Version classiqueVersion mobile

Agro-ressources et écosystèmes

 | 
Bernard Christophe
, 
Roland Pérez

Quatrième partie. Flux économiques et Développement Durable

Croissance économique, émissions de polluants et consommation d′énergie en Tunisie

Sana Essaber-Jouini

Texte intégral

I – Introduction

1Le management environnemental est une démarche qui permet d′identifier les risques environnementaux d′entreprise. Il s′inscrit dans une logique de développement durable. En effet, les activités de consommation et de production ont entraîné des effets néfastes sur l′écosystème et le changement climatique est devenu un souci majeur pour l′humanité. Ainsi, la protection de l′environnement est désormais un enjeu prioritaire, aussi bien dans le comportement des consommateurs que dans celui des entreprises. C′est pourquoi le management environnemental constitue un outil stratégique à la disposition des entreprises pour pallier efficacement les effets du changement climatique.

2En effet, le management environnemental permet de réduire les coûts liés à l′utilisation de l′énergie, de mieux satisfaire les clients désormais soucieux des performances environnementales de leurs fournisseurs, d′améliorer l′image de l′entreprise (de ses produits et services) en démontrant son engagement pour la préservation de l′environnement, d′intégrer les contraintes réglementaires (des organismes publics et/ou internationaux), etc.

3Dans ce cadre, l′analyse des relations éventuelles de causalité entre la croissance économique, les émissions de polluants et la consommation d′énergie permet aux entreprises de mieux cerner les problèmes environnementaux auxquels elles sont continuellement confrontées ; ce qui permet de profiter efficacement des bénéfices du management environnemental dans leur quête de progrès et de compétitivité.

4La relation entre le PIB et la consommation d′énergie, ainsi que celle entre le PIB et la pollution environnementale ont fait l′objet de plusieurs recherches ces dernières années, mais l′évidence des résultats empiriques reste ambiguë jusqu′à nos jours.

1.1. Croissance et énergie

5Le développement économique est étroitement lié à la consommation d′énergie puisqu′un développement économique plus élevé nécessite une consommation d′énergie plus importante mais, d′un autre côté, une utilisation plus efficiente d′énergie, qui pourrait mener à une réduction de la consommation d′énergie, nécessite un meilleur développement économique. Ainsi, une meilleure performance économique peut être un catalyseur pour l′efficience énergétique. De ce fait, la consommation d′énergie et le développement économique peuvent être conjointement déterminés, mais le sens de la causalité ne peut être déterminé d′avance.

6Dans un travail pionnier, Kraft & Kraft (1978) ont trouvé une relation de causalité uni-directionnelle allant de l′output à la consommation d′énergie pour les États-Unis durant 1947-1974. Plusieurs auteurs se sont inspirés de ce travail pour examiner la relation de causalité entre ces variables pour d′autres pays et dans des périodes différentes en utilisant différentes techniques économétriques. Certains ont confirmé, d′autres ont infirmé les résultats de Kraft & Kraft. C′est à partir du milieu des années 1990 et grâce au développement des techniques des séries temporelles que plusieurs auteurs ont porté un intérêt croissant à la relation de co-intégration entre le revenu et la consommation d′énergie (Masih & Masih, 1996 ; Cheng et Lai, 1997 ; Asafu-Adjaye, 2000 ; Stern, 2000 ; Yang, 2000).

1.2. Croissance et environnement

7De même, une littérature abondante a exploré le sens de causalité entre l′output et la pollution, et cela a donné naissance à l′hypothèse de la « Courbe de Kuznets environnementale » (CKE) qui postule que le niveau de dégradation de l′environnement augmente avec la croissance économique, mais qu′à partir d′un certain seuil il commence à baisser. Cette conception, étant matérialisée par une courbe prenant la forme d′un « U » inversé, a été déduite à partir des travaux de Kuznets qui traitent les liens de causalité entre les inégalités du revenu et le niveau de croissance d′un pays bien déterminé.

8Cela a inspiré nombre d′économistes qui ont cherché à examiner si la croissance économique est accompagnée d′une dégradation de l′environnement, à travers l′analyse de la relation entre les indicateurs environnementaux et ceux de la croissance économique. D′ailleurs, la revue de la littérature nous permet de distinguer les travaux qui confirment l′hypothèse de la CKE (Grossman et Krueger, 1995 ; Seldon et Song, 1993) et ceux qui ne la vérifient pas (Shafik, 1994 ; Torras et Boyce, 1998 ; Friedl et Getzner, 2003).

1.3. Relations croisées

9Une revue de la littérature existante révèle que la plupart des études s′intéressent soit à la relation output – énergie, soit à la relation output – pollution, et que peu ont exploré la possibilité de tester les deux liens dans un même travail (Ang. 2007 et 2008).

