Revue du Contrôle de la Comptabilité et de l’Audit

ISSN: 2550-469X
Numéro 10 : Septembre 2019

COINTÉGRATION ET CAUSALITÉ ENTRE

GOUVERNANCE ET CROISSANCE ÉCONOMIQUE : CAS
DU MAROC

COINTEGRATION AND CAUSALITY BETWEEN

GOVERNANCE AND ECONOMIC GROWTH: THE CASE OF
MOROCCO

AIT OUDRA MOHAMMED

Enseignant chercheur
Faculté des Sciences Juridiques, Économiques et Sociales (FSJES)
Université Sidi Mohammed Ben Abdellah (USMBA)
Laboratoire de Coordination des Études et des Recherches en Analyse et Prévisions
Économiques (CERAPE)
mhaitoudra1@[Link]

DADA IBRAHIM
Doctorant et Cadre Supérieur au Ministère de l'Économie et des Finances
Faculté des Sciences Juridiques, Économiques et Sociales (FSJES)
Université Sidi Mohammed Ben Abdellah (USMBA)
Laboratoire de Coordination des Études et des Recherches en Analyse et Prévisions
Économiques (CERAPE)
[Link]@[Link]

Date de soumission : 29/07/2019

Date d’acceptation : 08/09/2019
Pour citer cet article :
AIT OUDRA M. & DADA I. (2019) « Cointégration et Causalité entre Gouvernance et Croissance
Économique : Cas du Maroc », Revue du contrôle, de la comptabilité et de l’audit « Numéro 10 : Septembre
2019 / Volume 4 : numéro 2 », p : 260 - 296

Hosting by COPERNICUS [Link] Page 260

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Résumé
Dans cet article, nous examinons le lien qui peut exister entre la gouvernance et la croissance
économique. Nous utilisons des séries temporelles pour estimer à l’aide de Modèles
Vectoriels à Correction d' Erreur (MVCE). La méthodologie adoptée est une approche en trois
étapes. La première consiste à vérifier les propriétés statistiques des séries temporelles à l’aide
des tests de racine unitaire de Dickey-Fuller et Phillips-Perron. Dans la deuxième étape on
utilise la théorie de la cointégration en adoptant l’approche multi-variée de Johansen fondée
sur le maximum de vraisemblance. Enfin, dans la troisième étape, le test de causalité de
Granger dans le cadre d’un modèle à correction d’erreur est effectué pour déterminer la
direction de la causalité entre la croissance économique et la gouvernance puis la validation
des modèles estimés à travers les tests de diagnostic. Les résultats montrent un ordre
d’intégration d’ordre un (I(1)) pour chacune des séries. Quant au test de cointégration, le
résultat indique l’existence d’une relation de long terme entre la croissance économique et la
gouvernance. Le test de causalité au sens de Granger révèle l’existence d’une causalité
bidirectionnelle entre la gouvernance et la croissance économique.

Mots-clés : Cointégration ; Causalité ; Modèle à correction d’erreur ; Gouvernance ;

croissance économique.

Abstract
In this article, we examine the link that may exist between governance and economic growth.
We use time series to estimate using Vector Error Correction Vector Models (EVCM). The
methodology adopted is a three-step approach. The first is to verify the statistical properties of
the time series using the Dickey-Fuller and Phillips-Perron unit root tests. In the second step,
the cointegration theory is used by adopting Johansen's multi-variate approach based on
maximum likelihood. Finally, in the third step, the Granger causality test in an error-
correction model is performed to determine the direction of causality between economic
growth and governance and then the validation of the estimated models through diagnostic
tests. The results show a first order integration order (I(1)) for each series. As for the
cointegration test, the result indicates the existence of a long-term relationship between
economic growth and governance. The Granger causality test reveals the existence of a two-
way causality between governance and economic growth.

Keywords : Cointegration; Causality; Error correction model; Governance; Economic

growth.

Hosting by COPERNICUS [Link] Page 261

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Introduction
Ce papier utilise une approche dans l’analyse des interdépendances entre gouvernance et
croissance économique. Elle se base sur les récents progrès de la recherche économétrique
dans l’étude des séries temporelles non stationnaires, qui ont permis de développer une
nouvelle méthodologie autour des concepts clefs de cointégration, de modèle à correction
d’erreurs et de causalité. Si le concept de cointégration introduit par Granger (1981), Granger
et Weiss (1983) puis Engle et Granger (1987) permet de préciser la réalité et la nature des
divergences entre deux séries théoriquement liées entre elles et à modéliser le comportement
de ces variables, le modèle à correction d’erreur (Sargan, (1964) & Davidson, Hendry et ali,
(1978) & Salmon, (1982)) permet d’en expliquer et d’en déduire le mécanisme Njiki, (1998).
Quant à la notion de causalité (Granger, 1969 ; Sims, 1972, 1980), associée à la cointégration
et au modèle à correction d’erreurs, elle offre aujourd’hui un cadre assez rigoureux pour
étudier la direction de la causalité (unidirectionnelle ou bidirectionnelle) entre deux variables,
qu’elle soit de long ou de court terme.

L’importance de la modélisation des séries temporelles, nous a poussées de traiter la relation

entre la gouvernance et la croissance économique pour le cas du Maroc, moyennant de
nouvelles techniques de cointégration et de causalité au sens de Granger.

L’un des termes largement débattus, au début des années 1990, est celui de la gouvernance
qui implique une relation causale entre le mode de gouvernement et le niveau de
développement. La nécessité d’améliorer la qualité de la gouvernance est devenue impérative
des bailleurs de fonds étant donné la rareté des ressources de financement et l’exigence de la
compétitivité des économies dans le cadre de la mondialisation. C’est dans ce cadre que ce
travail s’inscrit.

Le Maroc, à l’instar d’autres pays en voie de développement, n’a cessé, depuis le début des
années 80, d’entreprendre des réformes tout azimut pour assurer un cadre institutionnel
favorable à la croissance, mais les performances économiques qu’il a réalisées durant les
vingt cinq dernières années restent en deçà de ses potentialités et inférieures à celles réalisées
par des pays qui avaient le même niveau de développement. Ce paradoxe a poussé les experts
de la Banque Mondiale à qualifier le cas du Maroc d’énigme de la croissance.

L’objectif principal de ce travail est d’étudier les liens existants entre la gouvernance et la
croissance économique pour le cas du Maroc, tant sur le plan théorique que sur le plan

Hosting by COPERNICUS [Link] Page 262

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

empirique, en essayant de répondre à la question de base : Existe-t-il une relation entre la

gouvernance et la croissance économique au Maroc ?

Pour répondre à cette question, nous utiliserons les développements récents de l’économétrie
des séries temporelles. La méthodologie adoptée est une approche en trois étapes : tests de
racine unitaire, tests de cointégration de Johansen, tests de causalité de Granger et étude de la
dynamique de court terme.

Aussi, cet article est articulé comme suit : une première section sera consacrée à la
présentation de l’approche économétrique (méthodologie d’analyse), la deuxième section fera
l’objet d’une revue de la littérature sur le type de la relation entre la gouvernance et la
croissance économique, la troisième section présentera les résultats empiriques.

1. Cointégration et Causalité

En économétrie, la causalité entre deux chroniques est généralement étudiée en termes

d’amélioration de la prévision selon la caractérisation de Granger, ou en termes d’analyse
impulsionnelle, selon les principes de Sims. Au sens de Granger, une série « cause » une autre
série si la connaissance du passé de la première améliore la prévision de la seconde. Selon
Sims, une série peut être reconnue comme causale pour une autre série, si les innovations de
la première contribuent à la variance d’erreur de prévision de la seconde. Entre ces deux
principaux modes de caractérisation statistique de la causalité, l’approche de Granger est
certainement celle qui a eu le plus d’échos chez les économètres ; elle sera donc retenue dans
le cadre de cette étude.

1.1. Ordre d’intégration des séries

Ici, on veut déterminer le type de processus suivi par chacune des variables soumises à
l’analyse. On distingue deux types principaux de processus temporels :

1.1.1. Les processus stationnaires

Ils sont caractérisés par des espérances, variances, autocorrélations et les covariances
indépendantes du temps. Un tel processus stationnaire est dit intégré d’ordre 0 (I(0)).
L’exemple le plus immédiat de variable I(0) est un bruit blanc :

xt   t [1]

Un second exemple est celui d’un processus autorégressif d’ordre un (AR (1)) :

Hosting by COPERNICUS [Link] Page 263

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

xt   xt 1   t Avec  1 [2]

1.1.2. Les processus non stationnaires

D’après Nelson et Plosser (1982) 1 , on peut donner deux contre exemples des séries
stationnaires. Le premier est celui où la variable xt est une fonction explicative de la date t. La
série est dite alors TS (Trend-Stationary). Le deuxième cas est celui d’une série DS
(Difference Stationary) : la variable est stationnaire en différence. Le meilleur exemple dans
ce cas est la marche aléatoire :

xt   xt 1   t [3]

De façon générale, les processus DS et TS peuvent être décrits sous la forme :

xt     t   xt 1   t [4]

Ou : xt   xt 1     t   t

Une série non stationnaire xt est dite intégrée d’ordre d  xt I (d )  si, après avoir été

différenciée d fois, elle est stationnaire. En d’autres termes, xt I (d ) si et seulement si

1  L 
d
xt I (0) . La plupart des séries macroéconomiques sont intégrées d’ordre 1 ; elles

possèdent une racine unitaire. Une différenciation unique suffit pour les rendre stationnaires.
L’exemple le plus simple de variable I(1) est la marche aléatoire (équation [3]). La méthode la
plus performante pour déterminer l’ordre d’intégration d’une série est basée sur les tests de
racine unitaire.

1.2. Tests de racine unitaire

Les tests de racine unitaire permettent de détecter la présence ou non de racine unitaire dans
une série. Deux tests de racine unitaire sont usuellement utilisés, à savoir le test de Dickey-
Fuller augmenté (ADF) et celui de Phillips-Perron (PP).

