Koffi Klodji Thomas MScA 2014

FACULTÉ D'ADMINISTRATION
ANALYSE DE COINTEGRATION LONGITUDINALE DE

L'IMPACT DE LA CROISSANCE DE LA POPULATION
SUR LES EMISSIONS DE DIOXYDE DE CARBONE.
MÉMOIRE DE MAÎTRISE EN ÉCONOMIQUE

OCTOBRE 2014
Présenté par : Sous la direction du :
KLODJI THOMAS KOFFI Professeur Patrick Richard

REMERCIEMENTS
J’exprime singulièrement ma gratitude au Professeur Patrick Richard,

Directeur du programme de Doctorat en Économie de Développement et également
Enseignant chercheur, mon directeur de mémoire pour ses conseils appropriés, son
effort dans le suivi de la réalisation de ce mémoire et sa disponibilité nonobstant ses
multiples occupations.
Mes remerciements vont également à l'endroit de mes lecteurs les

professeurs Jie He et Martino Pelli pour leur précieux temps qu'ils ont bien voulu
consacrer à la lecture de ce mémoire.
Enfin, je voudrais dire merci à mes parents pour leur soutien financier et
moral ainsi qu'à tous ceux qui d'une manière ou d'une autre ont contribué à la
réalisation de ce travail de fin de cycle.
1
SOMMAIRE
REMERCIEMENTS......................................................................................................1
SOMMAIRE..................................................................................................................2
LISTE DES FIGURES..................................................................................................3
SIGLES ET ABBREVIATIONS...................................................................................4
RESUME.......................................................................................................................5
INTRODUCTION.........................................................................................................6
2 : REVUE DE LITTERATURE..................................................................................9
3 : METHODOLOGIE................................................................................................20
4 : SOURCE ET DESCRIPTION DES DONNEES..................................................23
5 : ANALYSE ET DISCUSSION DES RESULTATS...............................................30
CONCLUSION............................................................................................................60
BIBLIOGRAPHIE.......................................................................................................61
ANNEXE.....................................................................................................................69
TABLE DES MATIERES...........................................................................................70
2
LISTE DES FIGURES
FIGURE 1: Évolution globale annuelle du logarithme de CO2 ( LI et LMI)

FIGURE 2: Évolution globale annuelle du logarithme de CO2 ( UMI et OCDE)
FIGURE 3: Évolution globale annuelle du logarithme de la population (LI et LMI)
FIGURE 4: Évolution globale annuelle du logarithme de la population (UMI et
OCDE)
FIGURE 5: Relation entre le logarithme de CO2 et le logarithme de la population (LI
et LMI)
FIGURE 6: Relation entre le logarithme de CO2 et le logarithme de la population
(UMI et OCDE)
3
SIGLES ET ABBREVIATIONS
ADF : Augmented Dickey-Fuller

ADL : Autoregressive Distributed Lag
CO2 : Dioxyde de Carbone
ECM : Error Correction Model
EKC : Environmental Kuznets Curve
EOP : End-Of-Pipe
FMOLS : Fully Modified Ordinary Least Squares
IPCC : Intergovernmental Panel on Climate Change
LI : Lower Income
LMI : Lower Middle Income
MCO : Moindres Carrés Ordinaires
OCDE : Organisation de Coopération et de Développement Économique
OPEP : Organisation des Pays Exportateurs de Pétrole
PIB : Produit Intérieur Brut
STIRPAT: Stochastic Impacts by Regression on Population, Affluence, and
Technology
UE : Union Européenne
UMI : Upper Middle Income
VECM : Vector Error Correction Model
WDI : World Development Indicators
4
RÉSUMÉ
Ce mémoire analyse une existence éventuelle d'une relation de long terme

entre le dioxyde de carbone et la croissance de la population. Pour ce faire, on s'est
intéressé à 81 pays repartis en quatre groupes selon leur niveau de produit intérieur
brut par tête sur une période allant de 1980 à 2010. À l'aide du modèle
STIRPAT(Stochastic Impacts by Regression on Population, Affluence and
Technology), on trouve qu'il existe une relation de long terme entre l'émission de
dioxyde de carbone et la croissance de la population pour l'ensemble des quatre
groupes de pays étudiés. Toutefois, l'amplitude de cette relation caractérisée par
l'élasticité de long terme dioxyde de carbone-population varie d'un groupe de pays à
un autre. Pour les pays à revenu faible, elle est de 1.3; ce qui signifie que
l'accroissement de 1% de leur population entraine une augmentation de 1.3% de leur
taux d'émission de CO2. Pour ce qui est des pays de l'OCDE, elle est égale à 1 bien
que certaines études trouvent des valeurs inférieures mais assez proche de 1.
5
INTRODUCTION
Le réchauffement climatique est un fléau au cœur des débats actuels. Les

catastrophes naturelles causées par le réchauffement climatique qui frappent notre
planète témoignent l’ampleur du problème. Les inondations récentes aux États-Unis
et au Canada en sont des exemples concrets. Selon un rapport de l’IPCC
(Intergovernmental Panel on Climate Change) (2007) , la quantité de dioxyde de
carbone (CO2) est la plus abondante parmi les gaz à effet de serre. Dans une étude de
l’IPCC citée par Martinez-Zarzoso et Maruotti (2011), le CO2 représentait 76.7% des
gaz à effet de serre en 2004. Certains auteurs pointent du doigt le système de
production mis en place dans les pays industrialisés; système qui nécessite une
utilisation intensive des ressources naturelles non renouvelables telles que le gaz et le
pétrole pour ne citer que ces deux là. D'après un rapport de la Banque Mondiale
(2007), le niveau d'émission de CO2 dans les pays en voie de développement a connu
une augmentation importante durant cette dernière décennie. Dans ce rapport dont les
données ont été extraites de la WDI(World Development Indicators) (2007), le niveau
d'émission de CO2 de l'ensemble des pays en voie de développement représentait 50%
du volume du niveau mondial d'émission de dioxyde de carbone. L’utilisation
intensive de ces ressources naturelles (pétrole, gaz naturel...) non renouvelables,
couplée à une hausse du taux de croissance démographique favorise non seulement
une baisse drastique de ces ressources naturelles mais entraine aussi un fort taux de
rejet de dioxyde de carbone dans l’atmosphère. Face à la gravité du problème, des
négociations internationales ont été entreprises afin que chaque pays s'engage à
réduire son taux d'émission de dioxyde de carbone. A cet effet, un accord signé à
Kyoto en 1997 appelé protocole de Kyoto a engagé les parties contractantes à réduire
leur taux annuel d'émission de 5,2% en moyenne. Certains chercheurs affirment que
la croissance démographique est la source du fort taux d'émission de CO2 . Dietz et
Rosa (1997) ont fait l’hypothèse qu’un accroissement de 1% de la population entraine
une augmentation de 1% du taux de dioxyde de carbone. Hamilton et Turton (2002)
ont montré que le niveau de revenu par tête et la croissance démographique sont la
6
cause de l’accroissement du niveau de dioxyde de carbone dans les pays de
l’OCDE(Organisation de Coopération et de Développement Économique). Pour
Ehrlich et Holdren (1971), la croissance démographique a un effet négatif
disproportionnel sur la qualité de l'environnement. Plusieurs études ont aussi montré
que l'effet de la croissance démographique sur le taux d'émission de CO2 est
homogène entre les pays ayant le même niveau de revenu par tête. Cependant,
quelques études récentes indiquent que l’hypothèse émise par Dietz et
Rosa (1997) est non seulement potentiellement fausse mais que leur relation trouvée
n’est pas homogène d’un pays à l’autre. Shi (2003) affirme que l’élasticité d’émission
de CO2 par rapport à la population est comprise entre 1.41 et 1.65; ce qui est bien
supérieur à 1. Fan et al (2006) ont analysé l’impact de la population, du niveau du
PIB par tête et de la technologie sur l’émission de dioxyde de carbone en Chine, dans
les pays à revenu élevé, revenu intermédiaire et à revenu faible durant la période
allant de 1975-2000. Ils ont trouvé que les impacts étaient différents. La relation de
long terme population-dioxyde de carbone a très peu été l'objet d'investigation de
nombreux chercheurs à l'aide d'outils statistiques appropriés. Pour donc essayer
d'apporter une éventuelle contribution à la littérature existante, le but de ce travail
sera d’estimer une relation de long terme entre la croissance de la population humaine
et l'émission de dioxyde de carbone.
Les débats actuels sur la protection de l'environnement et la mise en place
d'un développement durable sont l'une des raisons essentielles de cette étude. Par
ailleurs, le dioxyde de carbone est reconnu par de nombreux scientifiques comme
étant la source principale du réchauffement climatique à travers ses effets de serre.
Une autre raison du choix du CO2 s'explique par le fait qu'il est directement lié à
l'usage de l'énergie par la population, énergie qui représente le principal facteur de
production de l'économie aussi bien pour la production que la consommation. Pour
mener à bien la réflexion sur cette question, on construira une base de données
longitudinales qui prendra en compte quatre groupes de pays classés en fonction de
leur niveau de produit intérieur brut par tête. Les méthodes de panel
macroéconomiques récemment développées seront également utilisées pour notre
7
analyse. De façon spécifique, on essaiera de modéliser et tester les hypothèses de
racine unitaire et de cointégration de nos variables afin de mieux estimer l’impact à
long terme de la croissance de la population sur les émissions de dioxyde de carbone
en tenant compte de l’homogénéité potentielle. La nomenclature de cette étude se
présente de la façon suivante: l’introduction ci-dessus constitue la section une. La
section deux essaiera de présenter au mieux les travaux qui ont été déjà réalisés sur la
question. La section trois, quant à elle se penchera sur la méthodologie de recherche.
La section quatre étudiera la source et la description des données. La cinquième
section présentera les résultats ainsi que la discussion de ceux ci. Enfin la sixième
section sera la conclusion.
8
2 REVUE DE LITTERATURE
2.1 Pollution et niveau de revenu: hypothèse de Kuznets
La relation entre la croissance économique et le niveau de dégradation de

l’environnement a été l'objet de nombreuses investigations au cours des années 1990.
La plupart de ces études avait pour but de tester l'hypothèse EKC (Environmental
Kuznets Curve) qui stipule que lorsqu'une économie commence à se développer, le
niveau de dégradation de l’environnement augmente jusqu’à ce qu’un certain seuil du
niveau de revenu soit atteint. Lorsqu’on atteint le niveau maximal de dégradation , il
s’ensuit une amélioration des conditions environnementales. Cette relation entre le
niveau de produit intérieur brut par tête et le niveau de pollution est appelée la courbe
en cloche ou en U inversée. Courbe dont l’origine remonte à Kuznets (1955) qui
affirmait que lorsque le niveau de revenu par tête augmente, les inégalités entre les
différents niveaux de revenu augmentent également jusqu’à certain seuil de revenu
qui représente le niveau optimal de revenu à partir duquel les inégalités diminuent.
Dès lors que l’optimum est atteint, les inégalités diminuent. Plusieurs études se sont
intéressées à la validité de cette hypothèse. La littérature portant sur la courbe de
Kuznets environnementale est importante dans l'étude actuelle car la croissance
économique est historiquement fortement liée à la croissance de la population. Ainsi,
même si les études de la EKC ne prennent pas directement en compte la population,
leurs résultats sont intéressants. Grossman et Krueger (1991), en faisant usage des
données en coupe transversale de villes situées dans 42 pays, ont utilisé des mesures
comparables de trois types de polluants afin d’étudier la relation entre la qualité de
l’air et la croissance économique. Ils ont trouvé que le volume de dioxyde de soufre
(SO2 ) et de fumée augmente avec de faibles niveaux de PIB/tête mais diminue avec
des niveaux de PIB/tête élevés. Holtz-Eakin et Selden (1995) ont utilisé une forme
réduite de la relation entre l’émission de CO2 et le produit intérieur brut par tête pour
130 pays de 1951 à 1986. Leur modélisation a été faite avec un polynôme de degré
quatre incluant un effet fixe spécifique à chaque pays. Leur résultat planche en faveur
de la validation de la courbe de Kuznets avec un niveau de déclinaison optimal
9
de 35428 $. Jaunky (2011) a testé l’hypothèse EKC pour 36 pays développés sur la
période allant de 1980 à 2005. Les résultats de son étude ont prouvé que les variables
PIB/tête et volume total d'émission de CO2 sont cointégrées. En outre, l’analyse
empirique basée sur les pays pris individuellement atteste que l’hypothèse EKC est
vérifiée pour un certain nombre de pays notamment la Grèce, le Malta, l’Oman, le
Portugal et le Royaume-Uni. Il s’avère également que, pour l’ensemble du panel, 1 %
de l’augmentation du PIB/tête entraine un accroissement de 0.68 % de l’émission de
CO2 à court terme et 0.22 % à long terme. La faible élasticité de long terme rejette
l’hypothèse de l’existence EKC mais indique toutefois que le taux d’émission de
CO2 se stabilise à long terme dans les pays riches. Dans le même ordre d’idée, la
relation entre le développement économique et le dioxyde de carbone dans le cas
d’une économie ouverte pour un petit pays industrialisé (Autriche) a été explorée par
Friedl et Getzner (2003). Ils ont testé si l’hypothèse EKC est aussi vérifiée pour un
pays pris individuellement plutôt que de considérer un ensemble de pays et faire une
analyse en coupe transversale ou en données de panel. Ils ont trouvé qu’une
modélisation à l’aide d’un polynôme de degré trois convient mieux pour le test de
l’hypothèse EKC pour la période de 1960-1999. Par ailleurs, ils identifient un
changement structurel au milieu des années 1970 dû aux chocs pétroliers. Des
chercheurs ont focalisé leurs études sur les prévisions futures de CO2 tout en testant
l’hypothèse EKC. Galeotti et Lanza (1999) ont effectué leur analyse à partir de 110
pays de 1970 à 1996. Leur résultat confirme la courbe en cloche de Kuznets et prévoit
également que les émissions futures de dioxyde de carbone seront à la hausse. Pour
eux, cette hausse s’explique par l’augmentation du niveau du produit intérieur brut
par tête dans les pays en développement. Chow et Li (2014) ont discuté des
problèmes économétriques majeurs dans la littérature s’intéressant à la vérification de
l’hypothèse de Kuznets à l’aide des données de panel. Ils soulignent le problème du
test de racine unitaire qui n'est pas effectué dans la plupart des études utilisant des
données de panel pour vérifier l'hypothèse EKC. Une éventuelle existence de racine
unitaire conduirait à des régressions fallacieuses et une interprétation erronée des
paramètres estimés. Les chocs externes affectent la production des pays. Les deux
10
chocs pétroliers des années 1970 ont impacté le niveau de production des pays
différemment. Certains pays ont vu leur niveau de production baisser
considérablement alors que d’autres, notamment les pays de l’OPEP (Organisation
des Pays Exportateurs de Pétrole) ont vu leur niveau de production augmenter
significativement. Unruh et Moomaw (1998) ont prouvé qu’il existe une corrélation
positive entre le taux d’émission de CO 2 et le revenu avant l’avènement du choc
pétrolier de 1973 et une corrélation négative après le choc. Dans leur étude menée sur
16 pays de l’OCDE en 1997, Unruh et Moomaw (1997) affirment que le changement
structurel économique a permis de valider l’hypothèse EKC comme formulée par
Kuznets. En étudiant les effets de la libéralisation commerciale, Lopez (1994) a
développé un modèle théorique montrant que sous certaines conditions,
particulièrement lorsque la relation entre la pollution et le niveau de revenu dépend
des élasticités de substitution des biens et de la préférence du risque des ménages, la
forme inversée en U de la relation entre la pollution et le niveau de revenu est valide.
Brock et Taylor (2004) soutiennent que le déclin du niveau de pollution observé dans
les pays développés est du au progrès technologique qui permet de contrôler au mieux
la qualité de l’environnement. Toutefois, après que le niveau optimal de revenu est
atteint, la disparité entre les revenus diminue fortement.
S’il est vrai que l’hypothèse de l’existence de la forme en U inversée de la