10La consommation d′énergie a des incidences considérables sur l′environnement et constitue une source de changement climatique. En effet, la consommation d′énergie est à l′origine de près de 60 % des émissions de GES (Gaz à Effet de Serre). De plus, les émissions mondiales de GES ont à peu près doublé depuis le début des années 70 et, si les politiques en vigueur actuellement ne sont pas modifiées, elles pourraient augmenter de plus de 70 % au cours de la période 2008-2050 (OCDE, 2008). De ce fait, croissance économique, consommation d′énergie et émission de polluants semblent être étroitement liées, ce qui nous pousse à opter pour une analyse intégrée pour examiner la relation dynamique entre ces variables.

1.4. Le cas de la Tunisie

11La Tunisie est l′une des économies en développement les plus ouvertes et elle est considérée parmi les économies à croissance élevée dans la zone du Moyen-Orient et de l′Afrique du Nord (MENA). L′insertion dans l′économie mondiale figure parmi ses priorités stratégiques, ce qui l′amène à respecter des normes environnementales bien précises.

12Elle a d′ailleurs enregistré un accroissement significatif dans les émissions de polluants (graphique 1) et dans la consommation d′énergie ces dernières années (graphique 2).

Graphique 1 : évolution des émissions de CO2 par habitant (1971-2008)

Graphique 1 : évolution des émissions de CO2 par habitant (1971-2008)

Source : WDI, Banque Mondiale (2009)

13Notre étude se base sur les progrès récents de la recherche économétrique dans les études des séries temporelles, qui ont permis de développer une nouvelle méthodologie autour des concepts clés de cointégration et de causalité. Cette méthodologie nous permet d′expliquer le comportement de ces variables dans le but de déterminer les tendances de long terme de l′ensemble des séries.

14Nous recourons à une étude de cas spécifique pour la Tunisie afin de mieux analyser son environnement économique et historique, ce qui nous permettrait de trouver des réponses plus profondes au problème étudié. Nous formulons et estimons un modèle à correction d′erreurs qui présente l′avantage d′intégrer à la fois les évolutions de court terme et de long terme des variables, ceci nous permettra de traiter le PIB, les émissions de polluants et la consommation d′énergie comme des variables endogènes. Cette forme réduite du modèle, proposée dans cette étude, ne nécessite pas une information a priori sur les paramètres. Nous allons, dans ce cadre, présenter les méthodes d′estimation des modèles à correction d′erreur ainsi que les tests de co-intégration. Nous allons aussi effectuer les tests de causalité au sens Granger pour découvrir les relations de causalité entre l′output et la consommation d′énergie, d′une part, et entre l′output et les émissions de polluants, d′autre part.

15Le reste de l′article est organisé comme suit. La section 2 décrit le modèle, les données et la méthodologie d′estimation. Dans la section 3, nous présentons les résultats empiriques. Enfin, la section 4 discute les implications politiques des résultats et conclut le travail.

II – Modèle, données et méthodologie

16Basée sur les arguments théoriques présentés ci-dessus, la relation entre output, émissions de CO2 et consommation d′énergie peut être spécifiée comme suit : LGt = f (LCt, LEt) LGt est le logarithme par tête du PIB réel, LCt représente le logarithme par tête des émissions de CO2, et LEt le logarithme par tête de l′utilisation commerciale de l′énergie.

Graphique 2 : évolution de la consommation d′énergie par habitant (1971-2008)

Graphique 2 : évolution de la consommation d′énergie par habitant (1971-2008)

17En suivant la littérature, nous utilisons les émissions du dioxyde de carbone (CO2) pour mesurer la pollution, surtout que, en Tunisie et par type de gaz, les émissions de CO2 constituent environ 93 % des émissions dues à l′énergie, contre 6,5 % pour le CH4 (méthane) et 0,5 % pour le NO2 (dioxyde d′azote).

18Nous utilisons dans ce travail des données annuelles couvrant la période 1970-2008. Toutes les données sont tirées du World Development Indicators de la Banque Mondiale (2009). Nous avons converti les données en logarithmes naturels pour pouvoir les interpréter en termes de croissance.

19Notre estimation empirique présente deux objectifs. Le premier est d′examiner comment sont reliées les variables dans le long terme. Le second est d′examiner les relations de causalité dynamique entre ces variables. Nous construisons, à cet effet, un modèle VAR trivarié.

20Notre travail empirique procède en trois étapes. Nous commençons par établir une analyse d′intégration en utilisant trois tests de racine unitaire, le test de Dickey-Fuller Augmented (ADF), le test de Phillips-Perron (PP) et le test de Kwiatkowiski-Phillips-Schmidt-Shin (KPSS).