1.2.1. Le test de Dickey-Fuller Augmenté

Il consiste à vérifier l’hypothèse nulle H 0 :   1 contre l’hypothèse alternative H1 :  1 . Il

est basé sur l’estimation des moindres carrés des trois modèles suivants :

1
- NELSON, C.R., PLOSSER, C.I., (1982), “Trends and random walks in macroecomic time series. Journal of Monetary
Economics”, Vol 10, pp 139-162.

Hosting by COPERNICUS [Link] Page 264

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

k
xt =    1 xt 1   j t  j 1   t : Processus sans trend et sans constante [5]
j 2

k
xt =    1 xt 1   j t  j 1     t : Processus sans trend et avec constante [6]
j 2

k
xt =    1 xt 1   j t  j 1     t   t : Processus avec trend et avec constante [7]
j 2

1.2.2. Le test de Phillips-Perron

Ce test propose une correction non paramétrique des statistiques de Dickey-Fuller Augmenté
en présence d’une autocorrélation de forme inconnue (AR(p), MA(q) et ARMA(p,q)). On a
les trois modèles suivants :

xt =    1 xt 1   t : Processus sans trend et sans constante [8]

xt =    1 xt 1     t : Processus sans trend et avec constante [9]

xt =    1 xt 1     t   t : Processus avec trend et avec constante [10]

Comme dans le cas du test de Dickey-Fuller, les hypothèses à vérifier restent les mêmes.

1.3. Cointégration

C’est l’étape qui suit les tests préalables de vérification de non stationnarité des séries.

1.3.1. Notion de cointégration

L’idée de base de la cointégration est que même si deux variables divergent dans le court
terme, elles peuvent converger dans le long terme et garder un écart constant pour se situer sur
le même sentier d’équilibre.

On considère deux séries xt et yt dont les processus sont intégrés d’ordre un (I(1)). Elles sont
dites cointégrées, s’il existe une combinaison linéaire unique des deux variables qui se révèle
intégrée d’ordre 0 (I (0)). Une telle combinaison linéaire peut s’écrire sous la forme suivante :

zt  xt  a  byt [11]

Où a et b ont deux constantes telles que la variable zt soit une variable stationnaire. zt étant

stationnaire, xt et yt vont tendre à varier ensemble dans le temps et peuvent subir des
déviations momentanées, mais ne peuvent diverger sans limites. La relation [11] est par

Hosting by COPERNICUS [Link] Page 265

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

conséquent une relation de long terme ou d’équilibre et zt mesure la déviation par rapport à la
valeur d’équilibre.

Pour tester l’hypothèse nulle de cointégration, deux approches sont souvent utilisées, la
méthodologie en deux étapes d’Engel et Granger et l’approche multi variée de Johansen.

1.3.2. Test de cointégration en deux étapes (Engle & Granger (1987))2

Selon Engle et Granger (1987), tester la cointégration, revient à opérer un test de racine
unitaire sur les résidus de l’équation de cointégration. Concrètement, il s’agit dans un premier
temps d’estimer par la méthode des MCO la relation de long terme entre xt et yt . On note par

zˆt le résidu d’estimation. Dans un deuxième temps, d’appliquer la méthodologie des tests de
Dickey-Fuller et de Phillips et Perron à ce résidu :

zˆt  wzˆt 1   [12]

w  1 : La série zˆt possède une racine unitaire et xt et yt ne sont pas cointégrées.

w 1 : La série zˆt est stationnaire et l’hypothèse de cointégration est acceptée.

1.3.3. Test de cointégration de Johansen

L’approche en deux étapes d’Engle et Granger est très restrictive. En effet, cette approche
n’est applicable que dans le cas d’une seule et unique relation de cointégration (donc un seul
vecteur coïntégrat). En outre, elle pose un problème de normalisation ; elle peut conduire à
des résultats différents selon que l’on considère la combinaison : zˆt  xt  a  byt ou

zˆt  yt  a  bxt .

Comme alternative à l’approche de Engle et Granger, on utilise plutôt le test de cointégration

de Johansen. Ce test permet de déterminer le nombre de relation d’équilibre de long terme
entre des variables intégrées de même ordre quelle que soit la normalisation utilisée.

Soit X t un vecteur de variables I(1) de dimension p. La représentation VAR d’ordre k est

donnée par : X t  1 X t 1  ...  k X t k  0  1t   t t  1,..., T [13]

2
-Engle, R.F., Granger, C.W.J., (1987), “Co-integration and error correction: representation, estimation and testing.
Econometrica”, Vol 55, n° 2, March, pp 251-276.

Hosting by COPERNICUS [Link] Page 266

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Où 1 ...  k sont des matrices de coefficients de dimension p  p ;  t représente le vecteur

de termes d’erreurs de dimension p 1 , supposé normal et indépendant, de moyenne nulle et

de matrice de variances-covariances non singulière  ; 0 et 1 représentent respectivement le

vecteur de constantes et de tendances de dimension p 1 . On peut reparamétriser [13] sous la

forme dite à correction d’erreur suivante :
k 1
X t  1 X t 1   i X t i  0  1t   t [14]
i 1

Où : i    I  1 ... i  i=1,...,k-1 et     I  1 ... k 

La représentation [14] est appropriée pour tester l’hypothèse de cointégration en utilisant le

rang de la matrice d’impact Π qui contient les informations au sujet de la relation de long
terme pouvant exister entre les composantes du vecteur X t . On peut observer trois cas
possibles :

- Si le rang de la matrice  est zéro  rg ()  0  alors toutes les variables dans X t sont

intégrées d’ordre 1 et le modèle n’a aucune propriété de long terme ;

- Si  est de rang plein  rg ()  p  alors les variables dans X t sont stationnaires ;

- Si rg ()  r (0 r p) , alors on a r relations de cointégration. Dans ce cas,  peut se

décomposer sous la forme :

   ' [15]

Où  et  sont des matrices de plein rang d’ordre p  r représentant respectivement la matrice

des coefficients de la relation de cointégration et celle des paramètres d’ajustement.

Sous l’hypothèse [15], la relation entre  et la composante déterministe i est importante dans

la détermination des propriétés de X t et des différentes situations qu’elle peut engendrer. En

effet, si l’on décompose 0 et 1 selon les directions de  et   , où   est une matrice

p  ( p  r ) orthogonale à  , on peut écrire que :

i  i    i [16]

Où i   '   ' et  i   '     ' i

1 1

Hosting by COPERNICUS [Link] Page 267

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Les différentes restrictions imposées sur 0 et 1 donnent lieu à différents sous-modèles du

modèle général [14]. Suivant Osterwald-Lenum (1992), cinq sous-modèles peuvent être testés
pour déterminer le nombre r de relations de cointégration :

 H 1 ( r ) : t  0
 H (r ) :   
 2 t 0

 H 3 ( r ) : t   0
 H (r ) :      t
 4 t 0 1

 H 5 (r ) : t  0  1t

Le test de cointégration de Johansen utilise deux statistiques pour déterminer le nombre de

vecteurs de cointégration r :

-Test de la trace pour l’hypothèse de l’existence d’au plus r vecteurs de cointégration :

p
Trace  T  ln(1  ˆi ) [17]
i  r 1

-Test de la valeur propre maximale pour l’hypothèse de l’existence d’exactement r vecteurs de

cointégration3 :

max  T ln(1  ˆr 1 ) [18]

Où ˆr 1 ,..., ˆp représentent les valeurs propres les plus petites estimées et

r  0,1, 2,..., p  1 .

La première statistique de la trace permet de tester l’hypothèse nulle de l’existence d’au

maximum r relations de cointégration. La deuxième statistique max est appelée statistique de
la valeur propre maximale. Elle permet de tester l’hypothèse nulle d’existence de r relations
de cointégration contre l’hypothèse alternative de (r+1) relations de cointégration. Autrement
dit : l’hypothèse nulle r=0 est testée contre l’hypothèse r=1, r=1 contre r=2, r=2 contre r=3,
etc…

Les valeurs critiques de ces testes sont tabulées dans Johansen (1988) et Osterwald-Lenum
(1992) pour différentes valeurs de p.

3
- JOHANSEN, S., (1995). “Likelihood-based inference in cointegrated vector autoregressive models”, Oxford University
Press, pp 92-93.

Hosting by COPERNICUS [Link] Page 268

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

1.4. Modèle à correction d’erreur et causalité au sens de Granger

Une relation causale peut être analysée grâce au test de causalité de Granger qui s’appuie sur
le modèle vectoriel à correction d’erreurs (VECM).

1.4.1. Le modèle à correction d’erreur

Accepter la cointégration, c’est accepter le fait qu’il existe une relation d’état stationnaire
entre les deux séries de variables qui ont une tendance commune à évoluer dans le même sens.
Tout écart momentané par rapport à l’équilibre est considéré comme aléatoire. D’après le
théorème de représentation de Granger, tout système cointégré, implique l’existence d’un
mécanisme à correction d’erreur qui empêche les variables de trop s’écarter de leur équilibre à
long terme. Si la cointégration permet de préciser la réalité et la nature des divergences entre
deux séries théoriquement liées entre elles et à modéliser le comportement de ces variables, le
modèle à correction d’erreurs permet d’en expliquer et d’en déduire le mécanisme. De façon
générale, on peut de façon simple écrire le modèle à correction d’erreur comme suit :

xt  1 zi 1  lagged (xt , yt )  1t [19]

yt   2 zi 1  lagged (xt , yt )   2t [20]

Où zi 1 est le terme à correction d’erreur issu de l’estimation de la relation de la cointégration,

 est un vecteur d’erreur stationnaire ; 1   2  0 .

1.4.2. Test de causalité au sens de Granger

Une version du test de Granger (1969), propose d’estimer par la méthode des moindres carrés
ordinaires les deux équations suivantes, pour deux séries stationnaire xt et yt :

k k
xt      i xt i  i yt i   t [21]
i 1 i 1

k k
yt     i yi 1    i xi 1  t [22]
i 1 i 1

Un test d’hypothèses jointes permet de conclure sur le sens de la causalité. Ainsi xt cause yt au
sens de Granger (équation [22]) si l’hypothèse nulle définie ci-dessous peut être rejetée au
profit de l’hypothèse alternative :

Hosting by COPERNICUS [Link] Page 269

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

 H 0 :  1   2 ...   k  0( xt ne cause pas, au sens de Granger , yt )


 H1 : au moins un des  i  0

De façon analogue, yt cause xt au sens de Granger (équation [21]) si l’hypothèse nulle définie
ci-dessous peut être rejetée au profit de l’hypothèse alternative :

 H 0 : 1  2 ...  k  0(yt ne cause pas, au sens de Granger , xt )


 H1 : au moins un des i  0

Ce sont donc des tests de Fisher classiques. Par ailleurs, si l’on est amené à rejeter les deux
hypothèses nulles, on a une causalité bidirectionnelle, on parle de boucle rétroactive
(feedback effect).