courbe de Kuznets a été validée par certaines études, il est également judicieux de
souligner la mise en cause d’une telle hypothèse. De nombreuses faiblesses
méthodologiques ont été pointées du doigt par d’autres chercheurs, jetant ainsi le
doute sur la véridicité des résultats obtenus. Harbaug et al (2002) ont repris l’étude
faite par Grossman et Krueger (1995) en utilisant un panel cylindré comme base de
données. Notons que l’étude faite par Grossman et Krueger portait sur un panel non
cylindré. Les estimateurs qu’ils obtiennent en comparant leurs résultats à ceux de
Grossman et Krueger sont plus significatifs et la relation entre le dioxyde de soufre et
le niveau de revenu n’est plus la même. Ils obtiennent une courbe en forme de N au
lieu de U inversée comme trouvée par les premiers auteurs. Certains chercheurs ont
11
changé la méthode d’estimation toujours dans le cadre de la quête de la vérification
de l’hypothèse EKC. Martinez-Zarzoso et Bengochea-Morancho (2004) ont utilisé un
estimateur "Pool Mean Group" et le dioxyde de carbone comme polluant. Ils se sont
intéressés à 22 pays de l’OCDE de 1975 à 1998. Au lieu d’une forme en cloche de la
courbe de Kuznets, ils ont trouvé une forme en N pour la majorité des pays. La
particularité de leur résultat repose sur le fait qu’après avoir atteint le "turning point",
le niveau d’émission de dioxyde de carbone baisse jusqu’à un certain seuil et continue
d’augmenter au fur et à mesure que le niveau de produit intérieur brut par tête
augmente. Soulignons que cela n’est seulement vrai que pour la fonction polynomiale
de degré trois dont ils ont fait usage. Une relation monotonique croissante a été le
résultat de quelques études. Heil et Selden (2001) ont utilisé une forme quadratique
pour tester l’hypothèse EKC. 135 pays et une période de 42 années ont fait l’objet de
leur étude. Ils sont arrivés à la conclusion selon laquelle la relation entre le taux
d’émission de dioxyde de carbone et le niveau de produit intérieur par tête est
monotonique croissante à la fois pour le modèle à niveau et pour le modèle
logarithmique. He et Richard (2010) ont utilisé un modèle semi paramétrique et un
modèle paramétrique flexible non linéaire pour tester l’hypothèse EKC en prenant
comme polluant le CO2 dans le cas du Canada. Ils ont trouvé que l’hypothèse EKC
est rejetée. Dans leur étude sur l’approche dynamique de la EKC, Agras et Chapman
(1999) ont inclus le prix de l’énergie comme une variable explicative importante dans
les modèles cherchant à tester l’hypothèse de Kuznets. Il ressort de leur analyse qu’à
long terme, le niveau de revenu n’est plus la variable la plus importante expliquant la
qualité de l’environnement ou la demande d’énergie. En outre, ils n’ont trouvé
aucune évidence en faveur de l’existence de la EKC. He et Wang (2012) ont évalué
l’impact de la structure économique, de la stratégie de développement et la régulation
environnementale sur la courbe de Kuznets en s’appuyant sur des données de panel
de provinces chinoises. Ils soutiennent que la structure économique, la stratégie de
développement et le contrôle de l'environnement peuvent avoir d’importantes
implications sur le lien entre la qualité de l’environnement et le développement
économique. Toutefois, l’impact peut varier à divers stades de développement. Dans
12
le même ordre d’idée, Hettige et autres (2000) ont mesuré l’effet du taux de
croissance du produit intérieur brut par tête sur trois variables spécifiques. Il s’agit de
la part de pollution de l’industrie dans le produit national brut, la part des secteurs
polluant dans la production industrielle et de l’intensité de la pollution du EOP 1 dans
les secteurs polluants. Selon leurs résultats, il n’y a que la part de l’industrie dans la
production nationale qui valide l’hypothèse de l'existence de la courbe de Kuznets
tandis que les deux autres variables rejettent une telle existence. Grimes et Robers
(1997) n’ont également pas trouvé une courbe en cloche comme résultat après leur
étude s’étalant sur la période de 1962 à 1991 pour plus de 100 pays. En ce qui
concerne l’évolution des émissions agrégées, ils constatent que la relation s’est
quelque peu affaiblie depuis les années 1960 mais que les émissions de CO2 sont
encore linéairement liées à la production nationale par tête. Après des études sur
quatre pays industrialisés (USA, Allemagne, Pays-Bas et Grande-Bretagne) de 1960 à
1993, de Bruyn et al (1998) ont conclu que la forme en cloche n’est valide que pour
le Pays-Bas et surtout en utilisant le dioxyde de soufre comme polluant. Au regard
des conclusions des différentes études faites par les chercheurs à ce sujet, un
consensus est loin d’être trouvé.
2.2 Population et pollution
L'idée selon laquelle la croissance démographique influence de façon