21La seconde étape de ce travail consiste à tester l′existence d′une co-intégration en utilisant l′approche de Johansen pour les modèles VAR construits en niveaux. Nos tests de causalité sont précédés par le test de co-intégration puisque la présence d′une relation de co-intégration a des implications sur la manière dans laquelle les tests de causalité sont effectués. Si la co-intégration est détectée, la troisième étape sera de valider le modèle avant de tester la causalité en effectuant les tests de causalité de Granger.

III – Les résultats empiriques

3.1 – L′intégration

22Les variables Ct, Et et Gt sont non stationnaires comme l′indiquent les corrélogrammes et les tests de racine unitaire appliqués à ces séries. Nous devons donc transformer ces variables pour les rendre stationnaires. Nous commençons alors par transformer les séries Ct, Et et Gt en logarithme, en les notant respectivement LCt, LEt et LGt. Ensuite, nous transformons ces données en différence première, notées DLCt, DLEt, et DLGt. Ceci va nous permettre d′interpréter ces variables en termes de croissance.

23Ces séries LEt, LGt et LCt semblent indiquer qu′elles sont stationnaires en différence première. En effet, la tendance paraît éliminée puisqu′il n′y a plus de structure particulière comme nous pouvons le constater d′après le corrélogramme des trois séries (DLGt, DLCt et DLEt). Afin de vérifier cela, nous procédons aux tests de racine unitaire en appliquant les trois tests de Dikey-Fuller (ADF), de Phillips-Perron (PP) et de Kwiatkowski, Phillips, Schmidt et Shin (KPSS).

24D′après le tableau 1, il est évident que tous les tests de racine unitaire aboutissent au même résultat : LCt, LEt et LGt sont non stationnaires en leurs niveaux mais deviennent stationnaires après avoir pris la différence première. Nous concluons alors que toutes les séries sont I (1) c′est-à-dire intégrées d′ordre 1 à un niveau de significativité de 5 %.

Tableau 1 : Tests de racine unitaire

ADF

PP

KPSS

LGt

-0,895

-0,893

0,762

DLGt

-6,239**

-6,684**

0,226 **

LCt

-3,156

-3,918

0,704

DLCt

-6,720**

-6,287**

0,529 **

LEt

-2,239

-2,446

0,702

DLEt

-7,999**

-7,927**

0,294 **

(**) Indique un niveau de significativité de 5 %

3.2 – Le modèle

25Notre objectif est de modéliser les liens entre taux de croissance du PIB par tête, de l′émission de CO 2 par tête et de la consommation d′énergie par tête.

26La première étape consiste à déterminer l′ordre « p » du processus VAR à retenir. Pour cela, nous avons estimé divers processus VAR pour des ordres de retard « p » allant de 1 à 4. Pour chaque modèle, nous avons calculé différents critères d′information. Le critère Schwarz nous conduit à retenir un processus VAR (1). Le tableau 2 rapporte les résultats obtenus.

Tableau 2 : résumtats

27VAR Lag Order Selection

28Criteria

29Endogenous variables : LCT

30LET LGT

Lag

LogL

LR

FPE

AIC

SC

HQ

0

93,93737

NA

6,83e-07

-5,683586

-5,546173

-5,638037

1

202,0836

189,2560*

1,40e-09*

-11,88023

-11,33058*

-11,69803*

2

211,2120

14,26300

1,41e-09

-11,88825*

-10,92636

-11,56941

3

215,8422

6,366602

1,93e-09

-11,61514

-10,24101

-11,15965

4

227,4720

13,81040

1,78e-09

-11,77950

-9,993135

-11,18737

*L′astérisque indique l′ordre p à retenir selon le critère utilisé.
LR : sequential modified LR test statistic (each test at 5 % level)
FPE : Final prediction error
AIC : Akaike information criterion
SC : Schwarz information criterion
HQ : Hannan-Quinn information criterion

31Nous considérons les séries log du PIB réel par tête (LGt), log des émissions de CO2 par tête (LCt) et log de l′utilisation commerciale de l′énergie par tête (LEt). Ces séries ont été transformées en différence première, notées respectivement dlGt, dlCt et dlEt, afin de les rendre stationnaires. Les données sont à fréquence annuelle sur la période 1970-2008. Nous constatons graphiquement (graphique 3) que ces séries sont caractérisées par un même trend général. Par ailleurs, des tests de racine unitaire ont été effectués et ont montré que les trois séries sont intégrées d′ordre 1.

Graphique 3 : Représentation graphique des séries DLGt, DLCt et DLEt

Graphique 3 : Représentation graphique des séries DLGt, DLCt et DLEt

32Nous nous intéressons à la co-intégration entre ces trois séries en utilisant l′approche de Johansen. Nous effectuons le test de la trace en supposant l′absence de tendance dans la relation de co-intégration et la présence d′une constante dans le modèle à correction d′erreur. Les résultats du test de la trace sont donnés dans le tableau 3. Nous rejetons l′hypothèse nulle d′absence de co-intégration au seuil statistique de 5 % (41.711 > 29.797).

