coefficient Std. Err Coefficient Std. Err
Ln X ¨ 0.028*** 0.009 0.019*** 0.004
Ln CP 0.050*** 0.012 0.075** 0.029
Ln CH 0.118*** 0.024 0.107*** 0.034
Ln Pop -0.660*** 0.097 -0.595*** 0.135
Ln Ouv 0.030 0.022 0.031 0.040
Ln Inf -0.013** 0.005 -4.9e-05 0.006
Constant 9.591*** 1.519 7.988*** 1.955
Estimation à court terme Variable Dépendante : Δ ln Growth
Variables Coefficient Std. Err Coefficient Std. Err
Δ Ln Growth (t-1) 0.571*** 0.114 0.127 0.154
Δ Ln X¨ 0.033*** 0.008 0.044*** 0.005
Δ Ln X ¨ (t-1) 0.012 0.007
Δ Ln X ¨ (t-2) 0.008 0.006
Δ Ln CP 0.148*** 0.027
Δ Ln CP (t-1) -0.014 0.027
Δ Ln CH 0.196 0.125 0.336*** 0.102
Δ Ln CH (t-1) -0.113 0.115
Δ Ln CH (t-2) 0.307*** 0.109
Δ Ln Pop -170.131*** 19.024 -81.036*** 16.168
Δ Ln Pop (t-1) 229.468*** 33.702 101.292*** 29.846

- 121 -
Δ Ln Pop (t-2) -87.251*** 16.601 -34.205** 15.075
Δ Ln Ouv 0.006 0.035 0.032 0.040
Δ Ln Ouv (t-1) 0.005 0.041 0.119*** 0.041
Δ Ln Ouv (t-2) 0.074* 0.037 0.065 0.038
Δ Ln Inf -0.001 0.007 -0.001 0.005
Δ Ln Inf (t-1) 0.019** 0.008
CointEq (ECM) (t-1) -2.896*** 0.231 -1.791*** 0.273
EC = LGrowth - 0.0280*LPRE - 0.0605*LCP EC = Lgrowth - 0.0199*LCERPR -
- 0.1187*LCH + 0.6608*LPOP - 0.0753*LCP - 0.1075*LCH + 0.5954*LPOP +
0.0306*LOUV + 0.01 34*LINF - 9.6910 0.0315*LOUV + 0.0000*LINF - 7.9889
Observation 47 49

Note :
*, ** et *** indiquent les niveaux de signification de 10 %, 5 % et 1 %, respectivement.
X : On utilise deux proxys de la pluviométrie, les précipitations annuelles (modèle 1), et la production annuelle des céréales (modèle 2).

- 122 -
Comme l’indiquent les résultats de notre estimation sur le long terme, on trouve que la
population a un effet négatif et significatif sur la croissance économique, rejoignant Chen &
Feng (2000). Ce résultat peut être expliqué par l'incapacité de cette économie à créer des
emplois pour la grande partie de cette population en âge de travailler. Ou bien que
l’accroissement de la population puisse détourner les dépenses qui doivent être consacrées à
l’investissement ou à l’éducation (ce qui s’explique par des dépenses supplémentaires pour
d’autres éléments de première nécessité : vêtements, literie, etc.).

Pour ce qui concerne les politiques structurelles, représentées par l’ouverture commerciale, on
trouve un effet positif sur la croissance économique au Maroc (que sur le court terme). La
théorie des avantages comparatifs montre qu'un pays se spécialise dans le secteur pour lequel il
dispose de meilleures dotations en facteurs et produit des biens à plus grande échelle (Frankel
& Romer, 1999). En conséquence, la productivité et les exportations de ce secteur
augmenteront, ce qui stimulera la croissance économique globale (Karras, 2003). Par exemple,
Krueger (1978) montre que la libéralisation du commerce encourage la spécialisation dans les
secteurs qui ont des économies d'échelle qui contribuent à améliorer l'efficacité et la
productivité à long terme.

Les résultats de cette première partie sont cohérents avec les théories de la croissance endogène
(Romer, 1990 ; Mankiw, et al., 1992) soutenant que l’amélioration du capital physique et
humain (en termes de qualifications et de conditions sanitaires) mène à un développement de
la productivité qui augmente la production.

Les résultats de notre estimation à long et à court terme suggèrent qu’une augmentation des
précipitations au cours d'une année contribuera réellement à la croissance économique par le
biais d’un accroissement du rendement des cultures au cours d'une année donnée. Confirmant
la dépendance structurelle de la croissance économique du Maroc à la production agricole (et
dans notre cas pour la production des céréales) déterminée à son tour par la pluviométrie. On
peut donc considérer que la pluviométrie contribue à la croissance économique, en assurant
d’un côté, une disponibilité alimentaire pour la consommation nationale, et d’un autre côté, la
stabilité des prix alimentaires (Timmer, 1995), entraînant ainsi un apport de l’épargne
domestique pour l'investissement industriel et de devises provenant des recettes d'exportation
agricole pour financer l'importation de biens intermédiaires et de biens d'équipement (Johnston
& Mellor, 1961).

- 123 -
 3.5.3. Résultat des Estimation asymétrique à long
terme et à court terme : Non linéaire ARDL :
3.5.3.1. Test de cointégration aux bornes –
N-ARDL :

Pareillement que pour les modèles ARDL, et après avoir effectué l’estimation de nos modèles
dans le but de déterminer le nombre de retard optimal96, on peut réaliser le test de cointégration
aux bornes pour vérifier la cointégration entre les séries.

Les résultats obtenus du test confirment l’existence d’une relation de cointégration entre les
séries étudiées97, donnant la possibilité d’estimer les effets à long terme des variables
indépendantes sur la variable dépendante (tableau 20).

À travers les résultats du test de cointégration aux bornes, nous avons confirmé la relation de
cointégration à long terme entre la croissance économique et les différentes variables
introduites dans nos modèles.

Tableau 20 : Résultats du test de cointégration aux bornes

Modèle Longueur du Retard F-statistic k

Modèle 1 (2, 0, 1, 0, 3, 3, 2, 2) 12.09968 7
Modèle 2 (1, 1, 2, 0, 0, 2, 0, 0) 14.62787 7
Valeurs Critique des Bornes
Seuil de Significativité Borne I (0) Borne I (1)
10% 2.03 3.13
5% 2.32 3.50
2.5% 2.60 3.84
1% 2.96 4.26
- H0 : Aucune relation
- Accepter Si : F-Statistic < borne inférieure (I (0))
- Rejeter Si : F-Statistic > borne supérieure (I (1))
- k : # (Nombre) de variables non déterministes dans la relation de long terme.

96
Les résultats des critères d'information (LR, FPE, AIC, SC et HQ) indiquent que la valeur optimale à prendre
en compte est de quatre retards pour nos deux modèles (tableau 26).
97
La valeur de F-stat est supérieur à celle de la borne supérieure au seuil de 1%, pour les trois modèles.
- 124 -
Nous présentons par la suite, les estimations à long terme et à court terme de nos modèles
(Modèle 1 : Eq.10, Modèle 2 : Eq.11).

3.5.3.2. Estimation et discussion (Non Linéaire -

ARDL) :
Comme prononcé sur les résultats rapportés dans le tableau 21, à court terme, les coefficients
des termes de correction d'erreurs, quel que soit le modèle empirique, présentent des signes
négatifs et sont statistiquement significatifs (à un niveau 1 %). Ces résultats ont confirmé la
présence d'une convergence à long terme entre les variables.

D’une part, sur le long terme, seul le choc négatif de la somme partielle des précipitations
(Pre-) est significativement positive attestant du lien asymétrique entre les précipitations et la
croissance économique, ce qui signifie que toute diminution des précipitations de 1 % affaiblie
la croissance économique de 2,9 %. Quant à l’asymétrique production céréalière-croissance
économique, et parallèlement que notre première variable d’intérêt, on trouve seulement un
effet significativement positif du choc négatif de production céréalière (PrCer). Autrement dit,
toute baisse de 1 % de la production céréalière contribue à chuter la croissance économique de
2,6 %.

D’autre part, sur le court terme, nos résultats montrent qu'un choc positif de 1 % de la
production céréalière entraîne une variation positive de la croissance économique de 6,2 % et
qu'un choc négatif (ainsi que celui retardé d’une période) de 1 % entraîne une diminution
d'environ 4,3 % (et de 2,7 %), sur le court terme. Ce résultat suggère qu'une croissance
économique résultée d'une augmentation de 1 % de la production céréalière est supérieur à la
façon dont une diminution de 1 % de la production céréalière réduit la croissance économique.

L’ensemble de nos résultats confirme la dépendance structurelle de la croissance économique

du Maroc à la pluviométrie (en notant les deux variables d’intérêt introduites séparément). En
termes de canal de transmission, et comme souligné par Dell et al. (2012) et Dell et al. (2014),
nous pouvons attester qu’avec des conditions climatiques favorables (défavorables), la
production agricole (dans notre cas la production des céréales) sera impactée positivement
(négativement), menant à un développement (contraction) de l’industrie agricole contribuant
honorablement (contrairement) final sur la croissance économique du Maroc.

- 125 -
 Tableau 21 : Résultats des estimations N-ARDL (court et long terme) :

Estimation à long terme Variable Dépendante : ln Growth

Modèle 1 Modèle 2
Variable d'intérêt ( X¨ ) Ln Pre Ln PrCer
Variables Coefficient Std. Err Coefficient Std. Err
Ln X ¨ (+) 0.014 0.009 0.013 0.007
Ln X ¨ (-) 0.029** 0.013 0.026*** 0.008
Ln CP 0.038** 0.015 0.069*** 0.014
Ln CH 0.116*** 0.037 0.007 0.032
Ln Pop -0.584** 0.224 -0.198 0.117
Ln Ouv 0.082* 0.046 0.095*** 0.023
Ln Inf -0.017*** 0.005 -0.008 0.005
Constant 8.591** 3.607 1.559 1.909
Estimation à court terme Variable Dépendante : Δ ln Growth
Variables Coefficient Std. Err Coefficient Std. Err
Δ Ln Growth (t-1) 0.615*** 0.139
Δ Ln X ¨ (+) 0.043 0.026 0.062*** 0.010
Δ Ln X ¨ (-) -0.002 0.028 0.043*** 0.008
Δ Ln X ¨ (-) (t-1) 0.027** 0.010
Δ Ln CP 0.112** 0.046 0.107*** 0.023
Δ Ln CH 0.186 0.183 0.012 0.051
Δ Ln CH (t-1) -0.380* 0.219
Δ Ln CH (t-2) 0.224 0.138
- 126 -
Δ Ln Pop -158.117*** 39.187 -38.804*** 9.433
Δ Ln Pop (t-1) 285.120** 110.153 30.059*** 8.891
Δ Ln Pop (t-2) -79.141** 37.900
Δ Ln Ouv 0.007 0.061 0.148*** 0.034
Δ Ln Ouv (t-1) -0.090 0.069
Δ Ln Inf -0.005 0.010 -0.013 0.008
Δ Ln Inf (t-1) 0.021* 0.011
CointEq (ECM) (t-1) -2.928*** 0.282 -1.549*** 0.104
EC = LGrowth - 0.0148*LPRE (+) - EC = LGrowth - 0.0131*LCERPR (+) -
0.0293*LPRE (-) - 0.0382*LCP - 0.1163*LCH 0.0263*LCERPR (-) - 0.0696*LCP - 0.0077*LCH
+ 0.5840*LPOP - 0.0825*LOUV + 0.0177*LINF + 0.1987*LPOP + 0.0956*LOUV + 0.0085*LINF
- 8.5916 - 1.5591
Observation 47 49

Note :
*, ** et *** indiquent les niveaux de signification de 10%, 5% et 1%, respectivement.
X : On utilise deux proxys de la pluviométrie, les précipitations annuelles (modèle 1), et la production annuelle des céréales (modèle 2).
Les caractères "+" et "-" indiquent les changements (les sommes partielles) positifs et négatifs de nos variables d'intérêt, respectivement.