négative les ressources environnementales et le bien être social a des origines bien
lointaines. A la question de savoir l’effet qu’un accroissement de la population a sur
les ressources disponibles, Malthus (1798) soutient qu’étant donné que la population
augmente de façon géométrique (2,4,8,16,32,64 etc.) tandis que les ressources
évoluent de façon arithmétique (2,4,6,8,10 etc.) alors les ressources disponibles ne
peuvent satisfaire la demande. Il en découlera de cette situation la pauvreté et tous ses
1
End-of-Pipe: C'est un traitement de fin de chaîne de type curatif. Il conduit à une gestion individuelle
des émissions polluantes dans l'environnement, en agissant principalement de manière réparatrice, en
aval, en traitant la pollution.
13
corollaires. Il suggère alors le contrôle des naissances. D’un point de vue écologique,
selon la thèse de Malthus, l’augmentation de la population aura des conséquences
néfastes sur la qualité de l’environnement. Ces conséquences sont dues à la pression
exercée par la population sur les ressources pour satisfaire ses besoins. Des études
empiriques se sont intéressées à la véracité de l'hypothèse de Malthus du point de vue
écologique. Dietz et Rosa (1997) ont fait une régression en utilisant le logarithme de
la population sur le logarithme d’émission de dioxyde de carbone. Ils ont trouvé que
lorsque la taille de la population est grande, l’impact de la population sur le taux
d’émission est disproportionnel. Il en résulte de leur étude qu’une augmentation
de 1% de la population entraine une augmentation de 1.15% de CO2. Leur étude
corrobore bien la théorie de Malthus. Cette théorie a été vérifiée dans plusieurs pays
d’Afrique Subsaharienne qui malheureusement sont encore loin d’amorcer leur
transition démographique. Si les dires de Malthus ont été constatés dans certains pays
d’Afrique, toutefois cela n’a pas été le cas pour les pays d’Europe de l’Ouest. Cela
peut s’expliquer en partie par la révolution industrielle qui a favorisé l’accroissement
de la production des biens et services quoique la population augmentait. Toutefois, en
termes d'émission de dioxyde carbone, on dira que lors de la révolution industrielle,
la forte production de biens a entrainé un fort taux d'émission de dioxyde de carbone.
Pour Shi (2003) tout individu fait une demande d’énergie pour satisfaire ses besoins
vitaux tels que la nourriture, le logement, les vêtements. Plus le nombre de personnes
augmente, plus la demande d'énergie s'accroît. Il déclare qu'un fort taux de croissance
démographique crée des pressions socio économiques qui empêchent la société de
s'adapter. Comme conséquence immédiate, il s’ensuit la déforestation, l’utilisation
intensive des ressources naturelles non renouvelables et la hausse du taux d’émission
de dioxyde de carbone dans l’atmosphère et donc un fort taux de pollution. Cropper et
Griffiths (1994) ont analysé l’interaction entre la croissance démographique et la
qualité de l’environnement. En se penchant sur les pays d’Afrique et d’Amérique
latine, ils ont trouvé que l’effet exercé par la pression démographique sur la
déforestation est plus dévastateur dans ces pays où il y’a un manque de droit de
propriété sur les terres. Dans le même ordre d’idée, Birdsall (1992) met en évidence
14
deux mécanismes par lesquels l’augmentation de la population entraine un
accroissement du taux d’émission de gaz à effet de serre en général et de CO2 en
particulier. Il soutient dans son article qu’une forte population favorise une
importante demande d’énergie, un fort taux d’industrialisation et donc un
accroissement de la demande des ressources énergétiques non renouvelables. Pour
lui, l’utilisation extensive des forêts est causée par la forte demande des produits
manufacturiers due à la croissance démographique. Cela contribue significativement
à l’émission de dioxyde de carbone. Engelman (1994) a étudié le lien entre la
croissance démographique et le taux d'émission de dioxyde de carbone. Il a trouvé
que depuis 1970, le taux de croissance de CO2 et celui de la population évolue au
même rythme. Il a donc conclu que la cause majeure du taux d'augmentation du taux
de CO 2 dans l'atmosphère est la croissance démographique. Meyerson (1998), pour sa
part a trouvé qu’il existe une forte corrélation positive entre le taux d’émission et
celui de la population. Certaines études ont prouvé que l’élasticité d’émission de CO2
par rapport à la population est égale à un. Comme c'est le cas de Dietz et Rosa (1994).
Martinez-Zarzoso et autres (2007) ont trouvé que l’impact de la population sur
l’émission de dioxyde de carbone est différent entre les anciens et les nouveaux pays
de l'UE. Certains auteurs se sont opposés à la vision pessimiste de Malthus sur la
population.
Boserup (1965) a une vision plus optimiste de la croissance démographique
contrairement à Malthus. Elle déclare que l’augmentation de la population conduit à
une hausse de la force de travail qui à son tour induit une augmentation de la
production et donc du taux de croissance économique. Pour elle, la nécessité est la
mère de toutes les inventions. Lorsque le besoin se fera sentir, il y'aura de l'invention
pour combler ce manque. Autrement dit, lorsque la pression environnementale sera
suffisamment forte, l'humanité trouvera le moyen de produire autant de biens tout en
polluant moins. Le développement de moteurs moins polluants durant ces dernières
décennies peut être considéré comme un exemple de ce processus.
Simon (1981) stipule que même s’il s’avère qu’on est dans la situation
désespérée décrite par Malthus, l’esprit de créativité et d’innovation technologique
15
permettront de produire plus pour faire face aux besoins. Il est clair que les opinions
sur le lien entre la croissance démographique et le bien être social sont loin de
converger. Certains chercheurs diront même que l'effet de la croissance
démographique sur l'environnement est évident. Toutefois, l'évidence ne paraît pas
assez claire à la lumière des divergences des résultats trouvés par les études se
penchant sur cette question.
D’autres variables démographiques autre que la taille de la population
peuvent affecter l’émission de dioxyde de carbone. Par exemple, la structure de la
population et le degré d’urbanisation affectent différemment le taux d’émission de
dioxyde de carbone. Comme soutenu par Liddle et Lung (2010), les jeunes
conduisent longuement leur automobile que les adultes. Comme conséquence, la
quantité de dioxyde de carbone produite par les jeunes est plus abondante que celle
des adultes. En outre, un pays avec une forte population jeune en âge de conduire un
véhicule verra son taux d’émission de dioxyde de carbone supérieur à celui d’un pays
ayant le même nombre d’habitant que le premier mais avec une faible proportion de
jeune en âge de conduire. Dans son étude portant sur l’effet de la croissance
démographique sur la consommation d’énergie, York (2007) a trouvé que la taille de
la population et sa structure affectent la consommation d’énergie. Son étude a été
menée sur 14 pays de l’Union Européenne allant de 1960 à 2000. Menz et Welsch
(2012) ont analysé la structure de la population et l’émission de dioxyde de carbone
dans les pays de l’OCDE en prenant en compte le cycle et les différentes cohortes. Il
ressort de leur analyse que le changement de la structure de l’âge et de la composition
de la cohorte ont fortement contribué à l’augmentation du taux d’émission de
CO2 dans les pays de l’OCDE. Zhu et Peng (2012) ont évalué l’effet du changement
de la population sur l’émission de dioxyde de carbone en Chine sur la période allant
de 1978 à 2008. En utilisant le modèle STIRPAT (Stochastic Impacts by Regression
on Population, Affluence and Technology) , ils ont trouvé que plus la population est
jeune plus le taux d’émission de dioxyde de carbone augmente. Dans une étude se
penchant sur les déterminants de l’émission de CO2 à l’aide du modèle STIRPAT,
Wei et al (2006) ont considéré différents groupes de pays classés en fonction de leur
16
niveau de produit intérieur brut par tête. Ils ont trouvé que la proportion de la
population dont l’âge est compris entre 15 et 64 ans exerce un effet négatif sur
l’émission de CO2 dans les pays à revenu faible alors que l’effet est positif dans les
autres groupes de pays. Dans le même ordre d’idée, Jensen et al (2014) ont estimé
l’effet de la distribution de l’âge sur le taux d’émission de dioxyde de carbone. Ils ont
considéré un panel de 46 pays sur une durée de 17 années. En utilisant le retard du
taux de naissance en guise d'instrument pour la variable endogène la distribution de
l’âge, il apparait que le taux de CO2 augmente avec la part de la population dont l’âge
est compris entre 35 et 49 ans. En classifiant la population en trois catégories d’âge
(20-34,35-49 et 50-64 ans), Liddle et Lung (2010) ont prouvé que la structure de la
population doit être prise en compte dans les études analysant l’impact de la
population sur l’environnement. Pour eux, l'impact de la population sur la qualité de
l'environnement varie en fonction des différentes classes d’âge. Leurs résultats ont
prouvé que la population dont l’âge est compris entre 50 et 64 ans exerce une
influence négative sur l’environnement; ce qui est contraire aux autres résultats. En
outre, ils soutiennent que l'urbanisation est positivement corrélée à la consommation
d'énergie dans les pays en développement.
La majeure partie des études qui ont évalué l'effet de l'urbanisation sur le
taux d'émission de dioxyde de carbone a été faite à partir des modèles utilisant des
données en coupe transversale. En général, ces études ont montré que l’urbanisation
accroît le taux d’émission de dioxyde de carbone. Comme le soulignent O'Neill et al
(2012), l’urbanisation affecte l’émission de CO2 à travers divers canaux. Il s’agit
notamment de la structure de la production nationale, le changement de la
productivité du travail et la consommation d’énergie. Cole et Neumayer (2004) ont
examiné le lien entre la taille de la population, les autres facteurs démographiques et
la pollution. Ils se sont intéressés à deux polluants (CO2 et SO2). Leurs résultats
confirment qu’un fort taux d’urbanisation augmente le taux d'émission de CO2 .
Poumanyvong et Kaneko (2010) ont cherché à savoir si l’urbanisation conduit à une
utilisation minimale d’énergie et par conséquent réduit l’émission de dioxyde de
carbone. En estimant des données de panel sur 99 pays de 1975 à 2005, ils concluent
17
que l’impact de l’urbanisation sur la consommation d’énergie et l’émission de
CO2 varie en fonction du niveau de développement économique. Selon leur résultat, il
s’avère que l’urbanisation diminue la consommation d’énergie dans les pays à revenu
faible alors qu’elle l’accroit dans les pays à revenu intermédiaire et élevé. Ils ont
également trouvé que l’urbanisation influence positivement l’émission de dioxyde de
carbone pour tous les groupes de pays mais que l’impact est plus prononcé dans les
pays à revenu intermédiaire que dans les autres groupes de pays. Sharma (2011), dans
son étude sur les déterminants de l’émission du dioxyde de carbone dans 69 pays a
trouvé des résultats allant dans le même sens que ceux évoqués ci-dessus. Comme les
autres auteurs, il soutient que l’impact de l’urbanisation est fonction de la
classification des pays en fonction de leur niveau de PIB/tête. Il découle de ses
résultats que l’urbanisation a un effet négatif sur le taux d’émission de CO 2 dans les
pays à revenu élevé ainsi que ceux à revenu intermédiaire. Jones (1991) a analysé
l'effet de l’urbanisation sur la consommation d’énergie. Son analyse a porté sur 59
pays au cours de l’année 1980. Il est arrivé à la conclusion qu’un accroissement
de 10% de la population citadine augmente la consommation d’énergie par tête de 4.5
à 4.8%. York, Dietz et Rosa (2003) et Cole et Neumayer (2004) ont montré qu’il
existe une corrélation positive entre la part de la population vivant en ville et
l’émission de dioxyde de carbone. Leur analyse s’est focalisée sur 86 pays et s’est
étendue sur la période allant de 1975 à 1998. Pour Liddle (2004), une population
urbaine importante influence négativement le trajet parcouru par les ménages, mais
son analyse ne montre pas de façon claire comment cela se traduit en terme de
pollution. Récemment, Martinez-Zarzoso et Maruotti (2011) ont utilisé un panel de
pays en voie de développement pour prouver que la relation entre le logarithme de la
part de la population urbaine dans la population totale et le logarithme de l’émission
de CO2 pourrait ne pas être linéaire et avoir une forme en U-inversée. Pour Madlener
et Sunak (2011), il existe plusieurs mécanismes d’urbanisation différents entre les
pays qui conduisent à un accroissement de la consommation d’énergie. Des études sur
les déterminants de l’émission de CO2 menées sur la Chine par Li et Yao (2009), Wei
et al (2003) ont prouvé qu’il y’a une corrélation positive entre le niveau de
18
consommation d’énergie et l’urbanisation. Feng et al (2011) soutiennent que la
consommation d’énergie et d’émission de dioxyde de carbone augmentent rapidement
chez les ménages en milieu urbain que chez les ménages en milieu rural. En utilisant
des séries chronologiques, Alam et al (2007) ont cherché à évaluer l’impact de
l’urbanisation sur le taux d’émission de dioxyde de carbone au Pakistan. A l’aide du
modèle STIRPAT, il découle de leur résultat qu’il existe une relation positive entre le
degré d’urbanisation et le taux d’émission de dioxyde de carbone. Liu (2009) aborde
dans le même sens qu’Alam. La conclusion de son étude affirme également que
l’urbanisation affecte positivement la consommation d’énergie mais que l’ampleur de
l’influence est décroissante. Pour lui, cette baisse s’explique par l’amélioration des
structures industrielles et technologiques ainsi que l’utilisation efficiente des
ressources. Si la quasi totalité des travaux qui ont analysé l’impact de l’urbanisation
sur l’émission de dioxyde de carbone conclut que celle-ci augmente le taux
d’émission de CO 2, toutefois certains auteurs estiment que cette relation est mitigée.
Erhard-Martinez et al (2002), York et al (2003) soutiennent que la relation entre le
dioxyde de carbone et l'urbanisation dépend du contexte dans lequel la relation est
examinée. La prochaine section de notre étude se penchera sur la méthodologie
appliquée pour répondre à la question de recherche.
19
3 MÉTHODOLOGIE
3.1 Description du modèle
la majeure partie des études faites sur l’analyse de l’impact de la croissance

de la population sur le taux d’émission de dioxyde de carbone utilise le modèle
STIRPAT . Dans le cadre de cette étude, ce même modèle sera utilisé avec quelques
modifications qui seront justifiées par la suite. le modèle STIRPAT s’écrit de la
forme suivante:
Ii = aP b iA c iT d ie i (1)
L’indice i représente la transversalité qui sera ici les pays sur lesquels l’étude
sera menée. a,b,c et d sont les paramètres à estimer et e représente le terme de
l’erreur. I est l’émission totale de dioxyde de carbone mesurée en tonne. P dénote
l’ensemble de la population. A et T sont respectivement l’affluence et la technologie.
Le modèle garde la forme multiplicative de l’identité comptable élaborée à l’origine
par Ehrlich et Holden (1971;1972) présentée sous la forme suivante:
I = PAT (2)
L’équation (2) est une identité. On ne peut donc pas l’estimer ni l’utiliser
pour effectuer des tests d’hypothèses. Ceux sont ses limites qui ont engendré
l’élaboration de sa version stochastique.
En général, la variable affluence est approximée par le niveau du produit
intérieur brut par tête. Cependant, certains auteurs décrient cette approximation et
préfèrent utiliser la parité du pouvoir d’achat comme proxy de la variable affluence.
C’est le cas de Martinez-Zarzoso et autres (2007). Pour ces auteurs, le PIB/tête ne
prend pas réellement en compte les différences de prix entre les pays; ce qui pourrait
donc biaiser le concept de richesse d’un pays à l’autre. Puisque l’objet de cette étude
20
n’est pas d’analyser le concept de richesse d’un pays à l’autre, le PIB/tête en dollars
constant sera utilisé comme proxy de l’affluence. En suivant Shi (2003), la variable T
sera mesurée par deux variables reflétant la structure économique. On a d’une part le
niveau de production manufacturière en pourcentage du PIB (IS) et d’autre part le
niveau de production des services (SS) également en pourcentage du PIB. Les
économies dont la part du secteur industriel est prépondérante dans le produit
intérieur brut consommeront plus d’énergie et émettront un fort taux de dioxyde de
carbone contrairement à celles dont le poids des services est le plus important.
3.2 Spécification du modèle
Plusieurs auteurs estiment la forme log-linéaire du modèle de l’équation (1)

en utilisant des données de panel. Martinez-Zarzoso et Maruotti (2011) ont utilisé un
modèle de données de panel non cylindré pour estimer une version modifiée du
modèle STIRPAT élaboré par Dietz et Rosa (1997). En suivant ces auteurs, dans le
but de tester si les variables explicatives contenues dans le modèle STIRPAT
influencent le niveau d’émission de dioxyde de carbone à travers le temps et les pays,
la spécification de notre modèle prend la forme suivante:
lnCO 2it = α + βlnPOP it + γlnPIB it + δlnIS it + σlnSS it +
ν i + ηt + ϵ it (3)
où ν i et η t sont respectivement l’effet fixe par pays et l’effet fixe temporel.
Les indices i et t se rapportent aux différents pays et aux nombres d’années. ϵ it est le
terme de l’erreur. Comme les variables du modèle (3) sont en logarithme, les
coefficients du modèle peuvent être directement interprétés en terme d’élasticité.
L’effet temporel η t représente toutes les variables communes à tous les pays mais qui
varient dans le temps. ν i représente l’effet spécifique à chaque pays et constant dans
le temps. Le modèle ci-dessus quoique relativement simple ne peut être utilisé car il a
21
été montré que les erreurs issues de l’estimation dudit modèle sont autocorrélées. Ce
qui signifie que l’effet de certaines variables indépendantes n’est pas instantané.
Statistiquement, la matrice d’autocovariance de l’estimation des moindres carrés
ordinaires n’a pas sa forme usuelle. Plusieurs solutions à ce problème existent.
Shi(2003), par exemple fait l’hypothèse que les erreurs du modèle suivent un
processus autorégressif d'ordre 1 ( AR[1] ) et utilise les moindres carrés généralisés
pour l'estimer. Cependant, cet estimateur requiert des hypothèses fortes comme
l’exogénéité des régresseurs. Une alternative à ce problème consiste à modéliser le
modèle (3) en rajoutant le logarithme de la variable expliquée retardée d’ordre 1
comme régresseur. On obtient ainsi un modèle ADL (Autoregressive Distributed
Lag) écrit sous la forme suivante:
lnCO 2it = α + ζlnCO 2it − 1 + βlnPOP it + γlnPIB it + δlnIS it +
σlnSS it +ν i + ηt + ϵ it (4)
Le modèle (4) a l’avantage d’être moins restrictif que celui en (3). Le

coefficient ζ mesure uniquement l’effet présent de l’impact de la population sur
l’émission de CO2 . β est l'élasticité de la population par rapport à l'émission de
dioxyde de carbone. γ et δ sont également des élasticités. Ils sont
respectivement l'élasticité du produit intérieur brut par tête par rapport à
l'émission de CO2 et l'élasticité de la part de la production manufacturière dans le
PIB\tête par rapport à l'émission de CO2. Enfin σ est l'élasticité de la part des
services dans le PIB\tête par rapport à l'émission de CO2.
Puisque le modèle (4) est dynamique, alors l’effet global est donné par
l’élasticité de long terme donné par β/(1 − ζ) obtenu à l'état stationnaire. Cette
précision est très importante car on verra par la suite que l’estimé β du modèle (4)
tend à être plus petit que celui du modèle (3). Cela s’explique par le fait que β du
modèle (3) mesure l’effet total de la population sur la pollution alors que celui du
modèle (4) ne mesure que l’effet contemporain.
22
4 SOURCE ET DESCRIPTION DES DONNÉES
4.1 Source des données
Les données utilisées dans le cadre de cette étude proviennent de la base de

données de la banque mondiale. Il s’agit de la WDI 2013. En me servant de cette base
de données, j’ai construit un panel non cylindré composé de 81 pays allant de la
période de 1980 à 2010. Les pays exclus sont en majeure partie les pays en transition
qui ne disposent pas de données sur l’émission de dioxyde de carbone. En outre, pour
cette étude les pays sont classifiés en fonction de leur produit intérieur brut par tête.
Cette classification est d’ailleurs faite dans la WDI.
4.2 Description des données
Cette partie consistera à construire une série de graphique afin d’avoir une
idée globale sur le comportement dans le temps de nos deux variables d’intérêt que
sont la population et le dioxyde de carbone. Avant de construire les graphiques, le
tableau 1 ci dessous résume la définition et les unités de mesure des variables.
Tableau 1: Définitions et unités de mesure des variables
Variables Définition Unité de mesure
Gaz à effet de serre résultant de la