Tableau 3 : Tests de cointégration de Johansen

Hypothesized no. of CE (s)
Trace statistic (λtrace)

r = 0
41,711*

r ≤ 1
7,790

r ≤ 2
0,951

Hypothesized no. of CE (s)
Maximum eigenvalue statistic (λmax)

r = 0
33,921*

r ≤ 1
6,839

r ≤ 2
0,951

(*) indique le rejet de l′hypothèse au seuil de 5 %

33Le tableau 3 montre que les deux tests, de la trace (λtrace) et de la valeur propre maximale (λmax), aboutissent à la même conclusion : il existe une seule relation de co-intégration au seuil statistique de 5 %.

34Il est alors possible d′estimer un modèle à correction d′erreur vectoriel (VECM). Dans la mesure où nous avons trois variables, le VECM comportera trois équations. Les modèles à correction d′erreur permettent de modéliser les ajustements qui conduisent à une situation d′équilibre de long terme. Ce sont des modèles dynamiques qui intègrent à la fois les évolutions de court terme et de long terme des variables.

35Le VECM trivarié peut être exprimé comme suit :

36Où les εt sont des résidus gaussiens et ECTt-1 = LGt-1 + (β21/β11) LCt-1 + (β31/β11) LEt-1 est l′équation co-intégrée normalisée. (j = 1,…, p)

37La différence par rapport à un modèle VAR usuel réside dans la présence de la variable ECTt-1. Les coefficients αi1 (i = 1, 2, 3) représentent la force d′appel vers la cible de long terme donnée par la relation de co-intégration. On doit avoir αi1 < 0 et | αi1 |+ | αi2 | + | αi3 | ≠ 0, sinon il n′existe pas de phénomène de retour à l′équilibre.

38Le modèle à correction d′erreur décrit un processus d′ajustement. Il combine deux types de variables : des variables en différence première (stationnaires) qui représentent les fluctuations de court terme, et des variables en niveau, combinaison linéaire stationnaire de variables non stationnaires, qui assurent la prise en compte du long terme. Il permet en fait d′intégrer les fluctuations de court terme (représentées par les variables en différence première) autour de l′équilibre de long terme (donné par la relation de co-intégration). En conséquence, tous les termes intervenant dans un modèle à correction d′erreur sont stationnaires.

39Les résultats de l′estimation du VECM sont présentés dans les tableaux 4 et 5.

Tableau 4 : Vector Error Correction Estimates

Error Correction :

D (LGT)

D (LET)

D (LCT)

CointEq1

-0.297549

-0.067490

-0.260248

(0.08212)

(0.16201)

(0.18104)

[-3.62315]

[-0.41657]

[-1.43754]

D (LGT (-1))

-0.238345

0.171747

-0.178232

(0.12541)

(0.24741)

(0.27646)

[-1.90053]

[0.69419]

[-0.64470]

D (LGT (-2))

-0.160366

0.380672

0.036879

(0.11323)

(0.22338)

(0.24961)

[-1.41626]

[1.70412]

[0.14775]

D (LET (-1))

-0.404439

-0.351040

0.175989

(0.22067)

(0.43533)

(0.48644)

[-1.83281]

[-0.80638]

[0.36179]

D (LET (-2))

-0.295632

0.340366

0.629685

(0.16503)

(0.32558)

(0.36381)

[-1.79133]

[1.04542]

[1.73083]

D (LCT (-1))

0.235082

-0.174904

-0.357119

(0.08648)

(0.17061)

(0.19064)

[2.71834]

[-1.02519]

[-1.87328]

D (LCT (-2))

0.075585

-0.254164

0.054782

(0.07422)

(0.14643)

(0.16362)

[1.01834]

[-1.73576]

[0.33481]

C

0.045783

0.021893

0.019063

(0.00959)

(0.01892)

(0.02114)

[4.77402]

[1.15720]

[0.90173]

R-squared

0.577035

0.320845

0.529942

Adj. R-squared

0.458605

0.130682

0.398325

Sum sq. resids

0.009680

0.037674

0.047041

S. E. equation

0.019678

0.038820

0.043378

F-statistic

4.872360

1.687210

4.026415

Log likelihood

87.38906

64.96732

61.30362

Akaike AIC

-4.811458

-3.452565

-3.230522

Schwarz SC

-4.448669

-3.089775

-2.867733

Mean dependent

0.025386

0.025031

0.027975

S. D. dependent

0.026743

0.041635

0.055922

Tableau 5 : Quelques statistiques d′estimation du VECM

Determinant resid covariance (dof adj.)

8.85E-10

Determinant resid covariance

3.85E-10

Log likelihood

217.2234

Akaike information criterion

-11.52869

Schwarz criterion

-10.30427

40La spécification VECM astreint le comportement de long terme des variables endogènes à converger vers leurs relations de cointégration tout en permettant des dynamiques de court terme. La déviation par rapport à l′équilibre de long terme est graduellement corrigée à travers une série d′ajustements partiels à court terme.