Engle et Granger (1991) ont montré que si les variables sont intégrées, le test classique de
Granger, basé sur le VAR4, n’est plus approprié. Ils recommandent pour ce faire d’utiliser le
modèle à correction d’erreur. En outre, le test de causalité basé sur le modèle vectoriel à
correction d’erreur présente l’avantage de fournir une relation causale même si aucun
coefficient estimé des variables d’intérêt décalées n’est significatif. Tenant compte des
relations [19] et [20], on peut donc réécrire les équations [21] et [22] de la manière suivante :
k k
xt      i xt i  i yt i   zt 1   t [23]
i 1 i 1

k k
yt     i yi 1    i xi 1   zt 1  t [24]
i 1 i 1

Avec zt : le terme à correction d’erreur (ou force de rappel).

En utilisant le modèle vectoriel à correction d’erreur (équation [23] et [24]), xt ne cause pas yt

, au sens de Granger, à long terme si   0 ; yt ne cause pas xt à long terme si   0 .

1.4.3. Tests de diagnostic

L’objectif de différents tests de diagnostic est de valider la qualité du modèle à correction

d’erreur estimé. Nous présentons ici le principe des tests de diagnostic, utilisés, dans ce
travail, dans la spécification des modèles dynamiques. Dans cet exposé, on se limitera à la

4
-VAR : « Vector autoregressive Model », le modèle autorégressif rendu populaire par Sims (1980).

Hosting by COPERNICUS [Link] Page 270

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

définition de l’hypothèse nulle ( H 0 ) de chaque test et au principe de la prise de décision sur la

base de la probabilité critique appelée dans le langage anglo-saxon « p-value ».

Les principaux tests de diagnostic utilisés dans les travaux empiriques sont présentés dans le
tableau suivant :

Tableau 1 : Tests de diagnostic

Tests Hypothèse nulle ( H 0 )
Les résidus sont des bruits blancs jusqu’à
Test de Ljung-Box
l’ordre considéré
Test de normalité de Jarcque-Berra Les résidus sont normalement distribués
Test de corrélation sérielle de Breusch- Pas d’autocorrélation des résidus jusqu’à
Godfrey l’ordre considéré
Test de ARCH de Engle Pas d’effet ARCH jusqu’à l’ordre considéré
Test de linéarité RESET de Ramsey La spécification considérée est linéaire
Test d’hétéroscédasticité de White Les résidus ne sont pas hétéroscédastiques
Source : AIT OUDRA M. (2006), pp 136.

2. Gouvernance et croissance économique

2.1. Gouvernance : concepts et indicateurs

Les années 90 ont été caractérisées par des réflexions à divers niveaux sur des notions, des
conceptions et des termes ayant en commun des liens avec les questions du développement.
L’apparition de la notion de développement durable, de multiples études et travaux de
recherches menés par des spécialistes en la matière, sont apparus.

C’est en 1989, que la Banque mondiale, dans une étude 5, lança, pour la première fois, la
notion de la bonne gouvernance, notion qu’elle reprendra du reste plus tard avec plus de force
dans un rapport de 1992, « Gouvernance et développement ».

Selon le PNUD (Programme des Nations-Unies pour le Développement) définit la

gouvernance, « comme l'exercice de l'autorité politique, économique et administrative dans le
cadre de la gestion des affaires d'un pays à tous les niveaux. La gouvernance comprend les
mécanismes, les processus, les relations et les institutions complexes, au moyen desquels les
citoyens et les groupes articulent leurs intérêts, exercent leurs droits et assument leurs
obligations et auxquels ils s'adressent pour régler leurs différends ».

5
-Banque mondiale (1989), « L’Afrique subsaharienne : de la crise au développement durable, une perspective à long
terme », Washington DC, USA.

Hosting by COPERNICUS [Link] Page 271

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Sous une telle acception, la gouvernance comprend trois acteurs fondamentaux: l’État, la
société civile, le secteur productif. « Ces trois composantes sont essentielles pour le
développement humain durable. L’État crée un environnement politique et juridique
favorable. Le secteur privé crée des emplois et produit des revenus. Enfin, la société civile
facilite l'interaction politique et sociale, incitant les groupes à participer aux activités
économiques, sociales et politiques ». L'interaction de ces trois composantes peut déboucher
sur des processus et des actions de gouvernance différenciés. Elles peuvent être constructives
et génératrices de bonne gouvernance, elles peuvent être néfastes et génératrices de mauvaise
gouvernance.

La Banque Mondiale (WBI) : Elle offre une définition large de ce concept : « Nous
définissons la gouvernance comme étant l’ensemble des traditions et institutions par
lesquelles le pouvoir s’exerce dans un pays avec pour objectif le bien de tous ». Cette
définition est intéressante en ce sens qu’elle lie l’exercice du pouvoir à la recherche du bien
commun. Cette idée de l’intérêt général, du bien commun, est donc, dans ce cadre, au cœur de
cette définition de la gouvernance.

L’étude de Kaufman et al. fait appel au moins de 250 indicateurs pour mesurer la qualité des
institutions dans un pays. Les informations collectées proviennent de vingt cinq sources
différentes et sont produites par dix huit organisations internationales. Cette base de données
couvre 199 pays pour les années 1996, 1998, 2000 et 2002. Chaque pays obtient un score qui
varie entre -2,5 et +2,5. Une valeur plus élevée pour un pays donné à une date donnée
correspond à une meilleure gouvernance. Les chercheurs de la Banque Mondiale ont élaboré
six indicateurs qui touchant aux trois dimensions de la gouvernance : politique, économique et
administrative : la participation des citoyens et la responsabilisation (VA); la stabilité
politique et l’absence de violence(PV); l’efficacité des pouvoirs publics (GE); le poids de la
réglementation (RQ); l’état de droit (RL) et l’absence de corruption (CC)6.

2.2. Gouvernance et croissance économique : Revue de littérature

De nombreux auteurs reconnaissent les bienfaits d’une bonne gouvernance sur les pays en
développement. Selon ces auteurs, ce sont de bonnes institutions publiques qui permettent une
bonne gouvernance. La question de la bonne gouvernance est alors liée à celle des institutions

6
-Pour en savoir plus, voir [Link]/governance/wgi.

Hosting by COPERNICUS [Link] Page 272

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

et l’analyse de cette première passe nécessairement par l’étude de la question de la capacité

des institutions à favoriser la croissance.

2.2.1. Sur le plan théorique

Pour Douglas C. North 7 , les facteurs de production (innovation, économie d’échelle,

éducation, accumulation du capital) ne sont pas des causes de la croissance, ils sont des
manifestations de la croissance. La cause fondamentale se trouve dans les différences dans les
institutions dans la mesure où « certaines façons d’organiser les sociétés encouragent les gens
à innover, prendre les risques, trouver les bonnes modalités de faire les choses, d’étudier et
d’éduquer soi même, résoudre les problèmes de l’action collective et offrir les biens publics,
alors que d’autres façons ne le permettent pas »8. Cette nouvelle vision a donné une impulsion
supplémentaire à la réflexion sur les véritables déterminants de la croissance.

On retrouve aussi les travaux de la théorie de la croissance endogène. Suite aux insuffisances
des modèles de croissance endogène à expliquer une croissance stable à l’équilibre, de
nouveaux modèles de croissance émergent précisant les conditions nécessaires pour garantir
une croissance à long terme, dite croissance endogène. La nouvelle théorie de la croissance
endogène a été développée par plusieurs économistes tels que Lucas (1988), Romer (1986),
McKinnon et Shaw (1973), Barro (1989), Roubini et Sala-I-Martin (1995)… etc. Ces travaux
ont largement exploité les données issues de la sphère pour tenter de justifier les écarts de la
croissance entre les pays. Cependant, les limites des estimations effectuées, et notamment la
nécessité d’ajouter des dummies régionales au sein des modèles pour parvenir à expliquer la
variance des observations, ont suggéré l’incomplétude des modèles se limitant aux indicateurs
économiques pour expliquer les comportements de croissance. Cette réflexion a incité les
économistes à se tourner vers les variables institutionnelles pour tenter de trouver une
justification aux écarts de production entre pays inexpliqués par les seules données
économiques. Plusieurs facteurs politiques et institutionnels ont alors été mis en avant : la
démocratie chez Barro (1996), le respect des droits de propriété chez Clague, Keefer et Olson
(1996), l’instabilité politique chez Alesina et Perotti (1994). Rodrik (1999) soutient l’idée
selon laquelle une bonne gouvernance serait une condition nécessaire pour le succès des
économies de marché. Hall et Jones (1999) montrent que les différences observées dans
l’intensité du capital physique ainsi que dans le niveau d’éducation réalisé, expliquent

7
-Prix Nobel en 1993 sur la recherche relative à l’impact des institutions sur la croissance.
8
-Daron Acemoglu, Simon Johnson, James Robinson, Institutions as the fundamental cause of long-run growth, 2004, p. 12.
Hosting by COPERNICUS [Link] Page 273
Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

uniquement une petite fraction dans les différences constatées des niveaux d’output par
travailleur à travers les pays. Ils montrent alors que ce sont les différences dans
l’infrastructure sociale (institutions et politique gouvernementale) à travers les nations qui
expliquent les différences constatées dans l’accumulation du capital, le niveau d’éducation
réalisé et la productivité, lesquelles expliquent la disparité dans le niveau de revenu et de
développement des pays.

2.2.2. Sur le plan empirique

On retrouve une large littérature empirique soulignant l’importance de la gouvernance et des

institutions comme facteur déterminant de la croissance et du développement économique.
Cette littérature se manifeste sous forme d’études en coupe transversale de la croissance à
travers des pays qui cherchent à établir une corrélation positive entre la qualité de
gouvernance et la croissance économique.