- 127 -
L’effet de la pluviométrie ne s’arrête pas qu’au niveau macro-économique, d’une manière plus
précise, au Maroc, on peut trouver d’autres canaux de transmission au niveau socio-
économique. Lorsqu’on prévoit une bonne saison pluviale, le comportement de la population
se voit en train de prospérer en optant pour la consommation d’autres biens et services
supplémentaires (relativement à la norme ou bien dans les périodes de sécheresse). Un
comportement qui ne laisse aucun doute sentir ses répercussions positives au niveau global de
l’économie, que ce soit d’une part à travers la consommation, et/ou d’autre part de
l’investissement qui va avec pour répondre aux demandes croissantes de la population. Un autre
point qui peut confirmer nos suggestions et comme cité dans les enquêtes de conjoncture auprès
des ménages réalisées par le Haut-Commissariat au Plan, on peut remarquer une corrélation
(figure 36 en annexe) entre le niveau de l'indice de confiance des ménages (ICM98) et la
pluviométrie, qui s’améliore dans les périodes avec de bonnes saisons pluviales (retardées d’une
période au maximum), et s’affaiblit dans le cas contraire. On remarque qu’en 2010, où le Maroc
a eu une campagne agricole records découlant d’un bon niveau de pluviométrie en 2008 et 2009
se rejoint à une amélioration du niveau de confiance, or, en 2016, une année marquée par la
sécheresse au niveau de cette économie, on assiste à une détérioration du niveau de confiance
de l’année suivante, indiquant que les ménages, ont vu que leur niveau de vie, réalisation des
achats de biens durables et leur situation financière a été impactée.

Par ailleurs, la rareté accrue des disponibilités hydriques dans cette économie, où le principal
acteur est lié au changement climatique, faisant que le Maroc se situe entre le seuil du stress
hydrique (1.000 m3/hab/an) et le seuil de rareté absolue (500 m3/hab/an) (figure 37 en annexe).
Cette indisponibilité peut avoir des conséquences importantes sur la production agricole (et la
sécurité alimentaire) et par ailleurs sur la croissance économique.

D’où la nécessité d’œuvrer pour des projets de grande envergure, en finalisant ceux portant sur
l’ouverture de nouveaux barrages d’eau dans quasiment toutes les régions au Maroc. Et dans
l’objectif d’opérer avec une manière efficiente, il faut mettre en place un système assurant une
allocation optimale et rationnelle de l’eau, avec une meilleure distribution selon les utilisateurs
et les consommateurs (la consommation des ménages et les systèmes productifs).

A cela se rajoute les efforts louables du pays en termes de diversification des sources de la

98
« Un indice composite mesurant la perception par les ménages de l’évolution du niveau de vie, du chômage, de
l’opportunité à effectuer des achats de biens durables et de leur situation financière. » (HCP, 2022)
- 128 -
croissance économique (comme discuté dans le chapitre précédent, chapitre 2 : section 4.2),
ainsi qu’en lançant des programmes pour atteindre un développement de la production agricole,
qui finiront par avoir des répercussions positives sur la sphère économique par le biais de la
consommation interne et des exportations agricoles. Cette dernière représente presque 14 % en
moyenne des exportations globales (entre 2000 et 2020) (figure 38 en annexe). D’où le besoin
d’une harmonisation entre les stratégies et les politiques sectorielles, pour pouvoir satisfaire la
demande extérieure sans pour autant risquer d’avoir des effets défavorables sur la demande
intérieure et la sécurité alimentaire de la société (Akesbi, 2012).

Pour ce qui concerne les variables explicatives ajoutées à nos modèles empiriques, et en
considérant l'estimation à long et à court terme du modèle N-ARDL, les résultats montrent des
similitudes avec ceux trouvés en utilisant la méthodologie ARDL en ce qui concerne l'impact
des différentes variables sur la croissance économique.

Par ailleurs, la mesure temporelle est l’une des importantes variables à prendre en considération
pour notre cas. Parfois, il faut patienter et laisser passer quelques périodes (au moins une année),
pour percevoir un retour d’investissement, que ce soit en capital humain, physique, pour
l’ouverture commerciale, l’inflation ainsi que la production céréalière sur la croissance
économique du Maroc.

3.5.3.3. L’asymétrie : Multiplicateur dynamique

Ensuite, nous avons étudié l'existence d'une relation asymétrique entre la décomposition
(positive et négative) de nos variables d’intérêt (précipitation et production de céréales) et la
croissance économique en appliquant le test de Wald, dont les résultats sont détaillés dans le
tableau 22.

Tableau 22 : Test de symétrie (Wald Test) :

Court terme Long terme

Variable d'intérêt
Chi-Sq Prob. Chi-Sq Prob.
Ln Pre - - 11.674*** 0.000
Ln PrCer 3.448* 0.063 5.995** 0.014
*, ** et *** indiquent les niveaux de signification de 10 %, 5 % et 1 %, respectivement.

- 129 -
Dans le tableau 22, l'hypothèse nulle selon laquelle les précipitations (sur le long terme) ou bien
la production des céréales (sur le court et le long terme) sont symétriques est rejetée, au niveau
de signification de 1 %, 10 % et 5 %, respectivement.

Ce qui signifie que tant à court qu'à long terme, les décompositions de nos variables sont
significativement différentes les unes des autres et soutiennent un comportement asymétrique.
Autrement dit, nos résultats (tableau 22) confirment l'existence d'une relation asymétrique entre
les précipitations annuelles et la production des céréales et la croissance dans les deux sens et
avec des niveaux différents d'effets positifs et négatifs. Une seule exception se manifeste pour
la relation asymétrique à court terme entre la pluviométrie et la croissance économique, due à
la non prise en compte des valeurs retardées des sommes partielles de la précipitation (comme
montré dans le 20) par le modèle optimal. Cela a déclenché une analyse plus approfondie pour
trouver leur impact sur la croissance.

Enfin, nous explorons le multiplicateur dynamique, montrant les effets cumulés des chocs
positifs et négatifs de nos deux variables d’intérêt sur la croissance économique. Les résultats
sont présentés sur les figures 28 et 29, respectivement.

Ces figures montrent comment la croissance économique s'ajuste à l'équilibre à long terme en
raison des changements positifs et négatifs des précipitations annuelles et de la production des
céréales.

.15

.10

.05

.00

-.05

-.10

-.15

-.20
1 3 5 7 9 11 13 15

Multiplier for LPRE(+)

Multiplier for LPRE(-)
Asymmetry Plot (with C.I.)

Figure 28 : Multiplicateur dynamique des précipitations sur la croissance économique

- 130 -
D’une part, les résultats du test de cointégration aux bornes prononcées auparavant dans le
tableau 20, confirment l'existence d’une relation de cointégration et d’un ajustement potentiel,
et par conséquent, l'examen des dernières figures permet de comprendre la validité des
asymétries présentées dans le tableau 22.

Sur les deux figures, la courbe noire (en continu) représente le choc positif, la courbe noire (en
pointillé) représente le choc négatif et la courbe rouge (en pointillé épais) représente la droite
asymétrique. L'intervalle de confiance (IC) est montré par les courbes rouges (en pointillé
épais), qui est utilisé pour déterminer le niveau de signification des chocs au niveau de 95 % à
15 horizons (années).

D'après la figure 28, l'effet des chocs positifs et négatifs cumulés des précipitations sur la
croissance économique est négatif, indiquant que l'effet d'un choc négatif des précipitations
domine l'effet d'un choc positif sur la croissance économique. Cet effet cumulatif n'est
significatif qu'après la neuvième période. Ce résultat concorde avec les coefficients à long terme
des changements positifs et négatifs des précipitations (tableau 21).

.08

.06

.04

.02

.00

-.02

-.04

-.06

-.08

-.10
1 3 5 7 9 11 13 15

Multiplier for LCERPR(+)

Multiplier for LCERPR(-)
Asymmetry Plot (with C.I.)

Figure 29 : Multiplicateur dynamique de la production des céréales sur la croissance

économique
Dans le même sens, le choc négatif domine celui positif dans le cas de la production des céréales
(figure 29). Par contre, les effets des chocs (+ et −) sont tous deux asymétriques et
statistiquement significatifs à partir de la cinquième période. Et pareillement, ce résultat est en
ligne avec les coefficients à long terme des changements positifs et négatifs de la croissance

- 131 -
économique (c'est-à-dire 0,013 % contre 0,026 %, respectivement).

Cependant, la dynamique à court terme est caractérisée par les deux chocs sur la croissance,
que ce soit pour les précipitations ou la production des céréales, mais dans tous les cas, le
déséquilibre est corrigé approximativement après neuf et cinq périodes (années),
respectivement.

- 132 -
 3.6. Robustesse ARDL et N-ARDL :
Nous examinons la robustesse des résultats présentés dans la dernière section, par la mise en
place d’une analyse supplémentaire, en utilisant le PIB agricole comme mesure alternative de
la pluviométrie. Dont nos modèles pour les deux types de modélisation (Eq 11 : ARDL,
Eq 12 : N-ARDL) sont donnés comme suit :

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67BKXYZ9!#" + A% 67EB!#" + A& 67EF!#" + A' 67B:G!#" + A( 67HIJ!#" + A) 67K7L!#"
+#" -#" /#" 0#" 1#"

+ M N* O6789:;<ℎ!#* + M P* O 67BKXYZ9!#* + M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#*

*," *,. *,. *,. *,.
(11)
2#" 3#"

+ M T* O 67HIJ!#* + M U* O 67K7L!#* + V!
*,. *,.

6789:;<ℎ! = ? + A" 6789:;<ℎ!#" + A$ 67BKXYZ9!#*

4
+ A% 67BKXYZ9!#*
#
+ A& 67EB!#" + A' 67EF!#" + A( 67B:G!#"
+#" -#" -#"

+ A) 67HIJ!#" + A5 67K7L!#" + M N* O6789:;<ℎ!#* + M P* O 67BKXYZ9!#*

4
+ M W* O 67BKXYZ9!#*
#

*," *,. *,.