41Les résultats issus du tableau 4 montrent que le terme à correction d′erreur est négatif et significativement différent de zéro dans les relations relatives au taux de croissance du PIB réel par tête (dlgt), de l′émission de CO2 par tête (dlct) et dans l′équation relative au taux de croissance de l′utilisation commerciale d′énergie par tête (dlet).

42Le taux de croissance du PIB réel par tête dépend, négativement, de sa valeur décalée de deux périodes mais surtout de sa valeur décalée d′une période. DLGT dépend également mais positivement et significativement, de l′émission de CO2 retardée et, négativement, de l′utilisation de l′énergie retardée. Ceci reflète l′impact des variables énergie et émission de CO2 sur la variable PIB.

43Le tableau 6 suivant présente le vecteur de co-intégration et le coefficient de la vitesse d′ajustement. Tous les coefficients de la relation de co-intégration de long terme sont significatifs au taux de 5 %. Nos résultats montrent que LGt et LCt sont corrélés positivement, a contrario LGt et LEt sont corrélés négativement.

Tableau 6 : Vecteur de co-intégration

Equation de co-intégration

α11

lGt = 6,357 + 1,113 lCt – 2,210 lEt
(5,205**) (-9,470 **)

-0,297
(-2,867)

Nombre d′observations : 33 ; retard optimal = 1 ; les valeurs entre parenthèses indiquent les t-statistics, (**) Indique un niveau de significativité de 5 %

44Nous retenons le modèle suivant :

D (LGT) =

-0,297*(LGT-1

-2,210*LET-1

+ 1,113*LCT-1 + 6,357)

-0,238*DLGT-1

[-3,623]

[-9,470]

[5,205]

[-1,900]

-0,160*DLGT-2

-0,404*DLET-1

-0,295*DLET-2

+0,235*DLCT-1

+0,075*DLCT-2

+0,0457

[-1,416]

[-1,832]

[-1,791]

[2,718]

[1,018]

[4,774]

45En tenant compte du signe multiplicateur de la relation de long terme qui est négatif, nous déduisons que DLGt et LEt-1 sont corrélés positivement, par contre DLGt et LGt-1 ainsi que LCt-1 sont corrélés négativement,

46En effet, une hausse de 1 % dans la croissance de la production à long terme se traduit par une baisse dans le rythme de croissance de 0,29 % et inversement,

47À long terme, une hausse de 1 % dans la consommation d′énergie se traduit par une augmentation forte du rythme de croissance économique (D (LGT)) de l′ordre de (0,65 %). En revanche, à court terme on constate un effet dépressif exercé par la consommation d′énergie sur le rythme de croissance (-0,44) pour un décalage d′une période et (-0,295) pour un décalage de deux périodes. Ceci peut suggérer qu′à plus long terme un effet de rattrapage se met en place grâce aux effets bénéfiques que peut exercer l′utilisation de l′énergie dans le système productif. Nous pouvons conclure alors qu′en Tunisie, la croissance économique dépend étroitement de la consommation d′énergie et que celle-ci exerce un effet bénéfique sur la croissance économique.

48Par ailleurs, nous trouvons une relation inversement proportionnelle entre D (LGT) et LCT-1 ce qui nous laisse penser qu′une baisse dans les émissions de polluants se traduit par une amélioration future du rythme de croissance économique dans le pays. Nous pouvons justifier cela par le fait que la réduction de la pollution proviendrait d′une avancée technologique qui aurait des impacts positifs sur la croissance économique à plus long terme.

49Nous remarquons que, en termes absolus, l′effet de LEt sur D (LGt) est deux fois plus important que celui de LCt sur D (LGt) future.

50Le paramètre qui mesure la vitesse d′ajustement vers le niveau d′équilibre de long terme est statistiquement significatif et présente le signe correct (-0,297). Ceci implique qu′un mécanisme de correction d′erreur existe de telle sorte qu′un écart par rapport à l′équilibre de long terme a un impact significatif sur la croissance économique.

51Ceci corrobore notre choix d′un cadre à correction d′erreur pour l′analyse. En effet, l′output s′ajuste à une vitesse de 29,70 % chaque année, soit environ 3,3 années nécessaires pour restaurer l′équilibre quand il y a un choc sur la relation d′état stationnaire. Ang (2008) a trouvé que l′ajustement se fait au bout de 2,1 années pour le cas de la Malaisie. Cette vitesse d′ajustement est considérée relativement élevée pour un pays en développement.

