· web viewméthodologie et source des données selon la littérature, deux types d’analyses les...
TRANSCRIPT
Jean Aristide [email protected]
[Chercheur, Laboratoire d’Analyses et de Recherche en Economie Mathématique (LAREM), Université de Yaoundé II-Soa, BP: 5344 Yaoundé-Cameroun]
Nina Moudio Bissossoli1
[email protected] Faculté des Sciences Economiques et de Gestion, Université de Yaoundé II-Soa
1 PhD Student à la Faculté des Sciences Economiques et de Gestion
IMPACT OF AGRICULTURAL PERFORMANCE ON THE LIVING CONDITIONS OF POPULATIONS IN DEVELOPING COUNTRIES: CASE OF CAMEROON
Résumé
Le présent papier apprécie l’impact de la performance du secteur agricole sur les conditions
de vie des populations. Pour une meilleure analyse, nous utilisons un modèle VAR (Vector
Autoregressive) sur la période 1970-2014. Les résultats indiquent la performance du secteur
agricole influence positivement la production dans les secteurs de l’industrie et des services
avec des implications sur le produit intérieur /habitant. Autrement dit une amélioration de la
performance agricole accroit le bien-être des populations.
Mots Clés : Performance, Politiques publiques agricoles, bien-être, modèle VAR, Cameroun.
Jel Classification: C32, Q18, I38.
Abstract
This paper assesses the impact of the performance of agricultural sector on the living
conditions of the population. We use a VAR model (Vector Autoregressive) during the period
1970-2014. The results show that an improvement in agricultural performance increases the
household’s welfare.
Key Words: Performance, Agricultural public policies, welfare, VAR model, Cameroon.
I. Introduction
Afrique en miniature, le Cameroun dispose d’abondantes ressources naturelles. Cependant,
L’exploitation minière ne constitue pas l’activité motrice de l’économie. Celle-ci repose en
grande partie sur l’agriculture au regard des contributions de ce secteur au Produit intérieur
Brut (PIB). Soit 3,1% en 2011, 2,7% en 2012, 3,7 en 2013 et 4,3 en 2014. Ce secteur emploie
près de 75% de sa population qui est en majorité rurale (60%). Malgré qu’il s’agisse
d’emplois précaires ne permettant pas de lutter efficacement contre la pauvreté surtout en
milieu rural.
Au regard des avantages comparatifs donc bénéficie le pays en matière agricole (Abondance
d’une main d’œuvre, Abondance des terres arables, présence des fermes agricoles,
d’agropoles, d’agro-industries, etc.), il constitue le grenier de l’Afrique centrale. Il contribue à
hauteur de 36% au Produit intérieur Brut (PIB) de la sous-région (CTA2, 2011) et contribue à
hauteur de 85% des exportations agricoles sous régionales avec comme principales denrées, le
cacao (61%), la banane (25%), le café (5%) et le coton (5%) (MINFI, 2013)3. La formation du
PIB agricole dépend majoritairement de la production à grande échelle des fermes
commerciales qui s’y trouvent. Le pays occupe également une place de choix dans le
classement des pays à forte capacité d’autosuffisance alimentaire. Il enregistre une faible
proportion de personnes sous alimentées fixé à 23% par rapport à une moyenne sous régionale
de 53% (CTA, 2011). Etant le principal acteur du commerce de la sous-région, le Cameroun
effectue environ 60% des échanges intra-région. Même si celui-ci représente seulement 5% du
commerce extérieur, il est le principal exportateur agricole net de la sous-région tandis que les
autres pays sont les importateurs nets (CTA, 2011). La base productive et agricole du
Cameroun est assez variée. Elle va des produits de rentes à savoir le cacao, le café, le
caoutchouc, le coton la banane et l’huile de palme aux cultures de consommation locale telles
que les féculents, les céréales et les agrumes etc...
Depuis l’accession du pays à l’indépendance de nombreuses politiques et programmes ont été
mis en œuvre dans le secteur agricole. On est parti du tout interventionnisme de 1960 à 1986
au moins interventionnisme en passant par la libéralisation des échanges commerciaux et
plus précisément des échanges agricoles avec la mise du pays sous Ajustement Structurel
entre 1986 et 2000. On n’oublie pas que depuis l’atteinte du point d’achèvement de 2 CTA (Centre technique de coopération agricole et rural), Note de synthèse sur l’agriculture dans la CEMAC ; http://agritrade.cta.int.3 Loi de finance (2014), Rapport sur la situation et les perspectives économiques sociales et financières de la nation, Exercice 2013, République du Cameroun.
Page | 1
l’Initiative Pays pauvres très Endettés en 2006, de nombreux programmes et projets ont vu le
jour dans le secteur agricole et en particulier dans le sous-secteur agriculture et
développement rural dans le but d’améliorer les revenus des populations rurales, d’améliorer
la productivité et la compétitivité des filières, d’accroitre les rendements, d’étendre les
superficies cultivées, de régénérer les plantations et de contribuer à la maitrise des itinéraires
techniques. Ils ont donc deux grands piliers à savoir les marchés et prix agricoles, et le
développement rural.
Le pays a également engagé des réformes pour renforcer le développement institutionnel et
accroitre les compétences des fonctionnaires travaillant dans ce secteur et les compétences des
organisations paysannes bien structurées.
Toujours dans l’optique de dynamiser son agriculture pour lutter efficacement contre la
pauvreté et promouvoir la sécurité alimentaire, le pays a souscrit, à l’échelle régionale et
internationale, à des engagements tels que la déclaration de l’Union Africaine de Maputo
(Déclaration sur l’Agriculture et la Sécurité Alimentaire en Afrique), ratifiée par l’Assemblée
Générale du Sommet des Chefs d’Etat et de Gouvernement de l’Union Africaine à sa session
tenue en Juillet 2003 à Maputo, demandant aux pays africains qu’il soit attribué 10% de leur
budget national au secteur agricole ; les Objectifs du Millénaire pour le Développement
(OMD) ou Objectifs de Développement Durable (ODD) selon l’Agenda post 2015 des
Nations Unies ; le Sommet Mondial sur la Sécurité Alimentaire (SMSA), Rome Novembre
2009 ; le Programme Détaillé pour le Développement de l’Agriculture Africaine (PDDAA),
de Juillet 2013.
Au regard de ce qui précède, le présent papier met en exergue l’impact de la performance du
secteur agricole sur les autres secteurs et les conditions de vie des populations. De façon
spécifique, il apprécie la relation causale qui existe entre : (i) le produit intérieur brut agricole
et le produit intérieur brut industriel ; (ii) le produit intérieur brut agricole et le produit
intérieur brut du secteur des services ; (iii) le produit intérieur brut agricole et le bien-être des
ménages. Pour y parvenir, on recourt à la fois aux données administratives officielles
(documents de projets, rapports d’activités, etc.), textes officielles et aux données de la
banque mondiale.
Ce papier, hors mis l’introduction, comprend quatre autres grandes sections. La première met
en relief les débats théoriques sur l’impact de l’agriculture et ressort l’ensemble des politiques
publiques agricoles mises en œuvre dans le pays depuis son accession à l’indépendance. La
Page | 2
deuxième présente la méthodologie et la source des données utilisées. La troisième quant à
elle présente les résultats obtenus. Tandis que la dernière est consacrée aux conclusions et
discussions.
II. Débats théoriques et empiriques
1. Liens entre Agriculture, Croissance, Sécurité Alimentaire et Réduction de la
Pauvreté : Revue des débats théoriques
Dans cette section, on s’interroge sur la manière dont les récentes recherches ont abordé le
rôle de l’agriculture dans le développement économique des pays en développement en
général et du Cameroun en particulier. L’investissement agricole peut stimuler la croissance,
l’emploi et par conséquent les revenus. De nombreux travaux dans la littérature l’attestent.
Certains considèrent qu’il existe un lien direct, d’autres un lien indirect. Ces travaux utilisent
aussi bien des modèles économétriques que les modèles d’équilibre général calculable.
D’après Johnston et Mellor (1961), l’agriculture constitue le premier levier sur lequel tout
pays devrait agir pour asseoir son développement économique. Ces auteurs indiquent que la
croissance de la productivité agricole dans une économie fermée conduit simultanément à
l’augmentation des revenus ruraux avec des implications sur la réduction de la pauvreté, la
diminution des prix des produits alimentaires, l’augmentation de l’épargne rurale nécessaire
pour financer l’industrie domestique, et étendre le marché domestique aux produits non
agricoles. Cependant, si on se situe dans une économie ouverte, on enregistre des bénéfices
additionnels tels que la réduction des prix des denrées alimentaires en zone urbaine,
l’efficience des salaires nominaux grâce aux gains de productivité agricole, la compétitivité à
l’export des produits non agricole. Leur modèle se base sur l’expérience historique des pays
occidentaux et du Japon pour montrer que le succès de la croissance économique d’un Etat est
fortement lié à la croissance agricole.
Il s’agit également du seul moyen pour un Etat de garantir son indépendance alimentaire. Pour
cela, il suffit de produire plus et lutter contre les monopoles dans le commerce des produits
agricoles autrement dit procéder à la libéralisation des échanges agricoles comme l’indique
Courade (1996). Une hausse de la production agricole accroit le revenu des agriculteurs avec
des implications sur leur demande en biens et services produits par les non agriculteurs du
monde rural d’une part et la pauvreté rurale en termes de baisse d’autre part.