(12)
/#" 0#" 1#" 2#" 3#"

+ M Q* O 67EB!#* + M R* O 67EF!#* + M S* O 67B:G!#* + M T* O 67HIJ!#* + M U* O 67K7L!#* + V!

*,. *,. *,. *,. *,.

Les résultats des estimations à long et à court terme sont présentés dans le tableau 23 (ARDL
& N-ARDL).

Tout en commençant avec la modélisation en employant un ARDL, le lien entre le PIB agricole
et la croissance économique reste positif et statistiquement significatif à long et à court terme.
Tout comme dans les résultats principaux, le capital humain et le capital physique, exercent un
effet positif et significatif, et la population a toujours un effet négatif et significatif.

Ensuite, en considérant les résultats des estimations en utilisant le Non-linéaire ARDL, sur le
long terme, on ne trouve aucun effet significatif des sommes partielles du PIB agricole sur la
croissance économique. En revanche, sur le court terme, une variation positive du PIB agricole
contribue positivement à la croissance économique, or un choc négatif du PIB agricole ne fait
que baisser la croissance économique, confirmant nos principaux résultats.

- 133 -
 Tableau 23 : Résultats des estimations ARDL & N-ARDL (court et long terme) :

Estimation à long terme Variable Dépendante : ln Growth

ARDL Non Linéaire ARDL
Variables Coefficient Std. Err Coefficient Std. Err
Ln PIB Agr 0.343*** 0.070
Ln PIB Agr (+) -0.034 0.044
Ln PIB Agr (-) -0.013 0.036
Ln CP 0.085*** 0.019 0.047 0.028
Ln CH 0.094** 0.043 0.067 0.050
Ln Pop -0.569*** 0.116 -0.356* 0.185
Ln Ouv -0.034 0.033 -0.000 0.042
Ln Inf 0.001 0.005 -0.013 0.008
Constant 7.706*** 1.815 4.911 3.072
Estimation à court terme Variable Dépendante : Δ ln Growth
Variables Coefficient Std. Err Coefficient Std. Err
Δ Ln Growth (t-1) 0.344* 0.174
Δ Ln PIB Agr 0.180*** 0.031
Δ Ln PIB Agr (t-1) 0.070* 0.039
Δ Ln PIB Agr (t-2) 0.077** 0.037
Δ Ln PIB Agr (+) 0.308*** 0.066
Δ Ln PIB Agr (+) (t-1) 0.006 0.076
Δ Ln PIB Agr (-) 0.137*** 0.047
Δ Ln PIB Agr (-) (t-1) 0.070 0.057
Δ Ln CP 0.156*** 0.037
Δ Ln CH 0.086 0.063
Δ Ln Pop -47.751*** 16.513 -42.196 25.712
- 134 -
Δ Ln Pop (t-1) 47.132 31.363 104.369 72.423
Δ Ln Pop (t-2) -11.724 15.905 -34.674 25.449
Δ Ln Ouv 0.091* 0.046 0.106* 0.056
Δ Ln Ouv (t-1) 0.065 0.039
Δ Ln Ouv (t-2) 0.051 0.036
Δ Ln Inf -0.008 0.006 -0.016 0.010
CointEq (ECM) (t-1) -1.900 0.303 -1.281*** 0.189
EC = LGrowth + 0.0347*LPIBAGR (+) +
EC = LGrowth – 0.3430*LPIBAGR - 0.0859*LCP
0.0136*LPIBAGR (-) - 0.0470*LCP - 0.0674*LCH
- 0.0946*LCH + 0.5695*POP +0.0344*LOUV -
+ 0.3569*POP + 0.0003*LOUV + 0.013*LINF -
0.0016*LINF - 7.7060
4.9117
Observation 50 50

Note :
*, ** et *** indiquent les niveaux de signification de 10 %, 5 % et 1 %, respectivement.
Les caractères "+" et "-" indiquent les changements positifs et négatifs de notre variable d'intérêt, respectivement.

- 135 -
 3.7. Tests de diagnostic des modèles – ARDL & Non
linéaire ARDL :
Conformément aux études empiriques antérieures, nous avons essayé de vérifier la validité de
nos modèles, et dans ce processus, plusieurs tests de diagnostic ont été effectués pour vérifier
et évaluer la stabilité et la fiabilité des modèles ARDL et Non linéaire ARDL.

Les tableaux 24 et 25 montrent que les différentes estimations sont validées, en générant des
statistiques avec une probabilité non significative (supérieure à 5 %). Les tests d'autocorrélation
ont confirmé l'absence d'autocorrélation des erreurs (Breusch-Godfrey Serial Correlation LM
Test) et les tests d'hétéroscédasticité ont montré que les modèles étaient exemptés du problème
d'hétéroscédasticité (Heteroskedasticity Test : Breusch-Pagan-Godfrey and ARCH). Les tests
de normalité suggèrent que les erreurs sont normalement distribuées (Jarque-Bera test). Les
tests de forme fonctionnelle de Ramsey ont confirmé que les modèles sont bien spécifiés et
considérés comme stables (Ramsey RESET Test). Par conséquent, la relation entre les variables
est donc validée.

Tableau 24 : Résultats des tests de diagnostic des modèles – ARDL :

Modèle 1 Modèle 2
Tests Chi-SQ Prob. Chi-SQ Prob.
Breusch-Godfrey Serial Correlation LM Test 4.1887 0.1231 5.6119 0.0604
Breusch-Pagan-Godfrey 24.2983 0.1849 18.2887 0.5683
Heteroskedasticity Test
ARCH 0.1649 0.6846 2.2265 0.1356
Ramsey RESET Test (Functional Form test) 0.7554 0.3905 1.4847 0.2340
Jarque-Bera test (Normality test) 3.4767 0.1758 1.3816 0.5011

Tableau 25 : Résultats des tests de diagnostic des modèles – N-ARDL :

Modèle 1 Modèle 2
Tests Chi-SQ Prob. Chi-SQ Prob.
Breusch-Godfrey Serial Correlation LM Test 2.7532 0.2524 3.0879 0.2135
Breusch-Pagan-Godfrey 25.3701 0.1487 19.4225 0.0788
Heteroskedasticity Test
ARCH 0.0498 0.8234 0.0231 0.8791
Ramsey RESET Test (Functional Form test) 4.2629 0.0495 0.6809 0.4148
Jarque-Bera test (Normality test) 1.3127 0.5178 1.2030 0.5479

- 136 -
En plus des tests diagnostiques ci-dessus, et pour tester davantage la stabilité des modèles
ARDL et N-ARDL, les tests CUSUM et CUSUM-SQ ont été employés.

L'analyse des figures 32, 33 (ARDL99), 34 et 35 (N-ARDL100) montre que les statistiques des
tests CUSUM et CUSUM-SQ se situent entre les limites critiques indiquées par des lignes de
couleur rouge à un intervalle de confiance de 5 %. Impliquant que les modèles de notre étude
sont bien stables et les résultats des modèles estimés sont fiables (la variance résiduelle est assez
stable).

99
Les figures des tests CUSUM et CUSUM-SQ pour les modèles ARDL sont présentées en annexe.
100
Les figures des tests CUSUM et CUSUM-SQ pour les modèles N-ARDL sont présentées en annexe.
- 137 -
 3.8. Conclusion :
La variabilité et le changement climatique courant ces dernières décennies ont poussé les
décideurs politiques et économiques à mettre en place des mesures (sur le long terme) afin
d’atténuer la dépendance structurelle de la croissance économique aux performances agricoles.
Dans cette étude, nous avons étudié la relation entre la pluviométrie et la croissance
économique, en employant deux proxies, à savoir, les précipitations et la production céréalière
annuelle.

Pour commencer, en employant l’approche ARDL, nous avons trouvé que les précipitations et
la production céréalière conduisent à une variation positive de la croissance économique, à la
fois à long et à court terme. Et ensuite, pour vérifier l’existence d’une relation asymétrique entre
nos variables d’intérêt et la croissance économique, nous avons opté pour l’application de
l’approche N-ARDL, nous avons constaté que sur le long terme, une variation négative des
précipitations et de la production céréalière contribue négativement à la croissance, or à court
terme, on observe un effet positif (négatif) d’une augmentation (une baisse) de la production
céréalière. Et à travers le multiplicateur dynamique, nous pouvons attester que la dynamique à
court terme est caractérisée par les deux chocs, et sur le long terme, les chocs négatifs sont plus
dominants. Nos résultats corroborent la relation positive (et négative) entre la pluviométrie (en
baisse) et la croissance économique présentée dans des études antérieures.

Nos analyses montrent la dépendance structurelle de la croissance économique du Maroc à la

pluviométrie. Il s’agit d’une situation ayant des implications importantes sur la façon dont il
faut élaborer et repenser certaines stratégies concernant les politiques de libre-échange, assurer
une sécurité alimentaire, satisfaire la demande interne et assurer une allocation optimale des
ressources hydriques. Pour aller de l'avant, et étant donné le rôle essentiel de l'agriculture dans
la croissance économique et le développement du Maroc, il serait préférable d'investir dans la
recherche et développement, pour assurer le développement de cultures résistantes à la
sécheresse, et dans des infrastructures de gestion des ressources hydriques (par exemple, les
barrages).

Nous pouvons donc conclure qu’avec une bonne pluviométrie, la croissance économique
prospère en touchant plusieurs piliers de l’économie marocaine dont le commerce international,
les investissements et la consommation interne. Par contre, de faibles niveaux de précipitations

- 138 -
nécessitent d’être considérés comme une menace et/ou un obstacle au développement et à la
stabilité économique pour ce pays101.

101
Un pays structurellement dépendant de la production agricole
- 139 -
 3.9. Annexe :
Annexe 3.1 : Description et sources des données :

Variables Description Source Abr.

PIB par habitant Le PIB par habitant est le produit intérieur brut divisé par la population en milieu World Ypt
(en $ constant de 2015) d'année. Le PIB est la somme de la valeur ajoutée brute de tous les producteurs Development
résidents d'une économie plus toutes taxes sur les produits et moins les Indicators (WDI)
subventions non incluses dans la valeur des produits. Elle est calculée sans
effectuer de déductions pour la dépréciation des biens fabriqués ou la perte de
valeur ou la dégradation des ressources naturelles. Les données sont en dollars
américains courants.

Croissance Économique ln y' − ln y'() Calcul des auteurs Growth

Capital Physique Comprend les améliorations des terres, les usines, la machinerie et les achats World CP
(Investissement : Formation d'équipement, la construction de routes, de chemins de fer, etc. y compris les Development
brute de capital fixe en % du écoles, les bureaux, les hôpitaux, les unités résidentielles privées et les édifices Indicators (WDI)
PIB) commerciaux et industriels.