52Afin de valider le modèle, nous procédons aux tests de significativité des coefficients et d′absence d′auto corrélation des résidus. Les tests de racine unitaire des résidus des variables du modèle révèlent que les coefficients sont significatifs et rejettent l′hypothèse nulle de présence de racine unitaire (tableau 7). Les résidus sont des bruits blancs, le modèle est ainsi validé à des fins de prévision.

Tableau 7 : Tests de racine unitaire ADF sur les résidus

Variable

Coefficient

t-statistic

Probabilité*

résiduLGt

-1,042822

-6,730487

0,0000**

résiduLEt

-0,910194

-5,084121

0,0000**

résiduLCt

-1,066770

-5,953793

0,0000**

(*) MacKinnon (1996) one-sided p-values
(**) Indique un niveau de significativité de 5 %

3.3 – La causalité

53La présence de co-intégration entre les variables implique qu′il existe une relation de causalité entre ces variables, au moins dans une direction, sans toutefois indiquer le sens de la relation de causalité. La détermination du sens de cette causalité est d′une importance cruciale et a des implications en matière de politique économique. Nous allons alors illustrer la notion de causalité au sens de Granger en procédant aux tests de causalité ; les résultats obtenus, pour un nombre de retards « p » égal à 1, sont récapitulés dans le tableau 8.

54L′étude du sens de causalité entre les variables croissance économique (dlGt), consommation d′énergie (dlEt) et émissions de polluants (dlCt) nous permet, éventuellement, d′assurer une bonne formulation de politique économique tunisienne. Nous allons ainsi examiner si les valeurs retardées du PIB par tête sont statistiquement significatives, autrement dit, si les valeurs passées et actuelles du PIB par tête expliquent les valeurs actuelles des indicateurs de l′environnement.

Tableau 8 : Tests de causalité de Granger

Hypothèse nulle

Hypothèse nulle rejetée

F-Statistic

DLCT does not Granger Cause DLGT

Oui

3,84259*

DLGT does not Granger Cause DLCT

Non

0,27869

DLET does not Granger Cause DLGT

Oui

10,0888***

DLGT does not Granger Cause DLET

Non

0,75733

DLET does not Granger Cause DLCT

Oui

3,70533*

DLCT does not Granger Cause DLET

Non

0,01429

(*), (**), (***) indiquent le rejet de l′hypothèse nulle de non-causalité à un degré de significativité de 10 %, 5 % et 1 % respectivement.

55Nous trouvons que pour un retard p = 1, l′hypothèse nulle, selon laquelle la croissance du CO2 ne cause pas au sens de Granger la variable dlGt, est rejetée au seuil de 10 % (0,0582 < 0,1), et dlEt ne cause pas dlGt est aussi rejetée au seuil de 1 % (0,00337 < 0,01).

56Ainsi, les informations antérieures sur la consommation d′énergie et les émissions polluantes permettent une meilleure prévision de la croissance, mais nous trouvons que les informations antérieures sur la croissance économique ne permettent pas une meilleure prévision de la consommation d′énergie et des émissions de CO2 pour le cas de la Tunisie. Donc une amélioration de l′évolution du PIB par tête n′aura pas d′effet de réduction de la consommation d′énergie ni de la qualité de l′environnement (H0 n′est pas rejetée avec 0,600 > 0,1 pour le cas de dlCt et 0,390 > 0,1 pour le cas de dlEt) ; de ce fait, la croissance économique ne se présente pas comme une solution au problème de l′environnement.

57Ce qui pourrait renforcer l′idée d′existence d′un seuil de croissance en dessous duquel la croissance ne pourrait être considérée comme solution aux problèmes environnementaux.

58D′un autre côté, la consommation d′énergie cause dans un sens unidirectionnel les émissions de CO2, puisque l′hypothèse alternative H1, selon laquelle la consommation d′énergie cause au sens de Granger les émissions polluantes, n′est pas rejetée au seuil statistique de 10 % (0,063 < 0,1).

59Ces résultats rejoignent ceux trouvés par Soytas et al, (2007) dans leur étude empirique sur des séries temporelles pour le cas des États-Unis durant 1960-2004, qui ont conclu que la consommation d′énergie est la principale source des émissions polluantes et que le PIB ne cause pas les émissions de CO2.

60Zhang et Cheng (2009) ont dégagé le même constat en analysant le cas de la Chine pendant 1960-2007 et trouvent à travers les tests de causalité de Granger et l′étude de la fonction à réponse impulsionnelle que la consommation d′énergie est la principale source des émissions polluantes et que le PIB ne cause pas les émissions de CO2.

61En revanche, Shafik (1994), à partir d′une analyse sur des données de panel couvrant 149 pays entre 1961 et 1993, trouve que les émissions de polluants augmentent avec les niveaux de revenu. Ce résultat est confirmé par De Bruyn et al. (1998) puisqu′ils montrent que la croissance économique a un effet positif direct sur les émissions de polluants dans les pays de leur échantillon constitué de la Grande Bretagne, des États-Unis et de l′Allemagne ; ils prouvent que les émissions polluantes baissent si on atteint un seuil de revenu bien déterminé.