Kaufmann, Kraay et Mastruzzi (2004)9 qui emploient un indicateur des règles et de lois pour
montrer que la bonne gouvernance exerce un effet positif sur la croissance économique. Ils
trouvent une forte corrélation positive entre cet indicateur et le niveau du revenu.

Kormendi et Meguire10 (1985), Scully11 (1988), Grier et Tullock12 (1989), Barro (1996) et
Helliwell13 (1994) et Isham, Kaufmann et Pritchett14 (1997) montrent tous l’existence d’une
corrélation positive entre l’indicateur des libertés civiles comme mesure du cadre
institutionnel, et de la croissance économique pour la majorité des pays pris dans leur
échantillon.

Barro (1991) et Londregan et Poole 15 (1992) montrent que l’instabilité politique et les
16
violences politiques engendrent une faible croissance. Alesina et Perotti (1996) et
17
Svensson (1998) constatent un effet négatif de l’instabilité politique sur l’investissement.

9
- Kaufmann D., Kraay A. & Mastruzzi M. (2004), « Governance Matters III, Governance Indicators for 1996-2002 », World
Bank, Washington, D.C. Processed 2004.
10
- Kormendi R.C., and P.G. Meguire, “Macroeconomic Derterminants of Growth: Cross-Country evidence”, Journal of
Monetary Economics, 141-163 (1985).
11
- Scully G., « The institutional framework and economic development », Journal of Political Economy (1988).
12
- Grier K-B and Tullock G. “And empirical Analysis of cross-national economic growth, 1951-1980”, Journal of Monetary
Economics, vol 24 259-276.
13
- Helliwell J., « Empirical linkages between democracy and economic growth”, British Journal of Political Science, 24
(1994), 225-248.
14
- Isham, J., Kaufmann D. and Pritchett L. “Civil liberties, Democracy, and the performance of government projects”,
World Blank Economic Review, 219-242.
15
- Londregan J-B & Poole K-T, “The Seizure of executive power and economic growth:Some additional evidence”,
Political economy, growth and business cycles, Cambridge, Mass:MIT press (1992)
16
- Alesina A. and Perotti R., “Political Instability and economic Growth”, Journal of economic growth, (1996)

Hosting by COPERNICUS [Link] Page 274

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Mauro18 (1995) test trois indices construits par le Business International (BI) : l’indice de la
corruption, l’indice de la qualité bureaucratique et l’indice de la stabilité politique. Il trouve
que ces trois indicateurs sont reliés positivement et significativement à la croissance et à
l’investissement.

Knack et Keefer 19 (1995) utilisent deux indicateurs recueillis dans l’ICRG et BERI. Ils
construisent deux indices pour mesurer la sécurité des contrats et des droits de propriété et
trouvent un effet positif attendu de ces indicateurs sur la croissance. Easterly et Levine 20
(2002) utilisent l’indice global de Kaufmann, Kraay, Zoido-Lobation (2002) pour montrer que
la gouvernance affecte positivement et significativement la croissance.

3. Étude économétrique : Cas du Maroc

Dans ce qui suit, nous allons, dans un premier temps, spécifier le modèle à estimer et définir
les variables utilisées. Par la suite, nous présenterons une analyse descriptive qui nous permet
de présenter l’évolution des variables et la méthode économétrique qui se fera en trois étapes :
tests de racine unitaire, test de cointégration de Johansen, test de causalité de Granger dans le
cadre d’un modèle vectoriel à correction d’erreurs.

3.1. Modèle théorique de base

Notre point de départ est la fonction de production Gobb-Douglass du modèle de croissance

endogène suivant :

Yt  Kt Ht ( At Lt )1  [25]

Avec : Y : Le produit intérieur brut réel ; K : Le stock de capital physique ; H : Le stock de

capital humain ; L : Le travail brut ; A : Facteur reflétant le niveau de technologie et
d’efficacité dans une économie donnée ; t : Un indice de temps ;

On suppose que    1 . Le travail brut et le niveau de technologie sont donnés par les

fonctions suivantes :

Lt  L0ent [26]

17
- Svensson J., “Investment, Property Rights and political instability-theory and evidence”, European Economic Review
(1998).
18
-Mauro P., “Corruption and Growth”, Quarterly Journal of Economics, (1995).
19
- Knack S. and Keefer O., “Institutions and Economic Performance:Cross country test using alternative international
measures”, Economics and Politics (1995), 207-227.
20
- Easterly W. & Levine R., “Tropics, Germs, and Crops:How Endowment Affect Economic Development”, NBER
Working Paper 9106, National Bureau of Economic Research, Cambridge, Mass (2002).

Hosting by COPERNICUS [Link] Page 275

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

At  A0e gt  p [27]

Avec n : taux de croissance exogène de travail, g : taux de croissance exogène du progrès

technologique, p : un vecteur des variables institutionnelles qui peuvent affecter le niveau de
technologie et d’efficience dans une économie donnée et  : un vecteur des coefficients
reliant ces variables.

Dans ce modèle, la variable A dépend des améliorations technologiques exogènes, du degré

d’ouverture commerciale et du niveau des autres variables. Il est évident que (A) dans notre
étude diffère de celle employée par Mankiw et al. (1992). Cette modification est
particulièrement appropriée à la validation empirique du lien entre la qualité des institutions et
la croissance économique. Les améliorations technologiques sont encouragées par des
institutions efficaces (North 1990) et par un environnement institutionnel sain (Bonne
gouvernance), [Banque Mondiale].

Dans l’état d’équilibre, le rendement par ouvrier augmente à un taux constant g (la
composante exogène du taux de croissance de la variable reflétant le niveau de technologie et
d’efficience d’une économie). Ces résultats peuvent être obtenus directement à partir de la
définition de rendement par ouvrier efficace (productivité moyenne du travail) :

Yt Y
 (kt ) .(h t )   t  At (kt ) .(h t )  [28]
At Lt Lt

En effet :

Yt K  H  ( A L )1     
 t t t t 1 
At Lt ( At Lt )
1  
 
Yt  K   K   K 
 t  . t  . t   (kt ) .(h t ) 
At Lt  At Lt   At Lt   At Lt 
*
Y 
Soit : y   t 
*

 Lt 

En appliquant le logarithme des deux cotés pour l’équation [28] et pour simplifier le calcul
nous éliminons l’indice temps, nous avons alors :
*
Y     
ln  t   ln  A0   g.t   . p  ln(s k )  ln(s h )  ln(n  g   ) [29]
 Lt  1   1   1  

Hosting by COPERNICUS [Link] Page 276

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

L’équation [29] détermine le produit par ouvrier à l’état d’équilibre, où nous trouvons le
vecteur p regroupant les variables institutionnelles qui seront définies par la suite. En raison
de limitation des données, nous pouvons supposer dans cette étude que s h et g.t ne changent
pas à travers le temps (Demetriades et Law (2006)) 21, alors que s k et n varient. En effet,
ln  A0  , g.t et s h peuvent être regroupés dans une constante  0 dans l’équation [30]. Alors, le

produit par ouvrier (appelé aussi productivité moyenne du travail) est donné par :

    
*
Y 
ln     0   .P ln  sk      ln  n  g    [30]
L 1    1   

Avec P : comme vecteur regroupant les variables institutionnelle.

Après simplification de l’équation [30], nous obtenons une équation d’évaluation pour la
relation entre la qualité des institutions et le produit par ouvrier :

ln  y   0  1IGG   2 ln  k   3 ln  n  g    [31]

Avec, y : Produit Intérieur Brut par ouvrier (PIB/tête) ; IGG : un vecteur regroupant les
variables de la gouvernance, k : le stock du capital en investissement ou accumulation du
capital physique (obtenue par la variable Formation Brute de Capital Fixe ; n comme taux de
croissance du travail (force de travail) ; g : taux de croissance de la technologie ou du progrès
technologique et  : taux de dépréciation. g et  sont supposés constantes à travers le temps
et à travers pays et leur somme est égale à 0,05 (Mankiw et al. 1992).  0 , 1 ,  2 et  3 sont des
coefficients à estimer.

3.2. Les variables utilisées et leur évolution

3.2.1. Présentations des données

Nos données sont trimestrielles et couvrent la période allant de 2002 à 2016. Elles ont été
extraites respectivement de la base des données de la Banque Mondiale.

-Le PIB par habitant : est le produit intérieur brut divisé par la population au milieu de
l'année. Le PIB est la somme de la valeur ajoutée brute de tous les producteurs résidents de
l'économie plus les taxes sur les produits et moins les subventions non incluses dans la valeur
des produits. Il est calculé sans déduction pour dépréciation des actifs fabriqués ou pour

21
-Demetriades, P. & Law S. H., (2006), « Finance, institutions and economic development », International Journal of
Finance & Economics, (2006), 245-260.

Hosting by COPERNICUS [Link] Page 277

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

épuisement et dégradation des ressources naturelles. Les données sont en dollar américain
constant de 2010.

-Voix et responsabilité (VA - voice and accountability) : Mesure la possibilité des citoyens
d’un pays à participer et à choisir le gouvernement. Il est basé sur un certain nombre
d’indicateurs mesurant différents aspects du processus politique, des libertés civiles et des
droits humains et politique.

-Stabilité politique et absence de violence / Terrorisme (PS – political stability) : Mesure

la vraisemblance que le gouvernement en place soit déstabilisé ou renversé par des moyens
anticonstitutionnel et/ou violents soit menacé par l’ordre public tel que le terrorisme.

-Efficacité gouvernementale (GE – government effectiveness) : Mesure les aspects liés à la

qualité et la disponibilité du service publique, la bureaucratie, la compétence des
fonctionnaires de l’Etat. L’indépendance de l’administration de la pression politique ainsi la
crédibilité et la transparence du gouvernement dans ses réformes, ses engagements et ses
politiques adoptées.

-Qualité de régulation (RQ – regulatory quality) : Concentre sur les politiques elles-mêmes
incluant des mesures de l’incidence des politiques anti-marchés comme le contrôle des prix ou
supervision et surveillance bancaire inadéquate ainsi que la perception du blocage imposée
par une régulation excessive et le climat des affaires.