Dioxyde de carbone production industrielle, automobile... Tonne
PIB/tête Produit intérieur brut rapporté à la USD à prix constant
population totale. 2005 année de base
Population Ensemble des individus Nombre
IS Part de la production manufacturière Dollar américain

dans le PIB/tête.
SS Part des services dans le PIB/tête Dollar américain
23
Figure 1: Évolution globale annuelle du logarithme de CO2 (LI et LMI)
Figure 2: Évolution globale annuelle du logarithme de CO2 (UMI et OCDE)
24
Les figures 1 et 2 représentent l’évolution globale annuelle du logarithme
d’émission du dioxyde de carbone dans le temps des quatre groupes de pays. Le
constat général est une tendance à la hausse du logarithme d’émission de CO2. La
hausse est plus prononcée au niveau des pays à revenu intermédiaire élevé (Upper
middle income) 2 et les pays à revenu intermédiaire faible (Lower middle income) 3.
Cela peut s’expliquer par l’émergence de ces pays. Le processus d’industrialisation
amorcé dans ces pays fait appel à une utilisation intensive d’énergie. Par conséquent,
il en résulte un fort rejet de dioxyde de carbone dans l’atmosphère. Les accords de
Kyoto signés en 1997 semblent ne pas être respectés puisqu’après 1997, on n’observe
pas de tendance à la baisse. En ce qui concerne les pays de l’OCDE, on observe une
baisse entre 2005 et 2009 suivie d’une reprise en 2010. Cette baisse observée
s'explique par la récession qui a suivi la crise financière de 2008. Quant aux pays à
revenu faible, l’allure générale de la courbe quoique croissante, présente tout de
même des portions décroissantes. Entre 1998 et 2003, il y’a une forte baisse du
logarithme d’émission de carbone. Avant 1998, le taux de croissance est de 30.46%
puis passe à 14.17%. L'une des explications probables à cette baisse pourrait
s’expliquer en partie par l’incitation de ces pays à réduire leur émission de dioxyde de
carbone suite à la conférence de Kyoto. En contre partie, des compensations
financières leur ont été versées. Il s’agit notamment de l’augmentation de l’aide
publique au développement et de l’annulation d’une partie de leur dette extérieure.
Toutefois, on observe une reprise à partir de 2005. Les graphiques ci-dessous mettent
en relief l’évolution de la population des différents groupes de pays.
2
Liste des pays en annexe
3
Liste des pays en annexe
25
Figure 3: Évolution globale annuelle du logarithme de la population (LI et LMI)
Figure 4 : Évolution globale annuelle du logarithme de la population (UMI et OCDE)
26
Les deux graphiques de la figure 3 montrent que les populations des deux
types de groupe de pays (revenu faible et revenu moyennement faible) évoluent assez
rapidement au cours du temps. Le taux de croissance de la population des pays à
revenu faible pour notre période d’étude est de 133.21% et de 78.23% pour les pays à
revenu moyennement faible. La baisse de la mortalité couplée à la hausse de la
natalité expliquent en partie cette variation de la population. L’évolution de la
médecine a permis de réduire le taux de mortalité et d’augmenter l’espérance de vie.
L’une des explications de cette hausse du taux de natalité est d’ordre idéologique.
Dans les pays en voie de développement notamment ceux d’Afrique, la richesse
d’une famille résulte en sa capacité à avoir de nombreux enfants. Ils constituent une
force potentielle de travail pour les travaux champêtres et bien d’autres. Les
croyances religieuses influencent aussi la baisse de la natalité. Par exemple, la
prohibition de l’usage de contraceptif encouragée par certaines religions. Comme on
le constate, la transition démographique est loin d’être amorcée dans ces deux
groupes de pays. Bien que la transition démographique n’est pas l’objet de notre
étude, il est important de parler brièvement des différentes phases de ce processus
afin de mieux cerner l’évolution de la population dans les pays à revenu faible. Selon
l'auteur Britannique Franck Notestein (1945), la transition démographique a quatre
phases.
L’existence de la société préindustrielle caractérise la première phase. On
observe à la fois une hausse du taux de natalité et de mortalité. La précarité des
conditions de vie et le système de santé quasi inexistant justifient cette hausse. Le
taux de croissance de la population est donc très faible. A la deuxième phase, il y’a
une baisse du taux de mortalité grâce à la modernisation du système de santé ainsi
qu’à l’amélioration des conditions de vie. Le taux de natalité quant à lui demeure
toujours élevé. Il s’agit de ce qu’on appelle communément boom démographique. La
baisse du taux de mortalité et de natalité définissent la troisième phase. Le taux de
natalité est assez faible. Il fluctue autour de 2%. Enfin à la quatrième phase, on
assiste à une baisse drastique du taux de natalité et de mortalité. Les deux taux sont
27
assez faibles et constants dans de le temps. La population évolue très lentement. C’est
le cas des pays de l’OCDE.
En ce qui concerne les pays de l’OCDE et les pays à revenu intermédiaire, le
taux de croissance démographique de la période d'étude c'est à dire de 1980 à 2010
est beaucoup plus faible comparativement aux deux autres groupes de pays. Il est
de 23.38% pour les pays de l’OCDE et de 46.33% pour les pays à revenu
intermédiaire. A la lumière des deux figures (figures 3 et 4), on voit clairement que la
population mondiale augmente assez rapidement. Cette forte croissance a
certainement des répercussions sur la qualité de l’environnement.
Figure 5: Relation entre le logarithme de C02 et le logarithme de la population (LI et

LMI).
28
Figure 6: Relation entre le logarithme de CO2 et le logarithme de la population (UMI
et OCDE).
Les graphiques de la figure 5 exhibent une corrélation positive entre le
logarithme d’émission du dioxyde de carbone et le logarithme de la population.
Cependant le sens de la corrélation n’est pas constant dans le temps concernant les
pays à faible revenu. Des portions de la courbe sont décroissantes. La corrélation est
également positive entre les deux variables représentées à la figure 6. Comme dans le
cas des pays à revenu faible, la relation n’est pas aussi constante dans le temps avec
les pays de l’OCDE. La section suivante fera l’objet de la présentation et de la
discussion des résultats.
29
5 ANALYSE ET DISCUSSION DES RÉSULTATS
5.1 Analyse des propriétés statistiques des variables
Nous débuterons le processus d’estimation des modèles par l’étude des

différentes séries. Nous testerons en premier lieu la stationnarité et en second lieu la
cointégration éventuelle des séries.
5.1.1 Analyse de la stationnarité
L’objectif est d’examiner le caractère stationnaire ou non des variables. La

plupart des propriétés statistiques des méthodes d’estimation ne s’applique qu’à des
séries stationnaires sinon nous pourrions avoir des régressions fallacieuses. Une série
chronologique est dite stationnaire si elle est la réalisation d’un processus stationnaire
c’est à dire ne comportant ni tendance, ni saisonnalité. Une série stationnaire est donc
caractérisée par une moyenne et une variance constante et généralement aucune
caractéristique évoluant avec le temps.
En général, Les tests mis en œuvre pour juger de la stationnarité des
variables sont les tests de Dickey-Fuller et de Dickey-Fuller Augmenté (DF et ADF),
de Phillips-Perron (PP) et de Kwiotowski, Phillips, Schmidt et Shin (KPSS).
Toutefois, ces méthodes citées plus haut ne s’appliquent pas dans le cas des données
de panel. Nous passerons en revue quelques tests de racine unitaire utilisés dans le
cadre des données de panel. Cette partie s’appuie sur le chapitre 12 du livre de
Baltagi (2005).
5.1.2 Quelques tests de racine unitaire en données de panel
Les tests de racine unitaire en données de panel ont été récemment

développés par Levin et Lin (1992), Im-Pesaran-Shin (1997), Harris et Tzavalis
(1999), Maddala et Wu (1999), Choi (1999a) et Hadri (1999). Dans ces différents
tests, la taille de N (dimension individuelle) et de T (dimension temporelle) est
30
cruciale pour la détermination des propriétés asymptotiques des estimateurs et les
tests proposés pour les panels non stationnaires.
 Test de Levin et Lin (1992)
Considérons le modèle suivant:
y it = ρ iy it − 1 + z’it γ + u it , i = 1, ....., N; t = 1, ...., T (5)
2
Avec z it : composante déterministe, u it : processus stationnaire, u it ∿ IID(0, σ u )
et ρ i = ρ, ∀ i. L’hypothèse nulle du test LL stipule que chaque série contenue dans

le panel contient une racine unitaire et l’alternative soutient que toutes les séries sont
stationnaires. De façon formelle on a
H0: ρ = 1 Vs H1: ρ < 1
On note par ailleurs que l’application de ce test requiert un panel cylindré

c’est à dire l'absence d’observation manquante dans la base de données.
 Test de Im-Pesaran-Shin (1997)
Le test de Levin et Lin est plus restrictif. Le coefficient ρ doit être homogène
pour chaque i. Le test IPS relâche l’hypothèse d’homogénéité de ρ et suggère une
moyenne du test de Dickey-Fuller Augmenté (ADF) où le terme d’erreur du modèle
(5) s’écrit
Pi
u it = � φij uit−j + ε it (6)
j=1
En substituant l’expression de u it de (6) dans l’équation (5), on a
31
Pi
y it = ρ iy it − 1 + � φij uit−j + z’it γ + ε it (7)
j=1
La formulation du test s’écrit: H0:ρ i = 1, ∀ i Vs H 1:ρ i < 1, pour au moins un i
Les tests LL et IPS nécessitent que N⟶∞ tel que N ⁄ T⟶0, c’est à dire N
doit être relativement plus petit que T.
 Test de p-value combinée ou test de Fisher-type
Le test de Fisher-type utilise en général la p-value du test de racine unitaire

pour chaque pays. Maddala et Wu (1999) et Choi (2001) proposent la
formule suivante pour le calcul de l’ensemble du panel.
P = − 2∑N
i=2 lnPi (8)
P est la résultante de la combinaison de la p-value issue du test de racine

unitaire pour chaque pays. Notons que − 2lnp i sont une distribution χ2 avec 2 degrés
de liberté. P suit une distribution de χ2 avec 2N degrés de liberté pour T i ⟶∞ et N
fini. Comme le test de IPS, l’hypothèse nulle est l’existence de racine unitaire de
toutes les séries et l’alternative est la stationnarité de certaines variables. Le test de
Fisher présente bien des avantages par rapport au test IPS. Son application ne requiert
pas d’avoir obligatoirement un panel cylindré. En outre, il s’applique à tout autre test
de racine unitaire. Cependant, son inconvénient réside dans le fait que les p-values
sont générées par des simulations de Monte Carlo.
Voici ainsi présenté un aperçu des tests de stationnarité avec les données de
panel. Le test dont on se servira pour étudier la stationnarité de nos variables est celui
de Fisher parce que nous avons un panel non cylindré. L’étude sera faite en fonction
de chaque groupe de pays. Les tableaux ci-dessous résument les résultats obtenus.
32
 Pays à revenu faible
Tableau 2: Test de stationnarité (Fisher) à niveau au seuil de 5% (Pays à revenu

faible)
Variables Méthodes Statistiques P-values Stationnarité

(a) (b) (a) (b) (a) (b)
LCO2 ADF-Fisher Chi-square 23,916 37,25 0,847 0,240 Non Non
ADF-Choi Z-Stat 2,949 -0,745 0,998 0,223
LPOP ADF-Fisher Chi-square 20,833 793,9 0,935 0,00** Non Oui
ADF-Choi Z-Stat 3,083 -20,16 0,999 0,00**
LPIB ADF-Fisher Chi-square 23,403 28,88 0,865 0,62 Non Non
ADF-Choi Z-Stat 1,809 1,77 0,965 0,96
LISS ADF-Fisher Chi-square 31,274 37,37 0,503 0,24 Non Non
ADF-Choi Z-Stat -0,510 -0,654 0,305 0,26
LSSS ADF-Fisher Chi-square 28,424 25,63 0,648 0,78 Non Non
ADF-Choi Z-Stat 0,903 1,556 0,817 0,94
Source: Calcul de l'auteur à l'aide de EViews 8

(a): Constante sans tendance (1 retard); (b): Constante et tendance (1 retard)
**,*: Dénotent le degré de significativité respectivement à 1%, 5%.
Les résultats du test du tableau 2 montrent qu’au seuil de 5%, l’hypothèse

nulle qui confirme la présence de racine unitaire ne peut être rejetée lorsqu'on n'inclut
pas de tendance et qu'on considère un seul retard car toutes les p-value sont
supérieures à 0.05. On conclut donc que la variable étudiée n’est pas stationnaire à
niveau pour l’ensemble des pays de cette base de donnée. L'inclusion d'une tendance
ne change fondamentalement pas les résultats à l'exception de la population qui
devient stationnaire à niveau. Il convient alors de procéder à la différence première de
cette variable et refaire le test. Les résultats sont résumés dans le tableau ci-dessous.
33
Tableau 3: Test de stationnarité en différence première au seuil de 5%