Le développement agricole est donc précurseur à l’industrialisation d’un pays (Clark, 1999).
Page | 3
Dans son rapport sur le Développement mondial en 2008, la Banque mondiale le réaffirme.
Elle met en exergue le rôle essentiel de l’agriculture dans les étapes primaires du
développement. Selon l’organisation de Breton Woods, l’action jumelée de politiques
publiques et d’institutions fortes orientées dans le domaine agricole permet d’améliorer la
croissance des pays pauvres de l’Afrique subsaharienne. Cette hypothèse est confortée par les
études effectuées sur les modèles de croissance avec le secteur agricole. En effet, il ressort de
ces études qu’il existe de fortes prédictions avec la théorie économique sur le rôle effectif de
la croissance agricole sur la croissance économique (Gollin et Dercon, 2014 ; Gollin, Parente
et Rogerson, 2002, 2004, 2007 ; Echevarria, 1997 ; Eswaran et Kotwal, 1993).
Bravo-Ortega et Ledeman (2005) démontre que la productivité agricole influence
positivement le revenu des pauvres. Selon eux la productivité agricole accroit le revenu des
deuxième et troisième quintiles dans les pays en développement. Dans le même ordre d’idées,
Staatz et Dembélé (2008) montrent qu’une hausse de la productivité agricole améliore la
production, en utilisant les données sur la production des céréales (maïs et riz) au Mali et au
Rwanda.
Mc Arthur et Sachs (2013) ont démontré dans le cas de l’Ouganda que l’aide financière
agricole booste la production agricole avec des implications majeures sur la croissance
économique.
D’autres chercheurs utilisant les modèles d’équilibre général ont mis en exergue les liens
entre croissance agricole et bien-être des populations rurales (Thirtle et al, 2003 ; Irz et al,
2001; Thirtle et al, 2001; Hanner et Naschold, 2000 ; Mellor, 1999 ; Datt et Ravallion, 1998).
Grâce à cette méthode, ceux-ci montrent qu’une hausse du PIB agricole promeut une
croissance rurale et catalyse un développement inclusif.
Toutefois, parmi ces études, seules les analyses de Thirtle et al (2001), Irz et al (2001), et Datt
et Ravallion (1998) mettent en évidence le lien direct qui existe entre productivité agricole et
réduction de la pauvreté. Ces études démontrent qu’un accroissement de la productivité
agricole accroit le taux de salaire réel avec des effets induits positifs sur la réduction de la
pauvreté.
Poursuivant dans ce sens, Allgoni et al (2004) ont mis en exergue les effets induits de
l’introduction de nouvelles variétés sur la production et le revenu des ménages au Bénin à
l’aide d’une régression multiple. Les résultats obtenus montrent que l’adoption des nouvelles
Page | 4
technologies augmente les rendements de 20% par hectare et par conséquent les revenus des
producteurs de niébé qui s’accroissent de 13%.
Ces effets induits sont également observés au niveau de l’emploi rural car une hausse de la
production agricole entraine une hausse de la demande de travail à travers les surfaces
cultivées, la technologie de production qui influence la demande de travail et la main
d’œuvre utilisée par parcelle avec des effets positifs sur le revenu des paysans et la réduction
de la pauvreté.
2. Les Politiques Agricoles Au Cameroun : de l’indépendance à aujourd’hui
Dès l’accession à l’indépendance en 1960, le Cameroun a misé sur l’agriculture pour
dynamiser sa croissance économique comme la majorité des pays d’Afrique Sub-saharienne et
des pays en développement en général.
Pour atteindre cet objectif et ceux liés à la sécurité alimentaire, de nombreux programmes,
projets et politiques agricoles ont été mis en œuvre. Trois temps majeurs permettent de mieux
analyser ces politiques à savoir la période du tout interventionnisme (1960-1986), la période
des Programmes d’Ajustement Structurel (1986-2000), la période Post Ajustement Structurel.
La première période est dominée par une planification rigoureuse. Durant celle-ci, Cinq plans
quinquennaux de développement4 ont élaborés et mis en œuvre. La principale caractéristique
de cette période est la trop grande implication de l’Etat. Celui-ci intervient notamment pour
règlementer la commercialisation des produits, administrer les prix des produits à
l’exportation, fournir les biens et services de base. On a assisté au cours de cette période à la
création de nombreuses fermes agricoles, bassins de production et une spécialisation dans les
cultures d’exportation et industrielles à savoir le cacao, le café, l’hévéa et le palmier à huile
qui rapportaient de nombreuses devises. Ainsi, on observe que l’essentiel des soutiens
financiers, matériels et techniques étaient orientés vers ces filières en particulier. Pour
accompagner les producteurs en majorité des petits paysans, l’Etat a créé de nombreuses
structures d’encadrement à l’instar de l’Institut de Recherche Agricole (IRA), l’Institut de
Recherche Zootechnique (IRZ) , le Fond National de Développement Rural (FONADER)
organisme financier étatique chargé d’apporter un soutien financier aux agriculteurs ; des
sociétés de développement ont été créées ainsi que des missions de développement. Celles-ci
ont été créées pour répondre à des besoins immédiats dans les domaines où l'État n'a pas jugé
4 Plan quinquennal 1960-1965 ; plan quinquennal 1966-1971 ; plan quinquennal 1971-1976 ; plan quinquennal 1976-1981 ; plan quinquennal 1981-1986.
Page | 5
nécessaire de créer une société de développement. Elles n'avaient pas de capital social et
recevaient essentiellement des subventions publiques.
Cette période peut être qualifiée de période des « vingt glorieuse » pour le pays car Celle-ci
s’est traduite par une hausse de la consommation des ménages (2 % par an) et par un
accroissement sensible du Produit Intérieur Brut par tête5. Cette performance est imputable en
général au secteur agricole qui représentait plus de 30% du PIB et près de 80% des
exportations.
La deuxième période marquée par l’Ajustement Structurel6 constitue le début de la fin de
l’intervention de l’Etat dans tous les secteurs et en particulier dans le secteur agricole avec le
désengagement progressif de l’État dans l’administration de l’économie agricole, la baisse des
subventions, la privatisation et la restructuration des entreprises publiques et parapubliques et
la libéralisation du commerce agricole pour accroître la compétitivité des produits du secteur
en octroyant plus d’agréments aux exportateurs, à la suppression des monopoles et une
rétrocession des attributions de commercialisation l’ONCPB7. On parle en fait du Plan
d’Ajustement du Secteur Agricole (PASA) adopté en 1990. Ce plan aussi contribué à la
naissance de l’Institut de Recherche Agricole pour le Développement (IRAD). L'IRAD a été
créé par le décret n° 96/050 du 12 mars 1996 sous les cendres de l'IRA et de l'IRZ dont elle a
été une fusion. L'IRAD a la mission de conduire les activités de recherche visant la promotion
du développement agricole dans les domaines des productions végétales, animales,
halieutiques, forestière et de l'environnement, ainsi que des technologies alimentaires et agro-
industrielles. L'IRAD travaille en collaboration avec quelques sociétés de développement
dans la recherche d'accompagnement par filière. Il s'agit de la SODECOTON pour la filière
coton, la CDC et HEVECAM pour la filière hévéa, etc.
Ce programme de redressement économique et financier qui est une conséquence majeur d’un
niveau d’endettement élevé et du déséquilibre macroéconomique dû d’une part à la chute des
cours des cultures d’exportations ou des matières premières. L’une des implications de cette
chute est la réorientation de la politique agricole du pays, avec un accent particulier sur les
cultures de céréales, de racines et tubercules, etc.
5 Celui-ci est passé de 200.000 FCFA en 1965 à 360 000 FCFA en 1985. 6 Les objectifs des PAS sont : "passer d'une économie administrée à une économie de marché et d'une économie endettée à économie assainie financièrement".7 Office National de Commercialisation des Produits de Base
Page | 6
Ce programme de redressement économique et financier a permis d’améliorer la compétitivité
de certains produits d’exportations en souffrance depuis le début des années 80, grâce à la
dévaluation du Francs CFA qui intervient en 1994. Cet ajustement monétaire agit
positivement sur le prix des produits à l’exportation et améliore la balance commerciale.
La politique Agricole post Ajustement repose essentiellement sur trois grands points : la
consolidation du secteur agricole comme moteur du développement économique et social du
pays ; la promotion de l’organisation professionnelle et interprofessionnelle des différents
opérateurs économiques qui doivent constituer les principaux acteurs du développement de
l’agriculture ; l’amélioration de la sécurité alimentaire des populations grâce à l’augmentation
des productions et de l’ensemble des revenus. Ces axes majeurs ont été clairement définis
dans la Stratégie de Développement du Secteur Rural (SDSR) élaboré en 2003 et modifiée en
2012. Cette Stratégie a été reprise en partie dans le Document de Stratégie pour la Croissance
et l’Emploi (DSCE) boussole économique du Gouvernement pour la période 2010-2020.