-L’autorité de droit (RL - Rule of Low) : Inclut plusieurs indicateurs qui mesurent la
confiance de citoyens dans le respect des lois et règles de la société. Ceci inclut les
perceptions de l’incidence des crimes, l’efficacité et la prévisibilité du système judicaire et
l’applicabilité des contrats judiciaire.

-Contrôle de corruption (CC-Contrôle of Corruption) : Mesure l’étendue de la corruption,

définie comme étant l’utilisation du pouvoir public pour des intérêts personnels et des profits
privés en termes de richesse et gain corrompu.

Les graphiques ci-dessous nous permettent d’observer le comportement de ces dernières en

niveau tout au long de la période d’étude pour le Maroc (2002-2016).

Hosting by COPERNICUS [Link] Page 278

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Graphique 1 : Évolution des différentes variables étudiées exprimées en niveau (2002-2016)

CC GE RL

-.12 .00 .00

-.16 -.05
-.05
-.20
-.10
-.10
-.24
-.15
-.28 -.15
-.20
-.32
-.20
-.25
-.36
-.25 -.30
-.40

-.44 -.30 -.35

2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016

RQ VA PV

.0 -.45 -.2

-.50
-.1
-.3
-.55
-.2 -.60
-.4
-.65
-.3
-.70
-.5
-.4
-.75

-.5 -.80 -.6

2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016

LPIB

8.2

8.0

7.8

7.6

7.4

7.2

7.0
2002 2004 2006 2008 2010 2012 2014 2016

Source : Estimation des auteurs

3.2.2. Statistiques descriptives des variables

Les caractéristiques de tendance centrale et de dispersion des variables sont présentées dans le
tableau suivant :

Tableau 2 : Statistiques descriptives des variables du modèle

LPIB PV RL RQ VA CC GE
Mean 7.819310 -0.418629 -0.170053 -0.176267 -0.667472 -0.293975 -0.128010
Median 7.947793 -0.413237 -0.179654 -0.163314 -0.697428 -0.294570 -0.136356
Std. Dev. 0.241472 0.093861 0.095471 0.090732 0.093180 0.097508 0.059735
Observations 60 60 60 60 60 60 60
Source : Calcul de des auteurs

Le tableau ci-dessus permet de remarquer que les écarts type sont globalement faibles pour les
différentes séries. Cette observation peut s’expliquer par la transformation logarithmique de
nos séries qui a pour effet d’atténuer les variances entre les valeurs des variables. Le modèle
empirique, les variables et les données étant à présent spécifiés, il convient à présent
d’adopter la méthode d’estimation appropriée.

Hosting by COPERNICUS [Link] Page 279

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

3.3. Tests de racine unitaire

3.3.1. Test d’une seule racine unitaire

Il s’agit ici de tester si les séries, prises individuellement, présentent au moins une racine
unitaire. Autrement dit, si elles ne sont pas stationnaires lorsqu’elles sont considérées en
niveau. Cette étape est d’une grande importance dans cette recherche du fait que les résultats
qui en seront obtenus vont nous permettre de déterminer les variables qui feront l’objet des
tests de cointégration par la suite.

Les tests ADF et PP ont corroboré le constat de non stationnarité des séries étudiées. En effet,
ces tests ont permis de rejeter l’hypothèse de stationnarité pour les différentes séries en niveau
comme le montre le tableau suivant :

Tableau 3 : Résultats des tests ADF et PP sur les séries en niveau

Test ADF Test PP
Variables
t-statistique Retard Conclusion t-statistique Conclusion
LPIB 1,348*** 2 I(1) 2,272*** I(1)
CC -0,920*** 2 I(1) -0,647*** I(1)
GE -0,678*** 5 I(1) -0,950*** I(1)
RL -0,581*** 6 I(1) -0,585*** I(1)
RQ -1,299*** 10 I(1) -0,498*** I(1)
VA 0,133*** 10 I(1) 0,114*** I(1)
PV -0,975*** 10 I(1) -0,359*** I(1)
Avec :
I(1) : Série intégrée d’ordre 1.
*, ** et *** : Rejet de l’hypothèse nulle de non stationnarité respectivement à 1%, 5% et 10%.

Source : Calcul de des auteurs

D’après les résultats de tests ADF et PP appliqués aux différentes variables étant inférieur en
niveau à toutes les valeurs critiques aux seuils de 1 %, 5 %, et 10 %, ces sept variables n’ont
donc pas stagné entre 2002 et 2016. Elles sont dites non-stationnaires, d’où la nécessité pour
les rendre stationnaires de procéder à une transformation en différence première.

Ces résultats nous a permis à continuer l’analyse et tester l’existence de deux racines unitaires
dans ces séries. Pour cela, les deux tests seront mis en œuvre dans le point qui suit.

3.3.2. Test de deux racines unitaires

Pour tester l’existence de deux racines unitaires dans les variables étudiées, les deux tests
seront appliqués sur celles-ci différenciées une seule fois. C'est-à-dire que les tests porteront
sur les variations des séries. Les résultats obtenus sont reportés dans le tableau n°4 :

Hosting by COPERNICUS [Link] Page 280

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Tableau 4 : Résultats des tests ADF et PP sur les séries en différence première
Test ADF Test PP
Variables
t-statistique Retard Conclusion t-statistique Conclusion
DLPIB -9,695 1 I(0) -9,694 I(0)
DCC -9,904 1 I(0) -9,926 I(0)
DGE -6,234 9 I(0) -10,178 I(0)
DRL -6,280 5 I(0) -10,000 I(0)
DRQ -7,913 5 I(0) -10,171 I(0)
DVA -5,478 4 I(0) -9,667 I(0)
DPV -6,975 9 I(0) -10,085 I(0)
Source : Calcul des auteurs

D’après le tableau 4 ci-dessus, on remarque que toutes les statistiques ADF et PP calculées
sont inférieures aux valeurs théoriques correspondantes. La conclusion en est que toutes les
séries sont stationnaires en différence première.

L’étape suivante aura comme objectif, donc, de tester l’existence d’une ou plusieurs relations
de long terme entre la gouvernance et la croissance économique.

3.4. Test de cointégration de Johansen

Après l’étude de la matrice de corrélation et des relations causales22, nous avons retenu deux
modèles candidats.

3.4.1. Modèle 1 : LPIB en fonction de CC, PV et RL

 Détermination du retard optimal

Les résultats obtenus sont reportés dans le tableau suivant :

Tableau 5 : Critères d’information pour la détermination du retard optimal
Lag LogL LR FPE AIC SC HQ
0 225.5980 NA 3.20e-09 -8.207335 -8.060002 -8.150514
1 493.5093 486.2093 2.85e-13 -17.53738 -16.80072 -17.25328
2 527.0619 55.92113 1.50e-13 -18.18748 -16.86149 -17.67610
3 532.8011 8.715039 2.26e-13 -17.80745 -15.89213 -17.06879
4 537.5701 6.535241 3.59e-13 -17.39148 -14.88684 -16.42554
5 659.4683 148.9868 7.74e-15 -21.31364 -18.21967 -20.12042
6 705.1076 49.01995* 2.95e-15* -22.41139* -18.72809* -20.99089*
Source : Calcul des auteurs

On constate d’après ce tableau, que la plupart des critères, spécialement LR, FPE, AIC, SC et
HQ suggère de prendre le retard 6.

22
-voir l’annexe pour plus de détails sur la matrice de corrélation et les relations causales au sens de Granger.

Hosting by COPERNICUS [Link] Page 281

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

 Relation de cointégration entre LPIB, CC, PV et RL

Le test de cointégration de Johannsen permet de détecter l’existence des relations de long

terme à travers la statistique de la trace et la valeur propre maximale. Les résultats sont
donnés dans les deux tableaux suivants :

Tableau 6 : Statistique de la trace de Johansen

Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.505873 63.46784 47.85613 0.0009
At most 1 0.275451 25.39990 29.79707 0.1476
At most 2 0.137150 8.000757 15.49471 0.4653
At most 3 0.000648 0.034986 3.841466 0.8516
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Source : Calcul des auteurs

Tableau 7 : Statistique de la valeur propre maximale

Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.505873 38.06795 27.58434 0.0016
At most 1 0.275451 17.39914 21.13162 0.1540
At most 2 0.137150 7.965771 14.26460 0.3822
At most 3 0.000648 0.034986 3.841466 0.8516
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Source : Calcul des auteurs

On constate d’après les tableaux ci-dessus alors que la statistique de la trace et celle de la
valeur propre maximale rejettent l’hypothèse nulle de l’absence de relation de long terme
entre les variables étudiées en faveur de l’hypothèse d’existence d’une seule relation de
cointégration. En effet, la statistique de la trace excède les valeurs critiques correspondantes et
ce pour le seuil 5%. Alors que le test de Maximum Eigenvalue rejette cette hypothèse au seuil
de 5%. Ainsi, même si ces variables présentent des tendances divergentes dans leur évolution
à court terme, à long terme elles se situent sur un même sentier d’équilibre représenté par
l’équation estimée suivante:

LPIB  7.6532  0.0997PV  0.0715CC 1.3457RL

(0,139) (0,465) (0,524) (0,488)

Hosting by COPERNICUS [Link] Page 282

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Les chiffres entre parenthèses représentent les écarts types des coefficients de long terme
estimés. En calculant les t-Student23, on constate que la constante et la qualité de régulation
sont significatives et les autres variables ne sont pas significatives (la stabilité politique et le
contrôle de corruption).

3.4.2. Modèle 2 : LPIB en fonction de GE, VA et RQ

 Détermination du retard optimal

L’application des critères d’information pour la détermination du retard optimal du modèle

VAR avec les quatre variables a donné les résultats suivants :

Tableau 8 : Critères d’information pour la détermination du retard optimal

Lag LogL LR FPE AIC SC HQ
0 263.9462 NA 1.09e-09 -9.283793 -9.139125 -9.227705
1 547.8693 517.1456 7.65e-14 -18.85247 -18.12913 -18.57204
2 588.1189 67.56182* 3.25e-14* -19.71853* -18.41652* -19.21374*
3 598.6230 16.13130 4.04e-14 -19.52225 -17.64157 -18.79311
4 606.6032 11.11526 5.63e-14 -19.23583 -16.77647 -18.28234
Source : Calcul des auteurs

D’après le tableau ci-dessus, on constate que les critères d’informations conduisent à un choix
de retard optimal du modèle est égale à 2.