(a) (b) (a) (b) (a) (b)
LCO2 ADF-Fisher Chi-square 172,09 138,8 0,00** 0,00** Oui Oui
ADF-Choi Z-Stat -10,13 -8,477 0,00** 0,00**
LPOP ADF-Fisher Chi-square 304,48 368,6 0,00** 0,00** Oui Oui
ADF-Choi Z-Stat -14,01 -13,22 0,00** 0,00**
LPIB ADF-Fisher Chi-square 151,83 136,4 0,00** 0,00** Oui Oui
ADF-Choi Z-Stat -8,808 -7,756 0,00** 0,00**
LISS ADF-Fisher Chi-square 193,04 145,3 0,00** 0,00** Oui Oui
ADF-Choi Z-Stat -10,90 -8,671 0,00** 0,00**
LSSS ADF-Fisher Chi-square 173,60 141,3 0,00** 0,00** Oui Oui
ADF-Choi Z-Stat -9,95 -8,373 0,00** 0,00**

Comme on peut le constater, les variables sont stationnaires après avoir pris
la première différence. Que ce soit l'ajout d'une tendance ou non, les variables
demeurent toujours stationnaires. Elles sont donc intégrées d'ordre 1.Une régression
d’une de ces variables sur les autres pourrait aboutir à des résultats «fallacieux». Pour
parer à cet inconvénient, il convient de faire un test de cointégration afin de vérifier si
les variables sont cointégrées. Si elles le sont alors on aura recours à un Modèle à
Correction d’Erreur (ECM) pour les estimations car selon Granger, lorsque les
variables sont cointégrées, le modèle ECM est le plus approprié.
34
 Pays à revenu moyennement faible
Tableau 4: Test de stationnarité à niveau au seuil de 5% (Pays à revenu moyennement

faible)

(a) (b) (a) (b) (a) (b)
*
ADF-Choi Z-Stat 1,169 -1,97 0,878 0,02
LPOP ADF-Fisher Chi-square 58,347 781,1 0,02* 0,00** Non Oui
ADF-Choi Z-Stat 1,577 -17,33 0,94 0,00**
ADF-Choi Z-Stat 5,18 1,299 1,00 0,9
ADF-Choi Z-Stat 4,92 1,50 1,00 0,93
ADF-Choi Z-Stat 4,58 1,01 1,000 0,84

Toutes les p-values du tableau 4 sont plus grandes que 0,05 lorsqu'on ne tient
compte que de la constante. Lorsqu'on inclut une tendance, la variable population
devient stationnaire. Si on ne considère que le modèle sans tendance, l’hypothèse
nulle qui dit que toutes les variables possèdent une racine unitaire ne peut être rejetée.
On conclut que les variables du panel sont toutes non stationnaires à niveau. On
procédera alors à la différence première de celles-ci puis on répétera le test de
stationnarité. Les résultats sont résumés dans le tableau 5.
35

(a) (b) (a) (b) (a) (b)
ADF-Choi Z-Stat -13,01 -10,83 0,00** 0,00**
ADF-Choi Z-Stat -10,22 -12,42 0,00** 0,00**
ADF-Choi Z-Stat -8,38 -8,28 0,00** 0,00**
ADF-Choi Z-Stat -9,87 -8,41 0,00** 0,00**
ADF-Choi Z-Stat -8,68 -8,27 0,00** 0,00**

L'inclusion d'une tendance et d'une constante n'affecte nullement la

stationnarité des variables après la prise de la première différence. Les variables sont
donc intégrées d'ordre 1. Il convient d'effectuer un test de cointégration de ces
variables en vue de choisir le modèle approprié pour notre analyse. La même étude
sera faite pour l'ensemble des variables spécifiques aux pays à revenu intermédiaires
dont la liste figure en annexe.
36
 Pays à revenu intermédiaire
Tableau 6: Test de stationnarité à niveau au seuil de 5% (Pays à revenu intermédiaire)

(a) (b) (a) (b) (a) (b)
LCO2 ADF-Fisher Chi-square 24,14 73,28 0,99 0,02* Non Non
ADF-Choi Z-Stat 2,81 -1,18 0,99 0,12
ADF-Choi Z-Stat -3,46 -8,34 0,00** 0,00**
ADF-Choi Z-Stat 5,08 -1,17 1,00 0,12
ADF-Choi Z-Stat 1,96 0,69 0,97 0,75
ADF-Choi Z-Stat 5,14 -0,97 1,00 0,17

(a) (b) (a) (b) (a) (b)
ADF-Choi Z-Stat -13,19 -11,11 0,00** 0,00**
ADF-Choi Z-Stat -10,35 -8,78 0,00** 0,00**
ADF-Choi Z-Stat -10,71 -8,64 0,00** 0,00**
ADF-Choi Z-Stat -11,15 -9,19 0,00** 0,00**
37
A l'analyse des deux tableaux 6 et 7, il convient de remarquer que la
population est stationnaire à niveau peu importe l'ajout d'une tendance et d'une
constante. Par contre les autres variables à l'exception de la population ne deviennent
que stationnaire après la première différentiation. Elles sont donc intégrées d'ordre 1.
Le dernier cas à étudier est celui des pays de l'OCDE.
 Pays de l'OCDE
Tableau 8: Test de stationnarité à niveau au seuil de 5% (Pays de l'OCDE)

(a) (b) (a) (b) (a) (b)
ADF-Choi Z-Stat -0,43 0,46 0,33 0,68
LPOP ADF-Fisher Chi-square 29,51 155 0,93 0,00** Non Oui
ADF-Choi Z-Stat 4,96 -3,98 1,00 0,00**
ADF-Choi Z-Stat 0,49 0,53 0,69 0,53
LISS ADF-Fisher Chi-square 53,77 64,7 0,11 0,01** Non Oui
ADF-Choi Z-Stat -1,26 -1,81 0,10 0,03*
ADF-Choi Z-Stat -0,73 4,85 0,23 1,00

Le premier constat qu'on fait est la non stationnarité de toutes les variables à
niveau lorsqu'on n'inclut aucune tendance et ne considère que la constante. Après
l'inclusion de la tendance, on remarque que la population et la part du produit
38
intérieur brut par habitant dans le secteur industriel deviennent stationnaire. On
procédera à la prise de la différence première et appliquera le même test. Les résultats
sont consignés dans le tableau ci-dessous.

(a) (b) (a) (b) (a) (b)
** **
ADF-Choi Z-Stat -11,41 -9,59 0,00 0,00
ADF-Choi Z-Stat -4,48 -3,83 0,00** 0,00**
ADF-Choi Z-Stat -9,25 -7,96 0,00** 0,00**
ADF-Choi Z-Stat -11,04 -9,17 0,00** 0,00**
ADF-Choi Z-Stat -6,10 -5,99 0,00** 0,00**

Toutes les variables sont stationnaires après la différence première. Elles

sont intégrées d'ordre 1. Une fois de plus, le test de cointégration sera effectué.
39
5.1.3 Test de cointégration
5.1.3.1 Définition
Deux variables sont cointégrées s’il existe au moins une combinaison

linéaire de celles ci telle que leur combinaison donne une variable stationnaire c’est à
dire intégrée d’ordre 0. Par exemple, si {x t } et {y t } sont I(1) et cointégrées, alors
{Δx t }, {Δy t } et {x t + αy t } pour un α donné sont stationnaires (I(0)).
En utilisant cette définition et les tests développés par plusieurs chercheurs,
nous testerons une éventuelle cointégration de nos variables. En général, les tests de
cointégration sont effectués sur des séries chronologiques. Toutefois, les auteurs tels
que Pedroni (1999), Kao (1999) et Westerlund (2007) ont proposé des tests de
cointégration qui s'appliquent à des données longitudinales. L’utilisation des
techniques de cointégration en données de panel permet de tester la présence de
relation de long-terme entre des variables intégrées. L'un des avantages des tests de
cointégration sur des données de panel est l'accroissement en terme de gain de la
puissance du test. Nous passerons en revue les tests développés par les auteurs cités
ci-dessus.
5.1.3.2 Le test de Pedroni
Le test élaboré par Pedroni (1999) s’inscrit dans le cadre des tests basés sur
les résidus. Il considère le modèle de régression suivant:
y it = α i + β 1ix 1i, t + β 2ix 2i, t + ... + β Mix Mi, t + e i, t (9)
Avec t = 1, ....., T et i = 1, ......, N. T représente le nombre d’observation dans le

temps, N le nombre d’individus et M est le nombre de variables indépendantes. On
fait l'hypothèse que les paramètres β 1i , ........, β Mi et α i peuvent varier d'un individu à
l'autre. Les étapes ci dessous décrivent l'implémentation du test.
40
 On estime le modèle (9) à l'aide des moindres carrés ordinaires pour
chaque groupe d'individu.
 On calcule la différence première de chaque variable ( y i, t − y i, t − 1)
du modèle (9) afin de calculer ce que Pedroni appelle les statistiques
"Panel-ρ" et "Panel-t". Après la différence première, on obtient le
modèle ci-dessous
Δy i, t = b 1iΔx 1i, t + b 2iΔx 2i, t + ..... + b MiΔx Mi, t + π it (10)
 On estime les résidus du modèle (10).

 On calcule les statistiques non paramétriques " Panel-ρ" et
"group-ρ" en utilisant le modèle de régression suivant
ê i, t = γ̂ êi, t − 1 + û i, t (11)
où ê i, t est obtenu à partir du modèle (9).
 Deux autres statistiques appelées "panel-t" et "group-t" sont

calculés en modifiant le modèle (11). On obtient le modèle ci-
dessous
k
êi, t = γ̂ê i, t − 1 + � γ̂i,k ∆êi,t−k + û i, t (12)
t=1
L'auteur, dans son article bâtit quatre statistiques à partir desquelles

il tire ses conclusions de présence ou non de cointégration des variables
étudiées. Comme mentionné ci-dessus, il s'agit notamment des statistiques
non paramétriques " Panel-ρ" et "group-ρ" et des statistiques "panel-t" et "group-t".
Une fois ces quatre statistiques calculées, le test de non cointégration de
Pedroni s'énonce de la façon suivante:
H0: γ i = 1 pour tout i = 1,......,N contre H1: γ i < 1
41
Le non rejet de l'hypothèse nulle atteste que les variables du panel ne sont
pas cointégrées alors que le rejet de l'hypothèse nulle nous permet de soutenir que les
variables sont cointégrées. Dans le même ordre d'idée, Kao (1999) propose un autre
test basé également sur les résidus.
5.1.3.3 Le test de Kao
Considérons le système d'équation suivant où les variables x it et y it sont

intégrées d'ordre 1.
x it = x it − 1 + ε it
yit = yit − 1 + υ it
Soit le modèle de régression
y it = α i + x it β + u it (13)
A partir du modèle (13), Kao dérive deux types de test en utilisant les
estimateurs LSDV(Least Squares Dummy Variable) . Le premier, de type Dickey-
Fuller s’applique au modèle suivant:
û it = ρû it − 1 + e it (14)
L'estimé du paramètre ρ par la méthode des moindres carrés ordinaires

est donnée par l’expression ci-dessous.
∑N T
uit �
i=1 ∑t=2 � uit−1
ρ� = ∑N T �2 (15)
i=1 ∑t=2 uit−1
L’hypothèse nulle stipule que ρ = 1. En supposant que l'hypothèse nulle est
ρ -1). La
vraie, on calcule la statistique suivante donnée par l'expression √𝑁𝑇(�
seconde approche est basée sur un modèle ADF donné par l'expression ci-dessous:
42
û it = ρû it − 1 + ∑Pj=1 øj Δu� it−j + eitp (16)
où P est choisie de sorte que les résidus eitp ne soient pas autocorrélés.
Comme le test de Pedroni, si on ne peut rejeter l'hypothèse nulle alors on conclut que
les séries sont non cointégrées. A l'opposée, le rejet de l'hypothèse nulle permet de
conclure que les séries sont cointégrées. En résumé, le test se présente de la façon
suivante:
H 0: ρ= 1 (Absence de cointégration)
H 1: ρ < 1 (Présence de cointégration)
Le troisième test que nous verrons est celui de Westerlund (2007).
5.1.3.4 Le test de Westerlund
Ce test est basé sur le modèle à correction d’erreur. On considère à priori que
le processus générateur de données est un modèle à correction d’erreur. On effectue
le test sur le paramètre qui représente la vitesse d’ajustement c'est à dire la vitesse à
laquelle le système revient à l’équilibre après un choc. Si le paramètre est inférieur à
zéro, alors il y’a une correction d’erreur donc les variables sont cointégrées. Par
contre si la vitesse d’ajustement est nulle alors on conclut l’absence de cointégration
des variables. Considérons le modèle à correction d'erreur ci-dessous:
P P
∆𝑦𝑖𝑡 =𝑐𝑖 +𝛼𝑖 �yi,t−j + βxi,t−j � + ∑j=1
i
𝛼𝑖𝑗 ∆yi,t−j + ∑j=q
i
𝛾 ∆xi,t−j +eit
i 𝑖𝑗
(17)
Le paramètre α i est la vitesse d’ajustement à laquelle le système revient à