Capital Humain Correspond au total des inscriptions dans l'éducation secondaire, World CH
(Taux brut d'inscription en indépendamment de l'âge, exprimé en pourcentage de la population en âge de Development
secondaire) suivre une éducation secondaire officielle. Ce taux peut dépasser 100 % en Indicators (WDI)
raison d'inclusions d'étudiants surâgés ou sous-âgés à la suite d'une scolarisation
précoce ou tardive, et de redoublements.

- 140 -
Population (Total) La population totale est basée sur la définition de facto de la population, qui World Pop
compte tous les résidents indépendamment de leur statut légal ou de leur Development
citoyenneté. Les valeurs indiquées sont des estimations à mi-année. Indicators (WDI)

Ouverture Commerciale Correspond est la somme des exportations et importations de biens et services World Ouv
(Commerce en % du PIB) mesurée en tant que pourcentage du produit intérieur brut. Development
Indicators (WDI)
Inflation (Indice des prix à la Reflète les variations du coût d'un panier de biens et services acheté par le World Inf
consommation (% annuel)) consommateur moyen. Le contenu de ce panier peut être fixe où être modifié à Development
intervalles réguliers notamment chaque année. Indicators (WDI)
Précipitations (en mm) Représente les précipitations annuelles moyennes en millimètres The Climate Change Pre
Knowledge Portal
(CCKP) (World Bank
Group (WBG))
Production de céréales Mesuré en termes de poids propre et sec des grains, de la totalité des céréales. FAOSTAT Macro PrCer
(En quintaux) The Food and Agriculture Organization of the United Nations "FAO". Indicators database
PIB Agricole (en % PIB) La valeur ajoutée du secteur Agricole mesure la production nette d'un secteur World PIBAgr
après avoir additionné tous les sortants et soustrait tous les entrants Development
intermédiaires. Qui englobe la foresterie, la chasse, la pêche ainsi que les Indicators (WDI)
cultures et la production animale.

- 141 -
 Annexe 3.2 : Sélection de l’ordre des retards :

Tableau 26 : Critères de sélection de l’ordre des retards VAR :

Modèle : Précipitation
Lag LogL LR FPE AIC SC HQ
0 187.9885 NA 9.02e-13 -7.869066 -7.590794 -7.764824
1 591.9162 667.3588 1.84e-19 -23.30070 -21.07463 -22.46677
2 721.0157 174.0037 6.55e-21 -26.78329 -22.60022 -25.21966
3 812.3879 95.34489 1.58e-21 -28.62656 -22.60359 -26.33223
4 923.3903 82.04524* 2.81e-22* -31.32132* -23.25144* -28.29829*
Modèle : Production de Céréale
Lag LogL LR FPE AIC SC HQ
0 174.5530 NA 1.62e-12 -7.284912 -7.006641 -7.180670
1 580.3750 670.4885 3.03e-19 -22.79891 -20.57274 -21.96498
2 703.5826 166.0624 1.40e-20 -26.02533 -21.85126 -24.46170
3 797.2490 97.73892 3.05e-21 -27.96735 -21.84538 -25.67402
4 925.8900 95.08242* 2.52e-22* -31.43000* -23.36012* -28.40698*
Modèle : PIB Agr
Lag LogL LR FPE AIC SC HQ
0 229.5000 NA 1.48e-13 -9677826 -9.309655 -9.573584
1 657.2800 706.6183 1.07e-20 -26.14261 -23.91644 -25.30867
2 780.1580 165.6193 5.00e-22 -29.36473 -25.18066 -27.70110
3 875.1656 99.12701 1.03e-22 -31.35459 -25.23262 -29.06126
4 999.8219 92.14468* 1.01e-23* -34.64443* -26.57456* -31.62141*
* Indique l'ordre de retards sélectionné par les critères, LR : Likelihood Ratio test statistic (chaque test au niveau de 5 %.),
FPE : Final Prediction Error, AIC : Akaike Information Criterion, SC : Schwarz Information Criterion, HQ : Hannan-Quinn Information
Criterion.

- 142 -
Annexe 3.3 : Graphe polynomial de la sélection des retards - VAR

Inverse Roots of AR Characteristic Polynomial

1.5

1.0

0.5

0.0

-0.5

-1.0

-1.5
-1 0 1

Figure 30 : Graphe polynomial - Modèle 1 :

Inverse Roots of AR Characteristic Polynomial

1.5

1.0

0.5

0.0

-0.5

-1.0

-1.5
-1 0 1

Figure 31 : Graphe polynomial - Modèle 2 :

- 143 -
Annexe 3.5 : NARDL - CUSUM & CUSUM-SQ

1.4
15
1.2
10 1.0

0.8
5
0.6
0
0.4

-5 0.2

0.0
-10
-0.2

-15 -0.4
96 98 00 02 04 06 08 10 12 14 16 18 20 96 98 00 02 04 06 08 10 12 14 16 18 20

CUSUM 5% Significance CUSUM of Squares 5% Significance

Figure 34 : Test de stabilité CUSUM et CUSUMSQ – Modèle 1 :

20 1.4

15 1.2

1.0
10
0.8
5
0.6
0
0.4
-5
0.2
-10
0.0

-15 -0.2

-20 -0.4
1985 1990 1995 2000 2005 2010 2015 2020 1985 1990 1995 2000 2005 2010 2015 2020

CUSUM 5% Significance CUSUM of Squares 5% Significance

Figure 35 : Test de stabilité CUSUM et CUSUMSQ – Modèle 2 :

- 145 -
Annexe 3.7 :

4500000 35000000
4000000
30000000
3500000
25000000
3000000
2500000 20000000

2000000 15000000
1500000
10000000
1000000
5000000
500000
0 0
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
Exportation Agricole Exportation Totale

Source : FAO (2022)

Figure 38 : Exportation Agricole et totale au Maroc (2000-2020)

- 147 -
Conclusion générale :
La croissance économique est un catalyseur de prospérité et de développement, et à plus forte
raison pour les pays émergents et en développement. Il est important de noter que la situation
économique des pays en développement peut varier considérablement en fonction de leur
géographie, de leur histoire, de leur gouvernance et de nombreux autres facteurs. Par
conséquent, les stratégies de croissance économique doivent être adaptées à chaque contexte
particulier.

L’objectif de cette thèse a été d’analyser d’une part les facteurs de la croissance économique
pour la région MENA, et d’un autre, se focaliser par la suite sur le cas du Maroc. Ce travail de
recherche se décompose en trois chapitres.

Dans le premier chapitre, nous avons étudié l’impact de la qualité des institutions sur la
croissance économique de la région MENA. Pour cela, nous avons constitué un panel
comprenant quinze pays sur une période allant de 1984 à 2016. Et ensuite, nous avons utilisé
quatre mesures de la qualité des institutions de l'ensemble de données de l’ICRG du groupe
PRS, il s’agit de la stabilité gouvernementale, le profil d’investissement, la corruption et la
responsabilité démocratique, afin d’analyser empiriquement leurs impacts sur la croissance
économique. Pour atteindre cet objectif, nous avons appliqué une méthode de régression par
quantile. Nos résultats montrent que la croissance économique de notre panel est sensible, d’une
part, à la stabilité gouvernementale pour ce qui concerne les économies ayant un taux de
croissance faible et moyen de notre échantillon, montrant que cette mesure réalise le rôle d’un
pivot qui permet la convergence des économies dans la moitié de la distribution. Et d’autre part,
au profil d’investissement pour les pays ayant une croissance inférieure ou égale à la moyenne

- 148 -
(deuxième, troisième, quatrième et cinquième quantile), dégageant que ce type de pays dont le
niveau de développement est relativement élevé, peuvent dorénavant compter sur leurs profils
d’investissement pour assurer et pérenniser le processus du développement économique.

En revanche, nous avons obtenu un résultat inattendu et contre-intuitif (selon la littérature)

concernant l’absence d’effet de la corruption sur la croissance économique de ces pays, connus
pour des niveaux élevés de corruption avec un indice de la perception de la corruption s’élevant
à 38 /100 selon l’agence internationale de transparence. Ce résultat peut être expliqué par la
rareté des données empiriques sur la corruption (Chêne & Hodess, 2007) ou par la difficulté de
mesurer et de quantifier cet indicateur (Johnston, 2001 ; Ertimi & Saeh, 2013). Nous savons
que la corruption existe, mais les témoins directs sont rares, et souvent, ceux qui ont une
connaissance directe ont intérêt à la garder secrète. On peut aussi penser que la corruption peut
ne pas avoir d’effet direct sur la croissance économique. Mais un effet indirect qu’il est difficile
de capter dans un modèle macroéconomique. D’autres canaux de transmission existent en effet.
On peut songer au capital physique et/ou humain, comme attesté par la littérature en ce sujet
(Aisen & Veiga, 2013 ; Rachdi, et al., 2018). L’inefficience du capital de manière générale
(physique et humain dans le cas du Maroc, par exemple, peut en attester).

Après avoir analysé la qualité des institutions et son impact sur la croissance économique de la
région MENA, la suite de notre thèse s’est focalisée sur le Maroc. Dans le second chapitre nous
avons tenté d’examiner le rendement de l’investissement du Maroc et opéré ainsi pour une étude
comparative avec l’investissement du Portugal et de la Turquie, des pays qui affichaient des
niveaux de richesse approximativement similaires à celui de notre pays principal, dans les
années 60 et 70. Ainsi, nous avons employé une technique récente, la MF-DFA, donnant un
moyen flexible et efficient de tester , à la fois, la corrélation à long terme ainsi que les propriétés
multifractales d’une série statistique, de surcroît, nous inculquons l’exposant de Hurst à travers
l’analyse de l’intervalle rééchelonné « Rescaled Range » pour ce qui concerne la robustesse.
Dans un premier temps, les résultats concernant le rendement de l’investissement au Maroc,
ont montré qu’une amélioration du niveau de l’investissement est synonyme d’une autre
progression ; les propriétés d’une mémoire longue montrent bel et bien la nature multifractale
de l’investissement. Autrement dit un processus persistant et explosif, où la réalisation des
investissements au Maroc, engendrent d’autres investissements par la suite. Les mêmes
résultats ont été recensés pour le cas du Portugal et de la Turquie, avec un rendement
d’investissement plus important que celui du Maroc. Il n’en demeure pas moins que les

- 149 -
investissements dans les différents pays étudiés sont déterminés par plusieurs facteurs, leurs
rendements sont efficients, mais à des niveaux différents d’un pays à l’autre. Des conclusions
confirmées par l’étude de robustesse en analysant l’exposant de Hurst. Dans un second temps,
et afin d’approfondir la compréhension de ces résultats, nous avons investigué la source de
multifractalité de l’investissement pour le cas du Maroc, à travers l’application des méthodes
« Shuffled » et « Surrogate ». Notre résultat démontre que la dépendance de corrélation à long
terme, c’est-à-dire l’effet de mémoire à long terme constitue la source de multifractalité de
l’investissement au Maroc. Témoignant des efforts louables en termes d’investissement dans le
capital physique pour le cas du Maroc, mais qui nous laisse perplexes, concernant la nature de
la dynamique d’investissement dans le pays compte tenu des faiblesses de la croissance dans
ce pays.