 Relation de cointégration entre LPIB, GE, VA et RQ

Le test de cointégration de Johannsen permet de détecter l’existence des relations de long

terme à travers la statistique de la trace et la valeur propre maximale. Les résultats sont
donnés dans les deux tableaux suivants :

Tableau 9 : La statistique de la trace de Johansen

Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.399686 59.24784 47.85613 0.0030
At most 1 0.292285 29.65030 29.79707 0.0520
At most 2 0.084912 9.598881 15.49471 0.3129
At most 3 * 0.073891 4.452261 3.841466 0.0348
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Source : Calcul des auteurs

ˆi   i
23
-Les t-Student sont calculés en divisant les coefficients par leurs écarts types ( T  Student  ).
ˆ i

Hosting by COPERNICUS [Link] Page 283

 Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Tableau 10 : La statistique de la valeur propre maximale

Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.399686 29.59754 27.58434 0.0272
At most 1 0.292285 20.05142 21.13162 0.0703
At most 2 0.084912 5.146619 14.26460 0.7232
At most 3 * 0.073891 4.452261 3.841466 0.0348
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Source : Calcul des auteurs

Ce tableau montre que l’hypothèse nulle (d’au plus) r=0 (pour le test de la trace) ou
exactement r=0 (pour le test de la valeur propre maximale) est rejetée au seuil de 5%. Cela
découle du fait que les valeurs calculées à partir de ces deux statistiques (59,25 pour la
statistique de la trace et 29,60 pour la statistique de la valeur propre maximale) sont
supérieures aux valeurs critiques qui leur sont associées (47,85 et 27,58 respectivement).

Les deux tests de cointégration de Johansen confirment donc l’existence d’une seule relation
de cointégration. L’estimation de cette relation a donné l’équation suivante :

LPIB  7.1956  0.5533GE1.3942VA  0.6146RL

(0,164) (0,494) (0,241) (0,322)

La valeur entre parenthèse représente les écarts types des coefficients de long terme estimé.
En calculant les t-Student, on constate que ces derniers sont tous significatifs.

Nous pouvons donc conclure du fait de l’existence d’une relation de cointégration entre les
variables, toutes intégrées d’ordre un, I(1). Et de plus, le PIB et la gouvernance entretiennent
une relation de long terme, ce qui suggère la pertinence du recours à un modèle à correction
d’erreur pour mettre en évidence les relations de court et de long terme entre la croissance
économique et la gouvernance. Ceci fera l’objet de la section suivante.

3.5. Étude de la dynamique de court terme

Le modèle général de départ, pour toutes les variantes de la croissance économique et la

gouvernance considérées dans ce travail, est de la forme suivante :
p
DLPIBjt   ECMjt 1   1,i DGOUVjt i   DUM t   t
i 0

Avec :

Hosting by COPERNICUS [Link] Page 284

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

- ECMjt 1 : La relation de long terme relative au produit intérieure brut de retard 1.

- DGOUVjt i : Les variables de la gouvernance.

-  : Le coefficient d’ajustement ou la proportion du déséquilibre en (t-1) absorbé en
(t).
- 1;i et  : Les coefficients relatifs aux variables explicatives du modèle.

- DUM : Les variables « dummy » éventuelles.

- P: Le retard.

La méthode suivie dans cette partie est :

- Estimation des deux modèles de la dynamique de court terme de la croissance

économique relatifs aux modèles précédents.
- Vérification des tests de diagnostic pour chaque modèle.

3.5.1. Le modèle 1 : DLPIB en fonction de DCC, DPV et DRL

Dans ce modèle on a cherché à tester le rôle de la corruption, de la stabilité politique et de

l’État de droit dans la détermination de la croissance économique en termes du produit
intérieur brut par habitant au Maroc.

 Estimation de l’équation du PIB à travers ECM1

Après plusieurs simulations, le modèles estimé, par la méthode des moindres carrées
ordinaires, et retenu est le suivant :

Tableau 11 : Résultats de l’estimation du modèle à correction d’erreur pour l’équation 1

Dependent Variable: DLPIB
Method: Least Squares
Variables Coefficient Std. Error t-Statistic Prob. Tests de diagnostic
ECM1(-1) -0.072296 0.013550 -5.335588 0.0000
JB  Normalité :  JB  1.886  0.389 
DLPIB(-1) 0.276221 0.088429 3.123632 0.0031
Ljung  Box : Q3  2.515  0.473
DLPIB(-4) -0.292386 0.076583 -3.817914 0.0004
 LM (5) :  (5)  1.757  0.144 
 2
DPV(-2) -0.033035 0.045086 -0.732726 0.4675 Breush  G : 
 LM (6) :  (6)  1.529  0.194 
2
DPV(-4) -0.143200 0.044538 -3.215230 0.0024 
DCC(-2) 0.031637 0.062846 0.503415 0.6171  ARCH (1) : 1  0.431 0.513
 2

ARCH : 
 ARCH (2) :  2  1.162  0.321
DCC(-4) 0.363433 0.064751 5.612789 0.0000 
2

DRL(-2) 0.100756 0.088613 1.137028 0.2615

 RES (1)  0.903  0.371

DRL(-4) -0.357410 0.085316 -4.189276 0.0001 RESET 
 RES (2)  0.689  0.508 

C 0.013428 0.002277 5.897157 0.0000
R2  0.80 R 2  0.77 DW  1.58
Source : Calcul des auteurs

Hosting by COPERNICUS [Link] Page 285

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Comme on peut le lire sur le tableau 11 ci-dessus, le coefficient d’ajustement ou force de

rappel est statistiquement significatif, il est négatif et est compris entre zéro et un en valeur
absolue, ce qui garantit un mécanisme de correction d’erreur, et donc l’existence d’une
relation de long terme (cointégration) et les mouvements entre les différentes variables du
modèle sont considérés comme permanents. A long terme, les déséquilibres entre le produit
intérieur brut et les variables explicatives de la gouvernance se compensent de sorte que les
séries ont des évolutions similaires. Aussi, l’on note ce qui suit :

 Le modèle estimé indique l’existence de causalité à long terme au sens de Granger

entre le produit intérieur brut et les variables explicatives vu que le coefficient de force
de rappel est significativement différent de zéro au sens de Student.
 Le modèle estimé possède une capacité prédictive importante car le coefficient de
détermination est à 80%.
 Les chocs sur la croissance économique en termes du PIB se corrigent avec une
proportion de 7,2%.

Les différents tests économétriques effectués montrent que notre modèle est bien spécifié et
que le modèle est structurellement et conjoncturelle stable donc la robustesse économétrique
du modèle est satisfaisante.

3.5.2. Le modèle 2 : DLPIB en fonction de DGE, DVA et DRQ

L’utilisation du modèle à correction d’erreur permet de ressortir la relation commune de

cointégration et d’en déduire les interactions entre les variables.

 Estimation de l’équation du PIB à travers ECM2

L’utilisation du modèle à correction d’erreur permet de ressortir la relation commune de

cointégration (le trend commun) et d’en déduire les interactions entre les variables. Le tableau
12 suivant résume les résultats concernant l’estimation de l’équation 2 :

Hosting by COPERNICUS [Link] Page 286

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Tableau 12 : résultats de l’estimation du modèle à correction d’erreur pour l’équation 2

Dependent Variable: DLPIB
Method: Least Squares
Variables Coefficient Std. Error t-Statistic Prob. Tests de diagnostic
ECM2(-1) -0.000804 0.000323 -2.484822 0.0167
JB  Normalité :  JB  0.641 0.727 
DLPIB(-1) 0.675713 0.101285 6.671420 0.0000
Ljung  Box : Q5  4.523  0.477 
DLPIB(-4) -0.162106 0.093135 -1.740554 0.0884
 LM (1) :  (1)
2
 0.244  0.624 
DGE -0.561457 0.179233 -3.132560 0.0030 Breush  G : 
 LM (2) :  (2)  2.342  0.108 
2

DGE(-1) 0.198318 0.096080 2.064084 0.0447

 ARCH (1) : 12  0.100  0.752 
DUMVA04 0.032853 0.013439 2.444560 0.0184 ARCH : 
 ARCH (2) :  2  1.173  0.318 
2

DUMVA04(-1) -0.045317 0.015140 -2.993111 0.0044

 RES (1)  0.424  0.673
DRQ 0.113442 0.130967 0.866188 0.3909 RESET 
 RES (2)  1.709  0.193
DRQ(-4) -0.109403 0.072074 -1.517918 0.1359
R2  0.61 R 2  0.54 DW  1.87
Source : Calcul des auteurs

Le coefficient ECM2(-1) est le coefficient de correction d’erreur, il doit être inférieur à l’unité
et négatif. Ce dernier indique la vitesse d’ajustement de la variable endogène le PIB, pour
retourner à l’équilibre, suite à un choc de long terme. Autrement dit, il correspond aux
stabilisateurs automatiques de l’économie. Les résultats issus de ce tableau montrent que le
terme à correction d’erreur associé à la force de rappel ECM2(-1) est négatif (-0.0008). Il
existe donc un processus de rattrapage vers la valeur d’équilibre autrement dit, un mécanisme
à correction d'erreur de long terme des déséquilibres du PIB au Maroc. En effet, il s’est avéré
que tout déséquilibre entre le niveaux désiré et effectif du PIB au Maroc, est résorbé au
environ de 0.08% par l’efficacité gouvernementale (GE), voix et responsabilité (VA) ainsi
que la qualité de régulation. Une telle vitesse de stabilisation des fluctuations de l’économie
Marocaine est très faible, Ce qui se traduit par une persistance de l’effet du choc, qui se
traduit par la volatilité des principaux agrégats macroéconomiques.

Les résultats d’estimation de la relation de long terme montrent que toutes les variables sont
d’un point de vue statistique et économique significatives sauf la qualité de régulation,
puisque la t-statistique est supérieur à 1.96 au seuil de 5%. Le modèle estimé indique
l’existence de la causalité à long terme, au sens de Granger, entre le PIB et les variables
explicatives puisque le coefficient à correction d’erreur est significativement différent de zéro
au sens de t-Student.