Ainsi, pour atteindre les résultats escomptés en ce qui concerne ce secteur notamment en
matière d’emploi, de réduction de la pauvreté et d’amélioration de la sécurité alimentaire, de
nombreux programmes et projets ont vu le jour avec des résultats mitigés. Ces programmes et
projets sont pour l’essentiel regroupés au sein du MINADER et MINEPIA, structures en
charge du développement de l’Agriculture au sens large et du Développement Rural. Ces
projets et programmes ont pour objectifs de : développer durablement les productions
agricoles ; développer les exploitations agricoles ; renforcer les capacités et les compétences
des acteurs à la base ; inciter les jeunes à faire l’agriculture, donc à rajeunir la main d’œuvre
agricole ; développer et améliorer les statistiques agricoles et alimentaires ; promouvoir le
développement local et communautaire ; gérer durablement les ressources naturelles.
Le but ultime du Gouvernement est de dynamiser la production agricole et promouvoir un
développement rural qui permet de lutter contre la pauvreté à la base. Cette dynamisation
implique donc l’utilisation des produits agro-chimiques (engrais et pesticides), de nouvelles
variétés de semences, de nouvelles techniques de production qui sont vulgarisées et
conseillées par les agents étatiques.
III. Méthodologie et Source des données
Selon la littérature, deux types d’analyses les relations causales entre l’agriculture et d’autres
variables économiques. Il s’agit des analyses microéconomiques et des macroéconomiques.
Les analyses microéconomiques sont les plus nombreuses et utilisent l’économétrie
Page | 7
qualitative à l’instar de de Feubi et al (2016) étudient les implications des inégalités de genre
sur la croissance agricole, la création d’emploi et la pauvreté au Cameroun.
En revanche, les études macroéconomiques identifiées dans la littérature recourent aux
modèles d’équilibre général calculable c’est le cas de l’analyse de Feubi et al (2014). Cette
étude apprécie le lien entre les Investissements Directs Etrangers (IDE), l’accès à la terre et
les marchés fonciers en vue de stimuler le commerce international du Cameroun.
A l’opposé de ces études qui s’appuient également sur l’analyse descriptive, la présente étude
convoque la modélisation VAR (Vector Autoregressive) pour confirmer ou infirmer les
résultats obtenus à l’aide de l’analyse descriptive qui s’appuie essentiellement sur les
graphiques.
L’approche VAR permet de modéliser la dynamique de différentes variables agrégées à l’aide
d’un faible nombre de restrictions, la sélection du modèle ne s’effectuant que sur la base de
critères statistiques.
Il s'agit d'un modèle qui ne s'intéresse qu'aux relations statistiques qui existent entre les
variables. La modélisation VAR permet en effet d'exprimer chaque indicateur ou agrégat
endogène comme fonction linéaire des valeurs passées (retardées) de tous les indicateurs
endogènes et valeurs présentes ou retardées des exogènes. Ce modèle offre des facilités de
calcul et des possibilités de prévisions. Il est bien utilisable dans le cadre de l'analyse des
impacts de la production agricole sur la croissance économique à cause de sa simplicité, ses
facilités et des applications qu'il permet de réaliser.
Le modèle VAR présente l'avantage d'être facilement estimable tout en prenant en compte les
relations entre les valeurs présentes des variables et leurs valeurs retardées. Il permet aussi de:
faire des chocs (impulsions) afin d'évaluer les impacts de la variabilité d'une variable
endogène sur les autres endogènes ;
opérer une décomposition de la variance pour mieux cerner l'importance relative de
chaque innovation aléatoire des variables du VAR ;
de procéder aux tests de causalité à la Granger (1969) qui aident à estimer la part
d'explication que les valeurs passées ou retardées d'un vecteur apportent à un autre
vecteur ;
d'effectuer des prévisions ;
Page | 8
d'étudier la cointégration des variables macroéconomiques pour appréhender les
relations de long terme.
Ce modèle peut prendre en compte :
des restrictions dues à des identités comptables et aux structures de certains domaines
de l'économie (il s'agit dans ce cas de VAR structurels) ;
de vérifier si à un moment donné une structure a changé, puis d'en évaluer les
conséquences éventuelles (VAR avec rupture structurelle à un point inconnu) ;
Comme applications du modèle VAR, nous avons la fonction d’impulsion ; la décomposition
de la variance ; la causalité.
Pour cette étude la procédure adoptée est la suivante :
tests de Dickey-Fuller Augmentée pour déterminer le degré d’intégration des
variables. Autrement dit de montrer que les variables sont stationnaires. Une variable
est dite stationnaire si la p-value calculée est inférieure au niveau de significativité de
1%, 5%, 10% ;
test de Johansen si les variables sont intégrés d’ordre 1. Ceci permettra d’approfondir
et de décider sur l’utilisation du modèle VAR ;
tests de cointégration pour apprécier le degré de relation qui existe entre les variables
entre les variables endogènes à savoir le PIB/hab, le PIB_IND, PIB_SER ;
test de causalité de Granger.
L’impact de la performance du secteur agricole sur celles des autres secteurs et l’impact de la
performance du secteur agricole sur les conditions de vie sont estimés à l’aide des Moindres
carrés Ordinaire.
Le modèle général utilisé s’écrit :
1
p
t i t i t ti
Y AY BX u
et B matrices des paramètres à estimer.
Vecteur des variables endogènes et Xt vecteur des variables exogènes ou explicatives.
Page | 9
iA
tY
ut vecteur d’innovations.
Les données utilisées dans le cadre de cette étude proviennent de plusieurs sources à savoir la
Banque mondiale, la Food and Agriculture Organisation (FAO) et l’Institut National de la
Statistique du Cameroun. De manière spécifique, les données liées à l’évolution de la
production des cultures de rente, des cultures vivrières ainsi que les données sur la pauvreté
proviennent de l’Institut National de la Statistique (INS). Les données sur les cultures de rente
et vivrières proviennent de la comptabilité nationale. En outre, les données sur la pauvreté ont
été collectées en 1996, 2001, 2007 et 2014. Il s’agit des données d’enquête collectées auprès
des ménages dans le but d’actualiser le profil de pauvreté et d’apprécier l’avancement des
indicateurs liés aux objectifs de développement durable (ODD).
Par ailleurs, les données de la Banque Mondiale proviennent du World Development
Indicators 2017 (WDI, 2017). Il s’agit des données sur la production intérieure brute par
secteur (agricole, industrie et services) et le produit intérieur brut par habitant sur la période
1960-2014. Tandis que les données sur la prévalence de sous-alimentation proviennent de la
FAO sur la même période. Toutes ces informations mises ensemble permettent de mieux
apprécier l’impact de la performance du secteur agricole sur le bien-être dans le pays.
IV. Présentation et Interprétation des Résultats
1. Analyse descriptive de l’évolution de la performance du secteur agricole
Graphiquement, les cinquante (50) années de l’agriculture camerounaise peuvent être
résumées par le graphique ci-dessous qui donne une photographie des politiques publiques
agricoles du Cameroun notamment en ce qui concerne les cultures d’exportations ou
industrielles.
19791980
19811986
19871988
19891990
19911992
19931994
19951996
19971998
19992000
20012002
20032004
20072008
20092010
20110
50100150200250300350
Evolution de la production (en milliers de tonnes)
cacao café coton banane huile de palme caoutchouc
Page | 10
Source : Auteurs à partir des données du MINFI/DAE
Ceci est aussi symbolisé par l’évolution des terres arables autrement dit les terres potentiellement cultivables comme l’indique le graphique ci-dessus proposé par Feubi et al (2014).
Evolution des Terres arables, du PIB agricole et du PIB par tête au Cameroun
19601962
19641966
19681970
19721974
19761978
19801982
19841986
19881990
19921994
19961998
20002002
20042006
20082010
2012
2014(prévisio
n)
2016(prévisio
n)
-15
-10
-5
0
5
10
15
20
25
Proportion de la terre arable Part du PIB agricole dans le taux de croissance du PIBPIB par tête en pourcentage du taux de croissance
Source : Feubi et al (2014), à partir des données du WDI
Le graphique ci-dessus indique que la proportion des terres labourables est restée quasiment
stable. On constate que l’accroissement de cette proportion observée entre 1960 et 1980 s’est
traduite par un pic autrement dit une hausse de la part du Produit Intérieur Brut (PIB) dans le
taux de croissance du PIB national. Il s’agit d’une hausse jamais égalée jusqu’à présent. Cela
pourrait être justifié par les cours mondiaux des produits agricoles de rentes qui étaient très
élevés à cette période. Durant cette période, on a également assisté à une hausse du PIB par
tête. Autrement dit une amélioration des conditions de vie des populations camerounaises.
Cette période est considérée par de nombreux économistes camerounais comme la période
« faste » de l’agriculture camerounaise.
Page | 11
A la suite de cette période, on a assisté à une stagnation de la proportion des terres labourables
à cause non seulement de la chute des cours mondiaux des produits de rente étant entendu que
le Cameroun était « price taker » c’est-à-dire preneur de prix comme la plupart des pays
d’Afrique au Sud du Sahara et d’Amérique latine exportateurs des produits agricoles tels que
le cacao, la café, la banane et le caoutchouc. Mais aussi par la crise endettement qui s’est
transformée en crise économique empêchant ainsi le pays de poursuivre une politique
économique expansionniste avec un accent particulier sur le développement agricole.
Les implications de cette stagnation engendrée par les différentes crises sont nombreuses.
Parmi lesquels la détérioration des conditions de vie des populations surtout des populations
agricoles.