Dans le dernier chapitre, nous avons examiné l’impact de la pluviométrie sur la croissance
économique marocaine entre 1966 et 2020, en utilisant, tout d’abord le cadre d’analyse ARDL
proposé par Pesaran et al. (2001), et ensuite, dans l’objectif de vérifier l’effet asymétrique des
mesures de la pluviométrie, un modèle Non linéaire autorégressif à retards échelonnés
développé par Shin et al. (2014), dans la finalité d’approfondir notre analyse de cette relation.
Nos résultats mettent en évidence l’effet significatif des précipitations et de la production
céréalière sur la croissance économique du Maroc. Avant tout, nous confirmons la présence
d’une convergence à long terme sur la totalité de nos modèles. Par la suite, les résultats du
modèle linéaire montrent l’effet positif joué par les deux mesures du climat sur la croissance
économique. Et ultérieurement, à travers le modèle non linéaire opérant par le biais de la
décomposition des sommes partielles (positive et négative) de nos deux mesures, il en ressort
que toute augmentation (ou baisse) des niveaux de précipitation et de la production de céréales
participe d’une manière bénéfique (défavorable) à la croissance économique dans ce pays. De
plus, nous sommes arrivés au constat que les décompositions soutiennent un comportement
asymétrique, avec une dominance de l’impact négatif en termes d’ampleur, sur le court terme
comme sur le long terme. En somme, les résultats recensés nous ont permis, d’un côté, d’avoir
des estimations plus significatives en utilisant la production des céréales comme mesure de la
pluviométrie au lieu des précipitations annuelles. Et d’un autre côté, nous confirmons la
dépendance structurelle de la croissance économique des performances du secteur agricole au
fil des années.

- 150 -
Dans l’ensemble, nos résultats empiriques peuvent avoir plusieurs implications politiques et
économiques. Concernant les pays MENA, et sur le long terme, une réformation et une
modernisation progressive de leurs institutions s’imposent, afin de parvenir à un développement
économique élevé. Pour cela, il faut mettre en œuvre une combinaison de politiques sociales et
économiques visant à lutter contre la corruption qui peut, à son tour, créer un environnement
propice au fonctionnement des institutions économiques, améliorer efficacement les institutions
et stimuler le développement économique. Avoir un système judiciaire efficace et indépendant,
permettant, sans nul doute, d’ordonner de fortes contraintes institutionnelles pour contrôler et
équilibrer la structure des différentes classes sociales. Même si le processus d’installation de
nouvelles réformes institutionnelles peut être difficile à mettre en œuvre et nécessite un
engagement à long terme, ses avantages économiques à long terme peuvent être très bénéfiques.
De plus, au-delà de ces recommandations inhérentes au système politique et économique, la
qualité de ces derniers prend la forme d’un levier d’attractivité et de sécurité pour les différents
acteurs économiques.

Au-delà du cadre traité dans le cas des pays MENA, les résultats du second et du troisième
chapitre de cette thèse permettent de dégager un certain nombre de recommandations pour
stimuler et développer la croissance économique au Maroc. Pour commencer, si
l’investissement est efficient au Maroc, même s’il l’est moins par rapport aux autres pays que
nous avons inclus dans notre analyse, il n’en demeure pas moins qu’il manque un chaînon pour
que cet effort d’investissement se transmette à la croissance économique de ce pays. Cet état
de fait n’est pas nouveau. Il faudrait sûrement une rupture institutionnelle pour briser cette
allocation non optimale des facteurs de production, en l’occurrence, il s’agit ici du capital. On
peut d’ailleurs dire autant pour le facteur travail, où le secteur informel est omniprésent. Et que
dire du capital humain qui se caractérise par son inefficience légendaire. Tous ces handicaps
bien discutés dans la littérature économique nous font dire que la croissance économique
marocaine n’est pas maîtrisée. Certes on a parlé d’intrigues concernant cette croissance, mais
si l’on considère tous ces maux, bien identifiés, il n’y a pas à vrai dire d’intrigues à proprement
parler. Peut-être faut-il voir dans l’intrigue la surréaction de la croissance marocaine à la
pluviométrie alors que la part du secteur agricole dans la richesse nationale (14 % bon an mal
an) est relativement faible et incroyablement stable.

On peut lister toutes les réformes institutionnelles (éducation, justice, politique…) que le
gouvernement doit mettre en place pour aboutir à une allocation optimale des ressources, mais

- 151 -
ce travail a été déjà effectué depuis bien longtemps par les chercheurs de tout bord, par les
institutions nationales spécialisées, par les institutions internationales (FMI, Banque mondiale
pour ne citer que les plus connues). Le problème est politique et n’est pas inhérent au Maroc,
mais concerne tous les pays qui n’arrivent pas à mettre en place une politique économique
inclusive, durable et égalitaire.

Malgré les contributions dénombrées dans l’introduction générale, et comme dans toute étude
scientifique, notre recherche peut prêter le flanc à des critiques et limites. En effet, dans le
premier chapitre, la période d’estimation reste limitée, faute de disponibilité de données. Dans
les chapitres 2 et 3, nous avons essayé de pallier cette faiblesse concernant les données en
essayant d’utiliser des méthodes économétriques très fines.

Nous suggérons quelques voies de recherche à entreprendre et qui permettront d’affiner,

approfondir et améliorer les travaux menés dans ce travail de recherche. En raison de
l’hétérogénéité relative entre les pays la région MENA, compte tenu des différences des
régimes politiques, ses sources de revenus, des ressources humaines, des niveaux de réserve en
matière d’énergie fossile et du développement des sources d’énergies renouvelables, etc., il
serait nécessaire et pertinent d’effectuer des études empiriques sur des sous-groupes de ce
panel, voire même pour chaque pays de la région d’une manière indépendante, dans une large
mesure. Une analyse qui permettra d’obtenir des résultats propres à chaque économie pour en
tirer des recommandations potentielles et efficientes.

Pour le cas du Maroc, et vu la dépendance structurelle de la croissance économique à la

pluviométrie, avec plus d’ampleur dans les moments de baisse que celle relative aux hausses,
annoncée et confirmée par notre analyse, cette étude ouvre d’autres débats tout aussi pertinents
qui n’ont pas été abordés. On peut penser, à titre d’exemple, à l’analyse empirique traçant la
relation entre la croissance économique et la pluviométrie en introduisant les sentiments et les
perceptions des ménages comme canal de transmission entre les deux. Mais pour pouvoir
réaliser de telles analyses et répondre à ces différentes questions, il est fondamental d’effectuer
des enquêtes de terrain à l’échelle du territoire Marocain.

- 152 -
Bibliographie :
Abbad, T., 2017. Accumulation du capital et gains de productivité au Maroc, Rabat: OCP
Policy Center.

Abdelbary, I. & Benhin, J., 2018. Governance, capital and economic growth in the Arab
Region. The Quarterly Review of Economics and Finance .

Abidoye, B. & Odusola, A. F., 2015. Climate change and economic growth in Africa: an
econometric analysis. Journal of African Economies, 24(2), pp. 277-301.

Abu-Qarn, A. S. & Abu-Bader, S., 2007. Sources of Growth Revisited: Evidence from Selected
MENA Countries. World Development , Mars, 35(5), p. 752–771.

Acemoglu, D., 2008. Introduction to modern economic growth. New Jersey: Princeton
university press.

Acemoglu, D., Johnson, S. & Robinson, J. A., 2005. Institutions as a fundamental cause of
long-run growth. Handbook of economic growth, Volume 1, pp. 385-472.

Acemoglu, D. & Robinson, J., 2008. The role of institutions in growth and development.
Washington DC: World Bank.

Acemoglu, D. & Robinson, J., 2010. The role of institutions in growth and development.
Leadership and growth, Volume 135.

Ahuja, A. & Nabar, M., 2012. Investment-led growth in China: Global spillovers. IMF Working
Paper WP/12/267: International Monetary Fund.

Aisen, A. & Veiga, F. J., 2013. How does political instability affect economic growth ?.
European Journal of Political Economy, Volume 29, pp. 151-167.

Aixalá, J. & Gema, F., 2008. Does the impact of institutional quality on economic growth
depend on initial income level?. Economic Affairs, 28(3), pp. : 45-49.

Akaike, H., 1974. A new look at the statistical model identification. IEEE transactions on
automatic control, 19(6), pp. 716-723.

Akesbi, N., 2012. Une nouvelle stratégie pour l’agriculture marocaine: Plan Maroc Vert.. New
Medit : Mediterranean Journal of Economics, Agriculture and Environment, 11(2), pp. 12-21.

Alami, R. M., 2014. Le secteur informel au Maroc. Rabat: Presses Economiques du Maroc.

- 153 -
Ali, S., 2012. Climate Change and Economic Growth in a Rain-Fed Economy: How Much Does
Rainfall Variability Cost Ethiopia?. Ethiopian Economic Policy Research Institute (EEA), p.
38.

Ali, S. et al., 2019. Analysis of the nexus of CO2 emissions, economic growth, land under cereal
crops and agriculture value-added in Pakistan using an ARDL approach. Energies, 12(23).

Amare, M., Jensen, N. D., Shiferaw, B. & Cissé, J. D. C., 2018. Rainfall shocks and agricultural
productivity: Implication for rural household consumption. Agricultural systems, Volume 166,
pp. 79-89.

Andreano, M. S., Laureti, L. & Postiglione, P., 2013. Economic growth in MENA countries: Is
there convergence of per-capita GDPs?. Journal of Policy Modeling, 35(4), pp. 669-683.

Anwer, M. M., Farooqi, S. & Qureshi, Y., 2015. Agriculture sector performance: An analysis
through the role of agriculture sector share in GDP. Journal of Agricultural Economics,
Extension and Rural Development, Avril, 3 (3), pp. 270-275.

Apergis, N. & Payne, J. E., 2014. The oil curse, institutional quality, and growth in MENA
countries: Evidence from time-varying cointegration. Energy Economics, Volume 46, pp. 1-9.

Arellano, M. & Bond, S., 1991. Some tests of specification for panel data: Monte Carlo
evidence and an application to employment equations. The review of economic studies, 58(2),
pp. 277-297.

Arellano, M. & Bover, O., 1995. Another look at the instrumental variable estimation of error-
components models. Journal of econometrics, 68(1), pp. 29-51.

Asongu, S. & Kodila-Tedika, O., 2015. On the empirics of institutions and quality of growth:
evidence for developing countries. African Governance and Development Institute, 15(41).

Ayinde, O. E., Muchie, M. & Olatunji, G. B., 2011. Effect of climate change on agricultural
productivity in Nigeria: a co-integration model approach. Journal of Human Ecology, 35(3),
pp. 189-194.

Azzam, A. & Sekkat, K., 2005. Measuring total-factor agricultural productivity under drought
conditions : The case of Morocco,. The Journal of North African Studies,, 10(1), pp. 19-31.

