Analyse comparative des modèles économétriques en Tunisie

La comparaison des modèles économétriques est essentielle pour comprendre les dynamiques spatiales dans l’économétrie. Cet article présente des développements récents et une application empirique sur les déterminants du chômage en Tunisie, illustrant l’importance de l’estimation par maximum de vraisemblance.

Analyse Comparative :

Tout d’abord, nous entammons cette analyse par l’estimation du modèle linéaire (2.6) en utilisant la méthode du maximum de vraissemblance (tableau 2.9). Cette estimation aura pour but de partir de la même base dans la comparaison des résultats.

Afin de pouvoir comparer les différentes approches économétriques, le tableau (2.10) rassemble les résultats relatifs aux méthodes précédemment utilisées à savoir, les MCO, les MCP, linéaire avec MV, SEM et LAG.

La comparaison des résultats de l’estimation des différents modèles montre que la non-prise en compte de l’autocorrélation spatiale dans les erreurs ou la non-considération d’une variable endogène décalée conduirait à sur-évaluer l’influence du nombre des entreprises sur le taux de chômage. Egalement, cette omission peut sous-évaluer la relation entre le taux de chômage et la distance séparant la délégation du centre d’interet symbolisé par le centre du gouvernorat.

La faible valeur prise par les coefficients estimés des variables D et tASS traduisent un biais vers le bas causé par l’omission de l’auto-corrélation spatiale dans les procédures d’estimation standards. En terme de procédure d’estimation, le modèle SEM permet de maximiser la vraissemblance (-106.69197) devançant le modèle LAG (-107.27428) et le modèle linéaire (-114.483).

MCO MCP LinéaireMV LAG SEM

L’incorporation de la dimension spatiale a permis également d’augmenter le pouvoir explicatif du modèle tout en préservant le signe et la significativité des coefficients estimés.

Le modèle SEM estimé obtenu est :

ĉh_i = −0.126ets + 0.115D + 0.0481t_ASS

Par ailleurs, nous savons aussi que d’après l’expression (1.11), ε̂_i représente une moyenne des résidus des régions voisines du fait que : ε_i = λΣw_ijε_j avec λ̂ = 0.000285. Nous pouvons donc analyser l’effet résiduel du voisinage de certaines délégations pour confirmer le phénomène d’interaction spatial sous-jacent.

– ε̂_ElMen𝑥ah = −0.4818955, ε̂_{SakitE𝑥𝑥it} = −.1081937 ou ε̂_KalaaKebira = −0.132982 traduisent l’impact de la localisation de ces délégations sur le taux de chômage. Ces valeurs négatives indiquent que le voisinage géograhique tend à attenuer l’ampleur du niveau de chômage et rendent compte de l’avantage de la zone proche en terme d’emploi. Ainsi, la délégation bénéficie du dynamisme et de l’activité à proximité d’où le rôle de « levier » joué par les délégations voisines.

– Pour ε̂_OumLarayes = 0.9124678, ε̂_Sijoumi = 0.8992072 ou ε̂_Nadhour = 0.8647348, les valeurs positives indiquent que le voisinage géograhique tend à aggraver l’ampleur du niveau de chômage et rendent compte de l’handicap causé par les zone à proximité en terme d’emploi. Ainsi, la délégation pâtit de l’atonie et de l’inactivité des délégations voisines.

L’ensemble des résultats obtenus dans ce paragraphe indique que le modèle avec auto-corrélation des erreurs apparaît être la spécification la plus appropriée comme l’avait indiqué la règle de décision d’Anselin et de Florax. Ce modèle permet aussi d’analyser l’effet résiduel du voisinage sur l’activité propore des délégations prises une à une.

Conclusion

Dans le cadre de ce chapitre, nous avons montré que les problèmes du chômage et de la précarité de l’emploi touchent aujourd’hui la plupart des catégories et des zones en Tunisie avec une dominance dans les zones défavorisées en terme d’infrastracture laquelle conditionne l’implantation des entreprises vecteur d’emploi. De manière parallèle, notre analyse empirique focalisée sur les liens entre la localisation géographique des régions au sein du pays et leur situation économique, que nous avons apprécié par le taux de chômage s’est révélée pertinente à plus d’un titre.

L’examen de la dynamique spatiale de la distribution des emplois en Tunisie sur les 262 délégations a pu détecter une forme de l’autocorrélation spatiale positive dans notre échantillon : une concentration spatiale de régions souffrant de taux de chômage régionaux similaires traduite par le test de Moran. Par ailleurs, nous avons pu démontrer la supériorité de la méthodologie de l’économétrie spatiale par rapport au traitement économétrique standard.