l’équilibre après un choc. Si α i < 0, alors il y’a une correction d’erreur, ce qui
implique que les variables x it et y it sont cointégrées. La formulation du test est
décrite comme suit
H 0 : αi = 0 pour tout i contre H1 : αi < 0 pour au moins un i.
43
L’hypothèse nulle d’absence de cointégration est évaluée par deux groupes
de test. On a d’une part, les "group-mean tests" et les "panel tests". Westerlund
calcule quatre statistiques de test de cointégration (G a ,G t ,P a ,G t ) basées sur le modèle
à correction d’erreur. Le "group-mean test" est calculé à partir de la moyenne
pondérée de la vitesse d’ajustement (α i ) estimée pour chaque pays. Le " panel test"
quant à lui est calculé en se servant de l’estimé de la vitesse d’ajustement de
l’ensemble du panel. Notons par ailleurs que ces quatre statistiques sont normalement
distribuées. Les statistiques G t et P t sont calculées à partir des écarts-types de α i de
façon standard. G a et P a sont calculées en utilisant l’estimateur de variance-
covariance de Newey-West (1994). On calcule l’estimé de l’écart-type de α i en
corrigeant l'hétéroscédasticité et l'autocorrélation. Les expressions des quatre
statistiques sont données par les relations suivantes:
1 α� i α� i
Gt = ∑N
i=1 Pt =
N S.e(α� i) S.e(α� i)
1 α� i
Ga = ∑N
i=1 Pa = Tα� i
N S.e(α� i )
� 𝑒𝑖
𝜔
Avec α
� i (1)= où 𝜔
�𝑒𝑖 et 𝜔
�𝑥𝑖 sont les estimateurs de la variance-
� 𝑥𝑖
𝜔
covariance de Newey-West. A l'aide de ces quatre statistiques, si on ne peut rejeter

l'hypothèse nulle, on conclut que les variables ne sont pas cointégrées alors le
processus générateur de données n'est pas un modèle à correction d'erreur. Toutefois,
si l'hypothèse nulle est rejetée en faveur de l'hypothèse alternative, alors les variables
sont cointégrées et le modèle décrit par l'équation (16) est le plus approprié pour
l'estimation des paramètres. Ainsi s'achève la présentation des tests de cointégration
en données de panel. Plusieurs logiciels économétriques permettent d'implémenter
ces tests. Dans le cadre de cette étude, la version 8 de EViews servira à
l'implémentation du test de Pedroni et Stata 12 sera utilisé pour le test de Westerlund.
Les tests seront effectués pour chaque groupe de pays.
44
5.1.3.5 Résultats du test de cointégration de Pedroni

Tableau 10: Résultat du test de cointégration (Toutes les variables)
Panel Tests Statistiques Probabilités

ν-stat -0,600296 0,7258
ρ-stat 0,059903 0,5339
t-stat (ADF) -3,424343 0,0003**
t-stat (PP) -3,952539 0,0000**
Group Mean Tests
ρ-stat 1,248471 0,8941
t-stat (PP) -3,355010 0,0004**
t-stat (ADF) -3,715197 0,0001**
Note: **, * dénotent le degré de signification à 1%, 5% respectivement.
Tableau 11: Résultat du test de cointégration (Co2 et Population )

ν-stat 1,520675 0,0642
ρ-stat -2,026258 0,0214*
t-stat (ADF) -3,597144 0,0002**
t-stat (PP) -4,011075 0,0000**
Group Mean Tests
ρ-stat -1,285374 0,0993
t-stat (PP) -3,481380 0,0002**
t-stat (ADF) -3,393296 0,0003**
Lorsque le test de cointégration de Pedroni est effectué pour l'ensemble des

variables dans le tableau 10, sur les sept statistiques, il n'y a que quatre qui sont en
45
faveur de l'existence d'une relation de long terme entre le dioxyde de carbone et les
autres variables. Par contre, lorsqu'on s'intéresse seulement à la relation de long terme
entre le dioxyde de carbone et la population dans le tableau 11, cinq des statistiques
planchent en faveur de la cointégration entre les deux variables. Mieux, les deux
autres statistiques rejettent faiblement l'absence de cointégration. On conclura donc
que les variables sont cointégrées et on utilisera un modèle à correction d'erreur pour
estimer cette relation de long terme. La même approche sera utilisée pour tester la
cointégration pour les autres groupes de pays. Toutefois, s'il s'avère qu'il nous est
difficile de tirer une conclusion, on fera alors appel au test de Westerlund (2007)
implémenté dans stata. Ceci dit, nous étudierons le cas des pays à revenu
moyennement faible.

ν-stat -1,301748 0,9035
ρ-stat 0,290295 0,6142
t-stat (ADF) -2,715890 0,0033**
t-stat (PP) -3,163498 0,0008**
Group Mean Tests
ρ-stat 1,645428 0,9501
t-stat (PP) -3,726632 0,0001**
t-stat (ADF) -4,079708 0,0000**
46

ν-stat 1,099472 0,1358
ρ-stat -5,329435 0,0000**
t-stat (ADF) -5,365915 0,0000**
t-stat (PP) -5,269897 0,0000**
Group Mean Tests
ρ-stat -2,516237 0,0059**
t-stat (PP) -4,282460 0,0000**
t-stat (ADF) -4,118373 0,0000**
Comme dans le premier cas, quatre des sept statistiques valident la relation
de cointégration. Lorsqu'on prend que le Co2 et la population, six des sept statistiques
sont en faveur de la cointégration. On conclut qu'il existe une relation de long terme
qui sera estimée à l'aide d'un modèle à correction d'erreur.


ν-stat -2,512483 0,9940
ρ-stat -1,62002 0,0526
t-stat (ADF) -12,20103 0,0000**
t-stat (PP) -11,32435 0,0000**
Group Mean Tests
ρ-stat 0,724907 0,7657
t-stat (PP) -6,792725 0,0000**
t-stat (ADF) -6,181920 0,0000**
47
Tableau 15: Résultat du test de cointégration (Co2 et Population)

ν-stat -1,451848 0,9267
ρ-stat -6,369003 0,0000**
t-stat (ADF) -10,46419 0,0000**
t-stat (PP) -10,99615 0,0000**
Group Mean Tests
ρ-stat -2,504240 0,0061**
t-stat (PP) -5,452616 0,0000**
t-stat (ADF) -4,621254 0,0000**
En utilisant les arguments précédents, on déclare qu'il existe une relation de

long terme entre la population et l'émission de dioxyde de carbone.
 Pays de l'OCDE

ν-stat 0,333115 0,3695
ρ-stat -0,230326 0,4089
t-stat (ADF) -4,278149 0,0000**
t-stat (PP) -4,924176 0,0000**
Group Mean Tests
ρ-stat 1,435833 0,9245
t-stat (PP) -3,537943 0,0002**
t-stat (ADF) -4,074958 0,0000**
48

ν-stat 2,579583 0,0029**
ρ-stat -3,603268 0,0002**
t-stat (ADF) -3,981053 0,0000**
t-stat (PP) -5,005239 0,0000**
Group Mean Tests
ρ-stat -3,427110 0,0003**
t-stat (PP) -5,142884 0,0000**
t-stat (ADF) -5,094860 0,0000**
Une fois de plus, en s'appuyant sur les statistiques des deux tableaux, il
convient de conclure à l'existence de la relation de long terme.
5.1.3.6 Résultats du test de cointégration de Westerlund

Tableau 18: Résultat du test de cointégration
Statistiques valeurs z-value p-value

Gt -2.627 -3.782 0.000***
Ga -3.088 2.979 0.999
Pt -10.022 -4.256 0.000***
Pa -6.184 -1.760 0.039***
Sur l'ensemble des quatre statistiques, trois rejettent au seuil de 5% l'absence

de cointégration. On conclut alors à la cointégration des variables.
49

Gt -3.247 -7.127 0.000***
Ga -2.686 3.568 1.000
Pt -8.104 -1.804 0.036***
Pa -1.192 2.983 0.999
Deux des quatre statistiques sont en faveur du rejet de la présence de

cointégration. Ce résultat conflictuel nécessite un second test qui a déjà été effectué
c'est à dire le test de Pedroni.


Gt -2.192 -5.844 0.000***
Ga -2.223 1.737 0.959
Pt -6.285 -3.198 0.001***
Pa -2.153 -1.946 0.026***
Trois statistiques (G t, Pt, Pa) sur quatre nous permettent de conclure

l'existence de cointégration entre les variables.
50
 Pays de l'OCDE

Gt -2.749 -4.956 0.000***
Ga -6.444 0.588 0.722
Pt -8.760 -2.139 0.016***
Pa -6.286 -2.122 0.017***
Trois statistiques sur quatre nous permettent de conclure l'existence de

cointégration entre les variables. A la lumière des deux tests établis, il apparait
clairement que nos variables sont cointégrées.
5.2 Résultats d'estimation par groupe de pays et discussion
Cette partie de notre étude consiste à regrouper dans plusieurs tableaux

l'ensemble des résultats des régressions. On a montré à l'aide des tests de Pedroni et
de Westerlund qu'il existe une relation de long terme entre la population et l'émission
du dioxyde de carbone. Dans ce cas, la méthode d'estimation appropriée est la
FMOLS (Fully Modified Ordinary Least Squares) proposée par Pedroni (1996, 2000).
Selon l'auteur, l'utilisation des moindres carrés ordinaires sur des données de panel
cointégrées donnera des estimateurs biaisés parce que les estimateurs dépendront des
paramètres de nuisance associés au caractère dynamique du modèle. Pour lui, on ne
peut utiliser les MCO à condition qu'on ait des régresseurs exogènes et une
dynamique homogène entre les individus du panel. Puisque ces conditions ne sont pas
satisfaites avec nos données, on fera alors recours à la FMOLS qui non seulement
prend en compte une éventuelle existence d'une corrélation sérielle mais résout le
problème d'endogénéité des régresseurs. La FMOLS est donc préférée à la MCO dans
51
cette étude. Les commentaires de ces différents résultats seront également effectués.
Ceci dit, on commencera par présenter les résultats des pays à revenu faible.
5.2.1 Pays à revenu faible
Tableau 18: Résultats de l'estimation par la FMOLS

Variable expliquée: LCO2 ( Logarithme du dioxyde de carbone)
Variables Coefficients des
Élasticités de
explicatives Paramètres Écarts-types P-value
Long-terme
estimés
LCO21
0,890165 0.021989 0.0000***
LPOP
1,2962
0,142379 0.030404 0.0000***
LPIB
1,5173
0,166655 0.055016 0.0026***
LISS
-0,3841
-0,042195 0.019080 0.0275**
LSSS
-0,2637
-0,028972 0.028543 0.3107
Note: LCO21 représente le logarithme du retard d'une période du dioxyde de carbone.

*, **, *** (variables significatives respectivement au seuil de 10%, 5% et 1%).
Test de Student sur l'élasticité dioxyde de carbone-population
On sait que la relation de long terme dioxyde de carbone est donnée par la relation
β/(1 − ζ) où β et ζ représentent respectivement les paramètres associés aux
logarithmes des variables population et dioxyde de carbone retardée d'une
période. Supposons que la transformation g est égale à μ= β/(1 − ζ) où μ est
la relation de long terme CO2-Population. L'estimé de μ est bien fonction de
52
l'estimé de β et ζ. En utilisant la méthode delta, la variance de μ est donnée
par la relation suivante :
var(λ�) cov(λ� , β� )
∂g
∂g ∂g
Var(μ) = � �Σ � � avec Σ = �
∂λ�
�
∂α� ∂β� ∂g
∂β�
cov(λ� , β� ) var(β� )
var(λ�) cov(λ�, β� ) ∂λ�

∂g
∂g ∂g
Var(μ) = � �� ∂g�
∂α� ∂β� cov(λ�, β� ) var(β� ) ∂β�
En remplaçant les estimés par leur valeur numérique et effectuant le produit

matriciel, on obtient:
Var(μ) = 0.0144
H0 ∶ μ=1 vs H1 ∶ μ>1
μ� −1
Tc = Tc = 2.5
Se (μ� )
Au seuil de 5% on rejette l'hypothèse nulle et on conclut que l'élasticité de long-terme

population-émission de dioxyde de carbone (μ) est supérieure à 1 pour les pays à
revenu faible.
Rappelons que l'objet de cette étude est d'évaluer la relation de long terme
entre la population et l'émission de dioxyde de carbone. A partir de l'équation (4), la
relation de long terme est donnée par l'expression β/(1 − ζ) où β et ζ représentent
respectivement les paramètres associés aux logarithmes des variables
population et dioxyde de carbone retardée d'une période. Toutes les
variables sont significatives au seuil de 5% à l'exception de la part des
services dans le PIB/tête. Puisque les variables sont en logarithme a lors on a
des élasticités. La relation de long terme entre la population et le dioxyde de
carbone est de 1,3. En contrôlant les autres variables (LPIB, LISS,LSSS), on
conclut que lorsque la population dans les pays à revenu faible augmente de
1%, le taux d'émission de dioxyde de carbone dans ces pays augmente de
1,3%. Ce résultat de l'élasticité dioxyde de carbone-population supérieur à 1
53
dans les pays à revenu faible a été trouvé par d'autres chercheurs tels qu e
Shi(2003) et Dietz et Rosa(1997) qui ont utilisé des approches différentes.
On remarque aussi que le signe associé au PIB est positif. Ce qui signifie
que lorsque le niveau de richesse dans les pays à revenu faible augmente, le
niveau d'émission de dioxyde de carbone augmente également. Pour 1%
d'accroissement du niveau de richesse, on a une augmentation de 1,52% du
niveau d'émission de dioxyde de carbone. Une explication à cela pourrait
être une intensification du niveau d'industrialisation des pays et donc un fort
rejet de dioxyde de carbone dans l'atmosphère. Par ailleurs, plus les
ménages sont riches, ils acquièrent plus d'appareils électroménagers,
augmentant ainsi le taux de consommation d'énergie. La part des services
dans le niveau de produit intérieur brut par tête quoique non significative
exerce un effet négatif sur le taux d'émission de dioxyde de carbone dans les
pays pauvres. Lorsque la part des services dans le PIB accroit, le niveau de
CO2 baisse. Le signe négatif du paramètre associé à la variable LISS
signifie qu'à long terme le niveau d'émission de dioxyde carbone et de la
part de l'industrie dans le produit intérieur brut par tête évoluent en sens
inverse. Lorsqu'on contrôle toutes les autres variables, une augmentation de
1% de la part de l'industrie induit une baisse de 0,04% du niveau de dioxyde
de carbone dans l'ensemble des pays ayant servi d'échantillon dans le cadre
de cette étude.
54
5.2.2 Pays à revenu moyennement faible