Baharumshah, A. Z., Slesman, L. & Wohar, M. E., 2016. Inflation, inflation uncertainty, and
economic growth in emerging and developing countries: Panel data evidence. Economic
Systems, 40(4), pp. 638-657.

BankAlMaghrib, 2022. Rapport sur la politique monétaire, Rabat: BANK AL-MAGHRIB

Administration Centrale.

- 154 -
Banque Mondiale, 2022. Un nouvel état d’esprit : Plus de transparence et de responsabilité
dans la région Moyen-Orient et Afrique du Nord, Washington, DC: World Bank.

Barrios, S., Bertinelli, L. & Strobl, E., 2010. Trends in rainfall and economic growth in Africa:
A neglected cause of the African growth tragedy. The Review of Economics and Statistics, 92
(2 ), pp. 350-366.

Barro, R. J., 1991. Economic Growth in a Cross Section of Countries. The Quarterly Journal
of Economics, May, 106(2), pp. 407-443.

Barro, R. J., 2001. Human Capital and Growth. The American Economic Review, Mai, 91(2),
pp. 12-17.

Barro, R. J. & Lee, J. W., 1996. International measures of schooling years and schooling
quality. The American Economic Review, 86(2), pp. 218-223.

Benbachir, S. & Alaoui, M. H., 2011. A multifractal detrended fluctuation analysis of the
Moroccan Dirham with respect to the US dollar. International Economics & Finance Journal,
6(2), pp. 287-300.

Benhabib, J. & Spiegel, M. M., 1994. The role of human capital in economic development
Evidence from aggregate cross-country data. Journal of Monetary Economics, 34(2), pp. 143-
173.

Berger, R., 2018. L’économie informelle : impacts sur la compétitivité des entreprises et
propositions de mesures d’intégration, Casablanca: Confédération générale des entreprises du
Maroc (CGEM).

Berkmen, S. P., Gelos, G., Rennhack, R. & Walsh, J. P., 2012. The global financial crisis:
Explaining cross-country differences in the output impact. Journal of International Money and
Finance , 31(1), pp. 42-59.

Berlemann, M. & Wenzel, D., 2018. Precipitation and economic growth. CESifo Working
Paper, Energy and Climate Economics, Volume 7258, pp. 1-52.

Berthelier, P. & Lipchitz, A., 2005. Quel rôle joue l'agriculture dans la croissance et le
développement ?. Revue Tiers Monde, 183(3), pp. 603-624.

Berument, M. H., Ceylan, N. B. & Dogan, N., 2010. The impact of oil price shocks on the
economic growth of selected MENA1 countries. The Energy Journal, 31(1), pp. 149-176.

- 155 -
Binder, M. & Coad, A., 2011. From Average Joe's happiness to Miserable Jane and Cheerful
John: using quantile regressions to analyze the full subjective well-being distribution. Journal
of Economic Behavior & Organization, 79(3), pp. 275-290.

Blinder, A. S., 2010. Quantitative easing: entrance and exit strategies. Federal Reserve Bank of
St. Louis Review, 92(6), pp. 465-479.

Blundell, R. & Bond, S., 1998. Initial conditions and moment restrictions in dynamic panel data
models. Journal of econometrics, 87(1), pp. 115-143.

Borensztein, E., De Gregorio, J. & Lee, J.-W., 1998. How does foreign direct investment affect
economic growth?. Journal of International Economics, Janvier, 45(1), p. 115–135.

Bosworth, B. & Collins, S. M., 2003. The empirics of growth: An update. Brookings papers on
economic activity, 2003(2), pp. 113-206.

Bouoiyour, J. & Bennaghmouch, S., 2002. Human Capital and Economic Growth in Morocco.
Munich Personal RePEc Archive (MPRA), Septembre.Volume 29163.

Bouoiyour, J. & Hanchane, S., 2008. Professional training and economic growth : What
interactions in Morocco and Tunisia. Munich Personal RePEc Archive (MPRA), Aout.Volume
38222.

Bouoiyour, J., Selmi, R. & Wohar, M. E., 2018. Are Islamic stock markets efficient? A
multifractal detrended fluctuation analysis. Finance Research Letters, Volume 26, pp. 100-105.

Brou, J.-C. K. & Bouoiyour, J., 2023. South Africa's Public Debt. Journal of Economic
Integration, 38(4), pp. 670-697.

Brown, C., Meeks, R., Ghile, Y. & Hunu, K., 2013. Is water security necessary? An empirical
analysis of the effects of climate hazards on national-level economic growth. Philosophical
Transactions of the Royal Society A: Mathematical, Physical and Engineer, 371(2002), pp. 1-
18.

Brown, C., Robyn, M., Kenneth, H. & Winston, Y., 2011. Hydroclimate risk to economic
growth in sub-Saharan Africa. Climatic Change, 106(4), p. 621–647.

Brown, R. L., Durbin, J. & Evans, J. M., 1975. Techniques for testing the constancy of
regression relationships over time. Journal of the Royal Statistical Society: Series B
(Methodological), 37(2), pp. 149-163.

Carbone, A., Castelli, G. & Stanley, H. E., 2004. Time-dependent Hurst exponent in financial
time series. Physica A: Statistical Mechanics and its Applications, 344(1-2), pp. 267-271.

- 156 -
Cartinescu, N., Leon-Ledesma, M. & Quillin, B., 2009. Remittances, Institutions, and
Economic Growth. The World Development, 37(1), p. 81–92.

Chandrasekaran, S. et al., 2019. An investigation on the relationship between the Hurst

exponent and the predictability of a rainfall time series. Meteorological Applications, 26(3), pp.
511-519.

Charmes, J., 2001. Flexibilité du travail, pluralité des normes, accumulation du capital
économique et du capital social. Paris, Karthala: Inégalités et politiques publiques en Afrique:
pluralités des normes et jeux d'acteurs. In Winter Gérard.

Chen, B. & Feng, Y., 2000. Determinants of economic growth in China: Private enterprise,
education, and openness. China Economic Review, 11(1), pp. 1-15.

Chêne, M. & Hodess, R., 2007. Overview of corruption in MENA countries. Transperancy
International & Anti Corruption Research Center, pp. 1-8.

Choudhry, M. T., Marelli, E. & Signorelli, M., 2012. Youth unemployment rate and impact of
financial crises. International journal of manpower , 33(1), pp. 76-95.

CNUCED & CCI, 2010. Guide de l'investissement au Maroc : Opportunités et conditions, New
York et Genève: Nations Unies.

Collier, P. & Gunning, J. W., 1999. Why has Africa grown slowly?. Journal of economic
perspectives, 13(3), pp. 3-22.

Dabla-Norris, et al., 2018. Size Dependent Policies, Informality, and Misallocation,

Washington, DC: International Monetary Fund.

Dalila, N.-C. & Eric, R., 2016. Is Middle East and North Africa different? A comparative
analysis of growth and structural change in and outside MENA. Middle East Development
Journal, 8(2), pp. 177-197.

De Gregorio, J., 1992. Economic growth in Latin America. Journal of Development Economics,
Janvier, 39(1), pp. 59-84.

De Soto, H., 1994. L’autre sentier : la révolution informelle dans le tiers monde. Paris: La
Découverte.

Dell, M., Jones, B. F. & Olken, B. A., 2012. Temperature shocks and economic growth:
Evidence from the last half century. American Economic Journal: Macroeconomics, 4(3), pp.
66-95.

- 157 -
Dell, M., Jones, B. F. & Olken, B. A., 2014. What do we learn from the weather? The new
climate-economy literature. Journal of Economic Literature, 5(23), pp. 740-98.

Dercon, S. & Christiaensen, L., 2011. Consumption risk, technology adoption and poverty
traps: Evidence from Ethiopia. Journal of development economics, 96(2), pp. 159-173.

Dias, J. & Tebaldi, E., 2012. Institutions, human capital, and growth: The institutional
mechanism.. Structural Change and Economic Dynamics, 23(3), pp. 300-312.

Dickey, D. A. & Fuller, W. A., 1979. Distribution of the estimators for autoregressive time
series with a unit root. Journal of the American statistical association, 74(366a), pp. 427-431.

Dickey, D. A. & Fuller, W. A., 1981. Likelihood ratio statistics for autoregressive time series
with a unit root. Econometrica: journal of the Econometric Society, pp. 1057-1072.

Docquier, F., Müller, T. & Naval, J., 2017. Informality and long‐run growth. The Scandinavian
Journal of Economics, 119(4), pp. 1040-1085.

Doucouliagos, H. & Ulubaşoğlu, M. A., 2008. Democracy and economic growth: a meta‐
analysis. American Journal of Political Science, 52(1), pp. 61-83.

El Mesbahi, K., 2017. L'économie politique du Maroc : entre croissance, confiance et défiance.
Revue Marocaine des sciences politiques et sociales, Avril, Volume 14, pp. 113-135.

Erkens, D. H., Hung, M. & Matos, P., 2012. Corporate governance in the 2007–2008 financial
crisis: Evidence from financial institutions worldwide. Journal of corporate finance, 18(2), pp.
389-411.

Ertimi, B. E. & Saeh, M. A., 2013. The impact of corruption on some aspects of the economy.
International Journal of Economics and Finance , 5(8), pp. 1-8.

Fayissa, B. & Nsiah, C., 2013. The impact of governance on economic growth in Africa. The
Journal of Developing Areas, 47(1), pp. 91-108.

Flachaire, E., García-Peñalosa, C. & Konte, M., 2014. Political versus economic institutions in
the growth process. Journal of Comparative Economics, 42(1), pp. 212-229.

Fleisher, B., Li, H. & Zhao, M. Q., 2010. Human capital, economic growth, and regional
inequality in China. Journal of Development Economics, 92(2), pp. 215-231.

Fond Monétaire Internationale, 2017. IMF Country Report No. 17/36 : Report for the 2016
Article IV consultation, Washington, D.C.: International Monetary Fund .

- 158 -
Frankel, J. A. & Romer, D., 1999. Does trade cause growth ?. American Economic Review,
89(3), p. 379–399.

Fratzscher, M., Lo Duca, M. & Straub, R., 2018. On the International Spillovers of US
Quantitative Easing. The Economic Journal, Fevrier, 128(608), p. 330–377.

Frimpong, J. M. & Oteng-Abayie, E. F., 2006. Bounds testing approach: an examination of

foreign direct investment, trade, and growth relationships. American Journal of Applied
Sciences, 3(11), p. 2079–2085.

Geweke, J. & Porter-Hudak, S., 1983. The estimation and application of long memory time
series models. Journal of time series analysis, 4(4), pp. 221-238.

Goode, R. B., 1959. Adding to the stock of physical and human capital. The American
Economic Review, 49(2), pp. 147-155.

Gutiérrez, G. & Philippon, T., 2016. Investment-less growth: An empirical investigation.

National Bureau of Economic Research, 22897.

Hakimi, A. & Hamdi, H., 2017. Does corruption limit FDI and economic growth? Evidence
from MENA countries. International Journal of Emerging Markets, 12(3), pp. 550-571.