Toutefois depuis l’atteinte du point d’achèvement et l’adoption des politiques
protectionnismes notamment en ce qui concerne les cultures vivrières par exemple depuis la
crise de la faim de février 2008, la tendance semble s’inversée au regard des progrès
accomplis notamment en ce qui concerne les produits vivriers tels que les céréales (Riz, Maïs,
Mil/Sorgho), les racines et tubercules, la banane, les fruits et légumes dont la production est
en nette progression si l’on considère le graphique ci-dessous.
2008 2009 2010 2011 2012 2013 20140
2000000
4000000
6000000
8000000
10000000
12000000
14000000
Production des principales cultures vivrières (en tonnes)
Céréales Racines et Tubercules Bananes, fruits et légumes
Dans le cadre de son engagement en faveur des Objectifs du Millénaire pour le
développement (OMD), le pays s’est engagé à réduire de moitié son taux de pauvreté et
parvenir à une prévalence d’environ 25% d’ici à 2015, contre 53,3% en 1990. Les résultats
Page | 12
préliminaires de la quatrième enquête camerounaise auprès des ménages réalisée en 2014
indiquent que l’atteinte de cet objectif d’ici à 2020 comme prévu dans le Document de
Stratégie pour la Croissance et l’Emploi (DSCE) reste possible, au regard des perspectives de
croissance économique favorables et soutenues par les politiques publiques en cours de mise
en oeuvre ou envisagées. Ces résultats montrent que l’incidence de la pauvreté se situe à
37,5% en 2014, contre 39,9% en 2007, 40,2% en 2001 et 53% en 1996. On constate qu’au
cours de la période 2007-2014 la dégradation des conditions de vie des populations rurales,
s’est accélérée. L’incidence de pauvreté se situe dans ce milieu à 56,8% en 2014, en hausse
de 1,8 point par rapport à 2007. En revanche, le milieu urbain affiche une incidence de
pauvreté de 8,9%, en baisse de 3,3 points par rapport à 2007. Graphiquement on a :
Source : Auteurs à partir d’ECAM I, II, III, IV et de la comptabilité nationale
L’observation de l’évolution du Produit Intérieur Brut du Secteur Agricole et du Produit
Intérieur Brut global à travers le graphique ci-dessous indique une présomption de corrélation
entre ces deux variables. Depuis 2004, on observe que les deux courbes évoluent presque de
la même manière. Autrement dit une hausse du PIB agricole s’accompagne toujours d’une
hausse du PIB et vice –versa. Entre 2009 et 2011, le graphique indique par exemple une
hausse quasi proportionnelle du PIB Agricole et du PIB.
Cette influence positive n’est pas toujours observée lorsqu’on effectue une analyse croisée
évolution de la pauvreté et taux de croissance du PIB agricole. Au regard des différentes
variations qu’on observe, il serait difficile d’attribuer les fortes variations de la pauvreté
enregistrées sur les périodes 1996-2001 (baisse de 13 points) et 2007-2014 (baisse de 2,4
points) au secteur agricole qui enregistre en moyenne 5% et 4,1% de croissance sur la même
Page | 13
1996 2001 2007 20140
10203040506070
Evolution Spatiale de la Pauvreté
National Urbain Rural
19961998
20002002
20042006
20082010
20120
2
4
6
8
Taux de Croissance
PIB Agricole PIB
période. Au cours de la première période, il semblerait que l’accroissement du PIB agricole
s’est accompagnée d’une baisse de la pauvreté au plan national et suivant le milieu de
résidence. En d’autres termes, on pourrait dire que la croissance agricole a été bénéfique au
pauvre sur la période. Elle a été pro-pauvre. Ceci montre que l’ensemble des politiques
publiques agricoles mis en exergue depuis la dévaluation du Francs CFA ont permis de
réduire la pauvreté dans le pays.
Cependant, sur la période 2007-2014, on observe un effet contraire car la variation à la hausse
du PIB agricole ne s’est pas accompagnée d’une baisse de la pauvreté en milieu rural, malgré
qu’elle ait profité au milieu urbain. Ceci d’une répartition inégale des richesses ou des
revenus. En d’autres termes les inégalités de revenus entre les deux milieux se sont accrues :
l’hypothèse de ruissellement (trickle Down) soutenu par Schultz, n’est donc pas vérifiée.
En ce qui concerne la sécurité alimentaire, il est important de rappeler que le pays a atteint en
2015 l’autosuffisance alimentaire, et donc l’objectif du millénaire pour le développement lié à
la faim. Ceci pourrait être mis à l’actif des politiques publiques agricoles mises en œuvre par
le gouvernement depuis 2000 qui ont permis d’accroitre la production agricole et d’améliorer
l’offre alimentaire réduisant ainsi la prévalence de la sous-alimentation. Au Cameroun, le taux
de prévalence de la sous-alimentation est en nette baisse depuis 1989 comme le montre le
graphique ci-dessous.
1989-1991
1990-1992
1991-1993
1992-1994
1993-1995
1994-1996
1995-1997
1996-1998
1997-1999
1998-2000
1999-2001
2000-2002
2001-2003
2002-2004
2003-2005
2004-2006
2005-2007
2006-2008
2007-2009
2008-2010
2009-2011
2010-2012
2011-201305
10152025303540
Prévalence de la sous-alimentation (%) (moyenne sur 3 ans)
Source : Auteurs à partir des données de FAOSTAT
On peut aussi appréhender la sécurité alimentaire en se focalisant également sur l’évolution de
l’offre et de la demande des produits vivriers ainsi que celle des disponibilités alimentaires et
des aides alimentaires octroyés au pays. L’offre des produits vivriers est mesurée par la
production annuelle et les importations des produits vivriers tandis que la demande est
Page | 14
mesurée par la consommation finale et intermédiaire des produits vivriers, l’investissement
capté par la formation brute du capital fixe et la variation de stocks, les exportations des
produits vivriers, et les aides alimentaires notamment céréalières.
Les exportations et les importations des produits vivriers étant négligeables, la consommation
intermédiaire (les semences), l’investissement n’étant pas appréciables à cause de la non
désagrégation de l’information ou des données, le modèle utilisé sera réduit à trois
composantes à savoir la production vivrière, les aides alimentaires et la consommation
vivrière finale.
19931994
19951996
19971998
19992000
20012002
20032004
20052006
20072008
20092010
20110.00
200.00400.00600.00800.00
1,000.001,200.001,400.001,600.001,800.00
Production des cultures vivrières (en milliers de tonnes)
Consommation finale des produits vivriers (en milliers de tonnes)
Source : Auteurs à partir des données de la comptabilité Nationale (INS)
Ce graphique montre clairement qu’entre 1993 et 2000, l’offre alimentaire en termes de
production vivrière ne permettait pas assez de couvrir les besoins des ménages ou la demande
nationale. Cette situation a connu une inflexion à partir de 2000. Mais c’est effectivement à
partir de 2008 après la crise de la faim que la situation a véritablement été inversée grâce à
l’ensemble des politiques publiques mises en œuvre pour lutter contre la cherté de la vie.
Ces politiques publiques sont en majorité orientées vers l’agriculture pour dynamiser la
production, désenclaver les bassins de production, rendre accessible les produits de
l’agriculture. Les politiques orientées vers l’agriculture pour dynamiser la production sont
essentiellement basées sur les innovations agricoles. Autrement dit sur l’utilisation des engrais
agro-chimiques, des nouvelles variétés de semences (semences améliorées), des nouvelles
techniques de production.
Page | 15
Par ailleurs, L’analyse comparée du secteur agricole avec les autres secteurs que sont le
secteur de l’industrie et le secteur des services montre sur la période d’étude que le secteur
des services crée plus de valeur ajouté que les deux autres. On pourrait donc penser que le
Cameroun qui est un pays carrefour pourrait s’appuyer sur ce secteur pour son décollage
économique. En revanche, le graphique ci-dessus montre sur la période 1965-1980 le secteur
agricole contribuait plus au PIB8 que le secteur de l’industrie. Cette tendance a été inversée
entre 1980 et 1992, période durant laquelle le pays était sous ajustement structurel et depuis
lors ce secteur demeure plus performant confirmant ainsi toutes les théories économiques qui
stipulent que l’industrie est le moteur de l’économie.
19601962
19641966
19681970
19721974
19761978
19801982
19841986
19881990
19921994
19961998
20002002
20042006
20082010
20122014
0
10
20
30
40
50
60
Evolution de la performance des secteurs agricole, industrie et service
Agriculture value (%GDP) Industry, value added (% of GDP)Services, etc., value added (% of GDP)
Source : Auteurs à partir des données du WDI (2017)
2. Présentation des résultats de la modélisation VAR
Pour éviter les effets d’échelle, nous avons utilisé le logarithme (ln) pour réduire les écarts.
Une fois cela effectué, chaque variable a été retardée d’une période, puis nous avons calculé
la différence première de chaque variable retardée et enfin la différence des différences.
Pour vérifier la stationnarité de nos variables, nous avons utilisé le test de Dickey-Fuller
Augmenté. Ce test a été administré d’abord aux variables en niveau, puis aux variables en
niveau retardées d’une période, et enfin aux variables précédentes en différence première. Le
tableau ci-dessous présente les variables qui sont stationnaires. On constate que la variable
PIB par habitant en niveau est stationnaire car les p-value obtenues sont inférieures au niveau
8 Produit Intérieur Brut
Page | 16
de significativité de 5% et 10%. Tandis que les autres variables à savoir PIB_AGR, PIB_IND,
PIB_SER sont stationnaires en différence première après avoir été mise en niveau et retardé
d’une période. Le tableau ci-dessous fait l’économie des résultats obtenus.