Enfin, on remarque que le modèle estimé passe avec un succès tous les tests de diagnostic
considérés. Notre modèle est ainsi validé sur le plan statistique.

Hosting by COPERNICUS [Link] Page 287

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

3.6. Prévision des deux modèles

Concernant des capacités prédictives des deux modèles a été faite sur la base de la prévision
au sein de l’échantillon étudié. Les résultats obtenus sont présentés dans le tableau suivant :

Tableau 13 : Résultats des capacités prédictives pour les deux modèles

Modèles Erreur quadratique moyenne Erreur absolue moyenne proportion du biais
Modèle 1 0,012004 0,009291 0,000034
Modèle 2 0,021704 0,017200 0,000004
Source : Calcul des auteurs

Selon les critères de comparaison (Erreur quadratique moyenne, Erreur absolue moyenne et la
proportion de biais) des deux modèles économétrique, on constate que le modèle 1 est plus
significatif que le modèle 2.

CONCLUSION

Nous avons tenté dans cette étude de traiter la relation entre la gouvernance et la
croissance économique moyennant des techniques de cointégration de Johansen. Nous avons
utilisé les techniques économétriques récentes, notamment, le modèle VAR. Cette méthode,
prenant en considération la non stationnarité et la cointégration des séries, nous a permis de
distinguer les relations de court terme et celles de long terme, pour explorer la liaison causale
entre la gouvernance et la croissance économique au Maroc. Empiriquement, l’application de
cette théorie nécessite la démarche suivante (Jacquinot, 1989):

- De tester l’ordre d’intégration des séries (tests de racine unitaire) pour s’assurer
qu’elles suivent une marche aléatoire (seul domaine d’application du théorème de
représentation de Granger) ;
- De tester la cointégration pour déterminer l’existence d’une relation d’état stationnaire
entre les variables ;
- D’estimer le modèle à correction d’erreur qui vise à rendre compte dans une même
équation d’un écart éventuel par rapport à un équilibre de long terme et du processus
d’ajustement à court terme de cet équilibre.

Les résultats ont montré que les séries de la gouvernance et de la croissance économique sont
stationnaire en premier différence. Nos résultats plaident en faveur d’une relation de long
terme entre la gouvernance et la croissance économique au Maroc.

Hosting by COPERNICUS [Link] Page 288

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

L’approche du modèle à correction d’erreur montre que la causalité est à double sens, ce qui
diffère, c’est l’intensité de cette causalité (causalité de la gouvernance vers la croissance plus
forte que la réciproque). Ces résultats concernant le Maroc pourraient être expliqués par la
faiblesse des systèmes économiques et le système politique de ce pays et la grande
intervention de l’Etat dans ces systèmes. En effet, une telle intervention rend la contribution
de la croissance au processus de la gouvernance non optimal.

L’évidence d’une causalité à court et long termes entre la gouvernance et la croissance

économique en termes de produit intérieur brut, dénote que les variables s’influencent
mutuellement en termes de capacité de prévision.

Hosting by COPERNICUS [Link] Page 289

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

BIBLIOGRAPHIE

ABED, G. T. ET DAVOODI, H. R. (2002), « Governance, Corruption and Economic

Performance», in G.T. Abed and S. Gupta (eds), Corruption, Structural Reforms and
Economic Performance, pages 489–537. International Monetary Fund, Washington D.C.
AIT OUDRA M. (1997), « Les modèles VAR cointégrés : application à quelques variables
macroéconomiques marocaines », Mémoire de D.E.S en Sciences Économiques FSJES - Fès.
AIT OUDRA M. (2006), « La modélisation des séries non stationnaires, la théorie de la
cointégration : application à la demande de monnaie au Maroc », Thèse de Doctorat en
Sciences Économiques FSJES - Fès.
AL-AZMEH A. (1994), « Populisme contre démocratie. Discours démocratisants dans le
monde arabe », in Ghassan Salamé (dir.), Démocraties sans démocrates, politiques
d’ouverture dans le monde arabe et islamique, Paris, Fayard, p. 233-254.
ALDAHDAH E. (2005), « Gouvernance et Développement au Maghreb », Note présentée à
l’occasion de la table ronde organisée à Tunis par la Banque Mondiale les 24 et 25 Mai 2005.
ALESINA A. & PEROTTI R. (1996), « Political Instability and Economic growth »,
Journal of Economic Growth, (1996).
ALESINA A. AND PEROTTI R., “Political Instability and economic Growth”, Journal of
economic growth, (1996)
AMAIRA B. (2012) : « Gouvernance, libéralisation financière et croissance économique:
Aperçu théorique et vérification empirique». Faculté des Sciences Economiques et de Gestion
de Tunis, Global journals Inc. (USA), Juin 2010.
ARNDT C. E. (2009), « Governance Indicators », Thèse de doctorat en sciences économique,
Université Maastricht, Pays-Bas, Juin 2009.
ARNDT C. ET CHARLES O. (2006) : « Les indicateurs de gouvernance », Centre de
développement de l’OCDE, 2006.
AZAMI HASSANI K. (2019) «volatilité du prix du pétrole et croissance économique au
Maroc : une étude économétrique» Revue du contrôle, de la comptabilité et de l’audit «
Numéro 9 : Juin 2019 / Volume 4 : numéro 1 » p : 354 - 364
BANQUE MONDIALE (2002), Rapport sur le développement dans le monde.
BANQUE MONDIALE (2017), Rapport sur L’amélioration de la gouvernance est essentielle
pour garantir une croissance équitable dans les pays en développement, 30 Janvier 2017.
BANQUE MONDIALE (2017), Rapport sur le développement dans le monde 2017 : La
Gouvernance et la Loi, 30 janvier 2017.
BENARGEE A., DOLADO J.J., GALBRAITH J.W. AND HENDRY D.F. (1993),
« Cointegration, Error correction, and the Econometric analysis of non stationary Data »,
Oxford University press.

Hosting by COPERNICUS [Link] Page 290

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

BOURBONNAIS R. (2012), « Exercices pédagogiques d’économétrie avec corrigés et rappel

synthétique du cours », 2e édition.
BOURBONNAIS R. (2018), « Econométrie, cours et Exercices corrigés », 10e édition,
DUNOD.
BRESSON G. & PIROTTE A. (1995), « Econométrie des séries temporelles : théories et
applications », 1e édition, 1995, décembre, Paris.
BRUNELLE D. (2010), « Gouvernance : Théories et pratiques », Éditions de l’Institut
international de Montréal, 2010, pp 372.
CHARREAUX G. (2014), « Nouvelle économie et gouvernance », Rapport Moral sur
l’Argent dans le Monde 2014, 19e édition, Association d’économie financière, Parution :
10/2014.
CHATTI O. (2010), « Gouvernance et Croissance Economique ». Thèse de doctorat en
sciences économiques, Faculté de Droit, des Sciences Politiques, Economiques et de Gestion,
Université de Nice Sophia-Antipolis. Mars 2010.
EASTERLY W. & LEVINE R., “Tropics, Germs, and Crops:How Endowment Affect
Economic Development”, NBER Working Paper 9106, National Bureau of Economic
Research, Cambridge, Mass (2002).
EL YAMANI K. & all. (2019) « Effet du taux de change sur la croissance économique du
Maroc », Revue du contrôle, de la comptabilité et de l’audit « Numéro 8 : Mars 2019 /
Volume 3 : numéro 4 » p : 823- 839.
GRIER K-B AND TULLOCK G. “And empirical Analysis of cross-national economic
growth, 1951-1980”, Journal of Monetary Economics, vol 24 259-276.
HELLIWELL J., « Empirical linkages between democracy and economic growth”, British
Journal of Political Science, 24 (1994), 225-248.
ISHAM, J., KAUFMANN D. AND PRITCHETT L. “Civil liberties, Democracy, and the
performance of government projects”, World Blank Economic Review, 219-242.
JOHANSEN S. (1991), « Estimation and hypothesis testing of cointegration vectors in
Gaussian vector autoregressive models », Econometrica, 59, pp 1551-1580.
JOHANSEN, S. AND JUSELIUS, K. (1990), « Maximum likelihood estimation and
inference on cointegration – with applications to the demand for money », in Oxford Bulletin
of Economics and Statistics, vol.52, n°2, pp. 169-210.
JOHANSEN, S., (1995). “Likelihood-based inference in cointegrated vector autoregressive
models”, Oxford University Press.
JOHNSON S. ET SUBRAMANIAN A. (2005), « Aide, gouvernance et économie politique :
Croissance et Institutions », Document préparé pour le séminaire sur l’aide et la gestion
macroéconomique, organisé au Chissano Conference Center, Maputo, les 14 et 15 mars 2005.

Hosting by COPERNICUS [Link] Page 291

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

JOUMARD R. (210), « Le concept de gouvernance » LTE 0910, Rapport de recherche.

2009, juin 2010, pp 52.
KAUFMANN D., KRAAY A. & MASTRUZZI M. (2004), « Governance Matters III,
Governance Indicators for 1996-2002 », World Bank, Washington, D.C. Processed 2004.
KNACK S. AND KEEFER O., “Institutions and Economic Performance:Cross country test
using alternative international measures”, Economics and Politics (1995), 207-227.
KORMENDI R.C., AND P.G. MEGUIRE, “Macroeconomic Derterminants of Growth:
Cross-Country evidence”, Journal of Monetary Economics, 141-163 (1985).
LONDREGAN J-B & POOLE K-T, “The Seizure of executive power and economic
growth:Some additional evidence”, Political economy, growth and business cycles,
Cambridge, Mass:MIT press (1992)
LONZO LUBU G., (2015), Guide d’utilisation du logiciel EviewsR10.
MAURO P., “Corruption and Growth”, Quarterly Journal of Economics, (1995).
NELSON, C.R., PLOSSER, C.I., (1982), “Trends and random walks in macroecomic time
series. Journal of Monetary Economics”. Vol 10, pp 139-162.
PHILIPS P. C. B. AND OULIARIS S. (1990), « Asymptotic proprieties of residuel based
tests for cointégration », Econometrica, 58, pp 165-193.
PHILIPS P. C. B. AND PERRON P. (1988), « Testing for unit root in time series regression
», Biometrica, 75, 2, pp 335-346.
PIERRE R. (2010) : « Croissance et Crise : Analyse économique et historique ».2010
Pearson Education France, Paris.
PNUD (2002), « le rapport mondial sur le développent humain 2002 : la bonne gouvernance
et développement humain durable ».
SCULLY G., « The institutional framework and economic development », Journal of
Political Economy (1988).
SVENSSON J., “Investment, Property Rights and political instability-theory and evidence”,
European Economic Review (1998).
ZIADI A. & BHIBAH I., (2016), « Gouvernance et croissance économique : Application au
cas des pays de l’UEMOA », ISSN 1923-2993 Journal of Academic Finance (J.A.F.), pp 70-
83.