Hakura, D., 2004. Growth in the Middle east and North Africa. International Monetary Fund,
IMF Working Paper No 04/56.

Haut-Commissariat au Plan, la Banque mondiale, 2017. Le marché du travail au Maroc : Défis

et Opportunités, Rabat: HCP & WB.

Haut-Commissariat au Plan, 2014. Enquete nationale sur le secteur informel 2013/2014, Rabat:
HCP.

Haut-Commissariat au Plan, 2020. Activite, Emploi, Chomage - Premiers résultats, Rabat:

HCP.

Helleiner, E., 2011. Understanding the 2007–2008 global financial crisis: Lessons for scholars
of international political economy. Annual review of political science , Volume 14, pp. 67-87.

Henseler, M. & Schmacher, I., 2019. The impact of weather on economic growth and its
production factors. Climatic change, 154(3), pp. 417-433.

Hurst, E. H., 1951. Long-term storage capacity of reservoirs. Transactions of the American
Society of Civil Engineers, 116(1), pp. 770-799.

- 159 -
Hurst, H. E., Black, R. P. & Simaika, Y. M., 1965. Long-term storage: an experimental study.
Constable & Co. Ltd., Volume 33.

International Finance Corporation, 2019. Créer des marchés au Maroc : une deuxieme
generation de réformes : stimuler la croissance du secteur privé, la creation d'emplois et
l'amelioration des compétences, Washington, D.C: World Bank Group.

Iqbal, N. & Daly, V., 2014. Rent seeking opportunities and economic growth in transitional
economies. Economic Modelling, Volume 37, pp. 16-22.

Iqbal, N., Din, M. & Ghani, E., 2012. Fiscal decentralisation and economic growth: role of
democratic institutions. The Pakistan Development Review, 51(3), pp. 173-195.

Islam, M. M., Alharthi, M. & Murad, M. W., 2021. The effects of carbon emissions, rainfall,
temperature, inflation, population, and unemployment on economic growth in Saudi Arabia:
An ARDL investigation. Plos one, 16(4).

Jean- Harbouze, R., Pellissier, P., Rolland, J.-P. & Khechimi, W., 2019. Rapport de synthèse
sur l’agriculture au Maroc, CIHEAM-IAMM.

Jean, S., 2021. Vue d’ensemble: avec la Covid, en attendant l’après. Centre d'études
prospectives et d'informations internationales (CEPII).

Johnston, B. F. & Mellor, J. W., 1961. The role of agriculture in economic development.
American Economic Review, 51(4), pp. 566-593.

Johnston, M., 2001. Measuring corruption: numbers versus knowledge versus understanding.
The Political Economy of Corruption, pp. 157-179.

Jones, C. I., 1995. R and D-Based Models of Economic Growth. The Journal of Political
Economy, 103(4), pp. 759-784.

Jun, Z., 2003. Investment, investment efficiency, and economic growth in China. Journal of
Asian Economics, 14(5), pp. 713-734.

Kantelhardt, J. W. et al., 2003. of river runoff and precipitation: comparison of fluctuation

analysis and wavelet methods. Physica A 330 (12) (2003) 240–245.

Kantelhardt, J. et al., 2002. Multifractal detrended fluctuation analysis of nonstationary time

series. Physica A : Statistical Mechanics and its Applications, 316 (1-4), pp. 87-114.

- 160 -
Karmakar, S., Goswami, S. & Chattopadhyay, S., 2019. Exploring the pre-and summer-
monsoon surface air temperature over eastern India using Shannon entropy and temporal Hurst
exponents through rescaled range analysis. Atmospheric Research, Volume 217, pp. 57-62.

Karras, G., 2003. Trade openness and economic growth: Can we estimate the precise effect?.
Applied Econometrics and International Development, 3(1), p. 7–24.

Kashyap, R. L. & Eom, K., 1988. Estimation in long‐memory time series model. Journal of
Time Series Analysis, 9(1), pp. 35-41.

Khan, M. S. & Kumar, M. S., 1997. Public and private investment and the growth process in
developing countries. Oxford bulletin of economics and statistics, 59(1), pp. 69-88.

Koenker, R. & Basset, G., 1978. Asymptotic theory of least absolute error regression. Journal
of the American Statistical Association, 73(363), pp. 618-622.

Koenker, R. & Hallock, K. F., 2001. Quantile regression. Journal of economic perspectives ,
15(4), pp. 143-156.

Koopmans, T. C., 1963. On the concept of optimal economic growth. Yale University Cowles
Foundation, Issue 163.

Krueger, A. O., 1978. Liberalization, direction of bias, and economic growth. Liberalization
attempts and consequences (NBER), pp. 277-300.

Kutan, A. M., Samargandi, N. & Sohag, K., 2017. Does institutional quality matter for financial
development and growth ? Further evidence from MENA countries. Australian Economic
Papers, 56(3), pp. 228-248.

Lahlou, K., Doghmi, H. & Schneider, F., 2020. The Size and Development of the Shadow
Economy in Morocco, Rabat: Bank-Al-Maghrib.

Lanzafame, M., 2014. Temperature, rainfall and economic growth in Africa. Empirical
Economics, 46(1), pp. 1-18.

Lionboui, H., Benabdelouahab, T., Hasib, A. & Boulli, A., 2016. Analysis of farms
performance using different sources of irrigation water: a case study in a semi-arid area.
International Journal Of Agricultural Managment and Development(IJAMAD), 6(2), pp. 145-
154.

Loayza, N., 2018. Informality: why is it so widespread and how can it be reduced ?. World
Bank Research and Policy Briefs, Issue 133110.

- 161 -
Louali, A., 2019. Le secteur agricole marocain : Tendances structurelles, enjeux et perspectives
de développement, Rabat: Ministère de l'Économie et des Finances.

Lucas, R. J. E., 1988. On the Mechanics of Economic Development. Journal of Monetary

Economics, 22(1), pp. 3-42.

Mackay, A., 2008. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution
of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change (IPCC). Journal of Environmental Quality, 37(6), p. 2407.

Magadza, C. H., 1996. Climate Change: Some Likely Multiple Impacts in Southern Africa.
Climate Change and World Food Security, pp. 449-483.

Maital, S. & Barzani, E., 2020. The global economic impact of COVID-19: A summary of
research. Samuel Neaman Institute for National Policy Research, pp. 1-12.

Makdisi, S., Fattah, Z. & Limam, I., 2006. Determinants of Growth in the MENA Countries.
Explaining growth in the Middle East, pp. 32-60.

Mandelbrot, B. & Wallis, J., 1969. Some long‐run properties of geophysical records. Water
resources research, 5(2), pp. 321-340.

Mankiw, N. G., Romer, D. & Weil, D. N., 1992. A contribution to the empirics of economic
growth. The quarterly journal of economics, 107(2), pp. 407-437.

Martins, P. S. & Pereira, P. T., 2004. Does education reduce wage inequality? Quantile
regression evidence from 16 countries. Labour economics, 11(3), pp. 355-371.

Matia, K., Ashkenazy, Y. & Stanley, H. E., 2003. Multifractal properties of price fluctuations
of stocks and commodities. Europhysics letters , 61(3), p. 422.

Mauro, P., 1995. Corruption and growth. The quarterly journal of economics, 110(3), pp. 681-
712.

Medina, L. & Schneider, F., 2018. Shadow economies around the world: what did we learn
over the last 20 years ?. International Monetary Fund, Issue IMF Working Paper no. WP/18/17.

Meligkotsidou, L., Vontos, I. D. & Vrontos, S. D., 2009. Quantile regression analysis of hedge
fund strategies. Journal of Empirical Finance, 16(2), pp. 264-279.

Melly, B., 2005. Public-private sector wage differentials in Germany: Evidence from quantile
regression. Empirical Economics, 30(2), pp. 505-520.

- 162 -
Mensi, W., Tiwari, A. K. & Yoon, S.-M., 2017. Global financial crisis and weak-form
efficiency of Islamic sectoral stock markets: An MF-DFA analysis. Physica A : Statistical
Mechanics and its Applications, Volume 471, p. 135–146.
Mougou, R. et al., 2011. Climate change and agricultural vulnerability: a case study of rain-fed
wheat in Kairouan, Central Tunisia. Regional Environmental Change, 11(1), pp. 137-142.

Mouline, M. T., 2012. Leviers de renforcement du potentiel de la croissance de l’économie

marocaine, Paris: L’institut royal des études stratégiques (IRES).

Mundlak, Y., 2005. Economic growth: lessons from two centuries of American agriculture.
Journal of economic literature, 43(4), pp. 989-1024.

Nations Unies, Mars, 2012. Report on the World Social Situation 2011 : The Great Recession
and the jobs crisis. New York: United Nations.

Nawaz, S., 2015. Growth effects of institutions: A disaggregated analysis. Economic

Modelling, Volume 45, pp. 118-126.

Ncube, M., Anyanwu, J. C. & Hausken, K., 2014. Inequality, economic growth and poverty in
the Middle East and North Africa (MENA). African Development Review , 26(3), pp. 435-453.

Nicholson, S. E., 1994. Recent rainfall fluctuations in Africa and their relationship to past
conditions over the continent. The Holocene, 4(2), pp. 121-131.

Nonneman, W. & Vanhoudt, P., 1996. A Further Augmentation of the Solow Model and the
Empirics of Economic Growth for OECD Countries. The Quarterly Journal of Economics,
Aout, 111(3), pp. 943-953.

Odedokun, M. O., 1997. Relative effects of public versus private investment spending on
economic efficiency and growth in developing countries. Applied Economics, 29(10), pp. 1325-
1336.

O’Connell, S. A. & Ndulu, B. J., 2000. Africa’s Growth Experience. African Economic
Research Consortium/Harvard growth project.

Okada, K. & Samreth, S., 2012. The effect of foreign aid on corruption: A quantile regression
approach. Economics Letters, 115(2), pp. 240-243.

Okoh, A. S. & Ebi, B. O., 2013. Infrastructure investment, institutional quality, and economic
growth in Nigeria: An interactive approach. European Journal of Humanities and Social
Sciences, 26(1), pp. 1343-1358.

- 163 -
O'toole, C. M. & Tarp, F., 2014. Corruption and the efficiency of capital investment in
developing countries. Journal of International Development, 26(5), pp. 567-597.

Partow, Z. & Malouche, M., 2019. Diagnostic du Secteur Privé, Washington, D.C: The World
Bank Group.

Perry, G. et al., 2007. Informality: Exit and Exclusion. Washington D.C: World Bank : Latin
America and Caribbean Studies.

Pesaran, M. H. & Shin, Y., 1999. An autoregressive distributed lag modelling approach to
cointegration analysis. Department of Applied Economics, p. 371–413.

Pesaran, M. H., Shin, Y. & Smith, J. R., 2001. Bounds testing approaches to the analysis of
level relationships. Journal of applied econometrics, 16(3), pp. 289-326.

Phillips, P. C. & Perron, P., 1988. Testing for a unit root in time series regression. Biometrika,
75(2), p. 335–346.