Variables Test ADF SignificativitéTest-Statistic P-valueLn (PIB/hab) -2,901 0,0453 **
Ln (PIB/hab-1) -2,843 0,0524 *Dln (PIB_AGR-1) -5,765 0,000 ***Dln (PIB_IND-1) -3,905 0,0020 ***Dln (PIB_SER-1) -4,473 0,0002 ***
Ln (PIB/hab)= PIB/hab mis en niveau ; Ln (PIB/hab-1)= PIB/hab mis en niveau et retardé d’une période ; Dln (PIB_AGR-1)= Différence première du PIB_AGR mis en niveau et retardé d’une période ; Dln (PIB_IND-1)= Différence première du PIB_IND mis en niveau et retardé d’une période ; Dln (PIB_SER-1)= Différence première du PIB_SER mis en niveau et retardé d’une période.
Ces résultats des Tests de Dickey-Fuller Augmenté sont confirmés par les tests de
cointégration de Johansen effectués sur les mêmes variables. Les résultats du test de
cointégration indiquent que l’hypothèse nulle selon laquelle il existe une ou aucune relation
entre les séries utilisées, doit être rejetée car on constate que la trace statistique utilisée dans la
procédure de Johansen pour r=2 est inférieure au seuil critique obtenu pour un niveau de
significativité de 1%. Ce qui signifie qu’il existe au moins deux relations de cointégration.
Autrement dit il existe des relations entre les séries utilisées.
On obtient le même résultat en se focalisant sur les critères d’information à savoir le critère de
Schwarz Bayesian information criterion (SBIC) et le critère de Hannan and Quinn
information criterion (HQIC).
2.1. Influence de la performance du secteur agricole sur les conditions de vie des populations
Les résultats du modèle VAR (Annexe 2) sur toute la période d’étude indiquent qu’il existe
une relation positive et significative entre la performance sur agricole et le bien-être capter par
le PIB/hab. Cette hypothèse vérifié et défendu par les économistes welfaristes comme Martin
Ravallion, est confirmée par le test de Granger qui montre clairement que la performance du
secteur agricole symbolisée par le PIB Agricole influence le bien-être.
Page | 17
Cependant lorsqu’on distingue trois périodes à savoir le tout interventionnisme (1960-1980),
la libéralisation des échanges ou le désengagement de l’Etat 1990 à aujourd’hui), on constate
que le «tout interventionnisme » ou «politique de soutien » caractérisée par des subventions
des intrants ou l’achat de la surproduction des producteurs afin de maintenir élevé les prix
pratiqués sur le marché, a produit des résultats mitigés. En outre lorsqu’on prolonge cette
période jusqu’en 1990, début de la mise en œuvre effective des PAS, on observe que cette
politique a contribué légèrement à l’amélioration du bien-être des populations (confère
Annexe 2).
Cette thèse est également vérifiée sur la période d’étude caractérisée par un désengagement de
l’Etat autrement dit par la pratique d’une politique économique dite libérale. Durant cette
période, on note qu’un accroissement d’une unité du PIB agricole entraine une variation à la
hausse du PIB/hab de 1,8 unité. Le test de Granger le confirme également.
2.2. Impact de la performance du secteur agricole sur les secteurs de l’industrie et des services
Les résultats des estimations du modèle VAR en annexe3 indiquent l’existence d’une relation
causale à deux sens entre ces deux variables captées respectivement par le PIB agricole et le
PIB Industriel. Le test de causalité de Granger effectué le confirme. Ce résultat est également
observé durant la politique de soutien selon les estimations en annexe. Toutefois, la chute des
prix des cultures de rente et l’augmentation de la dette qui a engendré une crise de la dette
conduisant le pays à la mise en œuvre d’une politique d’austérité devant favoriser un retour à
l’équilibre, ont entrainé une baisse des moyens financiers des structures étatiques comme le
FONADER avec des implications majeurs sur la production et les revenus des paysans. Ceux-
ci ont résisté grâce à l’industrie locale bien qu’embryonnaire.
En outre, les résultats indiquent que le désengagement progressif de l’Etat autrement dit la
mise en œuvre d’une politique libérale depuis les années 90 produit des effets positifs sur la
production du secteur industriel.
En ce qui concerne, l’impact du secteur agricole sur le secteur des services, les résultats du
modèle VAR (Annexe 4) indiquent l’existence d’une relation positive et significative entre les
PIB de ces deux secteurs sur toute la période. Selon le test de causalité au sens de Granger, il
s’agit d’une relation bidirectionnelle. Cette influence positive est aussi observée depuis la
mise en place de la politique libérale annoncé dans le libéralisme communautaire publié au
début des années 90 par le chef de l’état.
Page | 18
Globalement, toute influence positive de la performance du secteur agricole sur la création de
la valeur ajoutée pourrait entrainer une hausse du PIB du secteur des services qui est le
secteur de la distribution/la commercialisation, du transport, etc. Ceci signifie que la mise en
œuvre d’une véritable politique agricole et politique industrielle engendrerait un
accroissement du PIB des services qui selon les statistiques officielles contribue plus à la
croissance économique.
V. Conclusions et Discussions
En somme, trois grandes périodes sont essentielles pour l’analyse des politiques publiques
agricoles au Cameroun à savoir la période du tout interventionnisme de l’Etat, période des
plans quinquennaux de développement, celui-ci intervenait pour règlementer la
commercialisation des produits, administrer les prix des produits à l’exportation, fournir les
biens et services de base ; la période des programmes d’ajustement structurel avec notamment
le programme d’ajustement structurel de l’agriculture (PASA) caractérisé par la libéralisation
du commerce agricole pour accroître la compétitivité des produits du secteur en octroyant plus
d’agréments aux exportateurs, à la suppression des monopoles et une rétrocession des
attributions de commercialisation à l’ONCPB ; la période post ajustement structurel avec
notamment la stratégie de développement du secteur rural (SDSR) qui constitue la boussole
du gouvernement en termes de politique agricole. Les implications de toutes ces politiques en
termes de réduction de la pauvreté et promotion de la sécurité alimentaire sont perceptibles.
L’utilisation du modèle VAR indique clairement qu’un choc structurel positif dans le secteur
agricole permettrait d’accélérer la croissance des autres secteurs et d’améliorer les conditions
de vie des populations.
Toutefois, il serait important de se demander si la pratique d’une agriculture biologique dans
le pays créerait plus de valeur ajoutée et par ricochet une réduction significative de la pauvreté
et des inégalités dans le pays.
VI. Références
Achancho, V. (2013), Revue et analyse des stratégies nationales d’investissements et des politiques agricoles en Afrique du Centre: Cas du Cameroun, Dans : Reconstruire le potentiel alimentaire de l’Afrique de l’Ouest, A. Elbehri (ed.), FAO/FIDA.
Allogni, W. N., Coulibaly O. N. et Honlonkou, A. N. (2004), « Impact des Nouvelles Technologies de la Culture de Niébé sur le Revenu et les Dépenses des Ménages Agricoles au Benin », Bulletin de la Recherche Agronomique du Bénin. Numéro 44 - Juin 2004.
Page | 19
Bokagne F. (2006), Évolution et situation actuelle de l’agriculture et de l’élevage. Rapport de synthèse, MINADER – OCDE – Projet « Appui à l’Agriculture Africaine » P3A.
Caselli F. (2005), Accounting for Cross-Country Income Differences, Center for Economic Performance Discussion Paper No 667.
Collier P. et Dercon S. (2014), African Agriculture in 50 Years: Smallholders in a rapidly changing world?, Center on Food Security and the Environment, Stanford Symposium Series on Global Food Policy and Food Security in the 21st Century.
Courade G. (1996), Entre libéralisation et Ajustement Structurel: la sécurité alimentaire dans un étau, Cahiers Agricultures, 5 : 221-7.
Datt, G., et Ravallion, M. (1998), Farm Productivity and rural poverty in India. Journal of Development Studies, 34(4), 62-85.
Dercon S. et Gollin D. (2014), « Agriculture in african development: Review of theories and Strategies », CSAE Working Paper WPS/2014-22.
Epo Ngah B. et Baye M. (2007), “Poverty Reduction in Cameroon, 1996-2001: The Rôle of Growth and Income Redistribution”, MPRA Paper No. 10124, posted 21. August 2008.
FAO-Cameroun (2013), Rapport de la mission d’évaluation de l’impact des inondations à Houmi et DOUGOUI, localités du Mayo-Danay dans l’Extrême Nord.
FAO (2015), Croissance agricole en Afrique de l’ouest : Facteurs déterminants de marché et de politiques. ROME 2015.
Feubi, P. E., Tchitchoua, J. et Soh, S. G. (2016), “ Gender Inequality Implications on Agricultural Growth, Jobs creation and Rural Poverty in Cameroon”, AAAE Fifth International Conference.
Feubi, P. E., Besso, C. R., Biloa, J. A. et Ze A. (2014), “ Effets des Investissements Directs Etrangers sur l’Accès à la Terre, le Marché Foncier et le Commerce intra-regional au Cameroun”, Research in Agricultural and Applied Economics Working paper.