Les coefficients obtenus suite à l’estimation par maximum de vraissemblance sont plus significatif et captent plus la variabilité du taux de chômage que les estimations réalisées moyennant la méthode des moindres carrés pondérés ou la méthode des moindres carrés ordinaires. D’autant plus que l’estimation du modèle SEM nous a permis de déterminer l’effet résiduel entre une unité spatiale et son voisinage.

Nous avons pu constater qu’il existe un schèma d’interaction entre une délégation et les délégations qui l’entourent de manière à promouvoir l’emploi ou, de manière opposée, aggraver sa situation.

Cet effet oeuvre est en faveur du recours aux techniques permettant de prendre en compte l’autocorrélation spatiale dans l’étude des disparités géographiques et permet d’améliorer le diagnostic et les décisions visant à réduire le différentiel entre les régions.

Conclusion Générale

Dans ce mémoire, nous avons cherché à examiner pourquoi l’interaction spatiale doit être modélisée et comment elle est introduite dans les modèles économétriques. Cette interaction se modélise grâce aux matrices de poids. En sa présence, nous avons montré que l’utilisation des moindres carrés ordinaires produit des estimateurs inef- ficients et l’inférence statistique ne pouvait pas être fiable.

Lorsqu’elle est détectée, différents modèles économétriques permettent d’en tenir compte à savoir le modèle à variable endogène décalée et le modèle avec autocorrélation spatiale des erreurs. Par la suite, nous avons signifié que les moindres carrés ordinaires et les moindres carrés quasi-généralisés n’étaient pas des méthodes adaptées et qu’il fallait recourir à d’autres méthodes d’estimation telle la méthode du maximum de vraisemblance, celle des variables instrumentales ou des moments généralisés.

A travers les règles de décision, les tests de spécification permettent de déterminer la forme prise par l’autocorrélation spatiale et son interprétation.

Afin de mettre en application cette méthodologie dans le contexte tunisien, nous avons montré que les problèmes du chômage et de la précarité de l’emploi touchaient des régions plus que d’autres avec une dominance dans les zones défavorisées en terme d’infrastracture et d’implantation des entreprises. De manière parallèle, notre analyse empirique focalisée sur les liens entre la localisation géographique des régions au sein du pays et leur situation économique, que nous avons apprécié par le taux de chômage s’est révélée pertinente à plus d’un titre.

L’examen de la dynamique spatiale de la distribution des emplois en Tunisie sur les 262 délégations a pu détecter une forme de l’autocorrélation spatiale positive dans notre échantillon traduite par le test de Moran. Par ailleurs, nous avons pu démontrer la supériorité de la méthodologie de l’économétrie spatiale par rapport au traitement économétrique standard dans l’explication du taux de chômage par la distance du centre d’activité, le taux de raccordement au réseau d’assainissement et le nombre d’entreprises implantées dans chaque délégation.

Toutefois, notre examen empirique, limité par la disponibilité des données, aurait pu être élargi à d’autres variables économiques locales, des variables institutionnelles, des variables portant sur les ressources naturelles et des variables d’ordre météorologique. De plus, la la matrice de poids modélisant l’interaction spatiale aurait pu prendre la forme d’une matrice de contiguité hormis l’aspect arbitraire de l’un ou l’autre des choix. Il est à noté que longtemps ignorées dans les articles contenant des études empi- riques, les techniques de l’économétrie spatiale sont aujourd’hui de plus en plus appli- quées et permettent d’étudier la présence et l’impact des effets de débordement géo- graphiques sur les comportements économiques.

Ce travail a été restreint au cadre des modèles linéaires en coupe transversale mais il faut souligner que la recherche en éco- nométrie spatiale s’oriente actuellement vers l’incorporation des effets spatiaux dans les modèles à variables qualitatives dans les travaux de Ozturk (2001) et Smith (2004) ainsi que les modèles spatio-temporels notamment via l’investigation portant sur l’exis- tence d’effet spatial dans les modèles de panel comme suggéré par Baltagi (2007).

Ce cadre d’étude peut révéler un problème d’hétéroscédasticité dont le traitement est plus complexe permettant néanmoins des analyses plus riches. LeSage et Pace invoquent, parallélement, d’adapter les techniques de la méthodologie bayésienne dans l’optique d’obtenir de meilleurs résultats.