62Nous pouvons alors justifier l′absence de relation bidirectionnelle entre la croissance économique et la consommation d′énergie, d′une part, et entre la croissance économique et les émissions de CO2, d′autre part, par le fait que la Tunisie n′a pas encore atteint le seuil de revenu optimal qui permet de se soucier encore plus de la qualité de l′environnement.

IV – Implications de politique économique et conclusions :

63Dans ce travail, nous considérons les séries PIB réel par tête (LGt), les émissions de CO2 par tête (LCt) et l′utilisation commerciale d′énergie par tête (LEt). Les données sont à fréquence annuelle sur la période 1970-2008 ; nous constatons que ces séries sont caractérisées par un même trend général et les tests de racine unitaire que nous avons effectués ont montré que les trois séries sont intégrées d′ordre 1. Nous nous intéressons à la co-intégration entre ces trois séries en utilisant l′approche de Johansen. Nous estimons un modèle à correction d′erreur vectoriel à trois variables qui va nous permettre de modéliser les ajustements qui conduisent à une situation d′équilibre de long terme ; afin de compléter les résultats de l′analyse de co-intégration, nous effectuons les tests de causalité au sens de Granger pour nous éclairer sur les relations de causalité entre output – énergie, output-pollution et énergie-pollution.

64Les résultats empiriques confirment l′existence d′une relation de long terme entre les variables indiquant que la consommation d′énergie est positivement liée à la croissance de l′output et que les émissions de CO2 sont, à l′inverse, négativement liées à la variation du taux de croissance du PIB par tête, et ce dans le long terme. Cela renforce l′idée selon laquelle l′économie tunisienne doit promouvoir davantage les politiques d′efficience énergétique, de sauvegarde et de conservation de l′énergie et prendre en compte les retombées de la dégradation de la qualité de son environnement engendrée par l′accroissement de la consommation d′énergie.

65Ces résultats ont d′importantes implications pour les décisions de politique économique en Tunisie, en effet, la croissance économique résulte d′une croissance dans les inputs et d′une amélioration de la productivité de ces inputs. Dès lors, si la Tunisie vise un processus d′industrialisation plus rapide, elle aurait besoin de consommer une quantité plus importante et plus efficiente de produits énergétiques et, puisqu′une utilisation croissante de ces produits peut affecter négativement l′environnement, le pays devrait développer de meilleures stratégies de conservation de l′énergie. Cela est confirmé par nos résultats empiriques qui permettent de suggérer que les informations antérieures sur la consommation d′énergie et les émissions polluantes permettent une meilleure prévision de la croissance, alors que, les informations antérieures sur la croissance économique ne permettent pas une meilleure prévision de la consommation d′énergie et des émissions de CO2 pour le cas de la Tunisie.

  • 1 La combustion énergétique regroupe les industries énergétiques, les industries manufacturières, le (...)
  • 2 Les émissions fugitives concernent les activités liées à l′exploitation, la production et le stock (...)

66En d′autres termes, une amélioration de l′évolution du PIB par tête n′aura aucun effet bénéfique sur la consommation d′énergie ni sur la qualité de l′environnement. De ce fait, la croissance économique ne se présente pas comme une solution au problème de l′environnement, cela signifie qu′une baisse dans le degré de pollution implique une expansion économique. Et, puisque la consommation d′énergie cause les émissions de CO2, nous pouvons suggérer que plus d′inputs énergétiques ont été consommés dans le processus de production plus il y a de pollution. D′ailleurs, l′énergie est une source importante de GES en Tunisie, en effet, le secteur de l′énergie suscite plus de 50 % des émissions brutes (sans absorption des puits de carbone) et plus de 60 % des émissions nettes nationales (avec absorption). Les émissions dues au secteur de l′énergie proviennent de la combustion énergétique1 et des émissions fugitives2. De nombreuses activités économiques émettent des GES, pour la Tunisie, l′industrie énergétique et les transports sont les principales sources de croissance des émissions de GES.

67Malgré le développement des deux centrales à cycle combiné et l′utilisation du gaz naturel pour la génération de l′électricité, l′industrie énergétique (essentiellement le secteur de la production d′électricité) demeure le secteur le plus important des émissions générées par la combustion énergétique.

68Il est cependant utile de savoir que l′efficience énergétique pourrait provenir de deux causes soit simultanément soit successivement. En effet, l′efficience énergétique peut résulter d′une meilleure utilisation de l′énergie par une branche donnée (ciment, textile, papier…), suite à l′adoption de mesures d′économie d′énergie ; d′un autre côté, l′efficience énergétique globale du pays peut également résulter d′un changement de la structure du PIB à mesure que le pays se développe : passage progressif d′industries de base et/ou à forte intensité énergétique (acier, ciment…) à des industries plus sophistiquées avec une haute valeur ajoutée et une basse consommation d′énergie (électronique, services et autres). Ce changement de structure de l′activité économique pourrait aussi améliorer l′efficacité énergétique du pays.