Variable expliquée: LCO2
Élasticités de
Long-terme
estimés
LCO21
0,813864 0,027116 0.0000***
LPOP
0,151448 0,049663 0,0024*** 0,8136
LPIB
0,109387 0,154982 0,4806 0,5876
LISS
0,046561 0,065098 0,4748 0,2501
LSSS
0,050356 0,075112 0,5029 0,2705
Note: LCO21 représente le logarithme du retard d'une période du dioxyde de

carbone. *, **, *** (variables significatives respectivement au seuil de 10%, 5% et
1%).
L'élasticité de long terme dioxyde de carbone-population est égale à 0,8136.
En contrôlant l'ensemble des autres variables, une augmentation de 1% de la
population entraîne une augmentation de 0,8136% du taux d'émission de dioxyde de
carbone. Le niveau de richesse n'est pas significatif. Toutefois le signe positif qui lui
est associé signifie une corrélation positive entre le logarithme de la population et le
logarithme du niveau de CO2. Plus le niveau de richesse augmente dans les pays en
voie de développement la propension à accroître leur niveau d'émission de dioxyde de
carbone augmente également. Les variables LISS et LSSS ne sont pas significatives
au seuil de 5%. Le signe des paramètres qui leur sont associés sont positifs.
55
5.2.3 Pays à revenu intermédiaire

Élasticités de
Long-terme
estimés
LCO21 0,803459 0,022437 0,0000***
LPOP 0,184081 0,055782 0,0010*** 0,9366
LPIB 0,324819 0,184038 0,0780* 1,6527
LISS 0,020014 0,072494 0,7826 0,1018
LSSS -0,147556 0,097623 0,1311 -0,7508

1%).
Les résultats du tableau 20 montrent que la population, le produit intérieur
brut par tête et la part de l'industrie dans le PIB/tête influencent positivement le
niveau d'émission de dioxyde de carbone. L'effet de la part des services dans le
niveau de produit intérieur brut par tête est négatif quoique le paramètre qui lui est
associé est non significatif. Lorsqu'on contrôle l'ensemble des autres variables
explicatives du modèle estimé à l'exception de la population, une augmentation de
1% du nombre de la population cause un accroissement de 0,94% du niveau
d'émission de dioxyde de carbone dans l'ensemble des pays à revenu intermédiaire.
L'élasticité émission de dioxyde carbone-niveau de richesse par tête est de 1,65%.
L'accroissement du taux de rejet de CO2 est supérieur à celui de la richesse. Lorsque
le niveau de richesse par tête augmente de 1%, le taux d'émission de dioxyde de
56
carbone évolue de 1,65%. Plusieurs raisons peuvent justifier cela. Lorsqu'une
économie est en forte croissance, elle a certainement besoin d'une forte
consommation d'énergie pour son expansion industrielle et donc pollue assez. Les
pays comme la Chine, le Brésil et l'Inde en sont des exemples.
5.2.4 Pays de l'OCDE

Élasticités de
Long-terme
estimés
LCO21 0,786967 0,016257 0,0000***
LPOP 0,214419 0,002981 0,0000*** 1,006
LPIB -0,156963 0,005035 0,0000*** -0,7368
LISS 0,209959 0,004502 0,0000*** 0,9856
LSSS 0,076678 0,006494 0,0000*** 0,3599

1%).
Test de Student
En utilisant la méthode delta explicitée dans la partie 5.2.1 pour le calcul de
la variance de μ et en remplaçant les estimés par leur valeur numérique, la variance
de l'élasticité de long terme carbone-population est:
Var(μ) = 0.005
57
H0 ∶ μ=1 vs H1 ∶ μ<1
μ� −1
Tc = Tc = 0.085
Se (μ� )
Au seuil de 5%, les informations contenues dans notre échantillon ne nous

permettent pas de rejeter l'hypothèse nulle car la valeur de la statistique calculée est
inférieure à celle de la table de Student (1.96).
Les résultats en rapport avec les pays de l'OCDE présentent les
caractéristiques escomptées. Tous les paramètres estimés satisfont les signes attendus
contrairement à l'ensemble des autres groupes de pays. Le signe négatif du paramètre
associé au logarithme du produit intérieur brut par tête attire singulièrement notre
attention. Dans l'ensemble des pays de l'OCDE, lorsque le niveau de richesse par tête
augmente, l'émission de dioxyde de carbone diminue. En contrôlant l'ensemble des
autres variables, à long terme, une hausse de 1% du PIB/tête conduit à une diminution
de 0,74% du taux d'émission de CO2. L'une des explications est la mise en œuvre de
résolutions liées à la préservation de l'environnement. Il s'agit notamment du principe
du pollueur- payeur. C'est un principe qui découle de l'éthique de responsabilité, qui
consiste à faire prendre en compte par chaque acteur économique les externalités
négatives de son activité. L'encouragement du recyclage est également une politique
environnementale qui permet de réduire l'émission de CO2 dans ces pays. L'élasticité
population-émission de dioxyde de carbone est égale à 1. Ce qui signifie que pour 1%
d'accroissement de la population, il résulte 1% de hausse d'émission de dioxyde de
carbone. Il faut remarquer que bien que la méthode qu'on a utilisée est différente de
celle de Dietz et Rosa (1994), nous trouvons la même élasticité unitaire. D'autres
études par contre ont trouvé que cette élasticité est inférieure à 1 dans le cas des pays
de l'OCDE. Soulignons par ailleurs que les pays dont le secteur industriel représente
une part importante du PIB ont un fort taux d'émission de dioxyde carbone
comparativement à ceux dont la part des services dans le PIB est la plus grande. On
voit bien à travers nos résultats que quand la part de l'industrie dans le PIB augmente
de 1%, le taux d'émission de CO2 accroît de 0,9856%. Alors que lorsque la part du
58
service dans le PIB augmente de 1%, le taux d'émission de dioxyde de carbone
n'augmente que de 0,4%. En comparant les deux élasticités, on constate que celle de
l'industrie est supérieure à celle des services.
59
CONCLUSION
La question principale de cette étude était de savoir s'il existe une relation
d'équilibre de long terme entre le taux d'émission de dioxyde de carbone et le taux de
croissance de la population. Pour tenter de répondre à cette question, nous avons
mené une investigation sur 81 pays sur une période allant de 1980 à 2010. Ces
différents pays ont été classés en quatre grands groupes (confère annexe 1) en
fonction de leur niveau de produit intérieur brut par tête. A l'aide du modèle
STIRPAT , d'implémentation de test de racine unitaire et de cointégration en données
de panel, on a trouvé qu'il existe une relation d'équilibre de long terme entre le taux
d'émission de dioxyde de carbone et le taux de croissance de la population pour
l'ensemble des quatre groupes de pays. En utilisant la méthode d'estimation FMOLS,
on trouve également que l'élasticité de long terme dioxyde de carbone-population
varie d'un groupe de pays à un autre. On ne s'intéressera qu'aux pays à revenu faible
et ceux de l'OCDE car ceux-ci sont les plus étudiés dans la littérature concernant ce
sujet. Pour l'ensemble des pays à revenu faible, l'élasticité de long terme dioxyde de
carbone-population est de 1.3, ce qui est bien supérieur à 1. Notre résultat est en
accord avec certains résultats dans la littérature qui ont également prouvé que
l'élasticité dioxyde de carbone-population des pays en développement est supérieure à
1. Soulignons toutefois que ce ne sont pas des élasticités de long terme. En ce qui
concerne les pays de l'OCDE, nous trouvons que l'élasticité dioxyde de carbone-
population est égale à 1 quoique certaines études trouvent des résultats plus petits
mais proches de 1.
En général, les études se penchant sur la question de la population et de
l'émission de dioxyde de carbone font fi du caractère non stationnaire des variables.
Notre étude en prend soin et utilise les techniques d'estimation appropriées pour
s'assurer que les contours de la question ont bien été élucidés. Néanmoins, une
analyse beaucoup plus approfondie pourrait éventuellement prendre en compte la
détermination du nombre de vecteurs de cointégration en données de panel à l'aide
60
d'un modèle VECM, ce qui conduirait à l'estimation d'au moins une équation. Les
résultats pourraient être donc différents des nôtres.
61
BIBLIOGRAPHIE
[1] Agras, J. and Chapman, D.(1999). A dynamic approach to the Environmental

Kuznets Curve hypothesis. Ecological Economics, 28(2):267–277
[2] Alam, S., Fatima, A., and Butt, M. S. ( 2007). Sustainable development in
Pakistan in the context of energy consumption demand and environmental
degradation. Journal of Asian Economics, 18(5): 825-837.
[3] Baltagi, B. (2008). Econometric analysis of panel data. John Wiley & Sons.
[4] Birdsall, N.(1992). Another look at population and global warming, volume
1020. World Bank Publications, .
[5] Boserup, E.(1965). The conditions of agricultural growth, Earthscan, London .
[6] A Brock, W.A. and Taylor, M.S. (2010). The green Solow model. Journal of
Economic Growth, 15(2):127–153.
[7] Choi, I. (2001). Unit root tests for panel data. Journal of international money and
Finance, 20(2):249–272.
[8] Chow, G.C. and Li, J. (2014). Environmental Kuznets Curve: Conclusive
Econometric Evidence for CO2. Pacific Economic Review, 19(1):1–7.
[9] Cole, M.A. and Neumayer, E. (2004). Examining the impact of demographic
factors on air pollution. Population and Environment, 26(1):5–21.
[10] Cropper, M. and Griffiths, C. (1994). The interaction of population growth and
environmental quality. American Economic Review, 84(2):250–4.
62
[11] De Bruyn, S.M., van den Bergh, J.C., and Opschoor, J. B. (1998). Economic
growth and emissions: reconsidering the empirical basis of environmental Kuznets
curves. Ecological Economics, 25(2):161–175.
[12] Dietz, T. and Rosa, Eugene, A. (1997). Effects of population and affluence on
CO2 emissions. Proceedings of the National Academy of Sciences, 94(1):175–179.
[13] Dietz, T. and Rosa, Eugene, A. (1994). Rethinking the environmental impacts of
population, affluence and technology. Human Ecology Review, 1:277–300.
[14] Ehrhardt-Martinez, K., Crenshaw, E. M., and Jenkins, J. C. (2002). Deforestation

and the Environmental Kuznets Curve: A Cross-National Investigation of Intervening
Mechanisms. Social Science Quarterly, Social Science Quarterly, 83(1):226–243.
[15] Ehrlich, P. and Holdren, J. (1971). Impact of population growth. Science,

171(3977):1212–1217.
[16] Enders, W. (2010). Applied econometric time series. John Wiley & Sons.
[17] Fan, Y., Liu, L. C., Wu, G., and Wei, Y. M. (2006). Analyzing impact factors of
CO2 emissions using the STIRPAT model. Environmental Impact Assessment
Review,26(4):377–395.
[18] Feng, Z.-H., Zou, L.-L., and Wei, Y.-M. (2011). The impact of household
consumption on energy use and CO2 emissions in China. Energy, 36(1):656-670.
[19] Friedl, B. and Getzner, M. (2003). Determinants of CO2 emissions in a small

open economy. Ecological Economics, 45(1):133–148.
[20] Galeotti, M. and Lanza, A. (1999). Richer and cleaner? A study on carbon
dioxide emissions in developing countries. Energy Policy, 27(10):565–573.
63
[21] Grossman, G. M. and Krueger, A. B. (1995). Economic growth and the
environment. The quarterly journal of economics, 110(2):353–377.
[22] Hadri, K. (1999). Testing the null hypothesis of stationarity against the
alternative of a unit root in panel data with serially correlated errors. Research papers,
1999 (05), University of Liverpool Management School.
[23] Hamilton, C. and Turton, H. (2002). Determinants of emissions growth in OECD

countries, Energy Policy, 30(1):63–71.
[24] Hamilton, J. D. (1994). Time series analysis. Princeton university press.
[25] Harbaugh, W. T., Levinson, A., and Wilson, D. M. (2002). Reexamining the
empirical evidence for an environmental Kuznets curve. Review of Economics and
Statistics, 84(3):541–551.
[26] Harris, R. D. and Tzavalis, E. (1999). Inference for unit roots in dynamic panels
where the time dimension is fixed. Journal of econometrics, 91(2):201–226.
[27] He, J. and Richard, P. (2010). Environmental Kuznets curve for CO2 in Canada.
Ecological Economics, 69(5):1083–1093.
[28] Heil, M. T. and Selden, T. M. (2001). Carbon emissions and economic

development: future trajectories based on historical experience. Environment and
Development Economics, 6(1):63–83.
[29] Hettige, H., Mani, M., and Wheeler, D. (2000). Industrial pollution in economic
development: the environmental Kuznets curve revisited. Journal of Development
Economics, 62(2):445–476.
[30] Holtz-Eakin, D. and Selden, T. M. (1995). Stoking the fires? CO2 emissions and
economic growth. Journal of public economics, 57(1):85–101.
64
[31] Im, K. S., Pesaran, M. H., and Shin, Y. (2003). Testing for unit roots in
heterogeneous panels. Journal of econometrics, 115(1):53–74.
[32] Jaunky, V. C. (2011). The CO 2 emissions-income nexus: Evidence from rich