Pindyck, R. S., 2011. Fat tails, thin tails, and climate change policy.. Review of Environmental
Economics and Policy, 5(2), pp. 258-274.

Rachdi, H., Hakimi, A. & Hamdi, H., 2018. Liberalization, crisis and growth in MENA region:
Do institutions matter?. Journal of Policy Modeling, 40(4), pp. 810-826.

Rachdi, H. & Saidi, H., 2015. Democracy and economic growth: Evidence in MENA countries.
Procedia-Social and Behavioral Sciences, Volume 191, pp. 616-621.

Rangarajan, G. & Sant, D. A., 2004. Fractal dimensional analysis of Indian climatic dynamics.
Chaos, Solitons & Fractals, 19(2), pp. 285-291.

Rao, A. R. & Bhattacharya, D., 1997. Memory in hydrologic time series, Environmental and
Hydraulic Engineering.

Rao, A. R. & Bhattacharya, D., 1999. Comparison of Hurst exponent estimates in

hydrometeorological time series. Journal of Hydrologic Engineering, 4(3), pp. 225-231.

Richardson, C. J., 2007. How much did droughts matter? Linking rainfall and GDP growth in
Zimbabwe. African Affairs, 106(424), pp. 463-478.

Romer, P. M., 1990. Endogenous technological change. Journal of political Economy, 98(5
(2)), pp. 71-102.

- 164 -
Sadiki, M., 2017. La rareté de l’eau : défis et opportunités -cas du secteur agricole au Maroc-
. Rome, Italie, Séminaire « rareté de l’eau : défis et opportunités ».

Sangkhaphan, S. & Shu, Y., 2020. The Effect of Rainfall on Economic Growth in Thailand: A
Blessing for Poor Provinces. Economies, 8(1), pp. 1-17.

Schilling, J., Freier, K. P., Hertig, E. & Scheffran, J., 2012. Climate change, vulnerability and
adaptation in North Africa with focus on Morocco. Agriculture, Ecosystems & Environment,
Volume 156, pp. 12-26.

Schultz, T. W., 1961. Investment in human capital. The American economic review , 51(1), pp.
1-17.

Schwarz, G., 1978. Estimating the Dimension of a Model. The Annals of Statistics, Mars, 6(2),
pp. 461-464.

Sekrafi, H. & Sghaier, A., 2018. Examining the relationship between corruption, economic
growth, environmental degradation, and energy consumption: a panel analysis in MENA
region. Journal of the Knowledge Economy, 9(3), pp. 963-979.

Sequeira, T. N., Santos, M. S. & Magalhães, M., 2018. Climate change and economic growth:
a heterogeneous panel data approach. Environmental Science and Pollution Research, 25(23),
pp. 22725-22735.

Shin, Y., Yu, B. & Greenwood-Nimmo, M., 2014. Modelling asymmetric cointegration and
dynamic multipliers in a nonlinear ARDL framework. Springer Science and Business Media,
Volume Festschrift in honor of Peter Schmidt, pp. 281-314.

Slesman, L., Baharumshah, A. Z. & Ra'ees, W., 2015. Institutional infrastructure and economic
growth in member countries of the Organization of Islamic Cooperation (OIC). Economic
Modelling, Volume 51, pp. 214-226.

Solow, R., 1956. A Contribution to the Theory of Economic Growth. The Quarterly Journal of
Economics, 70(1), pp. 65-94.

Sow, S., Faye, B. & Mendy A, P., 2020. Analyse des effects de la pluviometrie sur le PIB
Agricole au Senegal. Agronomie Africaine, 32(3), pp. 343-351.

Srinivasan, P., Kumar, P. S. & Ganesh, L., 2012. Tourism and economic growth in Sri Lanka:
An ARDL bounds testing approach. Environment and Urbanization Asia, 3(2), pp. 397-405.

Straub, S., 2008. Infrastructure and growth in developing countries: Recent advanced and
research challenges., World Bank Policy Research Working Paper No. 4460.

- 165 -
Tang, C. F. & Abosedra, S., 2014. The impacts of tourism, energy consumption and political
instability on economic growth in the MENA countries. Energy Policy, Volume 68, pp. 458-
464.

Tanzi, V. & Davoodi, H., 1998. Corruption, public investment, and growth. The welfare state,
public investment, and growth, pp. 41-60.

Tatli, H., 2015. Detecting persistence of meteorological drought via the Hurst exponent.
Meteorological Applications, 22(4), pp. 763-769.

Tiffin, R. & Irz, X., 2006. Is agriculture the engine of growth?. Agricultural economics, 35(1),
pp. 79-89.

Timmer, C., 1995. Getting agriculture moving: do markets provide the right signals?. Food
Policy, 20(5), pp. 455-472.

Todaro, M. P., 1995. Reflections On Economic Development. Edward Elgar.

Todaro, M. P., 1997. Urbanization, unemployment and migration in Africa: Theory and policy.
6e édition éd. New York University: Economic Development.

Uddin, M. A., Ali, M. H. & Masih, M., 2017. Political stability and growth: An application of
dynamic GMM and quantile regression. Economic Modelling, 64(8), pp. 610-625.

Ulyssea, G., 2018. Firms, Informality, and Development: Theory and Evidence from Brazil.
American Economic Review, 108(8), p. 2015–2047.

World Bank, 2018. Governing towards efficiency, equity, education and endurance : A
Systematic Country Diagnostic, Washington, DC: World Bank Group.

Yamano, N. & Ohkawara, T., 2000. The regional allocation of public investment: Efficiency or
equity ?. Journal of Regional Science, 40(2), pp. 205-229.

Zhao, T., Wu, L., Li, D. & Ding, Y., 2017. Multifractal analysis of hydrologic data using
wavelet methods and fluctuation analysis. Discrete Dynamics in Nature and Society.

Zhu, H., Duan, L., Guo, Y. & Yu, K., 2016. The effects of FDI, economic growth and energy
consumption on carbon emissions in ASEAN-5: evidence from panel quantile regression.
Economic Modelling, Volume 58, pp. 237-248.

- 166 -
Résumé :
La croissance économique est un concept essentiel en économie, et elle revêt une grande
importance en raison de ses impacts sur le bien-être des sociétés et des individus. Il est donc
essentiel de trouver un équilibre entre la poursuite de la croissance et la gestion des enjeux
qu'elle peut poser. La croissance économique a suscité depuis toujours l’intérêt de l’ensemble
des acteurs économiques (politiciens, syndicats, entrepreneurs…), mais aussi des économistes
et des chercheurs de tous bords. Si la croissance économique paraît primordiale pour les pays
développés, elle paraît cruciale pour les pays en développement. Parmi ces derniers, nous nous
sommes intéressés dans le cadre de cette thèse aux pays MENA. Si ces derniers se caractérisent
par une certaine diversité quant aux sources de leurs revenus, il n’empêche que leur activité
économique affiche une volatilité assez importante. Le Maroc n’échappe pas à cette règle.
Disposant d’une économie assez diversifiée et d’un investissement assez important, il souffre
cependant d’une dépendance forte de la production agricole.

L’objectif de notre thèse est triple. Premièrement, nous essayons de quantifier l'effet de la
qualité des institutions sur les performances économiques sur un panel de quinze pays de la
région MENA. Les résultats émanant de l’utilisation d’une régression bayésienne par quantile
nous indiquent qu'une bonne gouvernance est importante pour la croissance économique des
économies de la région MENA, en particulier dans les pays qui observent une croissance faible.
Deuxièmement, nous effectuons une analyse centrée sur le rendement de l’investissement du
Maroc, en appliquant des méthodes novatrices et en comparant avec des pays comme la Turquie
et le Portugal (deux pays ayant eu, approximativement, les mêmes niveaux de croissance que
le Maroc au cours des années 1960 et 1970). Le recours à la méthodologie MF-DFA nous révèle
que l’investissement au Maroc est caractérisé par un effet de mémoire longue conduisant à un
caractère multifractal et par un processus persistant et explosif. Les mêmes résultats ont été
recensés dans le cas du Portugal et de la Turquie, avec cependant, un rendement
d’investissement plus important pour ces deux pays que pour le Maroc. Troisièmement, nous
examinons la relation entre les conditions climatiques et la croissance économique au Maroc,
où ces dernières sont mesurées tantôt par les précipitations annuelles, tantôt par la production
annuelle des céréales. Pour cela, nous avons appliqué les méthodes ARDL et ARDL non-
- 167 -
linéaire. Il s’agit de vérifier l’effet asymétrique potentiel de cette relation. Les résultats de nos
estimations indiquent l’importance de la pluviométrie dans l’explication de la croissance
marocaine. Mais, nous montrons aussi un comportement asymétrique de ces variables d’intérêt,
avec une dominance de l’impact négatif. Ce résultat est valable tant sur le court que sur le long
terme.

- 168 -
Abstract :
Economic growth is an essential concept in economics, and it is of great importance because of
its impact on the well-being of societies and individuals. It is therefore essential to find a
balance between the pursuit of growth and the management of the issues it may present.
Economic growth has always aroused the interest of all economic actors (politicians, unions,
unions, businessmen, etc.), but also economists and researchers of all stripes. While economic
growth seems paramount for developed countries, it seems crucial for developing countries.
Among the latter, this thesis focuses on the MENA countries. Although the latter are
characterized by a certain diversity in their sources of income, their economic activity is
nevertheless rather volatile. Morocco is no exception to this rule. With a fairly diversified
economy and high levels of investment, however, it suffers from a strong dependence on
agricultural production.

The aim of our thesis is threefold. First, we attempt to quantify the effect of institutional quality
on economic performance on a panel of fifteen MENA countries. Results from the use of a
Bayesian quantile regression indicate that good governance is important for economic growth
in MENA economies, particularly in countries experiencing low growth. Secondly, we carry
out an analysis focusing on Morocco's return on investment, by applying innovative methods
and comparing with countries such as Turkey and Portugal (two countries with roughly the
same levels of growth as Morocco in the sixties and seventies. The use of the MF-DFA
methodology reveals that investment in Morocco is characterized by a long memory effect
leading to a multifractal character and a persistent and explosive process. The same results were
found in the case of Portugal and Turkey, but with a greater return on investment for these two
countries than for Morocco. Thirdly, we examine the relationship between climatic conditions
and economic growth in Morocco, where these are measured both by annual rainfall and by
annual cereal production. To this end, we applied the ARDL and nonlinear ARDL methods.
The aim is to verify the potential asymmetric effect of this relationship. The results of our
estimates indicate the importance of rainfall in the explanation of Moroccan growth. However,
we also show an asymmetric behavior of these variables of interest, with a dominance of the
negative impact. This result is valid for both the short and long term.
- 169 -
- 170 -
 ECOLE DOCTORALE :
École doctorale Sciences Sociales et Humanités - ED 481

LABORATOIRE :
UMR 6031 Transitions Énergétiques et Environnementales (TREE)

CONTACT

[email protected]