Hosting by COPERNICUS [Link] Page 292

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

ANNEXES
Les graphiques des séries étudiées exprimées en différence premières :
DLPIB DPV DRL

.08 .15 .12

.10
.08
.04
.05

.00 .04
.00
-.05
.00
-.10
-.04
-.04
-.15

-.08 -.20 -.08

2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016

DRQ DVA DCC

.20 .3 .15

.15 .10
.2
.10
.05
.05 .1
.00
.00
.0
-.05
-.05
-.1
-.10 -.10

-.15 -.2 -.15

2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016 2002 2004 2006 2008 2010 2012 2014 2016

DGE

.10

.05

.00

-.05

-.10

-.15
2002 2004 2006 2008 2010 2012 2014 2016

Source : Estimation des auteurs

Coefficients de corrélation entre les variables :

Corrélation LPIB PV RL RQ VA CC GE
LPIB 1.000000
PV -0.303064 1.000000
RL -0.483051 0.682862 1.000000
RQ 0.449259 0.229558 -0.133399 1.000000
VA -0.466507 0.638690 0.609123 0.060278 1.000000
CC -0.357920 0.745599 0.781242 -0.207634 0.515799 1.000000
GE 0.454319 0.325756 0.175740 0.652578 0.149868 0.089772 1.000000
Source : Calcul des auteurs

Test de causalité au sens de Granger

Pairwise Granger Causality Tests
Date: 04/26/19 Time: 22:39
Sample: 2002Q1 2016Q4
Lags: 8
Null Hypothesis: Obs F-Statistic Prob.
DPV does not Granger Cause DLPIB 51 0.28261 0.9672
DLPIB does not Granger Cause DPV 0.79415 0.6115
DRL does not Granger Cause DLPIB 51 1.45351 0.2108
DLPIB does not Granger Cause DRL 2.79481 0.0171
DRQ does not Granger Cause DLPIB 51 0.48676 0.8570

Hosting by COPERNICUS [Link] Page 293

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

DLPIB does not Granger Cause DRQ 0.12341 0.9979

DVA does not Granger Cause DLPIB 51 0.06729 0.9998
DLPIB does not Granger Cause DVA 1.71154 0.1314
DCC does not Granger Cause DLPIB 51 1.22442 0.3149
DLPIB does not Granger Cause DCC 1.00923 0.4475
DGE does not Granger Cause DLPIB 51 0.34018 0.9439
DLPIB does not Granger Cause DGE 0.75106 0.6468
DRL does not Granger Cause DPV 51 0.78318 0.6204
DPV does not Granger Cause DRL 0.75092 0.6470
DRQ does not Granger Cause DPV 51 1.30602 0.2737
DPV does not Granger Cause DRQ 3.64348 0.0037
DVA does not Granger Cause DPV 51 3.05485 0.0106
DPV does not Granger Cause DVA 2.96211 0.0126
DCC does not Granger Cause DPV 51 0.99846 0.4550
DPV does not Granger Cause DCC 1.36092 0.2486
DGE does not Granger Cause DPV 51 0.92273 0.5102
DPV does not Granger Cause DGE 0.52080 0.8324
DRQ does not Granger Cause DRL 51 0.68282 0.7034
DRL does not Granger Cause DRQ 0.96770 0.4770
DVA does not Granger Cause DRL 51 0.84097 0.5737
DRL does not Granger Cause DVA 0.80595 0.6019
DCC does not Granger Cause DRL 51 0.18229 0.9918
DRL does not Granger Cause DCC 0.22833 0.9830
DGE does not Granger Cause DRL 51 0.56964 0.7951
DRL does not Granger Cause DGE 0.63896 0.7395
DVA does not Granger Cause DRQ 51 10.3419 3.E-07
DRQ does not Granger Cause DVA 1.47799 0.2017
DCC does not Granger Cause DRQ 51 8.72159 2.E-06
DRQ does not Granger Cause DCC 2.11420 0.0617
DGE does not Granger Cause DRQ 51 2.92019 0.0136
DRQ does not Granger Cause DGE 0.68099 0.7049
DCC does not Granger Cause DVA 51 1.72524 0.1281
DVA does not Granger Cause DCC 0.51381 0.8375
DGE does not Granger Cause DVA 51 0.17755 0.9925
DVA does not Granger Cause DGE 2.46725 0.0317
DGE does not Granger Cause DCC 51 0.81670 0.5932
DCC does not Granger Cause DGE 4.88865 0.0005
Source : Calcul des auteurs

Hosting by COPERNICUS [Link] Page 294

Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Test de stabilité des coefficients pour les deux modèles

Modèle 1
.1 .8 1.5 0.8

.6 0.4
1.0
.0
.4 0.0
0.5
-.1 .2 -0.4
0.0
.0 -0.8
-.2
-0.5
-.2 -1.2

-.3 -.4 -1.0 -1.6

07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16

Recursive C(1) Estimates Recursive C(2) Estimates Recursive C(3) Estimates Recursive C(4) Estimates
± 2 S.E. ± 2 S.E. ± 2 S.E. ± 2 S.E.

1.5 15 8 8

4
1.0 4
10
0
0.5 0 -4
5
0.0 -4 -8

-12
0
-0.5 -8
-16

-1.0 -5 -12 -20

07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16

Recursive C(5) Estimates Recursive C(6) Estimates Recursive C(7) Estimates Recursive C(8) Estimates
± 2 S.E. ± 2 S.E. ± 2 S.E. ± 2 S.E.

20 .04

15
.02
10

5 .00

0 -.02
-5
-.04
-10

-15 -.06
07 08 09 10 11 12 13 14 15 16 07 08 09 10 11 12 13 14 15 16

Recursive C(9) Estimates Recursive C(10) Estimates

± 2 S.E. ± 2 S.E.

Modèle 2
.002 2.0 1

.000 1.5
0
-.002
1.0
-.004
0.5 -1
-.006
0.0
-.008
-2
-.010 -0.5

-.012 -1.0 -3
05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16

Recursive C(1) Estimates Recursive C(2) Estimates Recursive C(3) Estimates

± 2 S.E. ± 2 S.E. ± 2 S.E.

2.0 .6 .12

1.5
.4 .08
1.0

0.5
.2 .04
0.0

-0.5
.0 .00
-1.0

-1.5 -.2 -.04

05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16

Recursive C(4) Estimates Recursive C(5) Estimates Recursive C(6) Estimates

± 2 S.E. ± 2 S.E. ± 2 S.E.

.04 0.5 .4

0.0 .2
.00
-0.5 .0

-.04 -1.0 -.2

-1.5 -.4
-.08
-2.0 -.6

-.12 -2.5 -.8

05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16 05 06 07 08 09 10 11 12 13 14 15 16

Recursive C(7) Estimates Recursive C(8) Estimates Recursive C(9) Estimates

± 2 S.E. ± 2 S.E. ± 2 S.E.

Source : Estimation des auteurs

Hosting by COPERNICUS [Link] Page 295

 Revue du Contrôle de la Comptabilité et de l’Audit
ISSN: 2550-469X
Numéro 10 : Septembre 2019

Test de stabilité de CUSUM pour les deux modèles :

Modèle 1 Modèle 2
20 20

15
10
10

5
0

-10
-5

-10
-20
-15

-20 -30
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 05 06 07 08 09 10 11 12 13 14 15 16

CUSUM 5% Significance CUSUM 5% Significance

Source : Estimation des auteurs

Test de stabilité de CUSUM-Carré pour les deux modèles :
Modèle 1 Modèle 2
1.4
1.4
1.2
1.2
1.0 1.0

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0.0 0.0

-0.2 -0.2

-0.4
-0.4
05 06 07 08 09 10 11 12 13 14 15 16
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
CUSUM of Squares 5% Significance
CUSUM of Squares 5% Significance

Source : Estimation des auteurs

Prévision de deux modèles
Modèle 1 Modèle 2
.08 .10
Forecast: DLPIBF Forecast: DLPIBF
.08
Actual: DLPIB Actual: DLPIB
.04
Forecast sample: 2002Q1 2016Q4 .06 Forecast sample: 2002Q1 2016Q4
Adjusted sample: 2003Q2 2016Q4 Adjusted sample: 2003Q2 2016Q4
.04
.00 Included observations: 55
Included observations: 55
Root Mean Squared Error 0.012004 .02
Root Mean Squared Error 0.021704
-.04
Mean Absolute Error 0.009291 .00 Mean Absolute Error 0.017200
Mean Abs. Percent Error 74.83713
-.02 Mean Abs. Percent Error 157.4192
Theil Inequality Coefficient 0.247940
-.08
Bias Proportion 0.000034 Theil Inequality Coefficient 0.515291
-.04
Variance Proportion 0.036358 Bias Proportion 0.000004
-.06 Variance Proportion 0.205740
-.12 Covariance Proportion 0.963607
03 04 05 06 07 08 09 10 11 12 13 14 15 16 Theil U2 Coefficient 0.612108 -.08 Covariance Proportion 0.794255
Symmetric MAPE 59.79757 03 04 05 06 07 08 09 10 11 12 13 14 15 16 Theil U2 Coefficient 1.309169
DLPIBF ± 2 S.E.
Symmetric MAPE 119.0556
DLPIBF ± 2 S.E.

Source : Estimation des auteurs

Hosting by COPERNICUS [Link] Page 296