countries. Energy Policy, pp. 1228—1240, 2011.
[33] Jones, D. W. (1991). How urbanization affects energy-use in developing

countries. Energy Policy, 19(7):621–630.
[34] Kao, C. (1999). Spurious regression and residual-based tests for cointegration in
panel data. Journal of econometrics, 90(1):1–44.
[35] Kuznets, S. (1955). Economic growth and income inequality. The American
economic review, pages 1–28.
[36] Levin, A., Lin, C.-F., and James Chu, C.-S. (2002). Unit root tests in panel data:
asymptotic and finite-sample properties. Journal of econometrics, 108(1):1–24.
[37] Li, B. and Yao, R. (2009). Urbanisation and its impact on building energy
consumption and efficiency in China. Renewable Energy, 34(9):1994–1998.
[38] Liddle, B. (2004). Demographic dynamics and per capita environmental impact:
using panel regressions and household decompositions to examine population and
transport. Population and Environment, 26(1):23–39.
[39] Liddle, B. and Lung, S. (2010). Age-structure, urbanization, and climate change
in developed countries: revisiting STIRPAT for disaggregated population and
consumption-related environmental impacts. Population and Environment,
31(5):317–343.
[40] Liu, Y. (2009). Exploring the relationship between urbanization and energy
consumption in China using ARDL (autoregressive distributed lag) and FDM (factor
decomposition model). Energy, 34(11):1846–1854.
65
[41] Lopez, R. (1994). The environment as a factor of production: the effects of
economic growth and trade liberalization. Journal of Environmental Economics and
management, 27(2):163–184.
[42] Lugauer, S., Jensen, R., and Sadler, C. (2014). An estimate of the age
distribution's effect on carbon dioxide emissions. Economic Inquiry, 52(2):914-929.
[43] Maddala, G. S. and Wu, S. (1999). A comparative study of unit root tests with
panel data and a new simple test. Oxford Bulletin of Economics and statistics,
61(S1):631–652.
[44] Madlener, R. and Sunak, Y. (2011). Impacts of urbanization on urban structures

and energy demand: What can we learn for urban energy planning and urbanization
management? Sustainable Cities and Society, 1(1):45-53.
[45] Malthus, T.R. (1798). An Essay on the Principle of Population. Masterworks of

Economics, 1:26.
[46] Martínez-Zarzoso, I. and Maruotti, A. (2011). The impact of urbanization on

CO2 emissions: evidence from developing countries. Ecological Economics, 70(7),
1344-1353.
[47] Martínez-Zarzoso, I., Bengochea-Morancho, A., and Morales-Lage, R. (2007).

The impact of population on CO2 emissions: evidence from European countries.
Environmental and Resource Economics, 38(4), 497-512.
[48] Martıń ez-Zarzoso, I., and Bengochea-Morancho, A. (2004). Pooled mean group
estimation of an environmental Kuznets curve for CO2 .Economics Letters, 82(1),
121-126.
66
[49] Menz, T. and Welsch, H. (2012). Population aging and carbon emissions in
OECD countries: Accounting for life-cycle and cohort effects. Energy Economics,
34(3):842–849.
[50] Meyerson, F. A. (1998). Population, carbon emissions, and global warming: the
forgotten relationship at Kyoto. Population and Development Review, pages 115–
130.
[51] Moomaw, W. R. and Unruh, G. C. (1997). Are environmental Kuznets curves

misleading us? The case of CO. Environment and Development Economics, 2(4).
[52] Newey, W. K. and West, K. D. (1994). Automatic lag selection in covariance

matrix estimation. The Review of Economic Studies, 61(4):631–653.
[53] Notestein, F. (1945). Population-the long view in T.Schultz (ed). Food for the
world, Chicago: Chicago University Press, 36-57.
[54] O’Neill, B. C., Liddle, B., Jiang, L., Smith, K. R., Pachauri, S., Dalton, M.,and
Fuchs, R. (2012). Demographic change and carbon dioxide emissions. The Lancet,
380(9837):157–164.
[55] Pedroni, P. (1996). Fully modified OLS for heterogeneous cointegrated panels
and the case of purchasing power parity, Indiana University Working Paper in
Economics, No.96-020
[56] Pedroni, P. (1999). Critical values for cointegration tests in heterogeneous panels
with multiple regressors. Oxford Bulletin of Economics and statistics, 61(S1):653–
670.
[57] Pedroni, P. (2000). Fully modified OLS for heterogeneous cointegrated panels.
Advances in Econometrics, 15, 93-130.
67
[58] Poumanyvong, P. and Kaneko, S. (2010). Does urbanization lead to less energy
use and lower CO2 emissions? A cross-country analysis. Ecological Economics,
70(2):434–444.
[59] Roberts, J. T. and Grimes, P. E. (1997). Carbon intensity and economic

development 1962—1991: a brief exploration of the environmental Kuznets
curve. World Development, 25(2):191–198.
[60] Simon, J. L. (1998). Population: The ultimate resource. Princeton University

Press.
[61] Sharma, S. S. (2011). Determinants of carbon dioxide emissions: Empirical

evidence from 69 countries. Applied Energy, 88(1):376–382.
[62] Shi, A. (2003). The impact of population pressure on global carbon dioxide
emissions, 1975-1996: evidence from pooled cross-country data. Ecological
Economics, 44(1):29–42.
[63] Unruh, G. C. and Moomaw, W. R. (1998). An alternative analysis of apparent

EKC-type transitions. Ecological Economics, 25(2):221–229.
[64] Wei, B., Yagita, H., Inaba, A., and Sagisaka, M. (2003). Urbanization impact on
energy demand and CO2 emission in China. Journal of Chongqing University-Eng.
Ed, 2:46-50.
[65] Westerlund, J. (2007). Testing for error correction in panel data. Oxford Bulletin
of Economics and Statistics, 69(6):709–748.
[66] York, R. (2007). Demographic trends and energy consumption in European

Union Nations, 1960-2025. Social Science Research, 36(3):855–872.
68
[67] York, R., Rosa, E. A., and Dietz, T. (2003). “STIRPAT, IPAT and ImPACT:
analytic tools for unpacking the driving forces of environmental impacts”, Ecological
economics, 46(3):351–365.
[68] Zhu, Q. and Peng, X. (2012). The impacts of population change on carbon
emissions in China during 1978—2008. Environmental Impact Assessment Review,
36:1–8.
69
Annexe 1 : Liste des pays classés en fonction du niveau de revenu.
Low income Lower middle income Upper middle income OCDE

Benin Bolivie Algérie Australie
Burkina Faso Cameroun Argentine Autriche
Burundi Congo Brazzaville Belize Belgique
Centrafrique Côte d'Ivoire Botswana Canada
Congo Kinshasa Egypte Brésil Chili
Gambie Ghana Chine Danemark
Guinée-Bissau Guyane Colombie Finlande
Kenya Honduras Costa Rica France
Liberia Inde Cuba Island
Madagascar Indonésie Dominicaine, Rep Italie
Malawi Mauritanie Equateur Japon
Mali Maroc Fiji Corée du Sud
Rwanda Nigeria Gabon Luxembourg
Sierra-Léone Philippines Hongrie Pays-Bas
Togo Sénégal Iran New Zealand
Zimbabwe Sri Lanka Malaisie Norvège
Soudan Mexique Portugal
Swaziland Panama Espagne
Zambie Pérou Suède
Seychelles Angleterre
Afrique du Sud États-Unis
Thaïlande
Tunisie
Turquie
Venezuela
70
TABLE DES MATIERES.
REMERCIEMENTS......................................................................................................1
SOMMAIRE..................................................................................................................2
LISTE DES FIGURES..................................................................................................3
SIGLES ET ABBREVIATIONS...................................................................................4
RESUME.......................................................................................................................5
INTRODUCTION.........................................................................................................6
2 : REVUE DE LITTERATURE..................................................................................9
2.1 Pollution et niveau de revenu: hypothèse de Kuznets..........................................9
2.2 Population et pollution........................................................................................13
3 : METHODOLOGIE................................................................................................20
3.1 Description du modèle........................................................................................20
3.2 Spécification du modèle.....................................................................................21
4 : Source et description des données..........................................................................23
4.1 Source des données.............................................................................................23
4.2 Description des données.....................................................................................23
5 : Analyse et discussion des résultats.........................................................................30
5.1 Analyse des propriétés statistiques des variables...............................................30
5.1.1 Analyse de la stationnarité............................................................................30
5.1.2 Quelques tests de racine unitaire en données de panel.................................30
5.1.3 Test de cointégration.....................................................................................40
5.1.3.1 Définition...............................................................................................40
5.1.3.2 Test de Pedroni......................................................................................40
5.1.3.3 Test de Kao............................................................................................42
5.1.3.4 Test de Westerlund................................................................................43
5.1.3.5 Résultats du test de cointégration de Pedroni........................................45
5.1.3.6 Résultats du test de cointégration de Westerlund..................................49
5.2 Résultats d'estimation par groupe de pays et discussion...................................51
5.2.1 Pays à revenu faible.....................................................................................52
71
5.2.2 Pays à revenu moyennement faible............................................................55
5.2.3 Pays à revenu intermédiaire........................................................................56
5.2.4 Pays de l'OCDE..........................................................................................57
Conclusion...................................................................................................................59
Bibliographie...............................................................................................................61
Annexe.........................................................................................................................69
72

Koffi Klodji Thomas MScA 2014

Transféré par

Droits d'auteur :

Formats disponibles

Koffi Klodji Thomas MScA 2014

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Koffi Klodji Thomas MScA 2014

Transféré par

Droits d'auteur :

Formats disponibles

FACULTÉ D'ADMINISTRATION

ANALYSE DE COINTEGRATION LONGITUDINALE DE

MÉMOIRE DE MAÎTRISE EN ÉCONOMIQUE

Présenté par : Sous la direction du :

KLODJI THOMAS KOFFI Professeur Patrick Richard

J’exprime singulièrement ma gratitude au Professeur Patrick Richard,

Mes remerciements vont également à l'endroit de mes lecteurs les

FIGURE 1: Évolution globale annuelle du logarithme de CO2 ( LI et LMI)

ADF : Augmented Dickey-Fuller

Ce mémoire analyse une existence éventuelle d'une relation de long terme

Le réchauffement climatique est un fléau au cœur des débats actuels. Les

2.1 Pollution et niveau de revenu: hypothèse de Kuznets

La relation entre la croissance économique et le niveau de dégradation de

S’il est vrai que l’hypothèse de l’existence de la forme en U inversée de la

2.2 Population et pollution

L'idée selon laquelle la croissance démographique influence de façon

3.1 Description du modèle

la majeure partie des études faites sur l’analyse de l’impact de la croissance

3.2 Spécification du modèle

Plusieurs auteurs estiment la forme log-linéaire du modèle de l’équation (1)

lnCO 2it = α + βlnPOP it + γlnPIB it + δlnIS it + σlnSS it +

où ν i et η t sont respectivement l’effet fixe par pays et l’effet fixe temporel.

lnCO 2it = α + ζlnCO 2it − 1 + βlnPOP it + γlnPIB it + δlnIS it +

Le modèle (4) a l’avantage d’être moins restrictif que celui en (3). Le

4.1 Source des données

Les données utilisées dans le cadre de cette étude proviennent de la base de

4.2 Description des données

Tableau 1: Définitions et unités de mesure des variables

Variables Définition Unité de mesure

Gaz à effet de serre résultant de la

IS Part de la production manufacturière Dollar américain

Figure 2: Évolution globale annuelle du logarithme de CO2 (UMI et OCDE)

Figure 4 : Évolution globale annuelle du logarithme de la population (UMI et OCDE)

Figure 5: Relation entre le logarithme de C02 et le logarithme de la population (LI et

5.1 Analyse des propriétés statistiques des variables

Nous débuterons le processus d’estimation des modèles par l’étude des

5.1.1 Analyse de la stationnarité

L’objectif est d’examiner le caractère stationnaire ou non des variables. La

5.1.2 Quelques tests de racine unitaire en données de panel

Les tests de racine unitaire en données de panel ont été récemment

 Test de Levin et Lin (1992)

Considérons le modèle suivant:

y it = ρ iy it − 1 + z’it γ + u it , i = 1, ....., N; t = 1, ...., T (5)

et ρ i = ρ, ∀ i. L’hypothèse nulle du test LL stipule que chaque série contenue dans

H0: ρ = 1 Vs H1: ρ < 1

On note par ailleurs que l’application de ce test requiert un panel cylindré

 Test de Im-Pesaran-Shin (1997)

En substituant l’expression de u it de (6) dans l’équation (5), on a

La formulation du test s’écrit: H0:ρ i = 1, ∀ i Vs H 1:ρ i < 1, pour au moins un i

 Test de p-value combinée ou test de Fisher-type

Le test de Fisher-type utilise en général la p-value du test de racine unitaire

P est la résultante de la combinaison de la p-value issue du test de racine

Tableau 2: Test de stationnarité (Fisher) à niveau au seuil de 5% (Pays à revenu

Variables Méthodes Statistiques P-values Stationnarité

Source: Calcul de l'auteur à l'aide de EViews 8

Les résultats du test du tableau 2 montrent qu’au seuil de 5%, l’hypothèse

Variables Méthodes Statistiques P-values Stationnarité

Source: Calcul de l'auteur à l'aide de EViews 8

Tableau 4: Test de stationnarité à niveau au seuil de 5% (Pays à revenu moyennement

Variables Méthodes Statistiques P-values Stationnarité