69Dans ce travail, nous avons cherché à examiner les relations dynamiques entre le développement économique, les émissions de CO2 et la consommation d′énergie dans le cas de la Tunisie. Il est vrai que ces résultats sont spécifiques à la Tunisie étant données ses caractéristiques institutionnelles et structurelles, mais les techniques économétriques utilisées dans ce travail peuvent être développées pour utiliser notre modèle à des fins de prévision et pour d′autres pays en développement, notamment les pays de la région MENA dans le champ de notre analyse (Middle East & North of Africa).

Bibliographie

Bibliographie

Ang, James B., ″CO2 emissions, energy consumption, and output in France″, Energy Policy, 35, 2007, 4772-4778.

Ang, James B., ″Economic development, pollutant emissions and energy consumption in Malaysia″, Journal of policy Modeling, 30, 2008, p. 271-278.

Asafu-Adjaye, J., ″The relationship between energy consumption, energy prices and economic growth : time series evidence from Asian developing countries″, Energy Economics, 22, 2000, p. 615-625.

Banque Mondiale, World Development Indicators, 2009, en ligne.

Cheng, B. S., Lai, T. W., ″An investigation of co-integration and causality between energy consumption and economic activity in Taiwan″, Energy Economics, 19, 1997, p. 435-444.

De Bruyn, S. M., Van den Bergh J. C. J. M., and Opschoor, J. B., ″Economic growth and emissions : reconsidering the empirical basis of environmental Kuznets curves,″ Ecological Economics, 25, 1998, p. 161-175.

Friedl, B., Getzner, M., ″Determinants of CO2 emissions in a small open economy″, Ecological Economics, 2003, vol. 45, Issue 1, p. 133-148.

Grossman, G. M., Krueger, A. B., ″Economic growth and the environment″, Quarterly Journal of Economics, 110, 1995, p. 353-377.

Kraft J., Kraft A., ″On the relationship between energy and GNP″, Journal of Energy and Development, 3, 1978, p. 401-403.

Masih, A. M. M., Masih, R., ″Energy consumption, real income and temporal causality : results from a multi-country study based on cointegration and errorcorrection modeling techniques″, Energy Economics, 18, 1996, p. 165-183.

Selden, T. M., Song, D., ″Environmental quality and development : is there a Kuznets curve for air pollution emissions ?″, Journal of Environmental Economics and Management, 27, 1994, p. 147-162.

Shafik, N., ″Economic development and environmental quality : an econometric analysis″, Oxford Economic Papers, 46, 1994, p. 757-773.

Soytas, U., Sari, R., Ewing, B. T., ″Energy Consumption, Income, and Carbon Emissions in the United States″, Ecological Economics, 2007.

Stern, D. I., ″A multivariate cointegration analysis of the role of energy in the US macroeconomy″, Energy Economics, 22, 2000, p. 267-283.

Torras, M., Boyce, J. K., « Income, inequality and pollution : a reassessment of the Environmental Kuznets Curve″, Ecological Economics, 1998, vol. 25, Issue 2, p. 147-160.

Yang, H. Y., ″A note on the causal relationship between energy and GDP in Taiwan″, Energy Economics, 22, 2000, p. 309-317.

Zhang, X. P., Cheng, X. M., ″Energy consumption, carbon emissions and economic growth in China″, Ecological Economics, 2009, vol. 68, Issue 10, p. 2706-2712 ;

Notes

1 La combustion énergétique regroupe les industries énergétiques, les industries manufacturières, le transport, le tertiaire, le résidentiel et l′agriculture.

2 Les émissions fugitives concernent les activités liées à l′exploitation, la production et le stockage des hydrocarbures.

Table des illustrations

Titre Graphique 1 : évolution des émissions de CO2 par habitant (1971-2008)
Légende Source : WDI, Banque Mondiale (2009)
URL http://books.openedition.org/septentrion/docannexe/image/9235/img-1.jpg
Fichier image/jpeg, 33k
Titre Graphique 2 : évolution de la consommation d′énergie par habitant (1971-2008)
URL http://books.openedition.org/septentrion/docannexe/image/9235/img-2.jpg
Fichier image/jpeg, 45k
Titre Graphique 3 : Représentation graphique des séries DLGt, DLCt et DLEt
URL http://books.openedition.org/septentrion/docannexe/image/9235/img-3.jpg
Fichier image/jpeg, 122k
URL http://books.openedition.org/septentrion/docannexe/image/9235/img-4.jpg
Fichier image/jpeg, 48k

© Presses universitaires du Septentrion, 2012

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search