Gollin D, Lagakos D et Waugh M E. (2014), “ The agricultural productivity gap”, Quaterly Journal of Economics doi: 10.1093/qje/qjt056.
Hanmer, L., et Naschold, F. (2000), Attaining the international Development Targets: Will Growth Be Enough? Development Policy Review, 18(1), 11-36.
Irz, X., Thirtle, C., et Wiggins, S. (2001), Agricultural Productivity Growth and Alleviation. Development Policy Review, 19(4), 449-466.
Johnston B. F. et Mellor J. W. (1961), The Role of Agriculture in Economic Development, The American Economic Review, Vol. 51, No. 4, pp. 566-593.
Johansen S. (1991), « Estimation and hypothesis testing of cointegration vectors in Gaussian Vector Autoregressive models », Econométrica, 59, 1551-1580.
Kanwar S. (2000), « Does the dog wag the tail or the tail the dog? cointegration of indian agriculture with non-agriculture ». Journal of Policy Modeling, vol. 22, pp. 533-556.
Katircioglu S. T. (2006), « Causality between agriculture and economic growth in a small nation under political isolation: A case from North Cyprus », International Journal of Social Economics, pp. 331-343.
Page | 20
Ndione Y C., Impact des Politiques Agricoles sur la sécurité alimentaire au Sénégal, Mémoire Maitrise, Université Cheikh Anta Diop de Dakar, Faculté des Sciences Economiques et de Gestion, Année Académique 2009/2010.
Mellor, J., W. (1999), Faster, More Equitable Growth-The Relation between Growth in Agriculture and Poverty Reduction. Agricultural Policy Development Project (Research Report N°4). Washington, D.C.
Ondoa Manga T. (2006), Analyse descriptive des Politiques Agricoles du Cameroun, Table Ronde sur L’analyse des Politiques Agricoles du Cameroun, 05 Juillet 2006, PPT.
Pauw K. et Thurlow J. (2011), Agricultural growth, poverty, and nutrition in Tanzania, Food Policy, Volume 36, Issue 6, Pages 795–804.
Pande R. et Udry C. R. (2005), Institutions and Development: A View from Below, Yale University Economic Growth Center Discussion Paper No. 928.
République du Cameroun (2014), Rapport sur la Situation et les Perspectives Economiques Sociales et Financières de la Nation, MINFI/DAE.
Sadoulet E. et De Janvry A. (1995), Quantitative Development Policy Analysis, the Johns Hopkins University Press.
Stifel D. C. et Thorbecke E. (2003), A dual-dual CGE model of an archetype African economy: trade reform, migration and poverty, Journal of Policy Modeling 25 (2003) 207–235.
Staatz, J. M. et Dembélé, N. N. (2008), Agriculture for Development in Sub-Saharan Africa (Background Paper). Retrieved from http: // www-wds.Worldbank /external/default.
Thirtle, C., Irz, X., Mckenzie-hill, V. et Wiggins, S. (2001), Relationship between changes in agricultural productivity and the incidence of poverty in developing countries (Report N°7946). London: Department for International Development.
Thirtle, C., Lin, et Piesse, J. (2003), The Impact of research led agricultural productivity growth on poverty reduction in Africa, Asia and Latin America (Conference Paper). 25th
conference of the International Association of Agricultural Economists.
Touna Mama (2010), L’Economie Camerounaise: pour un nouveau départ, Africaine d’édition.
World Bank (2007), World Development report 2008: Agriculture for development. Washington, D.C.
Page | 21
VII. Annexes
Annexe 1: Test de cointégration
2 10 108.86951 0.10512 -3.729729 -3.972244 -4.119563 1 9 106.20403 0.46051 -3.699318* -3.917581* -4.050168 0 6 91.392719 -3.32413 -3.469639 -3.55803 rank parms LL eigenvalue SBIC HQIC AICmaximum 2 10 108.86951 0.10512 1 9 106.20403 0.46051 5.3310* 6.65 0 6 91.392719 . 34.9536 20.04 rank parms LL eigenvalue statistic valuemaximum trace critical 1% Sample: 4 - 51 Lags = 2Trend: constant Number of obs = 48 Johansen tests for cointegration
. vecrank Dln_PIB_IND_1 Dln_PIB_SER_1, trend(constant) ic level99
2 10 126.11531 0.17829 -4.448304 -4.690819 -4.838138 1 9 121.40251 0.43933 -4.332588* -4.550851* -4.683438 0 6 107.51573 -3.995922 -4.141431 -4.229822 rank parms LL eigenvalue SBIC HQIC AICmaximum 2 10 126.11531 0.17829 1 9 121.40251 0.43933 9.4256 6.65 0 6 107.51573 . 37.1992 20.04 rank parms LL eigenvalue statistic valuemaximum trace critical 1% Sample: 4 - 51 Lags = 2Trend: constant Number of obs = 48 Johansen tests for cointegration
. vecrank Dln_PIB_AGR_1 Dln_PIB_SER_1, trend(constant) ic level99
Page | 22
2 10 105.78864 0.06387 -3.60136 -3.843875 -3.991193 1 9 104.20461 0.37807 -3.616009* -3.834272* -3.966859 0 6 92.806182 -3.383024 -3.528533 -3.616924 rank parms LL eigenvalue SBIC HQIC AICmaximum 2 10 105.78864 0.06387 1 9 104.20461 0.37807 3.1680* 6.65 0 6 92.806182 . 25.9649 20.04 rank parms LL eigenvalue statistic valuemaximum trace critical 1% Sample: 4 - 51 Lags = 2Trend: constant Number of obs = 48 Johansen tests for cointegration
. vecrank Dln_PIB_AGR_1 Dln_PIB_IND_1, trend(constant) ic level99
Annexe 2: Relation entre PIB Agricole et PIB/Hab
i. Estimation VAR
_cons .277788 .1463914 1.90 0.058 -.0091338 .5647099 L2. -.0702966 .1256468 -0.56 0.576 -.3165598 .1759666 L1. -.3275342 .1358211 -2.41 0.016 -.5937386 -.0613297Dln_PIB_AGR_1 L2. -.9391931 .1896213 -4.95 0.000 -1.310844 -.5675421 L1. .9213184 .1920158 4.80 0.000 .5449743 1.297663 ln_PIB_Hab Dln_PIB_AGR_1 _cons .2076878 .1001306 2.07 0.038 .0114354 .4039402 L2. -.0117435 .0859415 -0.14 0.891 -.1801856 .1566987 L1. .0524779 .0929006 0.56 0.572 -.1296039 .2345598Dln_PIB_AGR_1 L2. -.6760894 .1296996 -5.21 0.000 -.9302959 -.4218829 L1. 1.660605 .1313374 12.64 0.000 1.403188 1.918021 ln_PIB_Hab ln_PIB_Hab Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .067216 0.4571 40.41772 0.0000ln_PIB_Hab 5 .045975 0.9973 17603.37 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 7.17e-06 SBIC = -5.3627FPE = .0000109 HQIC = -5.605215Log likelihood = 148.0608 AIC = -5.752534Sample: 4 - 51 No. of obs = 48
Vector autoregression
. var ln_PIB_Hab Dln_PIB_AGR_1, lags(1/2)
Page | 23
ii. Test de causalité entre les deux variables
Dln_PIB_AGR_1 ALL 30.746 2 0.000 Dln_PIB_AGR_1 ln_PIB_Hab 30.746 2 0.000 ln_PIB_Hab ALL .38062 2 0.827 ln_PIB_Hab Dln_PIB_AGR_1 .38062 2 0.827 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
iii. Instruction des variables Dummy pour apprécier l’effet des politiques agricoles sur période majeure
Sur la période 1960-1980
Page | 24
Dln_PIB_AGR_1 ALL 4.0562 2 0.132 Dln_PIB_AGR_1 ln_PIB_Hab 4.0562 2 0.132 ln_PIB_Hab ALL .97317 2 0.615 ln_PIB_Hab Dln_PIB_AGR_1 .97317 2 0.615 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons -1.522088 .8234213 -1.85 0.065 -3.135964 .0917879 L2. -.1762815 .3511934 -0.50 0.616 -.864608 .5120449 L1. -.4086425 .3673852 -1.11 0.266 -1.128704 .3114194Dln_PIB_AGR_1 L2. .389167 .7742877 0.50 0.615 -1.128409 1.906743 L1. -.2283924 .7497393 -0.30 0.761 -1.697854 1.24107 ln_PIB_Hab Dln_PIB_AGR_1 _cons -.2018301 .4619444 -0.44 0.662 -1.107225 .7035643 L2. .0328862 .1970217 0.17 0.867 -.3532692 .4190416 L1. .1794206 .2061054 0.87 0.384 -.2245385 .5833798Dln_PIB_AGR_1 L2. -.0826201 .4343802 -0.19 0.849 -.9339895 .7687494 L1. 1.107559 .4206084 2.63 0.008 .2831817 1.931936 ln_PIB_Hab ln_PIB_Hab Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .085218 0.2864 5.218252 0.2656ln_PIB_Hab 5 .047808 0.9931 1866.867 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 2.73e-06 SBIC = -5.162176FPE = .0000138 HQIC = -5.686077Log likelihood = 46.37889 AIC = -5.596752Sample: 4 - 16 No. of obs = 13
Vector autoregression
. var ln_PIB_Hab Dln_PIB_AGR_1 if Dum1 ==1, lags(1/2)
Sur la période 1960-1990
Page | 25
Dln_PIB_AGR_1 ALL 10.252 2 0.006 Dln_PIB_AGR_1 ln_PIB_Hab 10.252 2 0.006 ln_PIB_Hab ALL .0247 2 0.988 ln_PIB_Hab Dln_PIB_AGR_1 .0247 2 0.988 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .4699276 .2170366 2.17 0.030 .0445437 .8953114 L2. .2005268 .2090247 0.96 0.337 -.209154 .6102076 L1. -.2624958 .2289652 -1.15 0.252 -.7112594 .1862677Dln_PIB_AGR_1 L2. -.6471597 .2789915 -2.32 0.020 -1.193973 -.1003465 L1. .6115013 .281308 2.17 0.030 .0601477 1.162855 ln_PIB_Hab Dln_PIB_AGR_1 _cons .3029039 .1608666 1.88 0.060 -.0123888 .6181966 L2. .0232775 .1549282 0.15 0.881 -.2803762 .3269311 L1. -.0007188 .169708 -0.00 0.997 -.3333405 .3319029Dln_PIB_AGR_1 L2. -.7708992 .2067873 -3.73 0.000 -1.176195 -.3656035 L1. 1.746245 .2085043 8.38 0.000 1.337584 2.154906 ln_PIB_Hab ln_PIB_Hab Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .077738 0.4707 21.34533 0.0003ln_PIB_Hab 5 .057619 0.9957 5516.63 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 9.15e-06 SBIC = -4.602203FPE = .0000213 HQIC = -4.962835Log likelihood = 71.1167 AIC = -5.093059Sample: 4 - 27 No. of obs = 24
Vector autoregression
. var ln_PIB_Hab Dln_PIB_AGR_1 if Dum2 ==1, lags(1/2)
Après 1990
Page | 26
Dln_PIB_AGR_1 ALL 40.43 2 0.000 Dln_PIB_AGR_1 ln_PIB_Hab 40.43 2 0.000 ln_PIB_Hab ALL .66256 2 0.718 ln_PIB_Hab Dln_PIB_AGR_1 .66256 2 0.718 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .0238446 .4147391 0.06 0.954 -.7890291 .8367182 L2. -.2890936 .1209555 -2.39 0.017 -.5261621 -.0520251 L1. -.2857914 .1243447 -2.30 0.022 -.5295026 -.0420802Dln_PIB_AGR_1 L2. -1.758829 .2777479 -6.33 0.000 -2.303205 -1.214453 L1. 1.759257 .276769 6.36 0.000 1.2168 2.301714 ln_PIB_Hab Dln_PIB_AGR_1 _cons .2695213 .2719783 0.99 0.322 -.2635464 .8025889 L2. .0110934 .0793204 0.14 0.889 -.1443718 .1665586 L1. .0663342 .081543 0.81 0.416 -.0934871 .2261556Dln_PIB_AGR_1 L2. -.3034706 .182142 -1.67 0.096 -.6604622 .0535211 L1. 1.284624 .1815001 7.08 0.000 .92889 1.640357 ln_PIB_Hab ln_PIB_Hab Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .048603 0.6366 42.04214 0.0000ln_PIB_Hab 5 .031873 0.9901 2403.749 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 1.42e-06 SBIC = -6.464835FPE = 3.31e-06 HQIC = -6.825467Log likelihood = 93.46829 AIC = -6.955691Sample: 28 - 51 No. of obs = 24
Vector autoregression
. var ln_PIB_Hab Dln_PIB_AGR_1 if Dum3 ==1, lags(1/2)
Annexe 3: Relation entre PIB Agricole et PIB Industrieli. Estimation Var
Page | 27
_cons .0335535 .0160012 2.10 0.036 .0021917 .0649153 L2. .1346592 .1198149 1.12 0.261 -.1001736 .369492 L1. -.0086082 .1426906 -0.06 0.952 -.2882766 .2710602Dln_PIB_AGR_1 L2. .0195133 .1101613 0.18 0.859 -.1963989 .2354256 L1. .378833 .092667 4.09 0.000 .197209 .560457Dln_PIB_IND_1 Dln_PIB_AGR_1 _cons .0017963 .022677 0.08 0.937 -.0426498 .0462424 L2. .5113488 .1698022 3.01 0.003 .1785426 .844155 L1. .0893334 .2022218 0.44 0.659 -.307014 .4856808Dln_PIB_AGR_1 L2. .1677971 .1561212 1.07 0.282 -.1381948 .473789 L1. .2976363 .1313281 2.27 0.023 .0402379 .5550347Dln_PIB_IND_1 Dln_PIB_IND_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .071779 0.3809 29.53467 0.0000Dln_PIB_IND_1 5 .101725 0.4162 34.22614 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000418 SBIC = -3.60136FPE = .0000634 HQIC = -3.843875Log likelihood = 105.7886 AIC = -3.991193Sample: 4 - 51 No. of obs = 48
Vector autoregression
. var Dln_PIB_IND_1 Dln_PIB_AGR_1, lags(1/2)
ii. Test de causalité entre les deux variables
Dln_PIB_AGR_1 ALL 21.053 2 0.000 Dln_PIB_AGR_1 Dln_PIB_IND_1 21.053 2 0.000 Dln_PIB_IND_1 ALL 9.3758 2 0.009 Dln_PIB_IND_1 Dln_PIB_AGR_1 9.3758 2 0.009 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
iii. Instruction des variables Dummy pour apprécier l’effet des politiques agricoles sur période majeure
Page | 28
Sur la période 1960-1980
Dln_PIB_AGR_1 ALL 9.9542 2 0.007 Dln_PIB_AGR_1 Dln_PIB_IND_1 9.9542 2 0.007 Dln_PIB_IND_1 ALL 42.624 2 0.000 Dln_PIB_IND_1 Dln_PIB_AGR_1 42.624 2 0.000 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .0338444 .0498408 0.68 0.497 -.0638418 .1315306 L2. -.1559186 .2187569 -0.71 0.476 -.5846742 .2728371 L1. -.5004056 .2355992 -2.12 0.034 -.9621715 -.0386397Dln_PIB_AGR_1 L2. 1.607556 .5188211 3.10 0.002 .5906854 2.624427 L1. .1254263 .1769796 0.71 0.479 -.2214474 .4723Dln_PIB_IND_1 Dln_PIB_AGR_1 _cons .000799 .0369083 0.02 0.983 -.0715399 .0731379 L2. 1.043421 .1619946 6.44 0.000 .7259171 1.360924 L1. .1607192 .1744667 0.92 0.357 -.1812293 .5026677Dln_PIB_AGR_1 L2. -.4107571 .3841992 -1.07 0.285 -1.163774 .3422595 L1. .3644225 .1310576 2.78 0.005 .1075543 .6212906Dln_PIB_IND_1 Dln_PIB_IND_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .073458 0.4698 11.51817 0.0213Dln_PIB_IND_1 5 .054398 0.8332 64.93056 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 6.02e-06 SBIC = -4.370866FPE = .0000305 HQIC = -4.894768Log likelihood = 41.23538 AIC = -4.805443Sample: 4 - 16 No. of obs = 13
Vector autoregression
. var Dln_PIB_IND_1 Dln_PIB_AGR_1 if Dum1 ==1, lags(1/2)
Sur la période 1960-1990
Page | 29
Dln_PIB_AGR_1 ALL 4.3892 2 0.111 Dln_PIB_AGR_1 Dln_PIB_IND_1 4.3892 2 0.111 Dln_PIB_IND_1 ALL 17.816 2 0.000 Dln_PIB_IND_1 Dln_PIB_AGR_1 17.816 2 0.000 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .0266702 .0287584 0.93 0.354 -.0296953 .0830356 L2. .356966 .2094278 1.70 0.088 -.0535049 .7674369 L1. .0054962 .1987796 0.03 0.978 -.3841047 .3950971Dln_PIB_AGR_1 L2. -.0079482 .1830476 -0.04 0.965 -.366715 .3508185 L1. .2797443 .1690523 1.65 0.098 -.0515921 .6110808Dln_PIB_IND_1 Dln_PIB_AGR_1 _cons -.0320177 .027154 -1.18 0.238 -.0852386 .0212032 L2. .8323084 .1977442 4.21 0.000 .4447369 1.21988 L1. -.0595962 .18769 -0.32 0.751 -.4274619 .3082696Dln_PIB_AGR_1 L2. -.1705861 .1728357 -0.99 0.324 -.5093379 .1681657 L1. .7450467 .1596212 4.67 0.000 .4321949 1.057898Dln_PIB_IND_1 Dln_PIB_IND_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .085388 0.3614 13.58424 0.0087Dln_PIB_IND_1 5 .080625 0.7565 74.58159 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000296 SBIC = -3.426199FPE = .0000691 HQIC = -3.78683Log likelihood = 57.00466 AIC = -3.917055Sample: 4 - 27 No. of obs = 24
Vector autoregression
. var Dln_PIB_IND_1 Dln_PIB_AGR_1 if Dum2 ==1, lags(1/2)
Après 1990
Page | 30
Dln_PIB_AGR_1 ALL 23.491 2 0.000 Dln_PIB_AGR_1 Dln_PIB_IND_1 23.491 2 0.000 Dln_PIB_IND_1 ALL .83563 2 0.658 Dln_PIB_IND_1 Dln_PIB_AGR_1 .83563 2 0.658 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .02069 .0190066 1.09 0.276 -.0165623 .0579423 L2. -.0714939 .1351969 -0.53 0.597 -.336475 .1934873 L1. .171544 .221085 0.78 0.438 -.2617746 .6048626Dln_PIB_AGR_1 L2. -.0290061 .1592256 -0.18 0.855 -.3410825 .2830703 L1. .5854236 .1222361 4.79 0.000 .3458452 .825002Dln_PIB_IND_1 Dln_PIB_AGR_1 _cons .0774435 .033699 2.30 0.022 .0113945 .1434924 L2. .2152078 .2397061 0.90 0.369 -.2546076 .6850231 L1. -.1304962 .3919869 -0.33 0.739 -.8987764 .6377839Dln_PIB_AGR_1 L2. .0380448 .2823093 0.13 0.893 -.5152712 .5913607 L1. -.2686204 .2167264 -1.24 0.215 -.6933963 .1561555Dln_PIB_IND_1 Dln_PIB_IND_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .056612 0.5070 24.67909 0.0001Dln_PIB_IND_1 5 .100373 0.0857 2.24829 0.6902 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000172 SBIC = -3.97063FPE = .0000401 HQIC = -4.331262Log likelihood = 63.53783 AIC = -4.461486Sample: 28 - 51 No. of obs = 24
Vector autoregression
. var Dln_PIB_IND_1 Dln_PIB_AGR_1 if Dum3 ==1, lags(1/2)
Annexe 4: Relation entre PIB Agricole et PIB Service
Page | 31
i. Estimation Var
_cons .0297886 .0186201 1.60 0.110 -.006706 .0662833 L2. -.0138807 .1576497 -0.09 0.930 -.3228684 .295107 L1. -.0182313 .1459614 -0.12 0.901 -.3043104 .2678478Dln_PIB_AGR_1 L2. .0888272 .1652545 0.54 0.591 -.2350656 .41272 L1. .5294678 .180164 2.94 0.003 .1763527 .8825828Dln_PIB_SER_1 Dln_PIB_AGR_1 _cons .0345048 .0145231 2.38 0.018 .0060401 .0629696 L2. -.1242619 .1229622 -1.01 0.312 -.3652634 .1167397 L1. .5530424 .1138457 4.86 0.000 .3299089 .7761759Dln_PIB_AGR_1 L2. -.1427594 .1288937 -1.11 0.268 -.3953865 .1098677 L1. .3559908 .1405228 2.53 0.011 .0805712 .6314104Dln_PIB_SER_1 Dln_PIB_SER_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .078494 0.2597 16.8355 0.0021Dln_PIB_SER_1 5 .061223 0.4642 41.59022 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000179 SBIC = -4.448304FPE = .0000272 HQIC = -4.690819Log likelihood = 126.1153 AIC = -4.838138Sample: 4 - 51 No. of obs = 48
Vector autoregression
. var Dln_PIB_SER_1 Dln_PIB_AGR_1, lags(1/2)
ii. Test de causalité entre les deux variables
Dln_PIB_AGR_1 ALL 9.7431 2 0.008 Dln_PIB_AGR_1 Dln_PIB_SER_1 9.7431 2 0.008 Dln_PIB_SER_1 ALL 25.569 2 0.000 Dln_PIB_SER_1 Dln_PIB_AGR_1 25.569 2 0.000 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
iii. Instruction des variables Dummy pour apprécier l’effet des politiques agricoles sur période majeure
Sur la période 1960-1980
Page | 32
Dln_PIB_AGR_1 ALL .0231 2 0.989 Dln_PIB_AGR_1 Dln_PIB_SER_1 .0231 2 0.989 Dln_PIB_SER_1 ALL 14.369 2 0.001 Dln_PIB_SER_1 Dln_PIB_AGR_1 14.369 2 0.001 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .125189 .0724763 1.73 0.084 -.0168619 .2672399 L2. .216545 .3595958 0.60 0.547 -.4882499 .9213398 L1. -.1091631 .2682328 -0.41 0.684 -.6348897 .4165635Dln_PIB_AGR_1 L2. .0392806 .3205944 0.12 0.902 -.589073 .6676341 L1. -.0215136 .4484249 -0.05 0.962 -.9004102 .857383Dln_PIB_SER_1 Dln_PIB_AGR_1 _cons .1283103 .0479427 2.68 0.007 .0343443 .2222763 L2. -.1927215 .2378709 -0.81 0.418 -.6589399 .273497 L1. .640124 .1774347 3.61 0.000 .2923583 .9878896Dln_PIB_AGR_1 L2. -.5006165 .2120717 -2.36 0.018 -.9162694 -.0849635 L1. .0524351 .2966309 0.18 0.860 -.5289509 .633821Dln_PIB_SER_1 Dln_PIB_SER_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .097525 0.0654 .9103948 0.9231Dln_PIB_SER_1 5 .064512 0.5898 18.69 0.0009 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000141 SBIC = -3.517265FPE = .0000716 HQIC = -4.041167Log likelihood = 35.68697 AIC = -3.951842Sample: 4 - 16 No. of obs = 13
Vector autoregression
. var Dln_PIB_SER_1 Dln_PIB_AGR_1 if Dum1 ==1, lags(1/2)
Sur la période 1960-1990
Page | 33
Dln_PIB_AGR_1 ALL 1.9016 2 0.386 Dln_PIB_AGR_1 Dln_PIB_SER_1 1.9016 2 0.386 Dln_PIB_SER_1 ALL 20.21 2 0.000 Dln_PIB_SER_1 Dln_PIB_AGR_1 20.21 2 0.000 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .0247673 .0312963 0.79 0.429 -.0365724 .0861069 L2. .2418505 .2557298 0.95 0.344 -.2593706 .7430717 L1. .1052611 .2063007 0.51 0.610 -.2990808 .5096031Dln_PIB_AGR_1 L2. .0352057 .2032198 0.17 0.862 -.3630978 .4335092 L1. .3098167 .2317244 1.34 0.181 -.1443548 .7639883Dln_PIB_SER_1 Dln_PIB_AGR_1 _cons .0370648 .0263062 1.41 0.159 -.0144945 .0886241 L2. -.2331983 .2149547 -1.08 0.278 -.6545018 .1881052 L1. .74067 .1734069 4.27 0.000 .4007987 1.080541Dln_PIB_AGR_1 L2. -.2027417 .1708172 -1.19 0.235 -.5375373 .1320539 L1. .3800453 .1947769 1.95 0.051 -.0017104 .761801Dln_PIB_SER_1 Dln_PIB_SER_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .089395 0.3001 10.29099 0.0358Dln_PIB_SER_1 5 .075141 0.5602 30.56895 0.0000 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = .0000255 SBIC = -3.575497FPE = .0000595 HQIC = -3.936129Log likelihood = 58.79623 AIC = -4.066353Sample: 4 - 27 No. of obs = 24
Vector autoregression
. var Dln_PIB_SER_1 Dln_PIB_AGR_1 if Dum2 ==1, lags(1/2)
Après 1990
Page | 34
Dln_PIB_AGR_1 ALL 7.4796 2 0.024 Dln_PIB_AGR_1 Dln_PIB_SER_1 7.4796 2 0.024 Dln_PIB_SER_1 ALL 5.3029 2 0.071 Dln_PIB_SER_1 Dln_PIB_AGR_1 5.3029 2 0.071 Equation Excluded chi2 df Prob > chi2 Granger causality Wald tests
. vargranger
_cons .0224067 .0284007 0.79 0.430 -.0332576 .078071 L2. -.280586 .1831718 -1.53 0.126 -.6395961 .078424 L1. -.1770448 .1941579 -0.91 0.362 -.5575873 .2034978Dln_PIB_AGR_1 L2. .1200278 .311381 0.39 0.700 -.4902678 .7303234 L1. .9019945 .337302 2.67 0.007 .2408947 1.563094Dln_PIB_SER_1 Dln_PIB_AGR_1 _cons .0608163 .0166942 3.64 0.000 .0280964 .0935363 L2. -.0432272 .1076699 -0.40 0.688 -.2542563 .1678019 L1. .2541263 .1141277 2.23 0.026 .0304402 .4778124Dln_PIB_AGR_1 L2. -.1178875 .1830323 -0.64 0.520 -.4766243 .2408493 L1. .052493 .1982689 0.26 0.791 -.3361069 .441093Dln_PIB_SER_1 Dln_PIB_SER_1 Coef. Std. Err. z P>|z| [95% Conf. Interval]
Dln_PIB_AGR_1 5 .069534 0.2562 8.267091 0.0823Dln_PIB_SER_1 5 .040873 0.1844 5.427329 0.2462 Equation Parms RMSE R-sq chi2 P>chi2
Det(Sigma_ml) = 5.02e-06 SBIC = -5.20126FPE = .0000117 HQIC = -5.561891Log likelihood = 78.30539 AIC = -5.692116Sample: 28 - 51 No. of obs = 24
Vector autoregression
. var Dln_PIB_SER_1 Dln_PIB_AGR_1 if Dum3 ==1, lags(1/2)
Page | 35